Está en la página 1de 217

Instituto Tecnolgico de:

80

70

60

50 I
40 \rl I
30 -
20

10

0
:lQ.!a\Nl6s-eo
!Qto\o\o--rF-a-oi
aaia\aaao\a6
r*-i

Bja
td-u@U@gna-
EElsta.d-st@4.

Mximo Vil6n Biar


Contenido

Materia pagma

contenido. .................] .................. 5

PrIogo..... ................ 11

bsicos...
1. Conceptos ............... 15
muestral....
1.1 Espacio .......... 15
1.2Eventos .......... 16
l.3Definicinclsicadeprobabilidad......... .............17
1.4 Definicin axiomtica de probabilidad......... ....... 18
1.5 Perodo de retorno ...........21
1.6 Concepto de riesgo:.................. ..........22
1.7 Clculo de la probabilidad emprica o experimental.............26
1.8 Variables a1eatorias................ -...........28
Variable aleatoria discreta ...................30
Variable aleatoria continua... ...............30
1.9 Distribuciones....... ...........31
Funcin de de densidad de probabilidad de una variable
aleatoria discreta..... ...........32
Funcin de densidad de probabilidad de una variable aleatoria
continua ...........33
Hidrologfa Estadstica - pgina (7)
Contenido - Pgina (6)

a una La media geomtrica .........97


Funcin de distribucin acumulada, correspondiente La mediana............... .........98
distribucin discreta" """"' 36
a una La moda ......... 100
Funcin de distribucin acumulada, correspondiente Comparacin entre la media, la mediana y la moda.............. 101
distribucin continua """"'37
3.3 Medidas de dispersin .......... ...........102
1.10 Valor esPerado """""""'44 Rango....... ......L02
1.11 Momentos de una distribucin
"""" 40
""""""""46 Yariatza... ......102
Momento respecto al origen Desviacin estndar.... ..... 105
Momento ."rrruiton resiecto a la media """"""'46 Coeficientes de variacin............ ....... 107
Media de una distribucin """""""""'41 3.4 Medida de simetra y asimetra ........107
Nlediana """""'48
"""" 48 Sesgo........ ...... L07
Moda........ 3.5 Medida de achatamiento.......... ........ 110
Varianza de una distribucin """""""' """""""""49 Curtosis.... ...... I 10
3.6 Momentos lineales (L-moments).............:................. .......... t 17
Sesgo de una distribucin """"""""""49 3.7 Problemas propuestos............ .......... 133
Curtosis """""""" 50
1.12T-:ansfbrmaciUlllinealdevariablesaieatorias'..........,..,.,...,62
"""""' 65 4. Estimacin de parmetros ....137
1.13 Problemas propuestos """""' 4.1 Definicin de parmetros ................. 137
4.2Definicin de estimadores............... .................. 138
Distribuciones de frecuencia de una muestra """"""13
_z"|Representacintabularygraficadelasmuestras,.,.........'.....73
2. 4.3 Mtodos de estimacin de parmetros ............... 140
Mtodo grfrco ............,... 140
Z.ZProcedimiento de clculo' Mtodo de mnimos cuadrados................ ............145
"""""""""'15
""""""""""" 83
,3 R"p*tentacin gr1irca Mtodo de momentos ............................... ........... 148
Histograma...........""' """"' 83
84 Mtodo de mxima verosimilitud............. ........... 161
rrfgro de frecuencia """"""" "":"""""""""""' 4.4 Problemas propuestos............ ..........L67
Funcin " A"utiud de probabilidad emprica ""' 85

Funcin"ist'iuucinacumuladaoemprica..'................'...86 .5. Pruebasde bondad y ajuste..... ...............171


2.4 Problemas propuestos """""""
""""" 88
5.1 Definicin............ ..........171
91 .5.2 Ajuste grfico ................172
,3. Medidas de las distribuciones"""""" """""""""""" .5.3 Prueba de Chi-cuadrado........ ...........174
3'lMedidaso"scripivasdelasdistribucionesdefrecuencias...:91 ^ 5.4 Prueba de Smirnov-Kolmogorov............... ........ 181
central
3.2 Medidas de tendencia """""">+ .5.5 Problemas propuestos............ ..........192
La media aritmtica """""' 95
o
La media Ponderada'
Contenido - pgina (8) Hidrologfa Estadfstica - pgina (9)

tericas
6. Distribciones """" 195 8.4 Anlisis estadstico............... ...........314
6.1Introduccin......... ..........195 Anlisis de saltos .............315
gaussiana
6.2 Distribucin normal o ""'197 ............
Anlisis de tendencias ...........319
8.5 Problemas propuestos.............. ...,....330

9. Completacin yextensin ...335


9.1 Definiciones......... ..........335
9.2Tcmcas................ .........336
9.3 Proceso .........337
9.4 Criterios para mejorar los estimados de los parmetros ......341
9.5 Problemas propuestos................ ......342
6.7 Distribucin log-Gumbel................ """""""""'257
6.8 Problemas propuestos...'.......... """"262 '10. Generacin de nmeros aleatorios.. .....347
10.1 Generacin de nmeros aleatorios uniformemente
..'.......
7. Correlacin y regresin """""""'267 distribuidos ............... ...........347
7.1Covarianza.......-.-.- """"'267 10.2 Generacin de nmeros aleatorios normales independientes
............'.
7.2 Correlacin .......268 ......... 35 1
correlacin'.........'.
7.3 Medidas de """"268 10.3 Generacin de nmeros aleatorios log-normales
correlacin..'.......
7.4 Anlisis de """""269 independientes ........... .......... 353
correlacin
7.5 Coeficiente de """""""'269 10.4 Problemas propuestos........... .........355
determinacin...""""' """"""""'27O
7.6 Coeficiente de
I l. Intervalos de confianzl.......... ..............359
11.1 Estimacin puntual y estimacin por intervalos................ 359
ll.2lntervalo de confiatzapata la media de una distribucin
normal, cuya varianza es conocida............ ..............361
I1.3 Intervalo de confialzapara la media de una distribucin
normal, con varianza desconocida............. .............365
11.4 Intervalo de confianzaparalavaianza de la distribucin
normal...... ..........368
consistencia.--........
8. Anlisis de """'"""' 307 propuestos...........
I L5 Problemas .........377
8.1Introduccin......-.. """"" 307
Bibliografa consu1tada................ ..............373
. rriris doble masa.............".".'....... """"""""312
F-

conr.,iiao - pgina (10)

Anexo A. Transformada de Laplace y funcin gamma.......,.'.......377


A.1 Justificacin ...,.,........,.,.379
A.2Latransformada de Laplace.............. .............'..380
A. 3 Ejercicios propuestos transformada de LapaIce ................. 396
gamma .....'......398
A.4 Funcin
A.5 Ejercicios propuestos funcidn gamma ....,.........407 Prlogo
Anexo B: Funciones trigonomtricas ........409

Apndice: Tablas estadsticas y papeles probabilsticos .....'.........413 Los estudios hidrolgicos requieren del anlisis de cuantiosa
informacin hidrometeolgica; esta informacin puede consistir de
Otras publicaciones..., ..............435 datos de precipitacin, caudales, temperatura, evaporacin, etc.

Los datos recopilados, solo representan una informacin en bruto,


pero si stos se organizan y analizan en forma adecuada,
proporcionan al hidrlogo una herramienta de gran utilidad, que le
permite tomar decisiones en el diseo de estructuras hidrulicas.

iliza los conceptos


Para el anlisis de la informacin, la hidrologa
de probabilidades y estadstica, siendo este campo, una de las
I
primeras reas de la ciencia e ingeniera, en usar los conceptos
l cstadsticos, en un esfuerzo para analtzar los fenmenos naturales.
I

I La presente publicacin bajo el nombre de Hidrologa Estadstica,


3t orientada a ayudar a comprender los principios fundamentales
dc la probabilidad y la estadstica, aplicada ala hidrologa, as como,
mosffar algunas herramientas estadsticas, que han sido aplicadas
gon xito, en la solucin de problemas hidrolgicos.

Prra la simplificacin del anlisis de la abundante informacin, se


Fquiere del uso de la computadora digital, es por eso, que el autor
hl desarollando la aplicacin HidroEsta, que tiene la finalidad de
Prccesar fcilmente esta informacin. Ella se utiliza en la solucin
d los ejemplos resueltos.
F
Prlogo - pgina (12) Hidrologa Estadstica - pgina (13)

La publicacin cubre los siguientes temas:


! capitulo I, conceptos bsicos, incluyendo los eventos, . captulo IX, completacin y extensin de series hidrolgicas,
probabilidades, variables aleatorias, distribuciones, funcin utilizando la correlacin lineal, para llenar registros con valores
densidad, funcin acumulada, valor esperado, momentos y incompletos, o para extender registros cortos, con base en otros
transformacin lineal de variables aleatorias. registros mas largos.

. captulo II,
distribuciones de frecuencia de una muestra, su . captulo X, tcnicas de generacin de nmeros aleatorios
representacin tabular y grfica, y su procedimiento de clculo. uniformes, normales y log-normales, y de series sintticas.

. captulo III, medidas de las distribuciones, como media, . captulo XI, la estimacin de los intervalos de confianza, parala
mediana, moda, medidas de dispersin, medidas de simetra y media y varianza de la poblacin, a partir de datos muestrales.
asimetra, y medidas de achatamiento, tambin se incluye el
clculo de los parmetros estadsticos utilizando la tcnica de los Como anexo se incluye la transformada de Laplace y la funcin
momentos lineales. gamma completa, conceptos matemticos de gran importancia, que
ayudan a simplificar los clculos que se realizan en la estimacin de
. captulo IV, estimacin de parmetros, mediante mtodo grfico, parmetros y distribuciones tericas. Tambin, se incluye un listados
mnimos cuadrados, momentos y mxima verosimilitud. de funciones trigonomtricas, que ayudan al lector, en los ejercicios
de transformada de Laplace.
. captulo V, pruebas de bondad de ajuste, dentro de las cuales se
contemplan el ajuste grfico, Chi-cuadrado y Smirnov- Por otro lado, se incluye un apndice con las tablas estadsticas ms
Kolmogorov. usuales, las cuales ayudan en los clculos a realizar, as como los
papeles probabilsticos normal, log-normal, Gumbel y log-Gumbel.
. captulo VI, distribuciones tericas ms utilizadas en hidrologa,
como la normal, log-normal, gamma, log-Pearson tipo III, El autor desea expresar su agradecimiento, a aquellas personas que
Gumbel y log-Gumbel. de una u otra manera, han estado involucradas con la elaboracin de
enta publicacin, como por ejemplo: los estudiantes de la Escuela de
. captulo VII, conceptos de correlacin y regresin, los ,lngeniera Agrcola, quienes utilizaron, como texto la versin
coeficientes de correlacin y determinacin, las ecuaciones de proliminar de esta publicacin, en el curso Estadstica Aplicada, el
regresin lineal y no lineal simple, las ecuaciones de regresin dlscador grfrco, Rafael Murillo que trabaj con las ilustraciones,
lineal y no lineal mltiple, y la ecuacin de regresin polinomial. cl estudiante Gerardo Espinoza, por la dgitalizacin de parte del
toxto y Alexis Rodrguez del Instituto Costarricense de Electricidad
. captulo VIII, anlisis de consistencia, como el anlisis visual, (lCE), por sus acertadas sugerencias.
doble masa, estadstico con los anlisis de saltos y tendencias.
,7

Prlogo - pgina(l4)

Un agradecimiento muy especial, al Comit Regional de Recursos


Hidrulicos (CRRH), por el apoyo econmico, pors financiar la
primera edicin, y por hacer llegar el libro a todos los pases de
Centroamrica.

Mximo Villn Bjar

Conceptos bsicos
1.1 Espacio muestral
Es el conjunto de todos los posibles resultados de un experimento.
An cuando en un
experimento, no es posible determinar con
seguridad su resultado, si se puede, definir con precisin un listado
de los resultados posibles de ocurrir. Esta lista constituye el espacio
muestral, y se designa como .

ffjemplos I:1 .

l, Si el experimento consiste en lanzar una moneda, los resultados


posibles son escudo o corona, luego el espacio muestral se
representa como:

S = { escudo, corona }
tlonde: NS = 2
llcndo, Ng : nmero posible de resultados del espacio muestral

7, Si el experimento consiste enlanzar un dado, el espacio muestral


ser:
t7

Conceptos bsicos - pgina (16) Hidrologfa Estadstica - pgina (lZ )

S= t 1,2,3,4,5,61 Nc=6
N^s=6
L.3 Definicin clsica de probabilidad
3. Si el experimento consiste en lanzar 2 dados, el espacio
muestral, de la suma de los resultados de los dos dados, ser: La probabilidad P(AL de un evento A, en un experimento aleatorio
que tiene N5 resultados igualmente posibles,
y de los cuales N, son
S= {2,3,4,5,6,7,8,9, 10, ll,L2l resultados favorables, esta dada por:
= l1
N.s

1.2 Eventos
pre)=+ ...(t.t)
Ns

Son los resultados posibles que se pueden presentar enlarealizacin


\iemplos 1.3
de un experimento. Es un subconjunto del espacio muesffal.

Ejemplos i.2
l, Al anojar una moneda, la probabilidad de que salga escudo, es:

P=!
2
1. En el experimento de lanzar una moneda el evento A, que salga
escudo es:
Al anojar un dado, hay seis casos igualmente posibles, la
probabilidad de que salga un nmero igual o mayor que 3 es:
4= { escudo }
donde: NA= |
siendo, N : nmero posible de resultados del experimento P=!-z'
63
2. En el experimento lanzar un dado, el evento B que salga Al anojar dos dados, hay 36 casos igualmente posibles, la
nmero mayor o igual que 3, es: probabilidad de que la suma de los resultados sea 7, es:

B = {3,4,5,6} P=9=r
NB=4 366
3. En el experimento lanzar dos dados, el evento C, que salga un En una urna se tienen dos bolas rojas y ocho bolas negras, hallar
es: la probabilidad que al extraer una bola, esta sea de colr rojo.

C = { (1,6), (6,1), (2,5), (5,2), (4,3), (3,4) I


Conceptos bsicos - pgina (18) Hidrologa Estadfstica - pgina (19)

De los 10 casos igualmente probables, en 2 casos suceder el evento l. P(a)=g


que se considera, por lo que se tendr:
2. P(IC' = 1 - P(A), dohdeACes el complemento deA
I
o-2 -l
----
105 Los axiomas anteriores, permiten la definicin de los siguientes
conceptos importantes :
El concepto clsico de probabilidad slo se puede aplicar en
experimentos en los que hay un nmero finito de casos igualmente Probabilidad de Ia unin de sucesos
posibles. Pero en la naturaleza, los principales problemas prcticos
no son de este tipo. Si A yB son eventos cualesquiera en un espacio muestral ,
entonces:
1.4 Definicin axiomtica de probabilidad . P(A U B) = P(A) + P(B) - P(A n B) ...(r.2)

Sea S un espacio muestral asociado a un experimento, y A cualquier La P(A U B), es llamada unin de probabilidades y se lee la
suceso de S (A subconjunto de S). Se dice que P es una funcin de probabilidad deAoB.
probabilidad en el espacio muestral S, si se satisfacen los siguientes
tres axiomas: Probabilidad de eventos independientes

1. 0 < P(A) SI,paru todoA e ,S Si A y B son eventos independientes de un espacio muestral ,


cntonces:
2. P(S) =I P(A a B) = P(A) x P(B) .. . (1.3)

3 Si 47, A2,..., A es una serie de sucesos, independientes La P(A n B), es llamada Ia probabilidad de interseccin y se lee
mutuamente excluyentes, entonces: probabilidadde Ay B.
P(A1U AZU 43 U...UA) = P(AD + P(A) +... + P(A)
Probabilidad condicional
Not. Dos eventos, son independientes si la
probabilidad
ocurrencia de uno, no se ve afectada por la ocurrencia del otro, l e y B son dos eventos en los cuales P(A) + 0, entonces, la
son matuamente exluyentes, cuando la ocurrencia de probabilidad condicional de que ocrrra el suceso B, dado que
imposibilita la ocurrencia del otro. tucedi A, se define por:

De estos axiomas, se deducen los siguientes teoremas:


7

Conceptos bsicos - pgina (20) Hidrologa Estadstica - pgina (21)

Sustituyendo valores en la ecuacin (1.5), resulta:


P(BtA\-P(A.B) P(CU F)=0.2+0.3 -0.1
P(A)
P(CU F)=0.4
Ejemplo 1.4 .'. La probabilidad de falla en el puente es del 40 7o.

Supngase que el ro Turrialba alcanza cada invierno un nivel de 1.5 Perodo de retorno (T)
creciente con una frecuencia relativa de 0.2. En el ro Turrialba,
cuando atraviesa la ciudad del mismo nombre, hay un puente cuya Se define el pertodo de retorno T, como el intervalo promedio de
probabilidad de falla en los estribos es 0.3 y la experiencia muestra tiempo en aos, dentro del cual un evento de magnitud x puede ser
que cuando hay creciente, las probabilidades de esta falla suben a igualado o excedido, por lo menos una vez en promedio. As, si un
0.5. Con estos datos se desea conocer la probabilidad de falla en eI evento igual o mayor a -r, ocurre una vez en I aos, su probabilidad
puente. de ocurrencia P, es igual a I en Tcasos, es decir:

p(x > *> = l; ... (1.6)


Solucin: I
De acuerdo a los datos del problema, se tiene:
Probabilidad ocurrencia de la creciente: P(C) = 0.2
Probabilidad no ocurrencia de la creciente: p(C) = 1-0.2 = 0.8 f- -I ...fi.7\
P(X > x)
Probabilidad falla: P(O = 0.3
donde :
Probabilidad no falla: P(F1= I - 0.3 = 0.7
Probabilidad falla dada la creciente: P(Flq =O.5
P(X>x ) = probabilidad de ocurrencia de un evento >.r
f = perodo de retorno
El puente falla (queda inutilizado), cuando falla en los estribos
cuando hay creciente; esto se representa de acuerdo a Ia L definicin anterior, permite indicar que la probabilidad de que x
(L.2), de la siguiente forma: ll0 ocuna en cualquier ao; es decir, la probabilidad de ocurrencia
,t un evento <.r, se expresa como:
P(CU F)= P(A+ P(D - P(C nfl ... (1.5)
P(X<x)=1-P(X>-x)
De otro lado, de la ecuacin (1.4) de la probabilidad condicional,
le:
tiene:

P(F'tC)='(?.2,') = p(CnF) = p(c)xp(F tC) ,T<r)=t-1


Pk ...(1.8)
P(C)
,- 1
Luego:
P(C o F) =O.2 x 0.5 = 0.1
'-l- r(x<x)
...(1.e)
F
Conceptos bsicos - pgirc(22)
Hidrologa Estadstica - pgha (231

donde:
donde:
I- perodo de retorno
P - probabilidad de ocurrencia de un caudal > Q
P(X>x) = probabilidad de excedencia I- perodo de retorno
P(X <x) = probabilidad de no excedencia
La probabilidad de que Q no ocuna en cualquier ao; es decir, la
En la tabla 1.1, se muestran los perodos de retorno recomendados, probabilidad de ocurrencia de un caudal < Q, es:
para el clculo de caudales de diseo de estructuras menores. P=L-P
1
Tabla 1.1 Perodo de retorno de diseo recomendado, para P =l-1T
estructuras menores

Tipo de estructura Periodo de Retorno Si se supone que la no ocurrencia de un evento en un ao cualquiera,


laos) es independiente de la no ocurencia del mismo, en los aos
Puente sobre carretera importante 50-100 anteriores y posteriores, entonces la probabilidad de que el evento
Puente sobre carretera menos importante o 25 no ocurra en n aos sucesivos confiabilidad, es:
alcantarillas sobre carretera imoortante
Alcantarillas sobre camino secundario 5-10
1-2
- Pn =1,(.- 1)'
Drenaje lateralde los pavimentos, donde
P.P....P
puede tolerarse encharcamiento con lluvia de
corta duracin n factores
r)
Drenae de aeropuertos 5 -/-
Drenaie urbano 2-10
La probabilidad de que el evento, oculTa al menos una vez en r aos
Drenaie Aqrcola 5-10
Muros de encauzamiento 2-50* sucesivos, es conocida como riesgo o falla R, y se representa por:
Alcantarillas para carreteras 1.1 -5 R = 1- (P)'

* Puede aumentar si estas obras protegen poblados de importancia. n= r-[r-+)' (1 ro)

1.6 Concepto de Riesgo (R) donde:


R=riesgoofalla
Si un evento de diseo, por ejemplo un caudal de diseo Q, tiene un I- perodo de retorno
perodo de retorno de T aos, y una probabilidad de excedencia P, n = vida til del proyecto
de acuerdo al apartado anterior, se cumple:
p=!
T
Conceptor bsicos - p&gina (24l- Hidrologa Estadfstica - pgina (25]l

Con el prrmetro riesgo, ee posiHe determinar cules son las Despejando T de la ecuacin (1.10), se tiene:
implicaciones, de seleccionar un perodo de retorno dado de una
obra, que tiene una vida til de n aos. l,-1)'=r-R
r]
I
En la tabla 1.2, se muestran algtmos valores de riesgo. Para 1-:=1r-n)i
diferentes valores de perodos de retorno (7) y diferentes valores de T\
vida til (n) de las obras. 1
1-(1-R =
T
Tabla 1.2 Valores de R, en funcin de T y n
7= --J , ... (l.ll)
Hlesoo ffI) r-(r-n);
T l,=fl) n=100 n=150
10 0.99485 0.99997 0.99999
20 0.92306 0.99408 0.99954
En la tabla 1.3, se presentan valores de T, para diferentes valores de
50 0.63583 0.86738 0.95170 riesgo (R) y diferentes valores de vida l (n) de las obras.
100 0.39499 0.63397 0.77855
500 0.09525 0.18143 0.25940 Tabla 1.3 Valores de T, en funcin de R y n
1000 0.04879 0.09521 0.f 3936
5000 0.0099s 0.01980 0.02956 R Vida
10000 0.00499 0.00995 0.01489 2 3 5 10 25 50 100 2lJlJ
0.01 100 199 299 498 995 2488 4975 99s0 1990
La probabilidad de que se presente al menos un evento de 0
probabilidad llT en I aos es: 1- (l - lfi)r, que para un peodo o.o2 50 99 149 248 495 1238 2475 4950 9900
largo tiende a ser 0.6321. 0.05 20 39 59 98 195 488 975 1 950 3900
En consecuencia, si la vida til de una estructura y el perodo de 0.10 10 19 29 48 95 238 475 950 1899
0.25 4 7 11 18 35 87 174 348 695
retorno de diseo son iguales, la probabilidad de que la capacidad de
0.50 2 3 5 I 15 37 73 145 289
la estructura sea excedida durante la vida til es muy alta. Por lo 0.75 1.3 2 2.7 4.1 7.7 18 37 73 144
tanto, el perodo de retorno debe rer mucho mayor que la vida til de 0.99 1.0 111 1.27 1.66 2.7 5.9 11 22 44
la estructura para estar razonablemente seguros de que ningn valor
exceda su capacidad. Sin embargo, para cualquier perodo de retorno Ejemplo 1.5:
de diseo que se seleccione, siempre hay una probabilidad de que el
valor sea excedido; por supuesto, si se selecciona un perodo de Determinar el riesgo o falla de una obra que tiene una vida til de 15
retorno de diseo muy alto en comparaein con la vida til de la aos, si se disea para un perodo de retorno de 10 aos.
estructura, la probabilidad de que su eapacidad sea excedida podr
ser muy b{a, pero siempre existe.
F
Conceptos bsicos - pgina (26)
Hidrologa Estadstica - pgina (27 I

Solucin:
XlrX2, I3r...,fN
Existen varias frmulas para calcular la probabilidad de ocurrencia
De los datos del ejemplo, se tiene:
los datos ordenados, los cuales se muestran en la tabla 1.4.
Z=10y n=15 "de-

Sustituyendo valores en la ecuacin (1.10), se tiene:


Tabla 1.4 Frmulas para determinar la probabilidad experimental
R=1-1,-l)"
[ 10J Frmula emprica Probabilidad experimental
acumulada
R =0.7941=79.417o
P
California m
Si el riesgo es de 79.41Vo, se tiene una probabilidad del79.4lVo de
que la obra falle durante su vida til. n
Hazen
m-- 1

Ejemplo 1.6: 2
n
Para el diseo de una estructura hidrulica, con vida til de 25 aos, Weibull m
se acepta slo el IO %o'de riesgo. Qu perodo de retorno se debe 'i
nll
escoger para el diseo de la estructura? Chegadayev m-0.3
n+0.4
Solucin: Blom
De los datos del ejemplo, se tiene:
T=l0Vo=0.Ly n= 25 aos
Sustituyendo valores en la ecuacin (1.1 1), se tiene:

T= 11
' =1-grno* =237'78 Tukey
l-(l-o.l),5
.'.f=238aos Gringorten m-a
n *7- 2a
1.7 Clculo de la probabilidad emprica o donde :

experimental P -
probabilidad experimental acumulada o frecuencia
relativa emprica
Dado un conjunto de datos ordenados: m= nimeto de orden
n = nmero de datos
Conceptos bsicos - pgna (2Bl
Hidrologfa Estadstica - pgrna (291

a = yalor comprendido en el intervalo O <a< l, y depende En este caso el espacio muestral , consta de los cuatro puntos
de n, de acuerdo amst
a la siguiente tabla:
(resultados):
n 10 20 30 40 50
a o.448 o.443 (e,e), (e,c), (c,e), (c,c)
0.442 0.441 o.440
n 60 70 80 90 donde:
100
a 0.440 o.440 o.440 0.439 0.439 e = escudo,
C = COfOna
De todas estas frmulas empricas, la ms utilizada es'la de weibull. la primera letra, se refiere a la moneda de 10 colones y la segunda a
la de 20 colones.
p(x ) x), los datos se
Para calcular la probabilidad de excedencia
ordenan de mayor a menor, mientras que para caicular ra Si se define como vaiable aleatoria:
probabilidad de no excedencia p(x < x), los dats se ordenan de X = nmero total de escudos que se obtiene al efectua el
menor a mayor. experimento
entonces, la variable aleatoria X, puede ser:
L.8 Variables aleatorias X= 0, t,2

donde:
una variable aleatoria,'", ,nu funcin x, definida sobre un espacio
X = 0, si el resultado son 0 escudos
muestral ,s, que asigna un valor a esta variable, correspondiente a
cada punto (o cada resultado) del espacio X= l, si el resultado es I escudo
experimento.
-r.rt ul de un X = 2, si el resultado son 2 escudos
luego, considerando que las monedas no son falsas, si:
X = 0; le corresponde una probabilidad de:
A una variable aleatoria, se le conoce tambin como variable
P(X=O) =ll4=0.25
estocstica, sus valores son nmeros reales, que no pueden
predecirse con certeza antes de ocurrir el fenmeno, es decir, X = l,le corresponde una probabilidad de:
ocurren al azar. El comportamiento de una variable aleatoria est
P(X=l) =214= ll2=0.5
X =2,1e corresponde una probabilidad de:
descrito por una ley de probabilidades, la cual asigna medidas de
probabilidad a posibles valores o rangos de ocurrencia de la variable P(X=2) = ll4 =0.25
aleatoria.
En forma general, X puede tomar un valor cualquiera del siguiente
htodo:
Ejempla 1.7
X=a =+ P(X= a)
sea el experimento: lanzamientos independientes de una moneda de a<X<b + P(a<X< b)
l0yuna de2}colones. XSc + P(Xsc)
X>d + P(X> d)
Conceptos bsicos - pgina (30)
Hidrologa Estadstica - pgina (31)

Clases de variables aleatorias


C0ntinua. En este caso la ley de probabilidades asigna medidas de
probabilidad a rangos de ocurrencia de la variable aleatoria.
1. Variable aleatoria discreta

se dice que una variable aleatoria X es discreta, cuando sus valores o


se restringen a un
conjunto enumerable finito o infinito.

Ejemplo: si X representa el nmero de das de lruvias ocurridas en


los meses de un ao cualquiera (figura l.l), entonces X es una
variable aleatoria discreta. En este caso, la ley de probabilida
asocia medidas de probabilidad a cada posible ocurrencia de
12 31 das
variable aleatoria. Figura 1.2 Ejemplo de variable aleatoria continua

Nmero muyorfa de secuencias de variables hidrolgicas son series


de continuas. Sin embargo, para propsitos
de variables
dias 30
de 25 lcos, una variable discreta puede tratarse arbitrariamente como
lluvia 20 ajustndose a una funcin continua, o bien, una continua
15
discreta, dividiendo stas en intervalos y agrupndolas en
10
5 discretos.
0
EF Meses Dlstribuciones
Figura 1.1 Ejemplo de variable aleatoria discreta
0omportamiento de una variable aleatoria se describe mediante su
2. Variable aleatoria continua de probabilidades, que a su vez se puede caracteizr de varias
La ms comn es mediante [a distribucin de
liclades de la variable aleatoria.
Se dice que una variable aleatoriaX es continua, cuando sus
se encuentran en un rango continuo y puede ser representado
cualquier nmero entero o decimal.
X + variable aleatoria de la funcin
Ejemplo: Si Q es una variable aleatoria que denota el valor de I =+ valor particular que toma la variable aleatoria
caudales promedios diarios del ro corobic (figura r.2), entonces flf) + l'uncin de densidad (funcin de probabilidad,
puede asumir cualquier valor y es entonces una variable distribucin de probabilidad de x)
F(l) -+ llncin acumulada (funcin de distribucin acumulada)
Conceptos bsicos - pgina (321
Hidrologla Estadlstica - pgina (33 )

Funcin de densidad de probabilidad de una variable


aleatoria discreta

f(x)
x36-1

<1 V*i
23456789101112
Figura 1.3 Funcin de probabilidad de una variable aleatoria discreta

f (x,)
Funcin de densidad de probabilidad de una variable
aleatoria continua
Ejernplo 1.8 ;
Es una funcin matemtica que permite determinar la probabilidad,
sea X la variable aleatoria que representa la suma de los puntos que de que una variable aleatoria continua X, tome los diferentes valores
se obtiene al lanzar dos dados, esta tiene como funcin
di densidad x;, dentro del rango en el que est definido, y cumple con las
de probabilidad: siguientes condiciones:
x-l para x =2,3,4,5,G,7
36 0</'(x,)s1
13- x
f (x) =
1; para x = 8,9,lo,ll,l2 ll*f @)a* =t
en otros casos
p(asx( u=[bf{*)ax
los diferentes valores de x. se tiene:
x QJemplo 1.9
2 3 4 5 6 7 I 9 10 11 12
f(x) 1136 2t36 3/36 4t36 5/36 6/36 5/36 4136 3/36 2136
1t36 funcin de
su representacin grica se muestra en la figura 1.3. Sca X una variable aleatoria continua que tiene la
densidad de probabilidad:
Conceptos bsicos - pgina (34)
' Hidrologa Estadstica - pgina (35 )

f(x)=j
fo.rrr, - x') ,para -1<x<1

lo , para cualquier otro valor de x


Se pide:

1. Elaborar elgrfico de la funcin de densidad de probabilidad


2. CalcularP(-0.5 < x < 0.5)
)l
Solucin:

1. Para elaborar el grfico, se evalaf(x), para valores de x, que


estn en el intervalo definido por [-1,1], as se tiene:

x -1 -0.8 -0.5 -o.2 0 0.2 0.5 08 1

f(x) 0 0.27 0.5625 0.72 o.75 o.72 0.562s o.27 0

su representacin grfrca se muestra en la figura 1.4.

f(x)
0.

0 l,'r rrcin de distribucin acumulada


0
0. 'ir \ t's una variable aleatoria (discreta o continua), se define la
Irrrr rorr rlc distribucin o funcin de distribucin acumulada F(x),
-1 -0.8 -0.6 -0 4 -0.200.2 0 4 0.6 0.8 1 x ,,nr, lr rrobabilidad de que X tome cualquier valor menor o igual
rrr' r, r's tlccir:
Figura 1.4 Funcin de densidad de probabilidad de una variable /tr) I'(X<x)
aleatoria continua
,'r lrltr'(l(' rlctttostrar que:

2. P(-o.s< x < o5) = Il j.ro.r s(- x2)dx l't,t r'/r)=F(b)-F(a)


7

Conceptos bsicos - pgina (36) Hidrologa Estadstica - pgina (371

Funcin de distribucin acumulada correspondiente a f(x)


una distribucin discreta

Para el caso de una variable discreta F(x), se puede expresar como la 1

sumatoria de los f(x), para los cuales ri es menor o igual que r, es 7t8
decir:

F(x)=P(X<x)= Ef(x) ... (1.14)


xi(x
Ejemplo 1.10:

Sea X una variable aleatoria discreta con funcin de probabitidades:


f(o) = l. f(1) = 1. f(2\ =1 . fr3) = I 34
8' 8' 8' 8
1. Calcular P(X<2) Figura 1.5 Funcin acumulada de una variable discreta
2. Dibujar la funcin de distribucin acumulada
lfuncin de distribucin acumulada correspondiente a
Solucin: rna distribucin continua
1. p(x <2)=F(2)=nO =f(0)+f(1) +f(2)
x=0 l'irra el caso de una variable continua, F(x) se representa por:

P(x< 2\=!+3*1
888 F(x)=P(X< x=f r1xAx ... (1.1s)

P < 2\=!
8 L;r rclacin entre la funcin de distribucin acumulada y la funcin
rh'rlcnsidad de probabilidad, es:
2. Siguiendo el mismo proceso del punto (1), se puede determinar
F(x) para los diferentes intervalos de x, as se tiene: d F(x) f(x) ... (1.16)
dx
x x<0 0<x<1 0<x<2 0<x<3 x>3
F(x) 0 118 418 7t8 1
l,'(1.13),setiene:
Su grfico se muestra en Ia figura 1.5.
-

Conceptos bsicos - pgina (38) Hidrologa Estadstica - pgina (39 )

P(a < x < b) = F(b) - F(a) =


l.'f1* a^ ... (1.t7) P(a < x 3 b) = P(a < x < b) = P(a < x < b) = P(a 3 x 3 b)

Esta situacin es diferente para el caso de una distribucin discreta.


Esto significa que la probabilidad del evento a < x 1 b, es igual al
rea que hay bajo la curva de la funcin de densidad de probabilidad
Ejemplo 1.11 :
f(x), enfie x = a y x = b (fi1ra 1.6).
Sea X una variable aleatoria continua, que tiene la funcin de
densidad de probabilidad:

ab Calcular:
Figura 1.6 Representacin de probabilidad l. La funcin acumulada
2. P(X <2)
Tambin se cumple que, la probabilidad P(x = a) = 0, en efecto: 3. P(0.2 <X <2.5)
P(x=a)=F(a)-F(a)=g 4. P(X> t)
es decir, que el rea bajo la curva/(x) en un punto, es cero (figura 5. Dibujar la funcin de distribucin acumulada
r.7).
Solucin:

l. Por definicin:
F(x) = J_f
r* a*
Figura 1.7 Laprobabilidad en un punto es cero 0

De esto, como F(x) es continua, se observa que las probabilidades


correspondientes a los intervalos:
rr*>=
!/xx) dx + ffrr*l *
a<x1b, a<x<b, alx<b, a1xlb
F(x) =
lj rf*l a*
1x3 x3
(con a y b fijos, pero arbitrarios y con b > a), son todos iguales, es rr(x)=lJt* =_-
930 =--u
27
decir:
7

Conceptos bsicos - pgina (40) Hidrologa Estadstica - pgina (41)

F(x) = { 1.2
27
F(x)
1
2. P(x < 2) - P(0 < x < 2) = F(2) - F(0) I
0.8
P(x < zl=L -o
27 /
0.6
P(x<2)=O.2963
/
o.4 /
3. P(0.2< x < 2.5) = F(2.s) - F(0.2) ,/
o.2
p(0.2 < x <2.5) =ry a
-Y= 27'1rS.O2s - 0.00s)
-/
27 27 0
P(0.2 <x <2.5) = 0.5784
x
4. P(x > 1) = I - P(xS 1) = 1 - tF(l) - F(Q)l
Figura 1.8 uncin acumulada de variable continua
1
P(x>l)=1-r-Ol
P(x>1)=0.963

5. Para elaborar el srfico de F(r) =I'n, "" dan valores a x en el


intervalo [0,3], as se tiene: Solucin

x 0 0.5 1 1.5 2 2.5 3


por definicin, para una variable aleatoria discreta , para que flx),
Flx) 0 0.00463 0.03704 0.12500 0.29630 0.57870 1 sea una funcin de densidad de probabilidad, se cumple:

La representacin grfrca de la funcin acumulada, se muestra en la


figura 1.8.

Ejemplo 1.12:
Dado una variable aleatoria discreta X y n un nmero positivo, cntonces:
donde: n
L"flx)=I
7
Conceptos bsicos - pgina(42) Hidrologa Estadstica - pgina (43 )

x=1 Demostracin:
n Para que fz) sea una funcin de densidad de probabilidad, se debe
C2x=l cumplir que:
x=1
n ll *f {da' =t
\ )x=l
x=1 Comprobacin:
Cl2+22+23+...+2nl=L 2_2
z-z
-^ltoo
2 dz =--1-- [* " 2 d,
2Cl1+2+22+23+...*2n-11-1 ... (1.18) J-*
^12I
pero, de la propiedad de los cocientes notables, se tiene: 22
z-z
l+2+Zz +23 +...+ 2,-t ==='-?' =2n -1 ... (1.19)
^Io
2 dr+ l.,-l;" 2 dz ...(1.20)
t-2 -1
luego, sustituyendo (1.19) en (1.18), se tiene:
2C(2-l) = L

2
(-z)2 _z
.^1
2(2^ -l) ' ^l2rle 2 =-L,
fr_z\=] ^l2fr
2
=f(z)

Ejemplo l.l3 : Por serflz) ='f(-z), se dice matemticamente queflz), es una funcin
Par.
Sabiendo que la variable aleatoria z, tiene la siguiente funcin de
densidad de probabilidad:
.'. [!_rrrtor= li rr.,0,
, '"
f (z)= 2 (distribucin normal estndar) luego de (1.20), se tiene:
h, 2
psro -oo 1Z 16, comprobar queflz) es una funcin de densidad de z
probabilidad. 2 dz ... (t.2r)
!I*<ror=#ff,
pt'I-oo <Z<@
Conceptos bsicos - pgina(44) Hidrologa Estadstica - pgina (45 )

Haciendo: @

z2 Lzdz dy
E(s(X)) = $(xX(xEx parax continua ... (1.23)
=Cly"-dZ=t
222
Se requiere que g(x) est definida para todo x real, para el cual flx)
+z="12y
sea diferente de cero.
sustituyendo en (1.21), resulta:
Propiedades del valor esperado
!1*<,t,=#ff"-,+=hff
g(x) =
1. Si f, constante
[1 * r,r>r=
#f y-1,-, d.y E(A = C .,(1.24)
Aplicando la transformada de Laplace, resulta: en efecto, por definicin:
Variable continua: Variable discreta:
.1
)-*f {dar=
E(c) = I]*rf A>* E(C) =EC(fx

E(C) = CJ-- f (x)d,x E(C) = c \(fx)


Pero:

.,ffi=1 ll*f {ia* =t 2,flx)= I (definicin de tuncin densidad)

I LQQD (1o que se quera demostrar)


E(C) = C E(C)=C

luego: E(1) =1
1.10 Valor esperado
2. E(a.g(x)) = a E(S@)) a= cte. ... (1.2s)
Si X es una variable aleatoria (discreta o continua), con funcin de
densidad de probabilidad f(x), y si g(x) es otra funcin de X,
t. E(a"g(x\ + b.h(x)) = a E(g(x)) + b E(h(x)) ... (t.26)
entonces el valor esperado de S(D se define de lasiguiente forma:

E(1(X = | g(x)flx) paraXdiscreta ... (1.22)


Conceptosbsicos - pgina (46)
Hidrologa Estadstica - pgina (47 )

L.L1 Momentos de una distribucin


tty= E((x - p.f) = ) (x - p"ffl paraXdiscreta ... (1.29)

Momento respecto al origen


tty= E((x - pi)= J_1f"-p)^f(x) dx paraXcontinua... (1.30)
Si S(X) - XK, donde K=1,2,3,..., se define el momento k-simo, r',
respecto al origen como: . Si K = I, se tiene el 1"'momento central:
tl'k= E(x\ = | xKJ(x) para X discreta ... (r.27)
l.t'k= E(xK)= Variable discreta: Variable continua:
l_:x*f1x d* p*qX continua ... (1.28)

Fr =2 (x - tt)f(x) rr1 = J:(x -p) f(x) dx


Si K = 1, se tiene el momento de 1er orden respecto al origen,
Si r1 existe debe ser igual a 0
as:
Variable discreta: Variable continua: . Si K = 2, se tiene el 2o momento central:
F'l= 2x.f(x) = J- xf(x) dx - lt =Z @ - tt),f(x) 6 - Lt)rf(x) dx
LL'l
kz t2= l:
pl=E(x)=lt .'. El segundo momento central con respecto a la media es la
varianTa, es decir:
El primer momento respecto al origen es la media r o2 =V(D = E((X - tt)2) = ttz

Si K = 2, se tiene el momento de 2" orden respecto al origen, as: . Si K = 3, se tiene el 3er momento central:
F'2= E x'f(x) /z=!l**2f(x) dx
3 =L @ - p)3fl*) p3 = J:(x -tr)' f(x) dx

Si K = 3, se tiene el momento de 3er orden respecto al origen,


as:
Media de una distribucin

F3= L*3f(*) lt'3 = J- *'r1* a, El valor medio o media de una distribucin p, es el esperado de la
variable X o momento de ler orden con respecto al origen,
proporciona una idea del lugar donde estn concentrados los valores
Momento central con respecto a la media que toma la variable X, es decir:
p = E(n =2 x.f(x) paruX discreta
Si S(X) - (X - lf, donde K=1,2,3,..., se define el momento central
k-simo, pk, respecto a la media p, como: lt = E(X) = J_: x f(x) dx para X continua
7

Conceptos bsicos - pgina (48)


Hidrologa Estadstica - pgina (49)

Mediana
Varianza de una distribucin
Si X es una variable aleatoria y F(x) su funcin de distribucin
acumulada, la solucin de la ecuacin: La vaianza de una distribucin 02, es el segundo momento central
F(x) = 9'5 con respecto a la media, mide la variabilidad alrededor de la media,
recibe el nombre de mediana de la variable aleatoria X (o de la es decir, expresa cualitativamente la dispersin que hay alrededor
de
distribucin). la media, se representa como:
Se puede representar en forma grfica como:
d =V(X) = X(X . p)2f(x) = E((x - P)2) paraX discreta
r(x)
F(x
& = V(X) = J-1. -p)2f(x)dx=E((x -t)2) paruXcontinua
x
t
mediana
Ala raz cuadrada positiva de la varian u,i" le llama desviacin
estndar y se designa Por o es decir:
mediana

^/ o = JV(x)
F(x) = t(*) dx = 0.5 paraX continua
J',
F(x)=X/(x)=0.5 paraX discreta Coeficiente de variacin

El coef,rciente.de variaci6n Cu, es una medida relativa de dispersin


Moda
y se define como el cociente entre la desviacin estndar y la media
La moda es el valor de ocurrencia ms frecuente. As la moda de la
poblacin, es el valor de X que maximiza f(x) y que satisface la
C, =!p
ecuacin: Es una medida adimensional de la variabilidad alrededor de la
df (x) d'llD .g media.
=o v
J oaraxcontinua
dx d)cz
o el valor de X asociado con: Sesgo de una distribucin
n
Max f(x) paraX discreta EI sesgo de una distribucin Y, es una medida de asimetra de las
i=1 distribuciones y se representa por la siguiente relacin:
Conceptos bsicos - pgina (50)
Hidrologfa Estadfstica - pgina (51)

tt^ E((x - tt)3) = E(*) - 2rE(x) + tt"zE(l) pero: E(x) = tt y E(l) = 1


'-ot- 03
= E(f) - 2l.rtt + tt'
. Si y = 0 la distribucin es simtrica
= E(*) - 2lt'+ lt'
. y > 0 la distribucin tiene cola en el lado derecho, o es
' Si
sesgada ala derccha. = E(f) - tt2

. Si y < 0 la distribucin tiene cola en el lado izquierdo, o es = E(f) - (E(x))'


sesgada alaizquierda'
p = d = V(n = E(f) - (E(x))'
Curtosis Ejemplo 1.15:
El coef,rciente de curtosis, es una medida de achatamiento, indica el
Expresar E((x - p)3) en trminos de E(x), E(*), E@3
grado de llanura de la curva de la funcin de densidad flx), se
iepresenta por la siguiente relacin:
Solucin:

l,to n(x- lt)o) E(* - tt)3) = E(x3 - 3fp + 3xp"z - fi


o4
= n@3) - E(3ftt") + E(3xt2) -E(tt3)
Ejempla 1.14:
= o(x3) - 3p"E(*) + 3t2E(x) - n(p3)
Expresar: & = E((x - P)2) en trminos de E(x), E(*)
= E(x3) - 3pE(*) + 3t"zr - 3
Solucin:
= E(x3) - 3ttE(f) + 2fi
o2=E((x- lt)2)
4 = E((x - D, = s@3) - 3E(x)E(*) + 2(E(x))3
= E((* -2W+ tt')
Ejernplo 1.16:
= E(*) - E(ztt"x) + E(tt2)
Expresar: E((x - tt)4) entrminos de E(x), E(*),E(x3), E(A)
Conceptos bsicos - pgina(52)
Hidrologa Estadstica - pgina (53 )

Solucin:
E(x) =2Y a+ *Z*+x1+s*!*oxl
36 36 +zx a
E((x-pt') = E(A - + p + 6x2p"2 - 4xfi + U,4) 36 36 36
= n(A) - E@x3 + E(xzpz - nf+it + EQl
*sx A +g* !+lox I Z L
= n(A) + 4tE(x3 + 6tt2E(*) - 4t3o1x +
/ 36 36 36+11x 36+n, 36
= z(A) - 4tE@\+ 6t2E(*) - 4p,3p + fi 1
E(x) = (, + 6 + 12 + 20 + 30 +42 +40 +36+ 30 + 22 +t2)
*
= z(#) - 4tE(x3 + 6t2E(f) - 3t 4

:. tL4= E((x-pf) = E(#) - 4E(x)EQ3) + 6(E(x))2E(*) - 3qzqx4


Ek\=252 -7
36
Ejemplo 1.17:
E(x) =7
sea X la variable aleatoria que representa el resultado que
se obtiene 2. Clculo de V(x):
ellanzat dos dados. Calcular E(x),V(x).
Del ejemplo 1.14, se tiene que:
Solucin:
V(x) = E(*) " (E(x))" .... (1,31)

CIculo de E(f)
si x = v.a. que representa la suma de los valores de los dos dados, se 11
tiene:
E(*) = .E-ri'f3i)
l=l
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x1l
xl = xfflxt) + x22flx2) + qrfrq) + ... + xtt2flxtt)
2 3 4 5 6 7 8 I 10 11 12
f(xi) 1136 J36 3/36 4/36 s/36 6/36 5/36 4136 3/36 ?/36 1136
= 4x L+g* ?*rox a +25x ! +za, A* qgx I +
1.Clculo de E(x): 36 36 36 36 36 36
t1
1+ntr?*ru+xL
36+St *!*100x
E(x) = .2_*l\*)
+64x1
t=I 36 36 36 36
E(x) = xf(xi + xyflx2) + xfl4)+ ... + xfxtt)
Conceptosbsicos - pgina (54)
- pgina (55
Hidrologa Estadstica )

=!g+18
36'
+ 48 +100 + r80 + 294 + 320 + 324+ 300 + 242 + rai) Solucin:

1) Clculo de la media:
1956
- 36
= 54.3333 0

tt = E(x) =fiX*>dx +lixf(x) ax


.'. E(xz = 54.3333

Luego sustituyendo valores en (1.31), se tiene: r = lixf(x) dx


V(x)=54.3333-72

V(x)=54.3333-49 , = I;x.xe'* dx
V(x) = 5.3333
r =J-x2e-. dx
Ejempla 1.18:
aplicando la transformada de Laplace, se tiene:
2t
Sea X una variable aleatoria con funcin de densidad de ,, -
n- rt
probabilidad:
(_,
Para x > o
f (x\ =.1* "-^ E(x) = l! =2
L0 para cualquier otro valor de x
2) Clculo de la varianza:
Calcular:
. Media V(x)= o2=E(*)-(E(x))'
. Yarianza
. Mediana
. Moda E(x2) = dx
lix'xe--
. Coeficiente de variacin
. Coeficiente de sesgo
. Coeficiente de curtosis E(xz) =J-x3e-* dx
. Dibujar la funcin densidad e indicar la posicin de la media, aplicando la transformada de Laplace, se tiene:
mediana y moda E(xz) = 3t
Conceptos bsicos - Pgina (56) Hidrologa Estadstica - pgina (57 )

.... (r.34) u=x + du=dx


luego, sustituyendo (1.32) y (1.34) en (1.33), se tiene: dv=e-XdX J y=-s-X
o2=6-22
luego:
d=2 I=-xe-x-J1-e-xax
I=-xe-x+fe-xdx
tambin: x
o=Ji .... (1.3s) I = -xe-x - e-x I

,0
3) Clculo de Ia mediana: I=-xe-x-e-x-(-0-e0

Se debe calcular el valor de x que cumpla con la condicin: I=-xe-X-e-x+1 ... (1.37)

sustituyendo (1.37) en (1.36), resulta:


dx =0.5
Il""t*l
0 _xe-x_e-x+1=0.5
a*
J]-rt*l a*--f ;rx) dx +
Ifrt*> -xe-x-e-x=-0.5

xe-x + e-1= 0.5


dx = o'5
l(.)
(x+ l)e-x=0.5
ff..-
x dx
= 0.5 ... (1.36)
haciendo:

h(x)='*1 =0.5
Integrando por partes: ex
resolviendo por tanteos:
,=fl+
*=-xe. "-.1; x h(x) x hlx)
1.00 0.7358 r.70 0.4932
fudv=uv-Jvdu 0.s0 0.9098 1.65 0.5089
t.20 0.6626 t.67 0.5026
Conceptos bsicos - pgina (58) Hidrologa Estadstica - pgina (59 )

i.30 0.6268 1.68 0.4995 d'f\*)=_e-X_e-x+xe-X


1.40 0.5918 1.675 0.5010 t'z
ax
1.50 0.5578 1.678 0.5001
para x = 1, se tiene:
1.60 0.5249 t.6785 0.5000

Como se observa de la tabla, el valor de x que hace que h(x) = 9.5,


d'fl*)=_e-r_"-1+"-l
r'2
es 1.6785 ax

el valor de la mediana es: 1.6 4'l!4=-1.o


dxz e
4) Clculo de la moda: 1o cual cumple con la condicin (b)
La moda es el valor de x que maximizaflx), y matemticamente se
debe cumplir: 5) Clculo del coeficiente de variacin:
q1 d'!: .0
'cJ'dx"=o y cv =9
p
... (1.39)

Sustituyendo (1.32) y (1.35) en (1.39), se tiene:


de (a): 6
u"
qP Cv-
= 4 e-x+ x(-e-x) = e-X - xe-x= 0 .... (1.38) 2
c dx'11e-x) = 6) Clculo del coeficiente de sesgo:

de donde:
e-x(l -x)=0 Cs=y = U1 =E((x-tt)') ... (1.40)
o' o'
puesto que e-x 0, entonces:
1-x=0 -Del eiemplo 1.15, se tiene: ... (1.41)
de donde, la moda es:
t; n@3) - 3E(x)E(*) + 2(E(x))3
='n*-t )i =
x=1 Clculo de E(x3):

de (b), se tiene: E(*3)=


fx'fixdx
t!9= 41"-*1r-x)) = e-x(-r) + (l-x)(-e-x)
E(*3)
al@
= dx
dx' dx' J;-x3xe-*
E(*3)= dx
rxae-*
Conceptos bsicos - pgina (60)
Hidrologa Estadstica - pgina (61)

aplicando transformada de Laplace, se tiene:


E(x3 = 4t E(A)= li*s"-* a*

E$3 = 24 aplicando transformada de Laplace, resulta:


.... (1.42)
E(x4; = s r
n(*4) = l2O .... (1.46)
Sustituyendo (1.32), (1.34) y G.aD en (1.41), resulta:

Sustituyendo valores en (1.45), se tiene:


14=24-3x2x6+2x23
t4= l2O - 4x2x24 + 6x22x6 - 3x24
tB=4 .... (1.35) P4=24

Sustituyendo (1.43) y (1.35) en (1.40), resulta: Reemplazando valores en (1.44), resulta:


4 f,2424
o=
lc:-
("D'f ("rr'
=
T
K=6
Cs=
oli
8) Dando valores a x,la funcin:
CS=
2 2j,
"12
-l 2 fx) - xe-x parax > 0

toma los sisui V


Cs = ^,D x f(x) x f(x)
0.0 0.0000 3.0 0.1494
7) Crlculo del coeficiente de curtosis: 0.5 0.3033 3.5 0.1057
1.0 0.3679 4.0 0.0733
.-
,\-
_ ltq _ E((x - lt)o )
... (1.44) 1.5 o.3347 4.5 0.0500
4 -
ool 2.O 0.2707 5.0 0.0337
2.5 0.2052 5.5 0.0225
Del ejemplo 1.16, se tiene:
pq= E(A) - 4E(x)E@3) + 6(E(.r))28(*) - 3o1x4 ... (1.4s) ploteando los pares de valores, se obtiene la figura 1.9.

Clculo de E(A):

E(xa=l;*4*.-*d*
Conceptos bsicos - pgina(62) Hidrologa Estadstica - pgina (63 )

r(x) moda luego:


p*=E(Xx)=E(alx+az)
0.4
media
0.3 I
I
p*=atE(X)+E(a2)
o.2 p* = atE(x) + a2E(l) , pero E(l) = t
0.1 entonces:
Itx=alE(X)+a2
l# = atp + aZ .... (1.49)
Figura 1.9 Funcin de densidad de probabilidad De otro lado, de (1.47) - (1.48), se tiene:

De la figura 1.9, se observa que la funcin de densidad de X*- p* = (a1X + a2) - @1t + a2)
probabilidad no es simtrica, sino que es sesgada a la derecha, en
este caso, el valor de la mediana se encuentra, entre los valores de la
xx- P* = al(x - t't )
moda y la media.

De donde, los k-simos momentos centrales se relacionan como


sigue:
l.lzTransformacin lineal de las variables
E( lY* - p*lk) = E(la(X- p )lk)
con mucha frecuencia, a fin de realizar simplificaciones con la
funcin densidad, se requiere la transformacin de la variable E( lx* : p*lk) = utk([(x - p )]k) .... (1.4e)
.aleatoria X a una nueva variable aleatoria:
X*=alX+az En el caso particular, de (1.49), cuando k=2, se tiene:

conal*0 o*2 = E(ytr_ p\4 - a12o2


Se dice entonces que X* se ha obtenido a partir de X, mediante la
'transformacin lineal (1.47). o*2 = ay262

Se desea calcular la media t,*, y la vananza ox2, de la variable


Si se hae la transformacin 1.47 los parmetros de la variable X*,
X*,
se calculln con las ecuaciones t.48 y t.50.
usando la media pr y la vaianza o2 de X.
Para el caso particular que: F* = 0 y o*2 - |

Se sabe que:
de (1.50), se tiene:
tt= E(X)
Conceptos bsicos - pgina(64) Hidrologa Estadstica - pgina (65 )

1
at=- Si z = (x - tt)/o, se tendr:
o 1 -Lr2
de (1.48), resulta: f (x) = ---:.e 2

I o42Il
9=-ltlaz
o ,,, n meclia Wz = y v aianza 02 z = 1, la cual se conoce como
O

u ,'cin normal estndar.


n --L
o
1.L3 Problemas propuestos
SiZ= X*, de (l-47), se tiene:
1. Una presa de gravedad puede fallar por:
. deslizamiento (A)
/,- !x-L
oo ' creciente (B)
. por
Z_ x-t
ambas
Asumir que:
o t La probabilidad de falla por deslizamiento es dos veces la
probabilidad de falla por creciente: P(A) =2 P(B)
De lo anterior se puede manifestar que, si una variable X tiene media . La probabilidad de falla por deslizamiento, dado que ha
ty vaianza 02, entonces la variable: habido creciente, es 0.8: P(A/B) =O.8
--x-lt . Laprobabilidad de falla de la presa, es de 0.001: P(AUB) =
o 0.001
tiene media 0 y varianza 1, es decir: $z = O , 02, = t

Determinar la probabilidad de que oculra un deslizamiento: P(A)


A Z se le llama la variable estandarizada correspondiente a X.
2. Una agencia de arrendamiento de automyiles recibe cada da de
Ejemplo 1.19: regreso O, t,2,3, 4,6 5 automviles, con probabilidades de 1/6,
116, ll3, lll2, 116 y lll2, respectivamente. Obtener la media y
La funcin de'densidad de probabilidad de la distribucin normal o v aftanza correspondientes al nmero de automviles devueltos.
gaussiana es:

I -'i'-l'l' 3. Dos tetraedros regulares tienen las caras numeradas 1,2,3, y 4


f(x\= )-*ezl" ) respectivamente. Se arrojan los dos. Sea X la variable aleatoria
o,l2ll correspondiente a la suma de las caras "hacia alriba".
. Cul es el espacio muestral de X?
con media p"y vaianzao2 . Cules son las probabilidades de cada evento?
Conceptos bsicos' pgina (66) Hidrologa Estadstica - pgina (67 )

. Cules son la media y la varianza de la distribucin para l< x<2


probabilstica de X?
para 2<x<3
4. Una variable aleatoria X tiene como funcin de densidad de
probabilidad Ce'x,para 0 ( X < "". en otros casos
. Hallar el valor de C
. Calcular Ia media
. Calcular lavaianza

5. Una variable aleatoria X toma los valores l, 2, 3, 4 con 8. Una variable aleatoria X, tiene como funcin de densidad de
probabilidades (1+3ft)/4, (L-2k)14, (l+5kY4 y (l-6k)14, respec- probabilidad:
(
tivamente.
t k es esta una funcin de densidad lbu-u' para x2o
Para qu valores de de
f(x)=1
probabilidad? I

. l0 en otros casos
Dibujar la funcin acumulada.
. Hallar su funcin acumulada F(x)
6. Dada una variable aleatoria X, donde la funcin de distribucin
. CalcularP(j<x< j+I)
acumulada es:
I 9. Sea X una variable aleatoria, uniformemente distribuida:

F(x) = l
ll- r-'* para .r > o
I

L0 para .r S 0
. Hallar su funcin de densidad de probabilidad()
' r Calcular P(x>Z) Si a 1 c < d < b,hallar P(c < x < d)
. Calcular P(-2<r <6)
10. Dada la funcin de densidad de probabilidad de X:
7, Una variable aleatoria X, tiene como funcin de densidad de
probabilidad:

. Obtener el valor de k para el cual flx) es una funcin de


densidad de probabilidad.
Conceptos bsicos - pgina (68)
Hidrologa Estadstica - pgina (69 )

, Calcular la media y Yarianza de X Indicar cul es la media de la distribucin.


. Determinar P(x S 3)
. Determinar P(1 < x < 3.5) 14. Una variable continua X, tiene como funcin de densidad de
probabilidad:
11. Si X tiene la siguiente distribucin:

f(x) =B ,-0' , 0, 0 > 0 y fijo (es un parmetro), y cero


para x >
para cualquier otro caso.
Calcular:
Calcular:
. La media
La media de la distribucin . La mediana
. Lavarianza de la distribucin.
15. Si X tiene la funcin de densidad de probabilidad:
I -rt-
Xes la variable aleatoria que representa el resultado de arrojar
12. Si
ll6xe a^ para > 0
dos dados, su funcin de densidad de probabilidad puede f(x)=i I

expresarse como: en otros casos


[0
Calcular:
x-l para x=2,3,...,6
. La media de la distribucin
36 . La varianza de la distribucin
13-x
f(x) - 36
para x=7,8,...,12 16. Suponga que X tiene la funcin de densidad de probabilidad:

0 en otros casos [o.zs(t- xr) para -l< x <l


f(x) = {

calcular E(*3)
l0 para cualquier otro valor

Encontrar la media y varianza de:


13. Una variable aleatoria continua X tiene la siguiente funcin de . Y=2X-2
densidad de probabilidad:
(
. Z=5X+6
Itx'(t-x) para 0<x<l
f(x) = 17. Sea X una variable aleatoria que tiene como funcin de densidad
i
[O para otro valor de x de probabilidad:
Conceptos bsicos - pgina (70) Hidrologa Estadstica - pgina (71)

20. Se dice que una variable aleatoria X, tiene una distribucin


xtt 2'r-I2
-o-Yt
-
Gamma de 2 parmetros si su funcin de densidad de
u Para x)0,Y>0 probabilidad, es:
.f (x) =
z2 rrY
'2'
v-l
x'e p
t,lt olros casos .f (x) = para 0(x<*,7)0,p>0
0'r(v)
Encontrar la media y r.. , , .L (,
0 en otros CASOS
Y=5X-2
Determinar:
18. Sea X Lri., . La media de la distribucin
de probabilidad: . Lavarianza de la distribucin
. La moda

Hallar la mediana.

19. Sea X una variable aleatoria que tiene como funcin de densidad
de probabilidad:

Determinar la mediana.
Distribucin de
frecuencias de una
mErestra
2.L Representacin tabular y grfica de las
muestras
En hidrologa se trabaja con informaciones hidrometeorolgicas;
estas informaciones pueden consistir de datos de precipitacin,
caudales, temperatura, evaporacin, etc.

Por lo general, se cuenta solo con una muestra de los datos de esa
poblacin, es decir, nunca se puede disponer de la totalidad de los
datos. Pero cuando stos datos se organizan en forma compacta y
fcil de utilizar, los hidrlogos pueden disponer de una herramienta
de gran utilidad, para las decisiones a tomar.
Distribucin de frecuencias de una muestra - pgha (74) Hidrologa Estadstica - pginfl 05)

Existenmuchasformasdeclasificarlosdatos'unamaneratil'es 2.2 Procedimiento de cIculo


el nrnero
dividirlo en categoras similares o clases, y luego contar
de observaciones que caen en cada categoa'
lo que constituye una A continuacin se indica un procedimiento prctico, para el clculo
tabla de frecuenciai o una distribucin de frecuencias' de las frecuencias y frecuencias acumuladas, la misma que s usar
ms adelante para eI clculo de la distribucin de probabilidades
Para una muestra dada, se escoge tt ranSo R, que contenga a todos empricas de datos agrupados en intervalos de clase:
Iosvaloresdelamisma.SesubdivideRensubintervalosquese
de estos intervalos se
llaman intervalos de clasei los puntos medios Frocedimiento:
denominanmarcasdeclase.Sedicequelosvaloresdelamuestra
(figura 2'1)' Al
en cada uno de los intervalos forma wa clase 1. Ordenar la muestra en forma creciente o decreciente:
de valores en una clase se llama frecuencia de
la clase; su Para agllizar los clculos resulta conveniente conta con una
nmero
relativa de
divisin entre el tamao N de la muestra eslafrecuencia aplicacin que permita el ordenamiento de los datos.
ciase.Estafrecuenciaconsideradacomofuncindelasmarcasde Por ejemplo, si se ordenan los datos en forma creciente, se tiene:
clase,sedenominafuncindefrecuenciasdelamuestra'ysedenota
de la muestra' se fnn, x2, X3,... , fmX
como flx). LafuniA, cle frecuencias acumuladas ...(2.1)
denota como F(x),Y se define como:
donde:
F(x) = 2 fr>
t1x rmn = x1 es el valor mnimo de los datos

xmx= rI{ es el valor mximo de los datos

v xmx
x1 =xmin x2 13 {4 xI 2. Calcula el rango R de la muestra:
-.-/ +-f t-f *mx- rmn
intervalo marcas llmltes R= ...(2.2)
de clase de clase de clase

de clase l. ,Seleccionar el nmero de intervalos de clase NC:


Figura 2.1 Clasificacin de datos, en intervalos N(' depende del tamao de la muestra N. En aplicaciones de
lrrrlrologa el nmero de intervalos de clase puede estar entre 6y 25.
Ycv.icvich sugiere para seleccionar NC, las siguientes relaciones
trrrrricas:

(r) NC = l.33lnN+ I ...(2.3)


Distribucin de frecuencias de una muestra - pgina (761 Hidrologa Estadstica - p,gina (77 |

(b) siN<30 NC<5 Como se manifest en el punto 4, con el artificio de dividir entre
=
+ 8<NC<10 NC-t, se logra que xmn y xmx queden centrados y representan las
si30<N<75
marcas de clase de la primera y ltima clase, entonces los lmites de
si N >75
= l0<NC<30
clase inferior y superior del primer intervalo de clase, son:
donde:
= tamao de la muestra
|y' LCII = xrlrin- Lxl2 ...(2.s)
lnN = logaritmo natural o neperiano del tamao muestral. LCSI =xmn * LxlZ = LCII + Lx ...(2.6)

4. Calcular la amplitud de cada intervalo de clase Ax, segn la Los otros lmites de clase, se obtienen sumando la amplitud Lx, al
ecuacin: lmite de clase anterior.
- rmn
^^--***NC - NC _I ...(2.4) 6. Calcular las marcas de clase de cada uno de los intervalos:
-1 Las marcas de clase se obtienen del promedio de los lmites de clase.
As la marca de clase del primer intervalo es:
Al dividir el rango entre NC - 1, lo que en realidad se hace es
incrementar el rango en Ax, incluyendo un intervalo ms, el mismo LCI1 + LCSl
que resulta, de agregar medio intervalo ( xlz), en cada extremo de la MCl = ...(2.7)
serie ordenada, a fin de que rnn Y xmx sean respectivamente, las
marcas de clase de la primera y ltima clase. Esto se aprecia en la
Con el artificio realizado anteriormente la marca de clase del primer
frgtsra2.2,
intervalo es igual al valor mnimo, de igual forma la marca de clase
marca lmites del ltimo intervalo es igual al valor mximo es decir:
de MCI = xmn
xmn clase MCn = xmx

Las otras marcas de clase, se obtienen sumando la amplitud Ax, a las


narcas de clase anteriores.
fango real = xmax-xll'lln + Ax
7. Calcular la frecuencia absoluta:
Figura 2.2 Representacin del total de la muestra en intervalos de llsta es igual al nmero de observaciones, que caen dentro de cada
clase igualmente espaciados intervalo definido por sus lmites de clases respectivos, la misma
(lue se obtiene por conteo, as se obtiene:
5. Calcular los lmites de clase de cada uno de los intervalos:
Hidrologa Estadstica - pgina (791
Distri6o"6n de frecuencias de una muestra - pgina (78 )

fabi= ni ...(2.8) f = funcin densidad emprica para el intervalo i


ni = nmero de observaciones en el intervalo d
N= nmero total de observaciones
donde:
Ax = amplitud del intervalo de clases
fabi= frecuencia absoluta del intervalo i
ni = rlmero de observaciones en el intervalo i
11. Calcular la funcin de distribucin acumulada emprica usando
8. Calcular la frecuencia relativa/ry, de cada intervalo:
la frmula:
Esta es iguat la frecuencia absoluta del mismo, dividido entre el
nmero total de observaciones, es decir: ... (2.12)

f. n. donde:
fri= ---1=
NN
I ...(2.e)
4 = funcin de distribucin acumulada
donde: f= funcin densidad emprica para el intervalo j
= frssuencia relativa del intervalo i Ax = amplitud del intervalo de clase
ni = nnss de observaciones en el intervalo i
N = nmero total de observaciones Los valores de Fn y Fi obtenidos con las ecuaciones (2.10) y (2.12)
resultan similares.
9. Calcular la frecuencia relativa acumulada Fr, usando la frmula:
Ejemplo 2.1:

",=,frfr=f-ft=i
n j ,.. (2.10) Dada Ia serie histrica de caudales medios anuales en m3ls (tabla
2.1), de la estacin Salinar del Ro Chicama (Per), para el perfodo
donde: 1911-1980, calcule las frecuencias absolutas, relativa, acumulada,
Fri = ftecuencia relativa acumulada hasta el'intervalo i funcin densidad, funcin acumulada.
j = 1,2,..., i acumulacin de los intervalos hasta i
ni = ilist de observaciones en el intervalo i Solucin:

1. Ordenando los datos de la tabla 2.1, se obtiene latabla2.2.


10. Calcular lo funcin densidad empricafi,para cada intervalo:
Esta funcin segn Yevjevich, se calcula usando la frmula: 2. Clculo de R:
fr. fr. n. De (2.2), se tiene:
f.= lim l- l= -1 ... (z.tt) R=80.83 -3.14
Ax-+0 A Ar Lx R=77.69
donde:
Distribucin de frecuencias de una muestra - pgina (80 ) Hidrologa Estadstica - pgina (81)

Tabla 2.1. Serie histrica de caudales medios anuales en m3ls del o Tabla 2.2 Seriede caudales en -3/s, del ro Chicama, ordenado
Chicama, estacin Salinar (1911 - 1980) ascendentemente
3.14 4.58 4.76 7.91 8.01 9.67 10.05
Ao Caudal Ao Caudal Ao Caudal 10.42 11.78 12.46 12.70 12.92 13.27 14.60
m3/s m3/s 15.58 16.00 16.15 16.19 16.39 't7.57 18.20
m3/s
7.91 935 24.58 959 22.88 18.91 18.93 19.77 20.24 21.49 21.55 22.78
191 1 1 1
'1936 28.49 960 17.57 22.88 22.99 23.99 24.58 24.69 25.79 25.80
1912 8.01 1

10.05 961 14.60 27.21 27.71 28.01 28.49 28.63 29.26 29.28
1913 13.27 1 937 1

962 31.14
29.37 30.06 30.14 30.27 30.57 31.14 31.36
1914 16.39 1 938 28.O1 1
32.26 32.69 33.43 33.48 33.76 34.28 34.92
1915 80.83 1 939 34.92 1 963 18.20
34.99 35.16 35.90 38.30 41.16 42.17 42.74
1916 60.08 1 940 31.36 1 964 24.69
45.38 51.26 54.54 59.40 60.08 64.81 80,83
1917 21.55 194'.1 42.74 1 965 22.99
1918 27.71 1942 12.94 1 966 11.78
1919 28.63 1 943 41 .16 1967 32.26 4. Clculo de Ax:
1920 30.27 1944 35.90 1 968 4.76 De (2.4) se obtiene:
1921 33.43 1 945 33.76 1 969 12.70 77.69
35.16 946 29.28 1 970 16.19 Lx= =12.95
1922
1923 27.21
1

't947 19.17 1971 30.14


7-l
1924 15.58 1948 29.37 1972 30.57
1925 64.81 1 949 30.06 1 973 45.38 Si se quisiera redondear a fin de cue los lmites y las marcas de clase
1926 51.26 1 950 9.67 1974 18.91 resulten nmeroS ms simples, podra ser:
1927 33.48 1 951 10.42 1 975 34.99 Lx=13 Lx=12.
1928 25.79 1 952 23.99 1 976 21.49
1929 25.80 1 953 42.17 1977 29.26
1 954 16.00 978 4,58 Si se escoge Ax = 13 los lmites de clase superior e inferior, resultan
1 930 18.93 1

1 931 16.15 1 955 22.78 1 979 12.46 un poco mayor y menor respectivamente qu si se escoge Lx = 12.
1932 38.30 1 956 32.69 1 980 3.14
1933
.1934
54.54 1 957 34.28 Para el ejemplo se escoge Ax = 12, a fin de obtener valores
59.40 1 958 20.24
larecidos, al que se obtiene con el proceso computacional.

3. Clculo de NC: .5.Clculo de los lmites de clase:


De (2.3), resulta: l)o (2.5), el lmite de clase inferior del primer intervalo sera:
NC = 1.33 1n70 + I LCII =3.t4 - 1212= -2.86
NC = 6.65
Redondeando:
rcro fsicamente los caudales nb pueden ser negativos, por lo que el
NC =7 nrcnor valor es 0.
Distribucin de frecuencias de una muestra - pgina (82 ) Hidrologa Estadstica - pgina (83 )

LCII =O 9. Clculo de la funcin densidad emprica y la funcin de


distribucin acumulada.
De (2.6), se tiene: Usando las ecuaciones (2.1 l) y (2.12), se obtienen los valores que se
LCSL =0+12=72 muestran en las columnas 5 y 6 de latabla2.3.

Los otros lmites, se calculan sumando a al lmite de clase que Ie Tabla 2.3. Clculo de la frecuencia relativa, absoluta, funcin
antecede; los resultados se muestran en la columna 1 de la tabLa2.3' densidad y acumulada del ro Chicama, proceso manual.

clase es negativo, su valor' por lntervalo Marca de Frecuenci Frecuenci Funcin Funcin
Nrrr. Cr*d" el lmite de de clase clase a absoluta a relativa densidad acumulad
condiciones fsicas ser cero. (r) (21 (3) (4) (s) a
16t
6. Clcuio de las marcas de clase 0-12 6 I 0.1286 0.0107 0.1286
De (2.7),la marca de clase del primer intervalo es:
12-24 18 22 0.3143 0.0262 o.4429
24-36 30 28 0.4000 0.0333 o.8429
O+12
MCI= -6 36-48 42 5 o.o714 0.0060 0.9143
48-60 54 3 0.04296 0.0036 0.9571
Ax 60 -72
Las marcas de clase de lo otros'intervalos se obtienen sumando 66 2 0.0286 o.0024 0.9857
a la precedente; los resultados se muestran en la columna 2 de la 72- 84 78 1 0.0f 43 0.0012 1.0000

tabla2.3.
Nmero total de datos: 70

frr- Or"*u. qo"-"oundo el lmite de clase es inferior a cero, la


2.3 Representacin grfica
Existen varias formas de representar las muestras en forma grfica,
7. Clc.ulo de la frecuencia absoluta
clentro de las cuales se pueden mencionar:
A partir de los datos ordenados de la tabla 2.2, es fcil determinar el
primer
nmero de valores comprendidos en cada intervalo, as en el
intervalo entre 0-12, hay g valores y as sucesivamente, los Histograma
resultados se muestran en la columna 3 de la tabla2'3'
[Jn histograma es la representacin grfrca de las frecuencias, en
8. Clculo de la frecuencia relativa Iorma de rectngulos, siendo la base de cada rectngulo el intervalo
usando la ecuacin (2.9), se obtienen los valores que se muestran
en tle clase y la altura la frecuencia absoluta, fabl la frecuencia
la columna 4 de la tabla2.3- rclativa fr.
I
Distribucin de frecuencias de una muestra - pgina (84) Hidrologla Estadstica - pgina (85)

En la figura 2.3, se muestra el histograma del ejemplo anterior, que fr


se obtiene graficando las columnas (1) y (4) de latabla2.3.

o.4
0.3
o.4 o.2
0.3
0.1
o.2
0.1 -6 0 6 18 30 42 54 06 78 90 marca
de clase
0 12 24 36 48 60 72 U intervalo
de clase Figura 2.4.Polgono de frecuencia de los caudales del ro Chicama
Figura 2.3. Histograma o distribucin de frecuencias relativas de los
caudales del o Chicama Funcin de densidad de probabilidad emprica
Polgono de frecuencia El histograma o el polgono de frecuencia, son dependientes del
tamao del intervalo de clase y la posicin del lmite de clase. para
Un polgono de frecuencia es la representacin grffica de las evitar esta dependencia el histograma o el polgono de frecuencia
frecuencias, se obtiene uniendo con lneas rectas, los puntos puede transformarse en una funcin de densidad de probabilidad
formados por las marcas de clase vs. la frecuencia absoluta o emprica, usando la ecuacin (2.11) propuesta por yevjevich. En
relativa. Para que el polgono alcance al eje horizontal, a ambos esta ecuacin el intervalo de clase tiende a cero, con lo que el
lados de la distribucin, se le agtega un intervalo de clase con nmero de intervalos tiende a infinito.
frecuencia igual a cero. El grfico es parecido al polgono de frecuencia, pero con la variante
r:n la escala vertical, que se hace pequea y la unin de los puntos se
En forma prctsca, un polgono de frecuencia se obtiene, uniendo hace mediante lneas curvas.
con lneas rectas los puntos medios de todas las ba:ras de un
histograma. lin la figura 2.5, se muestra la funcin de densidad de probabilidad
tlol ejemplo anterior, que se obtiene graficando las columnas (2) vs.
Enla ejemPlo (.5), de latabla2.3.
anteri (4) de la
tabla clase los
valores -6 y 90.
Distribucin de frecuencias de una muestra - pgina (86 ) Hidrologa Estadstica - pgina (g7)

100
0 035 0 ir3

0.030
*\ 080
0.025
I 0"70

0.020
I 060
0.015
I 050
040
0,010
0,005
I I
\
Ll30
f 020
.6 6 18 30 42 54 66 7E SO marca de clase 00

Figura 2.5. Funcin de densidad de probabilidad emprica de los -6 6 18 30 42 54 66 Ig g0 marca Cc cli:sc


caudales del ro Chicama
Figura 2.6. Funcin de distribucin acumulada de los caudales
clel
Este grfico de Ia funcin de densidad de probabilidad; es muy til r'o Chicama
para comparar los resultados empricos, con la funcin de densidad
de probabilidad de distribuciones conocidas, como la normal, log- lin la figura 2.Jse muestran los resultados, para los mismos crat.s.
normal y otras. rrsundo el proceso computacional utilizando HidroEsta.
En la tabir
tlc la figura 2.7,Ia frecuencia relativa y la funcin de densicl:rri
Funcin de distribucin acumulada o emprica rc'urnulada se expresan en Vo.

Permite ver el porcentaje de las observaciones que quedan por LC MEL LCS FeAbsoluta FreBelativa FunDensidad FunAcumulada
encima o por debajo de ciertos valores, con respecto al totai. El 00 6.0 12.0 I 12.8571 1.071 I 12 8E
12.0
grfico se obtiene uniendo los puntos obtenidos por las marcas de 1 7.99 23.S9 22 3r.4286 2.6200 44 29
13 99 29.99 35.99 28 40.0000 3.3345
clase vs. la funcin acumulada. J5 39 41.99 47.98 5
84 29
7.1429 0.5s55 sl 43
47 38 53.38 59.98 4 2857 0.3573 95 7l
En la Figura 2.6, se muestra la funcin acumulada del ejemplo 53 98
71 97
65.S8 71.97 2 2.8571 o.2382 s8 57
97
anterior, que se obtiene graficando las columnas (2) vs. (6) de la 00

tabla2.3. l'r1ltrra 2.7 Ftncinde densidad de probabilidad emprica y funcin


, r (' u nt u lada, proceso computacional con HidroEsta
Distribucin de frecuencias de una muestra - pgina (88 )
Hidrologa Estadstica - pgina (89 )

Tabla 2.5 Caudales medios anuales del ro Corobic


2.4 Problemas Propuestos
Ao Caudal Ao Caudal
1. Dada la serie histrica de caudales medios anuales "n m3/s del hidroloico fmslst hidroloico (m3lsl
ro Santa que se muestran enlatabla2'4' 54-55 13.35 70-71 15.06
55-56 21.90 71-72 10.20
56-57 11.13 72-73 4.85
Tabla 2.4 Seriehistrica de caudales medios anuales del ro Santa
57-58 5.22 73-74 11.77

239.07 101.76 100.18 107.43 't83.1 1 154.80 58-59


59-60
4.40
6.70
74-75
75-76
8.41
107.62 108.75 8.57
197.58 153.64 169.18 124.31
60-61 8.55
156.80 105.21 1 16.69 76-77 6.10
144.22 134.10 119.52
61-62 8.12 77-78
169.64 158.48 164.35 163.88 105.81 110.77 5.33
212.48 123.22 177 .00 193.78 162.29 133.97 62-63 7.86 78-79 6.68
184.98 146.08 128.15 101.66 123.00 127.82 63-64 5.3s 79-80 45.92
98.13 106.40 145.79 207.78 217.52 208.18 64-65 7.51 80-81 56.92
182,53 183.49 95.05 132.49 114,31 136.22 65-66 5.82 81-82 52.64
266.54 256.62 66-67 10.05 82-83 42.56
67-68 9.66 83-84 44.19
68-69 7.61 84-85 41.94
Realizar el grfico de: 69-70 10.54 85-86 44.73
. Histogrma de distribucin de frecuencias relativas
. Polgono de frecuencias
. Funcin densidad emPrica
' Funcin acumulada
Dada la serie histrica de caudales medios anuales .n *3/,
de la
2.
estacin 76-20-0l del ro Corobic, que se muestra en la tabla
2.5,realizar el grfico de:
. Histograma de distribucin de frecuencias relativas
, Polgono de frecuencias
'. Funcin densidad emPrica
Funcin acumulada
Medidas de las
distribuciones
3.1 Medidas descriptivas de las distribuciones
de frecuencias

Para describir ciertas caractersticas de un conjunto de datos, se


pueden usar nmeros simples, llamados estadsticos. De ellos se
puede obtener un conocimiento ms preciso de los datos, que el que
se obtiene a partir de las tablas y los grficos.

Las caractesticas ms importantes de este conjunto de datos son:

Medida de tendencia central o medidas de localizacin

Indican cual ser el punto medio o localizacin central. En la figura


3.1 la curva A queda a la izquierda de los puntos medios de las
curvas B y C,las cuales tienen la misma localizacin central.
Hidrologa Estadstica - pgina (92) Medidas de las distribuciones - pgina (93)

Figura. 3.1 Comparacin de la localizacin central de tres curvas Figura. 3.3 Curva simtrica

Medidas de dispersin Las curvas asimtricas o sesgadas, como las que se muestran en la
figura 3.4, son aquellas en las cuales la distribucin de frecuencia,
Se refiere a la forma como se encuentran esparcidas las se concentran en el extremo inferior o superior de la escala de
observaciones. En Ia figura 3.2, se observa que la curva A tiene una medida sobr el eje horizontal. Los valores no se distribuyen
mayor separacin o dispersin que la curva B. igualmente, por lo que pueden ser sesgadas a la derecha, (curva A) o
sesgadas a la izquierda (curva B)

Curva O B
\

Figura. 3.2 Comparacin de la dispersin de dos curvas


Figura 3.4 Curvas sesgadas, A: sesgo a la derecha o positivo,
Medidas de simetra y asimetra B: sesgo a la izquierda o negativo

Las curvas que representan los datos puntuales de un conjunto Medidas de achatamiento o curtosis
pueden ser simtricas o asimtricas. Las curvas simtricas, como la
que se muestra en la figura 3.3, son las que al ttazar una lnea Indican el grado de llanura de la curva. Por ejemplo en la figura 3.5,
vertical desde el pico de la curva al eje horizontal dividen su rea en las curvas A y B tienen la misma localizacin central, pero difieren
dos partes iguales, cada una idntica a la otra. por el hecho que una es ms puntiaguda que la otra, por 1o que
tienen diferente grado de curtosis.
Hidrologla Estadstica - pgina (94) Medidas de las distribuciones - pgina (95)

La media aritmtica

Dada la muestra compuesta de n datos, xL, x2, ..., xn,la media, se


define como la suma algebraica de ellas, dividida entre el nmero de
datos. Cuando se calcula la media para una poblacin, esta se
denota pof l.L, y cuando se trata de una muestra, por .r.

Media aritmtica de datos no agrupados


Figura. 3.5 Curvas con diferente curtosis
Matemticamente la media de los datos no agrupados, se representa
De acuerdo al grado de achatamiento, las curvas pueden ser por:
mesocrtica (curva A, figura 3.6), leptocrtica (curva B) y
platicrtica (curva C)
,, _
f*,
i=t
B (leptocrtica) ...(3.1)
n

Curva A (mesocrtica
I Curva C (platicrtica) _ i*,
!
I
x- i-s - ...(3.2)
n
I
donde:
l = media poblacional
x = media muestral
ri = valor i-simo de la muestra
Figura 3.6. Grados de achatamiento n = nmero de datos de la muestra o poblacin

3.2 Medidas de tendencia central Media aritmtica de datos agrupados

Se define una medida de tendencia central, como un ndice de Para el caso de datos agrupados, la frmula es:
localizacin central, empleado en la descripcin de las
K
distribuciones de frecuencias.
Dr' x
En trminos generales se tienen tres medidas: la media, la mediana y ...(3.3)
n
la moda-
I
Hidrologa Estadstica - pgina (96) Medidas de las distribuciones - pgina (97)

donde:
' fi= frecuencia absoluta (nmero de observaciones) en el
intervalo i
ri = marca de clase del intervalo i
k = nmero de intervalos de clase
= nmero de observaciones de la muestra
donde:
P - precipitacin promedio
Pi = valor de la precipitacin en la estacin
La media ponderada
Ai= oeu de influencia de la estacin i
n = nmero de estaciones
El promedio ponderado permite calcular un promedio que toma en
cuenta la pOnderacin de los datos con respecto a un factor, es un
Otro ejemplo del uso de la media ponderada, es el clculo del
caso particular de ta frmla del clculo de la media para los datos
promedio de la nota de los estudiantes en el TEC, donde para cada
agrupados, su frmula es:
n nota obtenida en un curso, el factor de ponderacin es el nmero de
)
LJ I
xi crditos, as:
-
i=1
x, = n

2,,
i=l
donde:
donde:
rp = media Ponderada
N = nota promedio
ri = valor i-simo de la muestra
de la N -nota del curso i
. = valor del factor de ponderacin del i-simo valor
muestra. C = nmero de crditos del curso i
= nmero de cursos
n = nmero de observaciones de la muestra.

La media ponderada, se utiliza por ejemplo para el clculo de la La media geomtrica


precipitacin promedio de una cuenca, donde para cada valor de
precipitacin de una estacin, el factor de ponderacin es el rea, Dada la muestra compuesta de n datos, xlt x2, ..., xn, la media
as: geomtrica se define como la raz n-sima, de la productoria de los
datos, es decir:
Hidrologa Estadstica - pgina (98)
Medidas de las distribuciones - pgina (99)

Med =x il2
+
! ilZ+t, para npat ...(3.2)
xG ...(3.5) 2

donde: Ejemplo 3.1:


xG = media geomtrica
Para el conjunto de datos ordenados: 2, 5,8,14,21,1a mediana es:
fi,*, = xl.x2.. .... . x (productoria de los datos) Med=8
i=l
xi
= i-simo valor de la muestra
Ejemplo 3.2:
n= nmero de elementos de la muestra

Para el conjunto de datos ordenados: 2, 5,8, 14,21,32, la mediana


La mediana es:

Es un valor nico de un conjunto de datos que mide al elemento Med=8+14=11


central en los datos. Este nico elemento de los datos ordenados, es ?
el ms cercano a la mitad, o el ms central en el conjunto de
Mediana de datos agruPados
nmeros. La mitad de los elementos quedan por encima de ese
punto, y la otra mitad por debajo de 1.
Siendo la mediana el valor de la observacin central de un arreglo,
Mediana de los datos no agrupados
y como no se conocen los valores de cada observacin en datos
agrupados, la mediana se suele aproximar, despus de localizar el
intervalo de clase de la mediana, por la siguiente ecuacin:
Sean x7, x2, x3, ..., xn datos ordenados por magnitud creciente o
decreciente y n el nmero impar de datos, la mediana (Med) es el
dato situado en el centro, es decir: Med=lrr#")**r* ...(3.8)

Med= X PsrB n imPar ...(3.6) donde:


@+l)12,
Med = mediana muestral
si n es par, la mediana es el promedio de los nmeros centrales, es
n= nmero total de elementos de la muestra
p= suma de todas las frecuencias hasta la clase de la
decir:
mediana pero sin incluirla
tu-frecuencia nicamente de la clase de Ia mediana
w= amplitud del intervalo de clase
Lm= lmite inferior de la clase de la mediana
Hidrologa Estadstica - pgina (100)
Medidas de las distribuciones - pgina (101)

En general la clase donde se encuentra la mediana, es aquella que


Comparacin entre la media,la mediana y la moda
tiene al elemento situado en la porcin (n + l)12.
La media, la mediana y la moda de una distribucin de frecuencias,
La moda son consideradas como los tres promedios ms importantes. Sin
embargo, no son igualmente aplicables y representativos a todas las
Es aquel valor que se repite ms frecuentemente en un conjunto de situaciones. Como se muestra en la figura 3.7 las posiciones
datos, se denota por Mo. relativas de estas tres medidas dependen de la asimetra de la
distribucin.
Ejemplo 3.3: Si la distribucin es simtrica (figura 3.7a), las tres medidas de
tendencia central tienen valores idnticos.
Para el conjunto de datos: 2,3, 4, 4, 4,8,9, la moda es:
' Mo=4 Si la distribucin es asimtrica (figura 3.7b y 3.7c),los tres valores
divergen, aunque siempre para una distribucin unimodal, la moda
Pma datos agrupados en intervalos de clase, la moda, una vez est localizada en su punto ms alto y la mediana est entre la media
determinada la clase modal, se calcula con la siguiente ecuacin: y la moda.

Mo=L** dl * ...(3.e) media


mediana
dl+ d2
moda
donde: I
Mo = moda t
Lm= lmite inferior de la clase modal
dl = difercncia entre la frecuencia de la clase modal y la
premodal (clase anterior) simtrica con sesgo a la derecha
d2= ferencia enfre la frecuencia de la clase modal y la (a) (b)
postmodal (clase siguiente)
w = amplitud del intervalo de clase

En general la clase modal es aquella que tiene la mxima frecuencia.

con sesgo a la izquierda


(c)
Figura 3.7 Localizacinde la media, mediana y moda
I
Hidrologa Estadstica - pgina (102) Medidhs de las distribuciones - pgina (103)

3.3 Medidas de dispersin


02= ... (3.1 1)
Las medidas de dispersin o variabilidad permiten observar como se
reparten o dispersan los datos a uno y otro lado del centro. Si la
dispersin es poca, indica gran uniformidad de los datos en la La vananza muestral (P), se obtiene dividiendo la suma de
distribucin. Por el contrario, gran dispersin indica poca cuadrados de las observaciones de los datos con respecto a la media,
uniformidad. entre el nmero total de datos menos uno, es decir:
I

Rango
\(x' - x'
Es una medida de distancia y representa la diferencia entre el mayor oa2 -- ----
i=l
(3.12)
y el menor de los valores observados, es decir:
n--l
R=Xmx-Xmn ... (3.10)
Para el clculo computacional es til expresar la sumatoria de la
siguiente forma:
dondp:
= rango
R ){x, -i)'= ) (*i2-2ixr+*')
Xmx = valor mximo de los datos
Xmn = valor mnimo de los datos
= x? -2*) *i +nx' ,.. (3.13)
El rango o la amplitud es una manera conveniente de describir la pero:
1

dispersin, sin embargo, no da rnedida alguna de la dispersin entre .


los datos con respecto al valor central. E*'=nL'i
n
='i ,.. (3.14)

Varianza luego, sustituyendo (3.14) en (3.13), resulta:

Datos no agrupados: ){x, -i)'= )*,' -2n i' +ri'


La yarianza poblacion al (o2 ), se define como la suma de cuadrados
)(xr -l)' =2*,'-n i' ,.. (3.1s)

de las desviaciones de los datos con respecto a la media, dividida


Sustituyendo (3.15) en (3.11), se tiene:
entre el nmero total de datos, es decir:
Hidrologa Estadstica - pgina (lM) Medidas de las distribuciones - pgina (105)

-x=xip = valor de la i-sima marca de clase

-rr') ... (3.16) = media


f = valor de la i-sima frecuencia absoluta, es decir, nmero
de datos en el intervalo i
/< = nmero de intervalos de clase
n = nmero total de datos

-r'-.,'f ... (3.17)


Paa el clculo computacional, las ecuaciones (3.18) y (3.19), se
pueden expresar como:
donde:
52 = varianzamuestral
"' =:l,ir*i'fi -"p')
o = varianzapoblacional
2
... (3.20)
-x xi= valor i-simo de la muestra
= p = media muestral o poblacional
n = nmero total de datos

Datos agrupads z ,,=+(L.:r,-,;'l


n_tlf=t, , ...(3.2t)
)
Para el caso de datos agrupados en intervalos de clase, la varianza
poblacional, se define como la suma de los cuadrados de las Desviacin estndar
desviaciones de las marcas de clase con respecto a la media, por la
frecuencia absoluta, dividido entre eI nmero total de datos, es decir: La desviacin estndar, se define como la rufz cuadrada posiva de
la varianza, es decir:
k
G, - P)'f ,
1) "
i-1
... (3.18)
o =JJ (poblacional)
n
y lavariarna muestral por: = Jst (muestral)
k
G, -*)',f, Asf se tiene, para datos no agrupados:
o2 i=l (3.1e)
n-l
donde:
I
Hidrologa Estadstica - pgina (106) Medidas de las distribuciones - pgina (tO7)

Coeficiente de variacin
o- ... (3.22)
Es una medida relativa de dispersin, que relaciona la desviacin
estndar y la media, es decir:

= ;') ... (3.23) C, ={x ... (3.28)

Generalmente en Hidrologa se suele trabajar con datos muestrales.


siendo:
ln
x=p= -)*, ... (3.24)
n i=l 3.4 Medida de simetra y asimetra

Para datos agrupados: Sesgo

,=^ff91,,-;A
ijn[,",
... (3.2s) El sesgo es el estadstico que mide Ia simetra y asimetra.
)
Datos no agrupados:
_2
2- . ... (3.26)
rlf -nx El sesgo (y ) para datos poblacionales, se obtiene con la siguiente
ecuacin:
4r-L u3
I- 2 ... (3.2e)
siendo: o'
tk donde:
ls
x =tL=;L*rr, ... (3.27) n,
xi = valor de la i-sima marca de clase 2G,-
:_1
PY
,12-l-L ... (3.30)
x= F = media n
es decir, nmero
f = valor de la i-sima frecuencia absoluta,
de datos en el intervalo i
ft= nmero de intervalos de clase _D2
n = nmero total de datos " = l:2o
Hidrologa Estadstica - pgina (108) Medidas de las distribuciones - pgina (109)

', = 1s,'
nf=l' o-
)a, - D2 r
tk
El sesgo para datos muestrales, se obtiene con:
*:;
u =1! f.
?rrr*,
,i = marca de clase del intervalo i
cr=- "Y'- -
(n-lXn-2)S'
... (3.31)
f
= valor de la i-sima frecuencia
fr = nmero deintervalos de clase
donde: n = nmero total de datos
El sesgo para datos muestrales, se obtiene con:

ca=(n n'M' ... (3.34.)


,.. (3.32) - l)(n - 2) S'
donde:
k
.I(*t -x)'f
M3= l=l ... (3.3s)

r=1s,
..L I
" i=l
Datos agrupados:

El sesgo (y ) para datos poblacionales, se obtiene con: i=!,Lr.'t'


u3
T=t^
o'
donde:
xi= marca de clase del intervalo i
f = valor de la i-sima frecuencia
ft = nmero de intervalos de clase
Ll.,- tY r,
i=l n = nmero total de datos
U3= ... (3.33)
r-
Hidrologa Estadstica - pgina (l l0) Medidas de las distribuciones - pgina (111)

3.5 Medida de achatamiento

El grado de achatamiento se mide con el estadstico denominado .... (3.3e)


coeficiente de curtosis.

Curtosis

Datos no agrupados: tfl


i= t !r.
Para datos poblacionales el coeficiente de curtosis (k), se
,
n =?:,
mediante la siguiente ecuacin:

*, t4
=;o ... (3.36) Datos agrupados:

El coeficiente de curtosis (ft), para datos poblacionales se define


donde: mediante la siguiente ecuacin:

i,6, - pY , 14
P4 =i=l ... (3.37) o4
donde:

-t')'
"=i;){*, f^u,-
Da r
lt4 = ... (3.40)
n

'u=! *'
nl=l' ;k -
=
" 1; ilru, - tt)2 r,
El coeficiente de curtosis para datos muestrales, se define como:
'k x.
u=lIr.
.... (3.38) ' nf-:tr I
,i = marca de clase del intervalo i
Hidrologa Estadstica - pgina (ll2) Medidas de las distribuciones - pgina (113)

,fi = valor de la i-sima frecuencia realice estos clculos. El autor en la aplicacin HidroEsta, presenta
k = nmero de intervalos de clase una opcin para stos clculos,
n = nmero total de datos
Ejemplo 3.4:
El coeficiente de curtosis para datos muestrales, se define como:
,'*o Dado los datos de precipitacin anual, en mm de la estacin El
Coyol, para el perodo 1974-1986, los mismos que se muestran en la
ck= ... (3.41)
(n - lXn - 2)(n- 3) 54 tabla 3.1. Calcular su media, varanza, desviacin estndar, coefi-
ciente de variacin, coeficiente de sesgo y el coeficiente de curtosis.
donde:
Tabla 3.1 Precipitacin anual de la estacin El Coyol
k
)(*, -i)4 ri
Ao Precptacn Ao Precipitacin
M4= l=I ... (3.42) (mm) lmm)
1974 1418.60 1 981 1441.50
1 975 1527.30 1 982 1133.20
ir\;.) 1976 1 108,60 1 983 891.00
s- i ' !rx.-xlf.
?t' t 1977 1084.20 1 984 1429.80
V'-l 1 978 1 509.1 0 1 985 1141.50
1 979 1394.90 1 986 1312.60
tk 1 980 1334.40
i='nlJ"'
l, f ,*,
Solucin:
ri = marca de clase del intervalo

. = valor de la i-sima frecuencia En la tabla 3.2 se muestran los resultados parciales de las potencias
ft = nmero de intervalos de clase
X2, X3, x4, 1x-xm3, 1x-xma y sus sumatorias.
n = nmero total de datos
. Clculo de la media:
Los clculos de los estadsticos de una serie de datos son por s
laboriosos. Para la simplificacin de los clculos, donde se requieren De la ecuacin (3.2), se tiene:
la determinacin de la media, varianza, desviacin estndar, el n

coeficiente de variacin, coeficiente de sesgo y coeficiente de LX,


curtosis, tanto para datos poblacionales o muestrales y para datos tz
-
=t

agrupados o no agrupados, es mejor contar con una aplicacin que n


Hidrologa Estadstica - pgina (l 14) Medidas de las distribuciones - pgina (l 15)

Sustituyendo valores, resulta:

\(\ o o o q x -16726'7 =1286.6692


ro (o a? I.- (o D- l lo a: a
$(o (o o) lo ro rO q
t o t3
(f) (f)
(o (o ro F- @ l co
C (f) @ o
(f)
o) $ to o)N (o @ @ (\ q) l ol
c) o, F rf) F (f) $ o, (f) t- @ \
o) F- $ to
E rr) N @ (o
(o t\ o, o,
(\I
xI
C t ro
rO
t- t (f) @
o
o @ \f
(o t
(o
t\ o)
o t]\ sf o
o)sl t . Clculo de la varianza:
x ocf)
cr)
(f)
(f)
lo
F-
r.(-)
rf) lO
$ t rO .l
ro t t+ sl sf GI De la ecuacin (3.17), se tiene:
<t
to
o,

q q \ s o o o) r\ N

"=*[ f,*;-,r')
(h $ co (o (Y) N $
d
F*
q q s2 u? q oq l q q o? q
r
o D F
r.r)
(Y)
@
rft
(Y) @ (o o
.+
tI-
F
o)
o
(f)
(o (o
ro (f)
ro @
e (f)
(o (o t $ o
E (o t
(Y) (f) ct) @ @ @ (f)
(
x (Y)
q, (f)
(o o) t F-
$ o (0 @
o t- t T o) I-
(f)
$ a) lo oi
Sustituyendo valores, resulta:
(fI o) o
F

x !
t C t o N @ o) o) (\l
t (f) roI @I
(A
h
(f) (f)
I (o
(f)
I
-l! s' = * Qonszt.Sl - t3xtzs6.66szr)
!f,
I
12'
X
H t @
o?
o c)
n q O)
n
C\I O) (o
o? qq q
t o s (o sf o
l q l q q u? NJ
I 52 = 38149.2790
o; (o F- o t-
(f) lo t (o o ro o) o oo)h
x
I
@ ro t @ t- $o(f) lo cf) o) ro -l Aci .
$
.+ O)
s @
l-
(Y)
$ t.l o) (o
F- t t
(f)
(f)
ro o t*
(f)
1r) N o)
ro
t
F
t rO
$
(f)
(o @
O) ro N
(r)
rO
-l gEF Clculo de la desviacin estndar:
e
x t o (o @ raf ro to @ t o o
@ st rO t F* o, o
lr) (f) t N T\ r (o t
s
o) (o t'\ o
N r- (o
r\
o)
(o
N
o) (o
t c)
so
EB
X @ t t N t t @ C') s = J3Stqyngo
X
I o)
$ $ ro @
o (o rO o r\ o)
@ o t- s o o) r-
(f) N o) (o (o
@ HTH
o
t ro$ (r) F* (v) (o (o (o
t o) C" tsllll = 195.3184
tt
X (o N (o
t.. cr) c) $

r- @ @ t- o o, @
F cr

@
(f
t%h
s* .
oq f q q CD
u?
r.c)
a? u? q (f? q rf? o? c) (o Clculo del coeficiente de variacin:
X (o $ F- @ o) (o @ + + iltlN
o o

CD
(o lO o
r- @
o) t @ l- (f) o) (o
N
X
.lf
t- o) t
@
ro
(o (o @
(f) r @ o) o) o)
(o $
(f) o) r-
t @ (f) (o
o o)
o t T<
N^^
a De la ecuacin (3.28), se tiene:
x
I
t $ o) t
o @ ! @ o, eit

$ t
t t\
.A @ (o (f) a) o) (f) lo
q) r (o ro ro t- t },- (o @
l
$ t
lo (o
@ rf)

(o
(f) t
@
(f)
t T\
n-
(f)
o)
o)
!O o
f.-s t @
o) t -l S C.,={
"X
o (r) (f) t t l t I C') lt

a c
(o o) (o \t (o o
rr) $ t tJ: (o \
E \o
Sustituyendo valores, resulta:
ch q l o) q q q q l c! q l \ u?
1 _ 195.3184
o(! rr) rO i o) ,t
t $ o) @ @
(o cr) t t
!+ N N $ @
a
]
N
]
o t E
N
r-
\o -u -
x $ (o q) $ (f)
N o ro F-
I\ (o O)
to o r- t
o (f) ts c o,
t
,
o)
rt
c{ c,
12g6.6692
U)
(r)
o (f) t N F-
l F t
so) @ T\ @ o)
t- o f.-
t
i.r o) -lfl-
ItOl- il Cv = 0.1518
o t t N ] r
C\I
NI
cl q q lg? F o? fs r? l q q u? q \
N
E
ioN| nl
* . Clculo del coeficiente del sesgo:
@ t- o o;
ca
$ (f) o, t (o I
(
x * llO o @o orr) O) C') $ cr)
F
O) l st
s t r^" De la ecuacin (3.32), se tiene:
.o
(
cr) CY) $
r F
@ e)
(o XXX-"
NNN X
F
Hidrologa Estadstica - pgina (116) Medidas de las distribuciones - pgina (117)

n Sustituyendo valores, resulta:


-i'
)(x.. t33 x2725751676.23
M3=l{---- ck=
n 12x11x10x195.31844
Sustituyendo valores, resulta: Ck=3.1172
-47291508.92
Mt=
13 Para los datos de Ia tabla 3.1, utilizando la opcin Parmetros
Mt = -3637808.38 Estadsticos/Datos no agrupados de HidroEsta, se obtienen los
resultados que se muestran en Ia figura 3.8.
De la ecuacin (3.31), se ene:
n'M, Parmetros I Muestralas I Poblacionales
Cs= 'r286.6892
I

(n-lXn-2)S' Media: 1 286.6692


Varianza: 381 49.279 3521 4.71 S1
Sustituyendo valores, resulta: 19s.3184 87.6559
Desviacin Estndar: 1

132 x(-3637808.38) Coef iciente Variacin: 0.1518 0.1458


t =--- -0.8251 -0.5505
12x11x195.31843 Coeficiente de Sesgo:
Coeficiente de Eutosis: 3.1172 2.1S81
Cs = -0.625t

. Clculo del coeficiente de curtosis: Figura 3.8 Clculo de los parmetros estadsticos para datos no
De la ecuacin (3.39), se tiene: agrupados
n
rx. - il4
?-' I 3.6 Momentos Lineales (L-moments)
fu[ . =t=l
4n
Introduccin
Sustituyendo valores, resulta:
Los momentos lineales (L - momerzrs), constituyen una metodologa
35434771791.03
M4= moderna que permite estimar los parmetros estadsticos de una
l3 poblacin o de una muestra. Son similares a los momentos
M+=272575L676.23 ordinarios pues proporcionan las medidas de localizacin,
De la ecuacin (3.38), se tiene: dispersin, asimetra, curtosis, pero se calculan de las
n3 M4 combinaciones lineales de los datos (de aqu el nombre de momento
ck= lineal). Los parmetros estadsticos estimados con esta metodologa,
(n-lXn -2)(n-3)54 son menos sensibles a los valores extremos, por 1o que permite
l' Hidrologa Estadstica - pgina (l l8) Medidas de las distribuciones - pgina (l 19)

determinar la distribucin terica de probabilidad que mejor ajusta a


los datos analizados. L(*,-
i=1
uY

Mtodo tradicional CS=


o'
Por el mtodo tradicional la media aritmtica, la varianza, la
desviacin estndar, el coeficiente de variacin, el coeficiente de Coeficiente de curtosis, CK:
asimeta y el coeficiente de curtosis de una poblacin, constituida
pon n valores de la variable aleatoria X, se definen de la siguiente L(*,-
i=1
il'
manera:
CK=
. Media aitmtica; t: o'
I

Ex, Es conveniente recordar que en el caso de una distribucin


i=l simtrica, como la normal, el coeficiente de asimetra es cero. Las
P= distribuciones con coeficiente de asimetra positivo estn sesgadas
hacia la derecha (cola larga hacia la derecha), mientras que las que
tienen coeficiente de asimetra negativo estn sesgadas hacia la
Yaianza, o' izquierda (cola larga hacia la izquierda). Adems, la distribucin
- p)' normal tiene un coeficiente de curtosis igual a 3 y se le llama
L(*,
i=l mesocrtica; las distribuciones con curtosis mayor de 3 se llaman
o2
n leptocrticas ("picudas"), las que tienen curtosis menor de tres se
llaman platicrtica s (" achat adas" ).
' Desviacin estndar, o
En este mtodo tradicional la dispersin de los datos se calcula con
o =J7 respecto a un valor central, la media aritmtica; es decir, se calculan
las diferencias de cada uno de los datos con respecto a la media
. Coeficiente de variacin, CV aritmtica, elevndose luego estas diferencias a una potencia segn
el parmetro estadstico por calcular (por ejemplo, para el clculo de
CV =!p la vaanza la potencia es 2; para el coeficiente de asimetra es 3,
etc.). En consecuencia, los parmetros as calculados son muy
. sensibles a los valores extremos, puesto que si la diferencia de
Coeficiente de asimetra o coeficiente de sesgo, CS
alguno o algunos de los datos con respecto a la media es muy
grande, al elevar esa diferencia a una potencia se obtienen valores
enormes, 1o cual afecta mucho el resultado de los parmetros
obtenidos. Puesto que los parmetros estadsticos citados
Hidrologa Estadstica - pgina (120) Medidas de las distribuciones - pgina (l2l)

constituyen la base E = valor esperado


'tericas de
Probabilid
los datos, tambin se El primer momento lineal l,r (ecuacin 3.43) representa la media
terica aProPiada. En ocasione aritmtica de Ia muestra, es una medida de localizacin y su valor es
diferente de la media aritmtic el mismo que el calculado por el mtodo tradicional. El segundo
distribucin terica de probabilid momento lineal l,z (ecuacin 3.44) es equivalente a la desviacin
analizados.
estndar pero calculada mediante las diferencias de todos los datos
se calcula con entre s, no con respecto a un valor central; es un parmetro de
Por ei mtodo de momentos
r"tp"" u un valor central, diferencias de escala o dispersin de la variable aleatoria X.
todos los datos entre s las posibles
.o-uiru.iones. Adems, las diferencias nunca se elevan a ninguna Dividiendo el segundo momento lineal entre el primer momento
lineales, por 1o cual los parmetros estimados lineal (desviacin estndar entre la media), se obtiene el coeficiente
;;;i;;;tmantienen
porestemtodoSonmenossensiblesalosvaloresextremos. lineal de variacin (CLV), es decir:

... (3.47)
Definicin de los momentos lineales
que toma valores entre 0 y 1.
Jonathan R. M. Hosking rrqgol desarroll lafeorade los momentos
de los
lineales basada en el oidenamiento estadstico, a diferencia Dividiendo el momento lineal de orden r, entre la medida de
pesados'
clculos indirectos usando la probabilidad de los momentos dispersin, se obtiene la relacin de momentos, es decir:
Hosking defini los cuatro primeros momentos lineales de la
sisuiente forma: t, =LU parat =3,4,... ... (3.48)
L,=ElXr.,] "(3'43)
I El'ts es una medida de asimetra y t4 es una medida de curtosis,
'2=lolxz,z-xn)
7, ..(3.44) stas son respectivamente el coeficiente lineal de asimetra o sesgo
(CS) y el coeficiente lineal de curtosis (CLn, es decir:
L^ =\Elxr,r-2xr,r* X,,r]
J^
"' (3'45) ... (3.4e)
5

1^ =1 Elx
"4 o,o -3x r,o + 3x 2.4 - x r,o] "' t'+ol
... (3.s0)
donde:
4,r= eli-simo valor de la variable aleatoria X' de un
es
g*po de tamao m' ctyos valores han sido ordenados en Ellos toman valores entre -1 y +1 (existe excepcin para algunas
forma ascendente muestras muy pequeas, las cuales pueden tener valores menores de
Hidrologa Estadstica - pgina (122) Medidas de Ias distribuciones - pgina (123)

-1). Si es casi seguro que X ) 0, entonces 0 < CLV < 1. En el caso Cuando la poblacin es reemplazadapor una muestra, los momentos
de una distribucin simtrica, como es el caso de la distribucin lineales dan sus respectivos estimados.
normal, f3 es igual a cero, mientras que para esta misma distribucin,
t = 0.1226. Dado que los resultados de los posibles nmeros de combinaciones
de2 (C2n),3 (C3') y 4 (Co'), valores de la muestra, pueden ser
Estimado directo de los momentos lineales cantidades grandes, esto hace que los clculos de los momentos
lineales sea un poco laborioso. En este caso, a fin de simplificar los
Existe una manera indirecta para el clculo de los momentos clculos, Hosking muestra el conjunto de ecuaciones equivalentes de
lineales, la cual es utilizar los momentos pesados por probabilidad, estimacin directa de los momentos lineales, las cuales resultan ms
definido por Greenwood et al. Sin embargo una forma directa de sencillas para implementar clculos computacionales, las ecuaciones
estimar los momentos lineales, es siguiendo la definicin misma de simplificadas, son:
los momentos lineales desarrollada por Hosking.
El clculo de )uz (ecuacin 3.44), para una poblacin finita de
tamao n, se realiza con la combinacin de n elementos tomados en hr= ... (3.51)
grupos de 2 en 2 (Cr" ), tomando en todos los casos la diferencia
entre el valor mayor (Xzi), menos el menor (Xt,z). Lr= - ci-')x , ... (3.52)

El clculo de 1. (ecuacin 3.45), se realiza de forma similar Lr= _2Ci-1Cn-, +C;-,)X, ... (3.s3)
considerando todas las posibles combinaciones de n elementos
tomados en grupos de 3 en 3 (Cr" ), en este caso, cada elemento del
tro= - 3c;-t ci-t + 3citc;-t - c;-')x, .. qz.s+
valor esperado est dado por el valor mayor (Xt,z), menos 2 veces el
valor intermedio (Xz.:), ms el valor menor (Xr,), es decir: (Xyz-2 donde:
Xzs* Xrz). X (parai= 1,2 ,3, ..., n) = son los valores de la muestra
ordenados ascendentemente
Similarmente, el clculo de l.a (ecuacit 3.46), se obtiene de las C = combinaciones de n elementos en grupos de k en k
combinaciones de n elementos tomados en grupos de 4 en 4 (Co'),
(r\ n! n(n-L)(n-2)...(n-k+t)
en este caso, cada elemento del valor esperado est compuesto del ^n =[n
valor mayor (Xq,+), menos 3 veces el valor inmediato inferior del
'o )= k,l"-fr)!= kI
grupo (Xt,q), ms 3 veces del siguiente valor inferior (Xz,i, menos el paru k <n
valor menor del grupo (Xt,D, es decir: (X+,+-3 Xz.ct 3 Xz,,-Xru). Sift=n)Cn=I
Hidrologa Estadstica - pgina (124)
Medidas de las distribuciones - pgina (L25)

Si fr>ry+C=0 complejo. Con el fin de simplificar stos clculos, en la tabla 3.3 se


Por propiedad de los nmeros combinatorios, se tiene: presenta el cdigo fuente en Basic, de Ia subrutina que calcula estos
Ci = CX-n momentos, tambin se incluyen los clculos de los parmetros
estadsticos lineales. En el cdigo: Ll= Lt, L2= ),r, L3= )"r, L4= ha,
:. c: 'c:-, = c[ =l y xxordQ) es la serie ordenada en forma ascendente.

La derivacin de las ecuaciones (3.51) - (3.54), se explica detallada-


Ejemplo 3.5:
mente tomando como ejemplo el estimador de i,: (ecuacin 3.53).
En una muestra de tamao n, ordenada ascendentemente, hay (l -l) Para una muestra de 6 datos que se indica:
valores iguales o ms pequeos Y @ - i) valores iguales o ms 56,81, 89,33,79y 6l
grandes que el valor de la muestra Xi. Para que Xi sea un valor ms
Calcular:
grande de una combinacin de tres valores de la muestra, los otros . Los momentos lineales: Lt,)"z,Lzy )"q
dos tiene que venir de los (, -1) valores ms pequeos y hay un total . La relacin de momentos: media = Ir, desviacin estndar =)uz,
de Cit de tales combinaciones. Para que X sea el segundo ms CLV, CLS, CLK
grande se una combinacin de tres valores de una muestra, los otros
dos tienen que venir de los (, -1) valores ms pequeos y de (n - i\ Solucin:
valores ms grandes, y hay un total de Cl'Ci-'de tales
combinaciones. Para que Xi sea el valor ms pequeo de una 1. Ordenando los valores ascendentemente, se tiene: 33, 56,61,78,
combinacin de tres valores de una muestra, los otros dos tienen que 81 y 89.
venir de los (n - i) valores ms grandes, y hay un total de Ci-' de
tales combinaciones.
2. Clculo de,).r:
La ecuacin (3.53), es derivada de la ecuacin (3.45), reemplazando Las combinaciones de 6 elementos en grupos de 1, es:
X3s, Xzs y Xtt por X para C;t , Ci'Ci-' y C;-' veces 6g,1=9 =6
rgspectivamente, y haciendo para todos los caso i = l, 2, 3, ..., n,
De acuerdo a la ecuacin (3.43), se tiene:
luego dividindolo entre el nmero de todas las posibles 6
combinaciones de tres valores de la muestra de tamao n, es decir
Ex, 33+56+61+78+81+89
Ci , paru obtener el promedio. h,=Elxrr]=tU = = 66.3333
Los otros momentos lineales se derivan de manera similar.

Los clculos de los momentos lineales L, lr, 13, 14, con el uso de 3. Clculo de l.z:
Las combinaciones de 6 elementos en grupos de2, es
calculadoras e incluso con la computadora, resulta bastante
Hidrologa Estadstica - pgina (126) Medidas de las distribuciones - pgina (127)

Tabla 3.3 Cdigo de la subrutina para el clculo de los parmetros y 6x5


a6 -_-15
momentos lineales " lx2
c'."
'Clculo de los parmetros lineales En la tabla 3.4 se muestran las 15 combinaciones de los datos
'xxordO es la serie ordenada en forma ascendente
tomados en grupos de 2, siendo en todos los casos:
L1 =0
L2=O X2l = valor mayor
L3=0 Xr2 = valor menor
L4=0
Forj=1Ton Tabla 3.4 Combinaciones de 6 elementos de la serie, en grupos de 2
CL1=j-1 en2
CLZ= CL1 .0 - 1 1) t2.
cL3 = cL2. 0- 1 2) l3
X, Xr., Xo.o - X.
CR1 =n-j
CR2=CR1 .(n- -1)t2 89 81 I
CR3 = CR2. (n - -2)t3 89 78 11
L1 =11 +xxord(i) 89 61 28
12=L2 + (CL1 - CR1). xxord(i) .
3 = L3 + (CL2 '2. CL1* CR1 + CR2) xxord) 89 56 33
* *
L4 = L4 + (CL3 - 3* CL2 CR1 + 3. CL1 cR2 - cR3). 89 33 56
xxord(j) 81 78 3
Next j 81 61 20
C1 =n 81 56 25
C2=C1.(n-1112
c3=C2.(n-2)13 81 33 48
C4=c3.(n-3)/4 78 61 17
L1 = L1 /C1 78 56 22
L2 =L2lC2l2 78 33 45
L3=L3lc3l3 61 56 5
L4=L4lC4l4
'Clculo de los momentos lineales 61 33 28
6sfli = L1 56 33 23
ClDesEstandar = L2 \=372
ClVarianza =L2^2
ClVariacion =L2lL1
ClSesgo =L3lL2
De acuerdo a la ecuacin (3.44), se tiene:
ClKurtosis =L4lL2
L, =;Elxr,r- x,,rf
Hidrologa Estadstica - pgina (128) Medidas de las distribuciones - pgina (129)

I @iemcia c ombinacione s de 2 elementos)


7r= \
81 61 56 15

2 ci 81 61 33 -8
81 56 JJ 2
Lr= L"!2 =12.4 78 61 56 12
215 78 61 33 -11
78 56 33 -1
4. Clculo de 1.3: 61 56 33 -18
Las combinaciones de 6 elementos en grupos de 3, es: E = -166
c!= 6x5x4 =20
lx2x3 De acuerdo a la ecuacin (3.45), se tiene:

1, = ! Elx r,, - 2x r,, t x r,t]


En la tabla 3.5 se muestran las 20 combinaciones de los datos
tomados en grupos de 3, siendo en todos los casos: *"Y1 --zxy1!or int ermedio t
t valor menor)
X33 = valor mayor de los tres h3 *D-9?:!l-o:
Xzs= valor intermedio de los tres 320
Xts= valor menor dp los tres )". =!x-166 = -2.7667
'320
Tabla 3.5 Combinaciones de 6 elementos en grupos de 3 en 3 5. Clculo de ).+:
Las combinaciones de 6 elementos en grupos de 4, es:
X, Xr," Xrrs X..r-2Xu.*Xr' n6 6x5x4x3
89 81 78 5 C'I* =
-12
1x2x3x4
89 81 61
-'t7
--15
89 81 56
En la tabla 3.6, se muestran las 15 combinaciones de los datos
89 81 33 -40
tomados en grupos de 4, siendo en todos los casos:
89 78 61 -6
X4l = valor mayor de los cuatro
89 7B 56 11
X3l = valor menor inmediato
89 78 33 -34
X2,4= segundo valor menor inmediato
89 61 56 23
Xt,4= valor menor de los cuatro
89 61 33 0
89 56 33 10 De acuerdo a la ecuacin (3.46), se tiene:
81 78 61 -14
81 78 56 -19 Lo = ! E.fx oo -3x r,o + 3x 2.4 - x
81 78 33 -42
'o),
Hidrologa Estadstica - pgina (130) Medidas de las distribuciones - pgina (131)

Tabla 3.6 Combinaciones de 6 elementos en grupos de 4 en 4 De la ecuacin (3.47),, se tiene:

Xn, Xr, Xr.o Xr.n X,.,- 3X".* 3Xr,- Xr,


CLV =L11
19
CLV= l2.a
89 81 78 61

89 81 78 56 24 =0.1869
47 66.3333
89 81 78 33
89 81 61 56 -27
-4
9. Clculo del coeficiente lineal de sesgo:
89 81 61 33
-19
De la ecuacin (3.49), se tiene:
89 81 56 33
89 78 61 56 -18 CLS =L
12
89 78 61 33 5
89 78 56 33 -10 -2.1667
41
CLS = = -0.2231
89 61 56 33 12.4
81 78 61 56 -26
78 61 33 -3
81 10. Clculo del coeficiente lineal de curtosis:
81 61 56 33 33 De la ecuacin (3.50), se tiene:
8'l 7B 56 33 -18
ao
ta 61 56 33 30
L4
=74 CLK =
12

1 \ lrroy o, - 3 x un. n't e no r * 3 l?" iym' yeno :


-
*'29! CLK =
t.2333
= 0.0995
-
)"4 =X 15
12.4
4

L.'415
--l *74 =1.2333 Para los datos del ejemplo, utilizando la opcin Parmetros
Estadsticos/Datos no agrupados de HidroEsta, se obtienen los
resultados que se muestran en la figura 3.9.
6. Clculo de la media:
Media=l.r=66.3333 De los resultados obtenidos con HidroEsta, puede observarse que
los valores de los parmetros estadsticos calculados por el mtodo
7. Clculo de la desviacin estndar: de los momentos lineales, son en todos los casos menores que los
Desviacin estndar =Xz= 12.4 calculados por el mtodo tradicional, por supuesto, exceptuando el
valor de la media que por los dos procesos, tiene la misma frmula
8. Clculo del coeficiente lineal de variacin: de clculo. De los resultados de los parmetros estadsticos, se
- pgina (132) Medidas de las distribuciones - pgina (133)
Hidrologa Estadstica

observa que Pese a que el ejemPlo


analizado no tiene valores 3.7 Problemas propuestos
en los resultados obtenidos,
extremos muy grandes, la diferencia
entre un mtodo Y otro, es evidente'
1. Dado los caudales medios del mes de Mayo, " u, o, en m3/s:

lngreso. de -
Ao o Ao o
Coeficientes Lineales: m3/s m3/s
Ll: 166.3333 1971 399 1 981 4.52
58.0 1972 2.96 1982 3.09
81.0 u2: Fzoo-- 1973 1.79 1 983 5.00
8S.0 1974 1.55 1 984 6.03
33.0 L3: [ffi 1975 2.48 1 985 2.73
78.0 1 976 2.61 1 986 3.13
61.0 La: llf, 1977 2.27 1987 4.18
1 978 1.86 1 988 3.26
1979 2.O7 1 989 403
Poblacionales Momentos Lineales 1 980 2.70
Parmetros Muestrales
66.3333 66.3333
Media: 68.3333
153.76
Varianza: 42?:.2867 351.8883 Calcular la media, varianza, coeficiente de variacin, coeficiente
12.4000
Desviacin Estndar: 20.5491 18.7587
de asimetra o sesgo y coeficiente de curtosis, usando tanto los
2828 0.186S
Coeficiente Variacin: 0.30s8 momentos tradicionales, como los momentos lineales.
-0.5530 -0.2231
-0.7573
CoeIiciente de Ses1o:
2.1206 0.09s5
Coeficiente de Cutosts 5.3016
2. Si los datos del problema L, se agrupan en los siguientes
intervalos de clase:
estadsticos para datos no
Figura 3.9 Clculo de los parmetros
;;;"t utilizando los omentos ordinarios y lineales !ntervalos de clase Marca de clase
1-2 1.5
buenos resultados' para el
Esta metodologa es usada con muy en el Instituto
2-3 2.5
nrocesamiento de la informacin hidrometeorolgica' 3-4 3.5
ilr"'u.j1.il;" Br""tricided(rcE), fue recomendada por los 4-5 45
Lars Gottschaly e Irina Krasovskaia'
5-6 55
"*rultore, 6-7 65

Calcular la media, varianza, coeficiente de variacin, coeficiente


de asimetra o sesgo y coeficiente de curtosis.

\--
Hidrologa Estadstica - pgina (134)
Medidas de las distribuciones pgina (135)

3. Se tiene una cuenca en la que se han instalado 8 pluvimetros.


1 980 1390 993
Las precipitaciones promedios anuales registradas, en mm, para 1 549
981 2230
el perodo l97O - 1991, y las reas de influencia, en I<mZ, de
1
1 994 2240
1 982 1 480 1 995 319
esas estaciones, se muestran en la siguiente tabla: 983 400
1
1 996 772
1 984 866 1 997 882
Estacin Precipitacin 1 985 6130 1998 1010
(mm) 1 986 1910 1 999 I 130
1 150 291 5 I 987 1310 2000 1260
2 300 2563
3 187 3241 5. Una estacin tiene un registro de caudales
medios anuales de20
4 600 4017
aos, en m3/s, los misos que se muestran
5 550 5321 en la tabla 3.8.
Calcular su Cr y Cs.
6 145 4621
7 278 5002
8 110 4932 Tabla 3.8 Registro de caudales, en m3/s

Determinar la precipitacin promedio.

4. En la tabla 3.7, se muestran los caudales picos, en m3/s,


en cada ao, del periodo 1915-2000, de una estacin.

Calcular:
. Lamedia de los caudales picos
. La desviacin estndar
. El coeficiente de variacin

Tabla 3.7 Catdales picos para el periodo 1975-2000

Ao o Ao o
m'ls m'/s
1975 880 1 988 1 070
1 976 1 360 1 989 1 060
1977 885 1 990 718
1978 1 180 1 991 965
1 979 1 100 1992 370
Estimacin de
,
parmetros

4.L Definicin de parmetros

Los parmetros de una distribucin terica, son variables que para


cada conjunto de datos tienen un valor definido. Una vez que los
parmetros quedan definidos, tambin queda definida la distribucin
terica.

Por lo general, una funcin de densidad de probabilidaes o una


funcin de distribucin acumulada, puede escribirse como una
funcin de la variable aleatoria y en general como una funcin de
sus parmetros, as por ejemplo, la funcin de densidad de
probabilidad de la distribucin normal, de variable aleatoria X, es:
t-
Estimacin de parmetros - pgina (138) Hidrologa Estadstica - pgina (139)

donde: estadsticos de la muestra, que se supone pertenece a la poblacin


U" - ParLmetro delocalizacin. que se pretende caracterizar.
o2- patmetro de escala.
La bondad de estos estimadores est dado por las diferencias ( a -
Para que la funcin flx), quede definida, debe calcularse los a), (B - b), (y - c), etc., pero como es fcil intuir, hay infinitas
2
parmetros
-Co*o PYo posibilidades para a, b, c, por lo tanto se consideran como mejores
normalmente, no se conoce la poblacin de la variable estimadores aquellos, que se aproximan ms a los valores
aleatoria, la estimacin de los parmetros, se rcaliza a partir de una poblacionales, y se llaman q, p, y,....
muestra.
Los estimadores se clasifican como:
Por ejemplo, si se tiene la muestra:
xl, x2, xJ,....., x1 -
y si stos se ajustan a una distribucin normal los parmetros p, o -,2 ' Sesgado si:
E(a)= a +v(a)
se estiman a Partir de:
n
!r.
L" i
.'_1
' Insesgado si:
E(a) = e
l-L
U=X=
n
donde: v () = E(a) - q, es el sesgo
) (r - r)2
62 =52 =
. Eficiente si:
n-l El estimador es insesgado y adems:
donde:
es el estimador de r VAR(a) = E(a-q)2
d 2 es el estimador de o2
. Consistente:
Cualquier estimado desde la muestra es denominado un estimado o Si el tamao muestral N es largo.
estimador de los parmetros poblacionales'.
En hidrologa, se requiere principalmente que los estimadores sean
4.2 Definicin de estimadores insesgados y eficientes, cuando se requiere extraer la mxima
informacin, desde los datos muestrales.
Dada una funcin de distribucin con parmetros a, P , T , "'' sa
llaman estimadores a los valores a, b, c,"', obtenidos a partir de los
Estimacin de parmetros - pgina (140) Hidrologa Estadstica - pgina (l4l )

1. Plotear los valores de la distribucin emprica de la muestra.


4.3 Mtodos de estimacin de parmetros 2. Dibujar una recta que se aproxime a los puntos, tanto como sea
posible.
Para determinar los valores numricos de los parimetros de la 3. Calcular el valor correspondiente para una probabilidad del50Vo,
distribucin terica, a partir de los datos muestrales, se utilizan
este valor es x , el cual es un estimador de r (figura 4.1).
varios mtodos de estimacin, siendo en orden ascendente de menor
a mayor eficiencia, los siguientes:
. Grfico
. Mnimos Cuadrados X+S=K2
. Momentos X=K1
. Mxima Verosimilitud
X-S=K3
Mtodo grfico 15.87 o/o 50 0,6 84.13 o/D

Este mtodo, consiste en plotear los valores de la distribucin Figura 4.1 Probabilidades en una distribucin normal
emprica sobre un papel especial, donde la distribucin terica
asignada a priori, se pued representar como una lnea recta, y de 4. Calcular el valor para una probahilidad del 84.137o, el mismo
all estimar los parmetros buscados. que corresponde a X +,S, es decir:

As:
X+S=KZ + S=KZ-X
. El papel de probabilidades normal, representa la distribucin
es un estimador de o .
normal como una lnea recta. ^S

. El papel de probabilidades log-normal, representa la distribucin


Otra forma de calcular ,S, es para una probabilidad del 15.87 7o, el
log-normal como una lnea recta.
. EI papel de probabilidades Gumbel, representa la distribucin mismo que corresponde a X - S, es decir:
Gumbel como una lnea recta. X -S=K3 =+ S=X-K3
. El papel de probabilidades log-Gumbel, representa la
distribucin log-Gumbel como una lnea recta. Ejemplo 4.1:
En el apndice, se muestran estos cuatro papeles especiales.
Para la serie de datos de caudales, en -3/s, correspondientes a 38
Por ejemplo, para determinar los estimadores de p y o, por medio aos:
de una muestra dada correspondiente a una poblacin normal, hacer
lo siguiente:
.3 26.7
121 1 10.1 63.4 122.4 64.2 59.6
144.9 92.8 95.6 76.3 162.1 110.2 40.3
Estimacin de parmetros - pgina (142) Hidrologa Estadstica - pgina (143)

142.4 58.8 48.8 52.3 97.2 144.7 112.2 16 72.5 0.4103 35 148.3 o.8974
205.8 57.4 148.3 36.3 52.5 109.2 137.1 17 76.3 0.4359 36 162.1 0.9231
114.5 79.O 67,5 88.0 165.5 48.5 32.9 18 76.9 0.4615 37 165.5 0.9487
72.5 76.9 70.0
19 79.0 0.4872 38 205.8 0.9744

Suponiendo que se ajustan a una distribucin normal, estimar los


2. Ploteando los valores de las columnas (2) V Q) de la tabla 4.1, en
parmetros X y S, usando el mtodo grfrco. papel probabilstico normal, se obtiene la distribucin emprica
que se muestra enlafiglura4.2.
Solucin:
a
J. Trazando una lnea recta de mejor ajuste , de tal manera que se
l. Ordenando los valores de menor a mayor y calculando la adapte mejor a los puntos ploteados, de la distribucin emprica,
probabilidad emprica acumulada, mediante el mtodo de se obtiene la distribucin terica normal, la misma que se
Weibull, se obtiene la tabla 4.1. muestra enlafigua 4.2.
Tabla 4.1 Caudales ordenados ascendentemente y sus
4. Para calcular la media X , hacu lo siguiente:
probabilidades acumuladas calculadas con el mtodo de Weibull . En la figura 4.2 ingresar en el eje de probabilidades (eje X),
con el 50 Vo y ffazar una vertical, hasta interceptar a la lnea
m o D- m m o D- m
I T_ de distribucin terica.
--
n*L n*I . Por la interseccin, frazar una lnea horizontal, hasta cortar al
(1) (21 (1) (21 eje de caudales (eje I').
f3) t3)
1 26.7 0.0256 2A 88.O 0.5128
. En el eje de caudales, leer el valor correspondiente de X,
2 32.9 0.0513 21 92.8 0.5385 para este caso se tiene: X = 92 m3ls.
3 36.3 0.0769 22 95.6 0.5641
4 40.3 0.1026 23 97.2 0.5897 5. Para calcular la desviacin estndar,S, hacer 1o siguiente:
5 48.5 o.1282 24 109.2 0.6154 . En la figura 4.2 ingresar en-'el eje de probabilidades, con el
6 48.8 0.1s38 25 110.1 0.6410
7 52.3 0.1795 26 110.2 0.6667
84.13 Vo y trazar una vertical, hasta interceptar a la lnea de
8 52.5 0.2051 27 112.2 0.6923 distribucin terica.
9 57.4 0.2308 28 114.5 0.7179 . Por la interseccin, trazat una lnea horizontal, hasta cortar al
10 588 o.2564 29 121.3 0.7436 eje de caudales.
11 59.6 0.2821 30 122.4 0.7692 . En el eje de caudales, leer el valor correspondiente de X + ,S,
12 63.4 0.3077 31 137.1 o.7949
13 64.2 0.3333 32 142.4 0.8205 para este caso se tiene: X +,S = 135 m3/s, de donde:
14 67.5 0.3590 33 144.7 o.8462
15 70.o 0.3846 34 144.9 0.8718
Hidrologa Estadstica - pgina (145 )
Hidrologa Estadfstica - pgina (144)

,S= 135 -X
S=135-92
S = 34 m3ls

Mtodo de mnimos cuadrados

Este mtodo es ms aplicable para la estimacin de los parmetros


de una ecuacin de regresin.
Por ejemplo, dada la recta de regresin lineal:
!=a*bx
donde ay b son los parmetros.

El error entre el valor observado I y el terico es:


ei=yi- a - bxi
y la suma de los cuadrados, de los errores de los valores observados
ES:
nafl
S=!(J. n.'=!rr.
t ?."t -a-bx.\2
t'
l=I I=l
Esta suma puede minimizase para a y b, esto se consigue derivando
o! parcialmente ^S, en funcin de cada estimado a y b, e igualando a
cero, es decir:

aI=-r$ (v.
da ?_l" t -a-bx)=o
t' ...(4.r)

6 o=

E
o
Q[=-r$ x.(v. -a-bx.\=o ...(4.2)
c
c
o
ab 3_t,"t t'
o.
I
o o
o t
(n
Las ecuaciones (4.1) y (4.2) se denominan ecuaciones normales, las
(, (f,
il
o+I x
cuales resueltas dan para ay b:
lX
Estimacin de parmetros - pgina (146) Hidrologa Estadstica - pgna (147l'

Solucin:
...(4.3)
1. Clculo de la sumatorias:
Los clculos se muestran en la tabla 4.3
...(4.4)
2. Estimacin de :
De la ecuacin (4.3), se tiene:
Ejemplo 4.2: ,!r.v.
L) l"t -)x.) r.
Se cuenta con 13 pares de datos de caudales picos para el ao 2000,
- *r'-E
L_ L 1.t-t7

en m3/s, de las estaciones La Bomba y Asuncin, cuyos valores se


Tabla 4.3 Clculo de sumatorias
muestran en la tabla 4.2. Considerando que los caudales de la
estacin La Bomba, son las variables independientes (x), y que los
x v xv x'
caudales de la estacin Asuncin, son las variables dependientes (y),
2e 1t 42C 784
y que estas variables se relacionan con la ecuacin lineal:
178 142 2527C 31 681
!=a*bx 9( 5C 450C 810C
estimar los parmetros y b, qlue defina la ecuacin lineal.
9( 7l 720C 921e
122 8 1073e 14884
Tabla 4.2 Caudales picos en m3/s para el ao 2000 de las estaciones
5( 41 205C 250C
La Bomba y Asuncin QC
La Bomba Asuncin 62 241t 3844
lx) lvl 82 7 61 5C 6724
28 15 111 73 8541 1 368S
178 142 102 9S 1 009[ 10404
90 50 4a 2E 126C 202a
96 75
6C 5 336C 360C
122 88
72 o.: 453 51 8r
50 41
62 39 1104 844 86545 11 263t
82 75
117 73 Sustituyendo valores, resulta:
102 99
13 x 86545 -1104x844
45 28 s-
60 56 t3xll2638 -IlO42
72 63 b = 0.7875
a
Estimacin de parmetros - pgina (148) Hidrologa Estadstica - pgina (149)

3. Estimacinde a: se obtiene ser a, b, c, a,6,e, como estimadores sesgados o


De la ecuacin (4.4), se tiene:
insesgados de los parmetros.
2r, ).,,'b
a=--u
nn Cuando la distribucin de probabilidad, a la que se estiman los
Sustituyendo valores, resulta: parmetros por este mtodo es simtrica y particularmente si es
1104 normal, se puede demostrar que este es un mtodo muy eficiente,
o=8* - 0.7875 pero cuando las distribuciones son asimtricas y por lo tanto
13 13
sesgadas, como sucede muy a menudo con la mayora de las
a = -1.952
.'. La ecuacin que relaciona las variable r e y es: variables hidrolgicas, el utilizar este mtodo representa una prdida
y = -1.952 + 0-7875 x de eficiencia en la estimacin.

Ejemplo 4.3:
Mtodo de los momentos
1. Dada la funcin de densidad de probabilidad de la distribucin
El mtodo de los momentos fue desarollado por KarI Pearson en
normal:
1902. El principio bsico de la estimacin por este mtodo, es
establecer para cada funcin de distribucin, la relacin entre los
parmetros y los momentos centrales, de tal manera que:
pafa - oo< X < oo
d, =i(lti, tti+I,...)
estimar los parmetros 0 y 0 2, por el mtodo de momentos.
A =fZ (lt i, +t,
tt ...) ...(4.s)

Solucin:
y =f3 (ttk, lt k+l, ...)

Sabemos que:
donde:
1. La media poblacional es igual al ler momento con respecto al
,0 ,T son los parmetros de la funcin de distribucin
origen, es decir:
Iti, lti, llk sn los momentos con respecto a la media, o
momentos centrales de la poblacin '
u=E(x\=u'7=lJ-o xf(x)dx ...(4.6)
Como los momentos, son estimados a partir de los momentos de la
muestra, como estimadores sesgados o insesgados, el resultado que
Estimacin de parimetros - pgina (150) Hidrologa Estadstica - pgina (151)

2. Lavaixtza 02 es igual al 2" momento con respecto a la media,


es decir: e,e" r
g- -!-'-
v(x) =o.2 = p2= Iitr-r2r1xax ... (4.7) ' 'l2nor t-"" |

Sustituyendo/(x) en (4:6), resulta:


v2

roo I
l- ye 2 y
.I-
... (4.10)

P= J-**' lzoer' A.
Clculo de:
-F-
2 ) 2
v v' v
ll=-l 1r- t-* x'e
- -n-
-f r0 e ' + l? e 2
f^

^lznor
...(4.8) A=l J-
e " dy
J-
v
"J0 dy .,. (4.11)

Haciendo: -vry2
-_A siendo: f(y) = e
I =y -) x =0t + 0r! ) dx=7rdy ...(4.e)
^"'
02
-V'(-Y)2 -V'Y2
Si X -+-co )/-)-oo f(-y)=e =e =f(y)
.
lmites:
Si x -++"" )-)*oo dado que: f(-y) = f(y) , f(y) matemticamente, es una funcin par,
por lo cual se tiene:
Sustituyendo (a.9) en (4.8), se tiene:
!!*rrtor-f rl)dv
v2
luego (4.1I), se escribe:
P= J]-tr, +oril'e lz 12
@0,
"ro, o=li n- 2' dr+ I;,- 2' dy
Estimacin de parmetros - pgina (152)
Hiclrologa Estadstica - pgina (153)

l,l luego:
.oo --v-
z^ r ",frl
A=21 e dv ... (4.12) A= -:--
J0 I
,D
Haciendo:
Y2
... (4.13)
y2=t + y=t A= ^lri
2YdY=i = dY-
dt dt Clculo de:
2vl
' 2t2
roo -l^ y2
lmites: B= i- ye 2' dy
"-
)=0 + t=0 I _,2 _L ,,2
par
y-+"o + t+6 , = I:"" y, o, *!; ,, 2' dv ... (4.14)
''
luego (4.I2), se convierte ein: lZ
L, ---v
dt donde: f(y) = ye

-J0-e 2"
A=z* l pero:
2tz -V'(-Y)2 -/'Y2
f(-y)=(-y)e =-!e =-U)
, _L,
2e 2 ,lt puesto que: fl-y) = -Ky), fly) matemticamente, es una funcin
A=f*t
J0 impar, por lo tanto se tiene:
Aplicando la transformada de LapLace, se tiene: I z -;l
l..z
"!- dY = -lo t' L dY
)l*r"
r0 foo

luego (4.L4), se escribe:

6 -'^r' r 2' -!r


pero por propiedad de la funcin Gamma, se tiene: a=-liw 2" at+liw
f
dy
| (Y2)=\,fr "
Estimacin de parmetros - pgina (154)
Hidrologa Estadstica - pgina (155 )

B=0 ... (4.15)


.t, .tr -+ - - y -) -co
Sustituyendo (4.13) y (4.15) en (4.10), resulta:
0, e1 .tr-+oo -/-)oo
-!-- ".!zn + -Lxo
'u= ^lzn Iuego:
^121r
It=01 l.t
L.-
f- * er2l2, 2'
lo que indica que el primer parmetro 0 1, es igual a la media
(Tz
v = --- azdy
'lZfIArJ-
.',0,I =i xi = *
N. l.
D2 -;Y'
Sustituyendo/(x) en (4.7), se tiene: o, ='2= J-f**' n2" at
"l2l
l2v2
f- ,). 1
e y
oZ= Uz =J_"oG- tt)-
^Cl,-,
siendofly) = y2 f(-D =Ki (funcin par), por lo cual:
2

como: p = 0l {l *trr>a, =rl; ro)dy


luego:

, -!.r'
- l,* uz"
o2=F2= '
^[-zle,J:""
G-ot"-;l';)'*
Haciendo:
^ 20"2
o'= J0
^,2II
z dv

dt
Haciendo: yZ=t = y=tVz =dy= -I
x-0. 2t2
--J=y + x=0t+02y + dx=?zdy lmites:
02
si )=0 + t=0
lmites: Y-+- =+ t)6
se tiene:
I
Estimacin de parmetros - pgina (156) Hidrologa Estadstica - pgina (157 )

_t I o2 = 0 22 (el parmetro 0 2es igual a. o )


o'='ff5," 2' dt
1
.a2- _N{.L\ni_nl
I

2td ..u2 s/v -v\2


I o2= -xY
o'
en2 -oo I --t
=#[s,," 2dt t)k,
Ejemplo 4.4:
Aplicando la transformada de Laplace, se tiene:
Dada la funcin de densidad de probabilidad de la distribucin de
Poisson:
o2=

o2= Calcular usando el mtodo de momentos:


o El parmetro a
" Lavaranza

Solucin:
pero: I (yr) =^tE, luego:
1. Como X es una variable discreta:
o2=
tt=E(X)= )xf(x)

0"2 ,/ tr=i*q':
o', = !--rx yfn l=0 xl
"izfl
r
Estimacin de parmetros - pgina (158)
- pgina (159
Hidrologa Estadstica )

t,-ifr o2=E(*)-(E(x)),

o2=E(*)-Qt')
oor-o + ?ax"-d
tr=Tll -rT: o2 =E(x2) - a2 ... (4.16)

pero: (-1)! -f(0)=". Clculo de E(*):


. oor- -"-a -"-o
''
fra- r(o) -n --; -' E(*)= i .' a*r-d
x=0 xl
luego:
E(*)=,-"
r, = o,*'-1 Aff,rl,
f=1Q -r)r
(r .)
d2 d3
'u=e-ald ---+-
l! 2t
+... I

[o' )
, d,1or2
*l l+.-
-*( - ... )
It=de
Ir! 2t )
I

pero, por desarrollo de serie de Taylor, se tiene:


( . _2 )
fi:
I t*a *o- * ...1= (x-t+tfox
[,, 2t "o
) G-t)l
entonces:
P = ae-a ed
Lt =d, ='-&tr5.?f]
,..d= ll
="-d 11]-. +r-d
-c -4--
2. Clculo de o2
Sabemos que:
?t!-l)! '" !1!-z}
----r*
Estimacin de parmetros - pgina (160)
Hidrologa Estadstica - pgina (161 )

Se observa que la media y varianza de la distribucin Poisson es


E(*)= t + e igual a d, es decir:
)
fi=o- =q
Mtodo de mxima verosimilitud
E(*)= tt+e "
F_rr* El mtodo de mxima verosimilitud, fue desarrollado por R.A.
Fisher (1922).
Dada una funcin densidad de probabilidad:
E(f)=tt+e 4t *er!*"'!.
L0! 2t l 1
f(x;u, F,y,...)

donde:
E(x2)= r + r-
o o2fr.
I
-* . d, B , y , ... son los parmetros que deben ser estimados
)
-s- Se define
productoria:
la funcin verosimilitud de la muestra, como la

Por desarrollo de la serie de Taylor, se tiene: N


(r*" *o' *...1=,o =fI f (xi,d,fr,y,...)
-'_t
t-l
(.,, 2! L= f (xr,a, f (xZ,, ,T,...). .... f (x
) fr.,T,...). N,, 4,T,...)
Luego: siendo N el tamao de la muestra
E(tZ) = lt + r- ao2ra'
El mtodo de mxima verosimilitud, consiste en estimard, , T ,...
E(*2) = p+a2
a partir de la muestra, de tal manera que Z sea mxima. Esto se
Pero: r,=d,entonces: obtiene por la diferenciacin parcial de L, con respecto a cada
E (*2) =q, + q2 ... (4.17) parmetro e igualando a cero.

Sustituyendo (4.17) en (4.16), resulta: Puesto que flx) es no negativa, un valor mximo de L ser, en
general positivo. Como el logaritmo natural lnL es una funcin
o2 =o*o2 -o2 monotmicamente creciente de L, sta tiene un mximo,
o2 =d
r
Estimacin de parrmefros - pgina (162)
Hidrologa Estadstica - pgina (163 )

precisamente en los puntos en que L tiene un mximo. Por lo tanto, Solucin:


se puede ttsar lnL en lugar de L, es decir:
N N Sea la funcin de verosimilitud:
L=Uf @i,a,b,c,...)+tnL= )h f @i,a,b,c,...) n
L =flf e,1)
este artificio, permite transformar una productoria a una sumatoria, i=l
donde:
a,b,c, son estimadores de d, F, y ,.. siendo: f(xi,)") = )r-h
luego:
n _4,x.
'*',
Fntonces el conjunto de ecuaciones de mxima verosimilitud es: =fI le
EtnZ }lnL 0ln/
#=o:
da
#=o;
db #=o; i=l
N ( _)x.\
tnL=\t"l l* '^i
dc
el mismo que tiene tantas ecuaciones como incgnitas.
i=l\.

/
N
tnL= )l t, )"+tn,-tu.\
'"'i
Las propiedades de los estimadores calculados por el mtodo de
mxima verosimilitud, son; I

. Usualmente insesgado
i=l\ )
. Si la eficiencia de estimadores existe para los parmetros U, B,
Nt \
T ,..., el mtodo puede producirlos. 7nL=Itr^ -tu,)
. La solucin de la ecuacin de verosimilitud, proporciona un i=l
estimador que converge al valor poblacional, cuando el tamao
muestral tiende a infinito, por 1o que el estimador es consistente. derivando con respecto a ),, se tiene:
otnL-=
Ejemplos 4.5: '[S hnt"-"
al Ol'"la'r"'" '*' i=o"
')-
Dada la funcin de densidad de probabilidad de la distribucin
( !-,.)=0
tl
exponencial:
(i
?,lL
r-r\ ,/
ntfl
f(x)=1
lln-* para r ) o, h>o
; -),; =0
.i=1tv =1
en otros
I

L0 casos
Estimar el parmetro2, usando el mtodo de mxima verosimilitud.
Estimacin de parmetros - pgina (164) Hidrologa Estadstica - pgina (165 )

t
nl
1r=)tnl
=1
I

,l
Ejemplo 4.6:
tnL= l-
,=1L

Dada la funcin de densidad de probabilidad de la distribucin


normal:

rnL=I "1' ]
3. , resulta:

Fstimar los parmetros


verosimilitud.
el e2, por el mtodo de mxima
a) J]=.
Solucin:

1. La funcin de verosimilitud es:

2. Tomando ln:
r
Estimacin de parmetros - pgina (166) Hidrologa Estadstica - pgina (167 )

nn
E*,=Eo,
i=l i=l -
0,2
'
i6,
=lnF.t -e1)2 =12
n
\x
t=l
-- no,
Nota. El mtodo de mxima verosimilitud, tericamente es el ms
correcto para el clculo de los parmetros de las distribuciones, en el
sentido que produce menos errores, en la estimacin de los
,=)L*, =, parmetros de la poblacin. Pero, para algunas distribuciones de
probabilidad, no existe solucin analtica para todos los parmetros,
en trminos de los estadsticos de la muestra, lo cual lleva a calcular
stos parmetros por mtodos numricos. En general, el mtodo de
trY(-zor-3)]=t los momentos es ms fcil de aplicar que el mtodo de mxima
'(, - verosimilitud, y resulta ms apropiado para anlisis prctico en
hidrologa.

[ ;.ry)=' 4.4 Problemas propuestos


1. Dada la funcin de densidad de probabilidad de la distribucin

tf"l,.+I]=, uniforme:
1

para o(<rS p
f(x) =
Lb4:-=o
F,)* i=l
i=l 02'
B-cr

Estimar sus parmetros o y B, utilizando el mtodo de momentos.


=n
,;-vr6'-01)2 2. Dada la funcin de densidad de probabilidad de la distribucin
exponencial:
-l.x
:V=,6,-trY -e2 flx) =)" e Para x> 0, , > 0

Estimar su parmetro 1,, utilizando el mtodo de momentos.


I
Estimacin de parimetros - pgina (168) Hidrologa Estadstica - pgina (169)

3. Dada la funcin de densidad de probabilidad de la distribucin


de Poisson:

v
Calcular los parmetros pty, or, utilizando el mtodo de mxima
Calcular el parmetroa, usando el mtodo de mxima verosimilitud.
verosimilitud.
7. Dada la funcin de densidad de probabilidad de la distribucin
4. Dada la funcin de densidad de probabilidad de la distribucin gamma de parmetros y y B:
exponencial de dos parmetros: x
-1.(x - e)
*Y -1, P
f(x)=)"e para x)E, ,>0 f(x)-
PY r<v)
Estimar sus parmetros l, y g utilizando el mtodo de momentos. para: 0(x<""
0<Y<""
5. Dada la funcin de densidad de probabilidad de la distribucin
0 < 0<""
exponencial de dos parmetros:
-i.(x - e)
Calcular los parmetros utilizando el mtodo de momentos.
f(x)=)"e para x)8, I>0
Estimar sus parmetros l, y e, utilizando el mtodo de mxima
verosimilitud.

6. Dada la funcin de densidad de probabilidad de la distribucin


log-normal de dos parmetros:
Pruebas de bondad
de ajuste

5.1 Definicin

Las pruebas de bondad de ajuste, en compro bar grfica y


"orrir*n de la serie analizada, se
estadsticamente, si la frecuencia emprica
ajusta a una determinada funcin de probabilidades terica
seleccionada a priori, con los parmetros estimados con base en los
valores muestrales.

Las pruebas estadsticas, tienen por objeto medir la certidumbre que


se obtiene al hacer una hiptesis estadfstica sobre una poblacin, es
decir, calificar el hecho de suponer que una variable aleatoria, se
distribuya segn una cierta funcin de probabilidades.

Las pruebas de bondad de ajuste ms utilizadas son:

. Ajuste grfico
Pruebas de bondad de ajuste - pgtna (172) Hidrologa Estadstica - pgina (173)

lctri - cuadrado funcin acumulada


. Ajuste estadstico i- empfri
[Smirnov - Kolmogorov probabilidad
(%)

funcin acumulada
5.2 Ajuste grafico terica
El ajuste grrfico se puede realizar de las siguientes formas:

. Comparar grficamente eI histograma funcin densidad


emprica de la serie de datos, con la funcin densidad terica y
decidir visualmente, si hay o no ajuste de acuerdo a la similitud
o diferencia de ambos (figura 5.1).
Figura 5.2 Ajuste grfrcocon la funcin acu.rruladaln papel
milimtrico
frecuencia
relava funcin densidad Se puede tambin comparar grficamente la funcin acumulada
terica funcin densidad de la serie de datos, con Ia funcin acumulada terica, ploteada
emplrica en un papel probabilstico adecuado (figura 5.3), donde la
distribucin terica seleccionada, se pueda representar como una
lnea recta (por lo general, slo se pueden representar por una
lnea recta las distribuciones de 2 parmetros). As se tienen
marca de dase disponibles los papeles probabilsticos normal, log-normal,
gumbel, etc. El procedimiento consiste en plotear los valores de
Figura 5.1 Ajuste grfico con la funcin densidad
la variable hidrolgica (caudal, precipitacin, temperatura, etc.),
versus la probabilidad emprica en el papel de probabilidad
Comparar grficamente la funcin acumulada de la serie de
correspondiente. Si los puntos ploteados se agrupan alrededor
datos, con la funcin acumulada teica seleccionada, dibujada
de una lnea recta, que es la representacin de la distribucin
en papel milimtrico (figura 5.2), y decidir visualmente si hay o
te6rica, se puede afirmar con cierta certeza que estos datos se
no ajuste.
ajustan a la distribucin deseada.
Pruebas de bondad de ajuste - pgha (174) Hidrologa Estadstica - pgina (175)

,|
y.o
,"c = valor calculado de Chi-cuadrado, a partir de los datos
variable
aleatoria distribucin
0 i = nmero de valores observados en el intervalo de clase i
empirica
ei = nmero de valores esperados en el intervalo de clase i
ibucin | = nmero de intervalos de clase
terica
Asignando probabilidades a la ecuacin (5.1) es decir, asignando
igual probabilidad de ocurrencia a cada intervalo de clase, se tiene:

probabilidad ...(s.2)
(o/o)

donde:
Figura 5.3 Ajuste grfico con la funcin acumulada en papel Ni nmero de observaciones que caen dentro de los lmites
=
especial de clases ajustadas del intervalo i.
N = tamao muestral
5.3 Prueba Chi-cuadrado U2 ) P = probabilidad igual pala todos los intervalos de clases

La prueba Chi-cuadrado se basa en el clculo de frecuencias, tanto Pi= llk ei= PiN ... (5.3)
de valores observados, como valores esperados, para un nmero
determinado de intervalos. Esta prueba es comnmente usada, para Simplificando la ecuacin (5.2), se obtiene la frmula
verificar la bondad de ajuste de la distribucin emprica a una computacional desarrollada por Markovic ( 1965):
distribucin terica conocida, fue propuesta por Karl Pearson en
1900. x? =#frl? -- ...(5.4)
.)
La expresin general de la prueba Chi-cuadrado est dada por: El valor d" X,; obtenido por la ecuacin (5.4) se compara con el x7
de la tabla A.8 del apndice, cuyo valor se determina con:

nivel de significacin: a= 0.05 d = 0.01


donde:
kk grados de libertadi g.l.= k-l-h

Eo,=Er,
i=l i=l
=fy'
donde:
r
Pruebas de bondad de ajuste - pgina (176) Hidrologfa Estadfstica - peina (177)

h = as el nmero de parmetros a estimarse, as: 5. Es de fcil aplicacin.


h = 2, para la distribucin normal
h = 3, para la disribucin log-normal de 3 parmetros njem)to s.I:

Criterio de decisin: Dada la serie histrica de caudales medios anuales en m3/s, que
corresponde a un registro de 38 aos:
El criterio de decisin se fundamenta en la comparacin del valor
calculado de Chi-cuadrado con el valor tabular encontrado, esto es: 121.3 26.7 1 10.1 63.4 122,4 64,2 59.6
. Si el Chi-cuadrado calculado es menor o igual que el valor 144.9 92.8 95.6 76.3 162,1 110.2 40.3
142,4 58.8 48.8 s2.3 97.2 144.7 112.2
tabular, es decir: 205.8 57.4 148.3 36.3 52.5 109,2 137.1
)) 1 14.5 79.0 67.5 88,0 165,6 48.5 32.9
x;<x; 72.5 76.9 70.0
entonces, se acepta la hiptesis que eI ajuste es bueno al nivel de
significacin seleccionado Realizar la prueba de bondad de ajuste Chi-cuadrado para ver si se
ajustan a una distribucin nornul.
Si el Chi-cuadrado calculado es mayor que el valor tabular, es
decir: SOLUCION:
'))
x;, x; 1. La hiptesis ser:
entonces, el ajuste es malo yse rechaza la hiptesis, siendo Ho : frecuencia observada = frecuerlcia esperada
necesario probar con otra distribucin terica. H : frecuencia observada * frecuencia esperada

Ventajas y limitaciones: 2. Ordenando los datos de menor a mayor, se tiene:


26.7 32.9 36.3 40.3 48.s 48.8 52.3
52.5 57.4 58.8 59,6 63.4 64,2 67.5
1. Es aplicable slo para ajustes a la distribucin normal, puesto 70.0 72.5 76.3 76.9 79.0 88,0 92,8
que ha sido desarrollado con base en los datos normales e 95.6 97.2 109.2 1 10.1 1 10.2 112,2 114.5
independientes. 121.3 122.4 137.1 142,4 144,7 144.9 148.3
2. Se realiza en la funcin densidad de clatos agrupados en 162.1 165,5 205.8
intervalos de clases.
3. Clculo de la frecuencia
para datos agrupados
3. Requiere un conocimiento a priori, de la funcin de distribucin
3.1. Clculo del nmero de intervalos de clase, segn Yevjevich:
terica utilizada en el ajuste.
NC=1+1.33 ln(M)
4. En la prctica se usa para cualquier modelo de ajuste, pero
NC=1+1.33 ln(38)
estrictamente es vlido slo para la normal.
Pruebas de bondad de ajuste - pgina (178) Hidrologa Estadstica - pgina (179)

NC=5.84 = 6 Columna (5): acumular valores dq la columna (4)

3.2. Clculo de la amplitud de cada intervalo: 3.4 Clculo de la media y desviacin estndar para datos agrupados,
X max- Xmin 205.8 - 26.5 utilizando las columnas (2) y (3):
--l=
NC_l = 5
t_
&

N( =35.82=36
-
AX
=18
2

,3.3. Clculo de los intervalos de clase, marcas de clase, frecuencia = 43.03


absoluta observada, frecuencia relativa, los resultados se
donde:
muestran en la tabla 5.1
xi= marca de clase
- = frecuencia relativa
Tabla 5.1 Clculo de la frecuencia acumulada

!ntervalos Marcas Frecuencia Frecuencia Frecuencia Clculo de la frecuencia esperada, utilizando la distribucin
de clase de clase absotuta (0 relativa )
acumulada terica normal, los resultados se muestran en la tabla 5.2
(1) (21 (3) (4) (5)
donde:
-
8.7 44.7 26.7 4 0.1053 0.1053
x-X
44.7 - 80.7 62.7 15 o.3947 0.5000 Columna (3): Z - variable estandarizada de la
80.7 - 116.7 98.7 9 0.2368 0.7368
't16.7 - 152.7 134.7 7 o.1842 0.9211 distribucin normal paru x = lmites de clase, de la
152.7 - 188.7 170.7 2 0.0526 o.9737 columna (2).
188.7 - 224.7 206.7 1 0.0263 1.0000
Columna (4): rea bajo la curva normal, puede usar la tabla A.1 del
apndice.
donde:
(3): nmero de valores comprendido en el intervalo de la
Columna (5): reap xa cada intervalo de cl se, se obtiene restando
Columna
los valores de la columna (4), si los signos de Z dela
columna (1).
columna (3) son iguales, y sumando los valores de la
columna (4), si los signos de Z son diferentes.
Columna (4): columna (3) entre N = 38
Pruebas de bondad de ajuste - pgina (180) Hidrologa Estadstica - pgina (181)

Tabla 5.2 Clculo de la frecuencia absoluta x? = 0.2 + 2.5 + 0.75 +0 + 0.33 + 0


intervalo de Imite ea Frecu- Frecuen- Frecuen-
clase de x-X balo la encla cia cia x? = 3.78
clase curva relativa absoluta observa-
s normal da
.)
de ei
OaZ e
6. Clculo del Xi
(1) el t3) (4) 15) f6) 17l . grados de libertadi I)= k -1- h
8.7 -1.89 o.4706
8.7- 447 1.057 0.3554 o.1152 4.38 = 5 4 U=6 - I -2=3
44.7
44.7- 80.7 80.7 -0.220 0.0871 o.2687 10.21 = 10 15 . nivel de significacin: a= 0.05 = 5Vo
80.7- 116.7 116.7 0.617 o.2324 0.3195 12.14=12 9
7.34=7 7
116.7-152.7 152.7
188.7
1.453
2.290
0.4265
0.4890
0.1931
0.0625 2.38=3 2 De la tabla A.8 del apndice, para D = 3 y a = 0.05, se tiene:
152.7-188.7
3.126 0.4991 0.0101 0.38 = 1
188.7-224.7 224.7 1
v2=7.81
,"t
Columna (): columna (5) x N = 38, se redondea en forma
adecuada, de,tal manera que la suma de las 7. Criterio de decisin:
frecuencias absolutas sea igual a N = 38' Como v2 =3.78 . ,2 =7.87

(7): sonlos mismos valores de la columna (3) de la tabla se acepta la hiptesis nula Ho
Columna
5.1.
.'. Los datos se ajustan a la distribucin normal, con un nivel
) de significacin del 5Vo 95Vo de probabilidad.
5. Clculo de 7':
De (5.1), se tiene: Nota. En la aplicacin Cestadis, existe una opcin para el cIculo de
)
@_:J x;
^.2_
Lc -2
t=r ei
sustituyendo valores de las columnas (6) y (7) de la tabla 5.2, se 5.4 Prueba de Smirnov-Kolmogorov
tiene:
(r--r)2 La prueba de ajuste de Smirnov-Kolmogorov, consiste en comparar
,z -@-s)z * (rs -ro)2 *(g -tz)z n0 -t)z *Q'])z
/Lc- 3
* las diferencias existentes, entre la probabilidad emprica de los datos
5 10 12 7 1
de la muestra y la probabilidad terica, tomando el valor mximo
r
Pruebas de bondad de ajuste - pgina (182) Hidrologa Estadstica - pgina (183)

del valor absoluto, de la diferencia entre el valor observado y el M = nimeto de orden


valor de la recta terica del modelo, es decir: N = nmero de datos

A = mx 2o Calcular la probabilidad terica F(x):


lnlx - e1xl "'(s's)
. Para el caso de utilizar el procedimiento de los modelos tericos,
donde:
usar la
la ecuacin de funcin acumulada F(x), tablas o
A = estadstico de Smirnov-Kolmogorov, cuyo valor es igual
elaboradas para tal f,rn.
a la diferencia mxima existente entre la probabilidad
ajustada y la probabilidad emprica.
F(x) = probabilidad de la distribucin terica
' Si se quiere aplicar el procedimiento grfico, se utiliza un papel
probabilstico especial donde F(x), puede representarse como
P(x) = probabilidad experimental o emprica de los datos, una lnea recta, por 1o cual, se puede trazat con solo 2 puntos,
denominada tambin frecuencia acumulada. pero si se quiere chequear que es una recta, se pueden plotear 3
puntos, por ejemplo para el caso de una distribucin normal, los
El estadstico A tiene su funcin de distribucin de probabilidades. puntos:
Valor Probabilidad
Si A o es un valor crtico para un nivel de significacin a, se tiene o/o

que: X 50
X+S 80.13
rlm,axlr 6) - P(x)l 2 L,o]= 6
X-S 15.87
o P(A > Lo)=q ...(s.6)
representados en un papel de probabilidad normal, forman una
tambin: recta.
P(4. Lo)=1-o ...(s.7)
3o Calcular las diferencias P(x) - F(x), para todos los valores de x
El procedimiento para efectuar el ajuste, mediante el estadstico de 4" Seleccionar la mxima diferencia:
Smirnov-Kolmogorov, es el siguiente: a= mx ]nqx-e1xl
1o Calcular la probabilidad emprica o experimental P(x) de los
datos, para esto usar la frmula de Weibull: 5'Calcular el valor crtico del estadstico A, es decir Ao, para un
M a = 0.05 y N igual al nmero de datos. Los valores de Ao, se
P(.r) = ...(s.8)
N+1 muestran en la tabla 5.3.
donde:
P(x) = probabilidad emprica o experimental
Pruebas de bondad de ajuste - pgina (184) Hidrologa Estadstica - pgina (185)

6o Comparar el valor del estadstico A, con el valor crtico A o de la Tabla 5.3 Valores crticos de L,o del estadstico Smirnov-
tabla 5.3, con los siguientes criterios de decisin deducidos de la Kolmogorov a, para varios valores de N y niveles de significacin
ecuacin (5.6): a

Si A < Ao + el ajuste es bueno, al nivel de significacin Tamao Nivel de siqnificacin *


seleccionado. muestral 0.20 0.15 0.10 0.05 0.01
N
A)Ao= el ajuste no es bueno, al nivel de significacin 1 0.900 0.925 0.950 0.975 0.995
2 0.684 o.726 0.776 0.842 0.929
seleccionado, siendo necesario probar con otra
3 0.565 0.597 0.642 0.708 0.828
distribucin 4 0.494 0.525 0.564 0.624 0.733
5 0.446 0.474 0.510 0.565 0.669
Ventajas y limitaciones b 0.410 0.436 0.470 0.521 0.618
7 0.381 0.405 0.438 0.486 0.577
8 0.358 0.381
1. No requiere un conocimiento a priori de la funcin de 9 0,339 0,360
0.411 0.457 0.543
0.388 0.432 0.514
distribucin terica. 10 0322 0.342 0.368 0.410 0.490
11 0.307 0.326 0.352 0.391 0.468
Es aplicable a distribu.io.r", de datos no agrupados, es decir, no 12 0.295 0.313 0.338 0.375 0.450
se requiere hacer intervalos de clase. 13 0.284 0.302 0.325 0.361 0.433
14 0,274 o.292 0.314 0.349 0.418
a 15 0.266 0.283 0.304 0.338 0.404
J. Es aplicble a cualquier distribucin terica.
16 0.258 o.274 0.295 0.328 0.392
17 0.250 0.266 0.286 0.318 0.381
4. Se aplica en la funcin de distribucin acumulada y no en la 18 o.244 0.259 0.278 0.309 0.371
funcin de densidad. 19 0.237 0.252 0.272 0.301 0.363
20 o.231 0.246 0.264 0.294 0.356
5. Comparndola con la prueba Chi-cuadrado, no se requiere que la 25 0.21 0.22 024 0.27 0.32
30 0.19 0.20 0.22 0.24 0.29
frecuencia absoluta de cada clase, sea igual o mayor que 5.
35 0.18 0.19 o.21 023 0.27
N>35 t.07 t.t4 1.22 1.36 1.63
6. No es una prueba exacta, sino una prueba aproximada.
,tr ^ltr
",/N ,tr ,tr
Pruebas de bondad de ajuste - pgina (186) Hidrologa Estadstica - pgina (187)

Ejemplo 5.2: Tabla 5.4 Clculo de P(X), F(4 y A, para la prueba de Smirnov-
Kolmogorov
Para los mismos datos del ejemplo 5.1, realizar la prueba de bondad
de ajuste Smirnov-Kolmogorov, p&ro ver si se ajustan a una m Q=X P(x) F(z) A
distribucin normal, usando :
lnlz -r1xl
mtls m/n+1
121.3 26.7 110.1 63.4 122.4 64.2 59.6 (1) (2) (3) (5)
144.9 92.8 95.6 76.3 162.1 110.2 40.3 l6)
26.7 0.0256 -1.53
142.4 58.8 48.8 52.3 97.2 144.7 112.2 1

2 32.9
0.0630 0.0374
205.8 57.4 148.3 36.3 52.5 109.2 137.1 0.0513 1.39 0.0823 0.0310
114.5 79.0 67.5 88.0 165.6 48.5 32.9 3 36.3 0.0769 -1.31 0.0951 0.0182
72.5 76.9 70.0 4 40.3 0.1026 -1.22 0.1112 0.0086
5 485 0.1282 -1.02 0.1 539 0.0257
. El clculo de los valores de F(x) para todos los valores de x
6
7
48.8
52.3
0.1538
0.1 795
-1.02
-0.94
0.1 539 0.0001
0.1736 0.0059
(donde x,representa el caudal). 8 52.5 0.2051 -0.93 0.1762 0.0289
I 57.4 0.2308 -0.82 0.2061 o.0247
. Usando el procedimiento grfico. 10 58.8 0.2564 -0.78 0.2177 0.0387
11 59.6 0.2821 -o.76 0.2236 0.0585
Solucin:
12 634 0.3077 -0.68 0.2483 0.0594
13 64.2 0.3333 -0.66 0.2546 0.0787
14 67.5 0.3590 -0.58 0.2810 0.0780
1. Clculo de P(x): 15 70.o 0.3846 -0.52 0,3015 0.0831
Ordenando los datos de caudales en forma creciente y calculando 16 72.5 0.4103 -0.46 03228 0.0875
la probabilidad emprica P(x), usando la frmula de Weibull: 17 76.3 0.4359 -0.37 0.3557 0.0802
1B 76.9 0.4615 -0.36 0.3594 0.1021
Pifx:)=h 19 79.0 0.4872 -0.31 0.3783 0.1 089 <- max
20 88.0 0.5128 -0.10 0.4602 0.0526
se obtienen las columnas (2) y (3) de la tabla 5.4. 21 92.8 0.5385 0.01 0.5040 c.0345
22 95.6 0.5641 0.08 0.5319 0.0322
2. Clculo de X y,, de los datos no agrupados 23 97.2 0.5897 0.11 0.5438 0.04s9
24 109.2 0.61s4 0.39 0.6517 0.0363
25 1 10.1 0.6410 0.42 0.6628 0.0218
='nuI x. =92.32
1

x L
26 110.2 0.6667 o.42 0,6628 0.0039
27 1'12.2 0.6923 0.46 0.6772 0.0151
28 114.5 0.7179 0.52 0.6985 0.0194
29 121.3 0.7436 0.60 0.7517 0.0081
30 122.4 0.7692 0.70 0.7580 0.0112
Pruebas de bondad de ajuste - pgina (188) Hidrologa Estadsrica - pgina (189)

Tabla 5.4 Continuacin ... A partir de las columnas (3) y (5) de la tabla 5.4, se obtiene los
A = n1z - p(x)l , Ia misma que se muesrra en la columna (6).
m Q=X P(x) F(z) A
X_X
mtls m/n+1 s lrlz -e1xl
6. Clculo del A - Amx:
(1) (21 (3) (4) (5) t6) De la tabla 5.4, se observa que:
31 137.1 0.7949 1.05 0.8531 0.0582 A = -u* lrfrl - p(x)l = 0.1089
32 142.4 0.8205 1.17 0.8790 0,0585
33 144.7 o.8462 1.22 0.8888 o.0424
34 144.9 0.8718 1.23 0.8907 0.0189 7. Clculo de Ao crrico:
35 148.3 0.8974 1.31 0.9049 0.0075
36 162.1 0.9231 1.63 0.9484 0.0253
De la tabla 5.3, para a = 0.05 se tiene:
37 165.5 o.9487 1.71 0.9564 0.0077 ^ =- t.36
ci
1.36
38 205.8 0.9744 2.65 0.9960 0.0216
"ln J38
--= -

Lo= 0'22
1 Y (x
=
n-lu -v\2
/ =42.80 8. Criteriode decisin
Como:
Clculo de la variable estandarizada Z: A = 0.1089 < Ao =0.22
Usando la..ecuacin: Se concluye que los datos de caudales se ajustan a la distribucin
normal, con un nivel de significacin del 5vo o una probabilidad
X_X 95Vo.
del
s
se obtiene la columna (a) de la tabla 5'4'
La aplicacin cestadis, permite rearizar la prueba de bondad de
ajuste, para varias distribuciones tericas, entre ellas la normal.
4. Clculo de F(D = F(X):
Usando la tabla A.2 del apndice, se obtiene la columna (5) de Procedimiento grafico:
la tabla 5.4. Para valores positivos de Z, los valores se obtienen
en forma directa. Para valores negativos de Z, los resultados se l. Grfico de P(X) y F(Z) en papel de probabilidad normal.
obtienen de: 1 - valor tabla A.2
1.1. Grfico de disrribucin ernprica p(.tr):
5. Clculo de A - lrlz - e1xl Plotear en un papel de probabilidad normal los valores de las
columnas (2)V Q) de la tabla5.4.
1.2. Grfico de la distribucin terica F(4 = F(X):
Pruebas de bondad de ajuste - pgina (190)
Hidrologfa Estadsrica - pgina (191)

Plotear los puntos:

Valor de caudal Probabilidad


(m3/s) Vo
c
X = 92.32 50 9'5
X +S =135.12 84.73
.it"tr
-o
(l)-o
X -S = 49.52 15.87 v,o
E-
(!!

1.3. Con los procesos 1.1. y 1.2 se obtiene lafigwa5.4. Ol


-o
o. I
.1, g
do
2. Clalode A =max F(z)-P(x) 300
0)o
Observando la figura 5.4, se tiene: o.z
A = 0.10 -cY
h>
=Rt
=.= b
.99E
ts
3. Clculo de Ao -x fLa c
o q
De la tabla 5.3,para @ = 0.05 y n = 38, se obtiene: I
\o I

1.36 t.36 5\ t\
A-
^o - -]3s O
t\
I E-
^[n
'd '
)e
Ao = 0.4
il

4. Criterio de decisin:
Como:
A =0.10<Ao=0.22
Se concluye que los datos de caudales se ajustan a una distribucin
normal, con un nivel de significacin del57o, o una probabilidad del
95 7o.

op o
o
N
o
ro oo
5
Pruebas de bondad de ajuste - pgina (192)
Hidrologa Estadstica - pgina (193)

5.5 Problemas propuestos Tabla 5.5 Caudales mximos anuales de la estacin Tacares

1. Dado el registro de caudales, e, -3/s, de una serie histrica,la 37 62 90 s61 49


misma que coffesponde a un registro de 50 aos: 48 45 70 79 50
86 100 91 83 45
74 230 85 '101
239.07 101.76 100.18 107 .43 1 83.1 1 154.80 197.58 153.65 182
108.75 144.22 134.10 156.80 1 19.52 91 77 67 63 67
169.18 124.31 107.62
105.21 1 16.69 169.64 158.48 164.35 193.88 105,81 110.77
212.48 123.28 177.00 193.78 162.29 133.97 184.96 146.08 Utllizar:
128.15 1 01 .66 123.00 127.82 98,16 106.40 145.79 207.78 . Prueba Chi-cuadrado
217.52 208.18 182.53 183.49 95.05 132.49 114.31 136.22 . PruebaSmirnov-Kolmogorov
266.54 256.62

Realizar la prueba de bondad de ajuste, para ver si los datos


3. Dado el registro de caudales medios anuares para ra estacin
Corobic, m3ls de 2O aos, que se muestran en la tabla 5.6,
rcalizar la",prueba de bondad de ajuste smirnov-Kolmogorov,
ajustan a una distribucin normal.

con un nivel de significacin del 5 7o, pzrz ver si los datos se


Utilizar:
. Prueba Chi-cuadrado
ajustan a una distribucin gamma de 2 parmetros.
. Prueba Smirnov-Kolmogorov, para este caso realizar:
Tabla 5.6 Registro de caudales del ro Corobic, en m3ls
o Clculo de las diferencias de lffrl - P(r) L para cada
valor de x, y obtener Lmax.
223.0 322.0 224.6 180.4 273.7
o Plotear x vs F(x) y x vs P(x), en un papel milimtrico, a
207.0
fin" de representar la funcin acumulada terica y 386.2 424.0 236.t 706.1
emprica. 248.9 238.9 235.0 370.6 267.s
o Calcular A = rnsx I rf*) - P(r) L ploteando los valores en 626.7 597.1 414.4 600.0 406.0
un papel probabilstico.

2. Dado el registro de caudales mximos anuales para la estacin


Tacares, en m3/s, de 25 aos, que se muestran en la tabla 5.5,
realizar la prueba de bondad de ajuste, para ver si los datos se
ajustan a una distribucin normal.
Distribuciones
tericas

6.1 Introduccin

El hidrlogo generalmente tendr disponible un registro de datos


hidrometeorolgico (precipitacin, . caudales, evapotranspiracin,
temperaturas,,etc.), a travs de su conocimiento del problema fsico,
escoger un modelo probabilstico a usar, que represente en forma
satisfactoria el comportamiento de la variable.

Para ilizar estos modelos probabilsticos, se deben calcular sus


parmetros y realizar la prueba de bondad de ajuste, un esquema de
este proceso se muestra en la figura 6.1.

Si el ajuste es bueno, se puede ilizar la distribucin elegida, una


vez encontrada la ley de distribucin que rige a las variables
aleatorias, adems, se podr predecir con determinada probabilidad,
la ocurrencia de una determinada magnitud, de un fenmeno
Distribuciones tericas - pgina (196) Hidrologa Estadstica - pgina (197)

hidrometeorolgico. Tambin se podr determinar Ia magnitud de un Las distribuciones tericas comnmente utilizadas en Hidrologa,
fenmeno para un determinado periodo de retorno. son entre otras:

. Distribucin normal
. Distribucin log-normal de 2 3 parmetros
. Distribucin gammade2 3 parmetros
. Distribucin log-Pearson tipo III
. Distribucin Gumbel
. Distribucinlog-Gumbel

Estas distribuciones se estudian en este captulo.


Elegir una
distribucin terica
6.2 Distribucin normal o gaussiana
1. Funcin densidad

Se dice que una variable aleatoria X, tiene una distribucin normal,


si su funcin densidad, es:

:1._:)rl
r (x) = ___L EXpl _
Jzns Lrt sl] ..\--l
.. (6. r)

Utilizar distribucin
terica elegida
pAfA -@ <.tr< oo

donde:
f(x) = funcin densidad normal de la variable x
x = variable independiente
Figura 6.1 Proceso de seleccin de una distribucin terica
Distribuciones tericas - pgina (198) Hidrologfa Estadlstica - pgina (199)

X- parmetro de localizacin, igual a la media aritmtica


dex
S -
parmetro de escala, igual a la desviacin estndar de x
EXP = funcin exponencial con base e, de los logaritmos f
,
(Z) = --L,_ e2
_2,
... (6.5)
neperianos. 42n

Cuando la variable aleatoria X, se distribuye normalmente con media


para -* <Z< *
lt = X y varianza (o2 = S2), se denota de la siguiente forma:
Los valores de flx)
f(D, pueden ser fcihnente evaluados para un
o
valor dado de )c o de Z por las ecuaciones (6.2) (6.5),
respectivamente.
El grfico de la funcin densidad de la distribucin nonnal estndar,
El grfico de la funcin densidad de la distribucin normal se se muestra en la figura 6.3.
muestra en la figura 6.2, y es como se observa en la figura, una
funcin continua y simtrica con respecto a X .

- u) +rfi
X
-co fm
l"rz = 0
Figura 6.2 Funcin densidad de la distribucin normal Figura 6.3 Funcin densidad de la distribucin normal estndar

-_Y Una caracterstica fundamental de la distribucin normal estndar es


Si: Z-n " ...(6.3)
s que tiene Fz = 0 ! O 2z = 1, es decir:
z - N (0,1)
La funcin densidad de Z, d -llama funcin densidad de la
distribucin normal estndar y tiene la siguiente expresin: 2. Funcin de distribucin acumulada (F.D.A.)
...(6.4) La funcin de distribucin acumulada de la distribucin normal, es
Ia integral de las ecuaciones (6.I) 6 (6.2):
Distribuciones tericas - pgina (200) Hidrologa Estadstica - pgina (201)

3. Clculo de la funcin de distribucin acumulada


F(x)=#lr- ... (6.6)
Existen tablas, por ejemplo las tablas 4.1 y A.2 del apndice, que
permiten calailar F(Z).
,
llx-Xl'-')
__t__l Pararealizar clculos computacionales de F(Q, se utilizan funciones
F(x)=.r+ll- u2l s )d, ...(6.7) de aproximacin, dentro de las cuales se pueden mencionar:

a) Abramowitz y Stegun (1965), han dado varias aproximaciones


o su equivalent aciones (6.4) (6.5) para la ormal estandarizada Z. Una aproxi-
macin menor que 10-5 es:
F(z) = h, ... (6.8) F(4 = 1201676 P + 0.9372980 ,3) ... (6.10)
l donde:

F(4 = es la funcin de distribucin acumulada
flZ) = es la funcin densidad de la variable estandarizada
F(Z) = ... (6.9) / = es definido paruZ ) 0, como:
t,- ... (6.11)
t+ 0.3326t121
donde F(x) es la funcin de distribucin acumulada de la
distribucin para la variable original X, segn la ecuacin (6.6), o
tambin parala variable estandarizada Z, segin la ecuacin (6.8), es b) Masting (1955), ha dado una aproximacin polinomial que ha
decir F()) = F(4. sido utilizado por la IBM (1968). Esta aproximacin con un error
menor que 7.5 * 1g-8, es:
Esta funcin de distribucin, tiene las siguientes propiedades:
F(4 = | - flD (bf + b2P + \rt + b4A + b5t5) ... (6.12)
. F(__) _ 0
donde:
'. F(X) =0.5 r es definido para Z > 0, como:
F(+"") = 1
I
l= ... (6.13)
t+ 0.23164telzl
siendo las constantes:
bl = 0.319381530 b2= - 0.356563782
7-

Disttibuciones tericas - pgia (202) Hidrologa Estadstica - pgina (203)

b3 = 1.781477937 b4 = -1.821255978 5. Estimacin de parmetros, mtodos de momentos y


b5 = t,330274429 mxima verosimilitud
En las aproximaciones (6.10) y (6.t2), si Z < 0, la F.D.A. se calcula Para estimar los parmetros de la distribucin terica se pueden usar
como: el mtodo de momentos el mtodo de mxima verosimilitud.
t - F(z),
Cabe mencionar que la distribucin normal, es la rinica funcin de
4. Clculo de la inversa de la distribucin normal distribucin, que produce los mismos resultados de los parmetros,
estndar estimados por el mtodo de momentos y mxima verosimilitud, los
parmetros obtenidos son 1o siguientes:
Una aproximacin para el clculo de la inversa de la distribucin ,N
normal estndar, con un elTor menor que 4.5x104, se calcula con las X=u=1!X.
' ... (6.18)
N.u-
t
t=l
ecuaciones:
7- c0+clxw+e2xw2
/- -w paruD < FZ< 0.5 . .. (6.14)
l+ dl,xw+ d2xw2 + d3xw3

c0+c1x w+c2xw2
s=o=[+, ik,
1i
-.i: ... (6.1e)

Z=w- para0.5 <FZ< I ... (6,15) LN-t


l+ dlxw + d2xw2 + d3xw3 donde:
X= es el estimado de la media, llamado tambin parmetro
donde: de posicin
w= para 0 <FZ<0,5 ... (6.16) = es el estimado insesgado de la desviacin estndar o
parmetro de escala

6. Estimacin de parmetros, mtodo de los momentos

^(,rtJ ,*'
w= o's<FZ<t "'(6'17) lineales

c0= 2.515517: c1 = 0.802853: c2 = 0.010328 Los parmetros de la distribucin normal, estimados por el mtodo
dl= 1,432788: d2 = 0,189269: d3 = 0.001308 de momentos lineales son:
FZ = fucin acumulada de la distibucin normal estndar X=lt=lt ,.. (2.20)
Z = ordenada inversa de la distribucin normal estndar
s = J-Ir2, ,.. (2.21)
Distribuciones tericas - pgina (204) Hidrologa Estadstica - pgina (205)

donde: Ejemplo 6.1:


,1,,= primer momento lineal que se calcula con la ecuacin
(3.51) Dada la serie histrica de caudales medios anuales, en m3ls, que
trz = segundo momento lineal que se calcula con la ecuacin corresponde a un registro de 50 aos para el ro Santa (Per):
(3.s2)
95.05 98.13 100.18 101 .66 101 .76
105.21 105.81 106.40 107.43 107.62
7. Aplicaciones en hidrologa 108.75 110.77 114.3',1 1 16.69 1 19.52
123.00 123.22 124.31 127.82 128.15
La distribucin normal tiene gran utilidad en hidrologa, siendo 132.49 134.10 136.22 144.22 145.79
146.08 153.64 153.97 154.80 156.80
alguna de sus principales aplicaciones: 158.48 162.29 164.35 169.18 169.64
177.00 182.53 183.1 1 183.49 184.98
. En el ajuste de
distri6uciones empricas de variables 193.78 193.88 197.58 207.78 208.18
hidrolgicas de intervalos de tiempo grandes, tales como 212.48 217.52 239.07 256.62 266.54
variables medias anuales, mensuales, estacionales, etc., que
pueden ser caudales, precipitacin, entre otros. l. Averiguar si se ajustan a una distribucin normal.
. Anlisis de los effores aleatorios en las observaciones o
mediciones hidrolgicas. 2. Si se ajusta a una distribucin normal, calcular:
2.1. P (0 < 180 rn3ls)
Como referencia para -comparar varias distribuciones tericas de 2.2. P (Q > lOO m3/s)
ajuste en una distribucin emprica. 2.3. P(50m3/s <Q< 200m3/s)
2.4. El perodo de retorno para un caudal de 2IO m3ls.
. Para hacer procesos de inferencia estadstica. 2.5. El caudal para un perodo de retorno de 50 aos.

, Para generacin de datos por el mtodo de Monte Carlos. Fl Solucin:


inconveniente en la generacin de datos, es que se obtienen
valores negativos, lo cual fsicamente no es justificado. 1. Ajuste a la distribucin normal:
1.1. Clculo de los parmetros:
8. Ajuste .N
O= :-l,a
N
=t52.2476m3h
El ajuste puede realizarse grfrcamente utilizando papel
-:
t=I
probabilstico normal analticamente, mediante los estadsticos
= 2@,-o)'
Chi-cuadrado Smirnov-Kolmogorov.
a
Distribuciones tericas - pgina (206) Hidrologa Estadstica - pgina (207)

S = 43.6124 Z= -L1980 = -1.2O


F(Q = 100) = F(Z= -1.20) = 1 - 0.8849 (tabla 4.2)
1.2. Ajuste
a) Utilizando la aplicacin HidroEsta, se tiene: Sustituyendo en (6.22), se tiene:
P(Q > 100) = 1 - (1 - 0.8849)
a = max lrxl - P(x) | = 0.1019
Lo=0.1923, paraa =0.05 > 100) = 0.884

b) Criterio de.decisin: Para los datos indicados, utilizando la opcin Distribuciones/lr{ormal


Como: A =0.1019 < Ao =0.1923 de HidroEsta, se obtienen los resultados que se muestra en la figura
se concluye, que los datos se ajustan a la distribucin 6.4; enesta figura, se observa que P (0 < 180 -3is) =73.77 7o y la
normal, con un nivel de significacin del 0.05, o una P(Q > 100 mr/s) = 88.45 7o
probabilidad del95Vo.
Caudal de diseo: - Caudal de diseo:
Clculo de probabilidades:
2,1. Clctlo de: caudal (Q); [i --oE-1p*r
P(Q<180)=F(0=.180)
Clculo de Z, para O = I80:

-
u-
Q-O 180 - 152.2476 i

s 43.6124 t

Z = 0.6363
F (Q = 180) = F(Z = 0.6363) = 0.7377 (valor interpolado) Figura 6.4 Probabilidades de ocurrencia de caudales

.'. P(Q < 180) = 0.7377 =73.77 Vo 2.3. P(50 < Q < 200) = F (200) - F(sO)

2.2. Clctlo de P (O > 100 m3/s)


Si 0= 2oO
= ,=2001246
43.6724
=1.0949=1.095
P(Q>100)=t-P(Q<100)
= I - F(Q = 100) ... (6.22)
SiQ=59 = /,- 50 -152.2476
= -2.3445 = -2.345
43.6124
Clculo deZpara 0= 100
100 - t52.2476 F(Q= 200) = F(Z= 1.095) =0.8632 (valor interpolado)
L--
43.6124
Distribuciones tericas - pgina (208) Hidrologa Estadstica - pgina (209)

F(Q=50) = F(Z= -2.345) = l- 0.9905 = 0.0095 (valor F(Q = 210) = F(Z = L32) = 0.9066
interpolado)
sustituyendo en (6.23), se tiene:
Luego: 1
F(200) - F(50) =0.8632 - 0.0095 = 0.8537
.'.@ 1- 0.9066

De igual manera en la figura 6.5, se observan los resultados con


HidroEsta para: P (Q < 50 -3/s) = 0.95 Vo y P(Q < 200 -3ls) =
Esto significa que cada 10 aos el caudal de2l0 m3ls ser igualado
86.327o,por lo queP (50 < Q < 200) = 86.32-0.95 =85.37 %o
o excedido.

- Cauy'al de diseo: -- -- -- I Caudal de diseo:


CaudalfQJ: 2.5 Caudal para un perodo de retorno de 50 aos
IEE--mg/s
--
I

De la ecuacin (1.8), se tiene:

P(O< q)=t- !
T
p(o<q)= r -
+
P(a<q)= o.es - F(z)
Figura 6.5 Probabilidades de ocurrencia de caudales menores que 50
y 200 m3/s Si F(4 = 0.98 Z = 2.055 (valor interpolado)
=
2.4 Perodo de retorno para un caudal de 210 m3/s:
pero: Z =9+
s
+ e= e+ S Z

Q= 152.2476 + 43.6L24x2.055
De la ecuacin (1.9), se tiene:

l- ... (6.23) Q=24L 87 m3/s


r- p(O<2to)
pero: un perodo de retorno de 50 aos es 241.87 m
P(Q<210)=F(Q=2r0)
En la figura 6.6, se observa que el perodo de retorno obtenido con
si e=2t0 + z-210-152'2476 =1.3242=1.32 HidroEsta, para un caudal de 2lO *3/s, 10.8 aos; mientras que el
43.6124 caudal para un perodo de retorno de 50 ".
aos, es 241.84 m3/s.
r
Distribuciones tericas - pgina (210) Hidrologa Estadstica - pgina (2ll)

La variable aleatoria: Y = lnX, es normalmente distribuida con


media tt y y varran u o2
,
Se usan estos parmetros para especificar que la distribucin es
logartmica, puesto que tambin puede usarse la media y la vananza
de X.

Figura 6,6 Caudales y perodos de retorno


1. Funcin densidad

Se dice que una variable aleatoria X, tiene una distribucin 1og-


6.3 Distribucin log-normal normal de 2 pametros, si su funcin de densidad de probabilidad,
ES:
Las distribuciones logartmicas ms conocidas en hidrologa son la
log-normal, log-Pearson tipo III y log-Gumbel. Por ejemplo, si la
variable aleatoria X, tiene una distribucin log-normal, esto significa
que I = lnX, tiene una distribucin normal. Anlogamente, si X es
... (6.24)
una variable aleatoria log-Pearson tipo III, f - lnX, es una variable
aleatoria Pearson tipo III. Tambin, si la variable aleatoria X, tiene v
una distribucin log-Gumbel, Y = lnX, es una variable aleatoria para0<r< oo

Gumbel. Es posible una generalizacin, en el caso que se introduzca


x -tog *(u
un lmite inferior .16, on cuyo caso el lnX, anteriores, es sustituido ,,o'r)
por ln(X - xs).
Donde Fy, o y, son la media y desviacin estndar de los logaritmos
En este captulo, se estudian las distribuciones log-normal. Hay una naturales de x, es decir de lnx, y representan respectivamente, el
distribucin log-normal de 2 parmetros y otra de 3 parmetros, en parmetro de escala y el parmetro de forma de la distribucin.
la de 3 parmetros, el tercer parmetro es el lmite inferior xe,
denominado parmetro de posicin.
2. Funcin de distribucin en trminos de ! = lnx
Distribucin log-normal de 2 parmetros Puesto que:

La variable aleatoria X, es positiva y el lmite inferior.ro no aparece. !=lnx- dy= !, - dx


= x ... (6.25)
x dy
tambin, por las distribuciones acumuladas, se tiene:
r
Distribuciones ter{cas - pgina (212) Hidrologa Estadstica - pgina (213)

fly) dy =fix) dx 3. Funcin de la distribucin acumulada


(y) = fv)!
dy
... (6.26) La funcin de distribucin acumulada de la distribucin log-normal
de 2 parmeffos, es la integral de las ecuaciones (6.24) o (6.27), es
sustituyendo (6.24) y (6.25), en (6.26), resulta: decir:

_1
2
f(y)= , !-,
/x"tZtto, v
o tambin:

v v
finalmehte, reemplazando y = lnx, se tiene: v-u
"vv lnx-u
/,-
yv
Entonces se obtiene, la distrib cin normal estndar:
... (6.27)
2

F(z)= L=|',
J- e 2 dz ... (6.30)
v2fI -
siertdo: z - N(o,t)
r, - parmetro de escala
o, = parmetro de forma Nota. Para el clculo de la distribucin acumulada de la normal o la
log-normal, una vez conocido sus parmetros, hacer la transforma-
cin a la distribucin normal estndar y usar las tablas o las
ecuaciones de aproximacin, elaboradas para su clculo.
r
Distribuciones tericas - pgina (214) Hidrologa Estadstica - pgina (215)

4. Estimacin de parmetros, mtodo de momentos


oY=./tr(t
V +c2\v' ... (6.34)

utilizando el mtodo de los momentos, las relaciones entre la media Tomando logaritmos a (6.31), resulta:
y la varianza de la variable X y los parmetros Fy y o 2y , eue se
o2
obtiene, son:
U +- v
lnx= 'v
o2 2
u+-1- o2
media: X=E(x)="'! 2
u =lni- Y
... (6.31)
'v 2
... (6.3s)
."'rl
varianza: S2 = Elx- n@)12 =
"",
tl ""3 -r) sustituye (6.33) en (6.35), se tiene:

u =tnx- 2r-n(t+c2)
'v \ ,/
S=rF u =ltri2
'y 2 -!2lnft*c2')
desviacinestndar: -rl"' \
) u =!(2[,n2 -n{ t* c2"/)')
'Y \ '))
)r/2
coeficiente de variacin: Cu - 1
... (6.36)
I

02
C2 =e v_l
v Luego, dado un conjunto de valores xb xz, x3, ...,.trn, con parmetros
o2 , 'v',o!.v',de la distribucin log-normal
,S, 52, Cy,los parmetros /r-.
L+C2 =e v ... (6.32)
v de 2 parmetros, obtenidos por el mtodo de/momentos, se calculan
con las ecuaciones (6.36) y (6.33), respectivamente.
Tomando logaritmos a(6.32), se tiene:
tnfl' + c2l--o2 Tambin se obtiene del mtodo de momentos, la siguiente ecuacin:
v' y
o?' =n6+ c2)
y'v ... (6.33)
r
Distribuciones tericas - pgina (216) Hidrologa Estadstica - pgha (217)

I
Fa
Fy=I2,"', ... (6.39)
cr= 8= a,rj= e -r] ... (6.37)
l-t2 o2 =:7=F.,-ur) ... (6.40)

Para valores prcticos de o2,'.0.1 < o2, < 0.6, la relacin es casi
lineal y puede ser aproximada por: 6. Estimacin de parmetros, mtodo de momentos
lineales
Cs=8=0.52+4.85 o2t ... (6.38)
Utilizando el mtodo de momentos lineales, Fy y o 2y , se obtienen,
que es correcta dentro del2Vo, en el rango mencionado. con las siguientes relaciones:
Hr=4, ... (6.41)
Recordar que para datos muestrales, de acuerdo a la ecuacin (3.31),
se tiene:
o, = ^f-f, ... (6.42)

t1 n'M ,
(--
-J - donde:
@-D(-2)5', Lr, tr, = primer y segundo momento lineal calculados con
siendo:
n los y - ln-ri
_
\(x, x),
Mr=E Nota. Muchos registros hidrometeorolgicos, tienen como valores
n de sus variables un valor igual a 0 (ejemplo, sino llueve la
y que de acuerdo a la ecuacin (3.23), se tiene: precipitacin ser 0). Al ilizar la distribucin log-normal, cuando
se toma logaritmos a stos valores, el resultado es -
"". para dar
solucin a este problema, se pueden hacer cualquiera de los
siguientes artificios :
1. Sumar 1 a todos los datos
5. Estimacin de parmetros, mtodo de mxim 2. Sumar un valor pequeo a todos los datos ( por ejemplo: 0.1,
verosimilitud 0.01,0.001, etc.)
3. Sustituir los ceros por un I
Utilizando el mtodo de mxima verosimilitud, los parmetros r,, y 4. Sustituir los ceros por un valor positivo pequeo
o2y, s obtienen, con las siguientes relaciones: 5. Ignorar todos los ceros del registro
r
Distribuciones tericas - pgina (218) Hidrologa Estadstica - pgina (219)

Todas stas soluciones, afectan los parmetros de Ia distribucin


log-normal; la solucin 1 y 2, afectan el valor de py, y 3, 4 y 5, h[,r - *o)- u,
afectanaFyy ov.

En la figura 6.7, se presenta la funcin densidad de la distribucin f(x)= (x-x ... (6.43)
log-normal de2.partmetros, para varios valores de p" y o2. \o ^m
o'y
r(x) para .ro I x< ""
1.0 donde:
xol parmetro de posicin en el dominio x
0.8
Fy: parmetro de escala en el dominio x
0.5 o'y parmetro de forma en el dominio x
'
o.4
o.:2
2. Estimacin de parmetros, mtodo de momentos
0
0 1 2 3 4 5 6
x 7 Utilizando el mtodo de los momentos, las relaciones entre la media,
Figura 6.7 Distribucin log-normal de 2 parmetros, con varios la vaianza y el coeficiente de sesgo, de la variable X y los
valores de p" y o parmetros *o, lty y o ry , que se obtiene, son:

Distribucin log-normal de 3 parmetros


u *"32
Esta difiere de la distribucin log-normal de 2 parmetros por la nredia: X:E(x)=xo+e Y ... (6.44)
introduccin de un lmite inferior x6, tal que:

y = ln(x - xo) y - N(lr, o2y)


=
* o?' o2
vaianza: 52 = E(x - E(r))f r'U, v ... (6.4s)
L. Funcin ensidad = -1
La funcin de densidad de probabilidad, ds la distribucin log- coeficiente de sesgo:
normal de 3 parmetros, es:
Distribuciones tericas - pgna (220) Hidrologa Estadstica - pgina (221)

1 de (6.45): ... (6.s3)


02 ,o2
l-1 el+2 ... (6.46) u
s2
'y 02
v_
6 Cs=8=O.52+4.85 ozt ... (6.47) de (6.M): ... (6.s4)
o2
para datos muestrales el coeficiente de sesgo es: u+Y
xo =X-e') 2
,12 rt z
Cs=8= ... (6.48)
(N - lXN -2)53 Luego, dado un conjunto de valores )ct, x2, 13, ...,Xn, con parmetros
donde:
X, ,s, , Cu, Cs los parmetros Xo, lt
y,o2 ,de la distribucin log-

M3=
Z@-,o3 ... (6.49) normal de 3 parmetros, obtenidos por el mtodo de momentos, se
calculan con las ecuaciones (6.54), (6.53) y (6.52), respectivamente.

Nota limitante
... (6.s0) De la ecuacin (6.52), se observa que para que exista un valor real
deo Cs debe ser mayor que 0.52, en caso contrario, su valor ser
r,
vLl
!x. imaginario.
... (6.s1)
N 3. Estimacin de parmetros, mtodo de mxima
luego:
verosimilitud

de(6.47): oy= ...(6.s2) Los parmetros de la distribucin log-normal de 3 parrmetros,


estimados por el mtodo de mxima verosimilitud son:

tty=*-0,-ro) ... (6.5s)


l-
Distribuciones tericas - pgina (222) Hidrologa Estadstica - pgina (223)

rmediana= mediana de la serie de valores, cuyo valor se


calcula como:
ov =[*-tt''n i -xor- rrr): ... (6.s6) si n = par
= xmediana = (xntz + x,,r*r) l2 ... (6.59)
si n = impar ) xn"dona = x1n+tt2 ... (6.60)
donde:
n = nmero de datos de la serie
Fy = parmetro de escala, igual al promedio de los ln(x - xo)
o y = parmeffo de forma, igual a la desviacin estndar de los
Cuando xt + xn -2x*",tiono ) 0, xs representa el lmite inferior y r,
ln(x - xc))
y oj se estiman como la media y vaianzade y = tn(xi- x.
xo - parmetro de posicin
Cuando xt + xn - 2x^"dono < 0 , xo representa el lmite superior y r,
El parmetro de posicin se calcula, mediante un proceso iterativo y ol se estiman como la media y varanza d. y, - ln(xo - x).
como solucin de la siguiente expresin resumida:

5. Funcin de distribucin acumulada

La funcin de distribucin acumulada, se calcula haciendo la


transformacin, a una distribucin normal estndar, siendo su
La ecuacin (6.57), solo es posible resolverla por un proceso ecuacin:
computacional, la aplicacin HidroEsta, permite el clculo de estos _22
parmetros por el mtodo de mxima verosimilitud. leZ e2
F(Z) = I dz ... (6,61)
"FzIrJ--
4. Estimacin de parmetros, mtodo simplificado donde:

Una forma simple y eficiente de estimar el parmetro de posicin xo z- ln(x- ay


xO)- tty
... (6.62)
de la distribucin log-normal, es mediante el estimado del cuantil
del lmite inferior, con la siguiente ecuacin: y: Fy, o y .16 son los parmetros de la distribucin log-normal
... (6.58) de 3 parmetros

donde: Cabe mencionar que, si en las ecuaciones (6.43)y (6.62) ro = 0, las


rl = primer valor de la serie ordenada ascendentemente ecuaciones obtenidas corresponden a la distribucin log-normal de
rn = ltimo valor de la serie ordenada ascendentemente dos parmetros.
r
Distribuciones tericas - pgina (224) Hidrologa Estadstica - pgina (225)

Ejemplo 6.2: 2. Clculo del caudal para un perodo de retorno de 75 aos:


De la ecuacin (1.8), se tiene:
Dada la serie histrica de caudales medios anuales, en m3/s, qre
corresponde a un registro de 50 aos para el ro Santa (Per):
F(Q=q)=P(Q3q)=r-;
95.05 98.13 100.18 10r .66 101 .76 F(Q=q)=1- !
105.21 105.81 106.40 107.43 107.62 75
108.75 110.77 114.31 1 16.69 119.52 F(Q=d=0.986666=F(4
123.00 123.22 124.31 127.82 128.15
132.49 134.10 136.22 144.22 145.79 De la tabla A.2 del apndice, para F(D 0.9866666, se obene por
146.08 153.64 153.97 154.80 156.80
interpolacin:
158.48 162.29 164.35 169.18 169.64
177.00 182.53 183.1 1 183.49 184.98 Z= 2.215
193.78 193.88 197.58 207.78 208.18
212.48 217.52 239.07 256.62 266.54 Pero para una distribucin log-normal de 2 parmetros, la variable
estandarizada es:
Averiguar si se ajustan a una distribucin log-normal de dos
v lnQ- uy
1.
parmetros ... (6.63)
oy
2. Si el ajuste es bueno, calcular el caudal para un perodo de HidroEsta, permite calcular tambin los parmetros lry y o y,por el
retorno de 75 aos.
mtodo de mxima verosimilitud, siendo los valores obtenidos para
este caso:
Solucin:
ItY = 4'9872
I. Ajuste a la distribucin log-normal de dos parmetros: o
Y =0'277
Utilizando la aplicacin HidroEsta, se encuentra que los datos, se Sustituyendo valores en la ecuacin (6.63), se tiene:
ajustan a la distribucin lg-normal de 2 parmetros, con un nivel de
significacin del 5 Vo, o lur7z, probabilidad del95 7o. lnQ-4.9872
Un resumen de los resultados obtenidos con el programa, son: =2.215
o.277
A = 0.0791
de donde:
Ao = 0.1923 ,paraun nivel de significacindel5 7o
Como: A= 0.0791 < Ao = 0.1923, se concluye que los datos se
lnQ - 0.277 x2.215 + 4.9872

ajustan a la distribucin log-normal de 2 parmetros, con un nivel de lnQ=J.666755


significacin del5 Vo. luego:
r
Distribuciones tericas - pgina (226) Hidrologa Estadstica - pgina (227)

Q = e5.600155 x
p
=270.63 xy-le
f(x)= ... (6.64)
El cqq4al para un perodo de retorno de 75 aos, es: PY r(y)
e=W: thrrc' para:
(
0 X< ""
Utilizando la opcin Distribuciones/l.ogNormnl 2 parmetros de 0< 1z < ""
HidroEsta, se obtienen los resultados de la figura 6.8, se observa que 0<B< ""
el caudal para un perodo de retorno de 75 aos, es 270.16 m3ls. siendo:
y- parmetro de forma (+)
B- parmetro de escala (+)
f(f ) = funcin garma completa, definida como:

r(r)= t- xT-le-xd:c que converge si y > 0


La funcin garnma tiene las siguientes propiedades:

Figura 6.8 Caudal para un perodo de retorno de 75 aos


I r(r) =e-t)l paray =1,2,3,...
r(y+t)= yxt(y) paruy >0
6.4 Distribucin gamma
f (l)= f(2)=l
T f (ltz) = "tfr
Otra distribucin que juega un papel importante en Hidrologa es la
I f (0) = ""
distribucin Gamma. Su aplicacin es tan comn, como el uso de la
distribucin log-normal.
Si 1, > 0 pero no entero, l(y)
puede ser calculado por expansin de
series e integracin numrica por:
Distribucin gamma de dos parmetros
f(/) = TT e-T
1. Funcin densidad
Se dice que una variable aleatoria X, tiene una distribucin gamma Para ms detallss sobre las propiedades de la funcin gamma
de 2 pametros si su funcin densidad de probabilidad es: completa, su forma de clculo y la transformada de Laplace, se
puede consultar en el anexo A.
r
Distribuciones tericas - pgina (228) Hidrologa Estadstica - pgina (229)

2. Funcin acumulada la cual reduce la funcin de densidad de probabilidad a:


-lr- I
La funcin de distribucin acumulada, de la funcin gamma 8U) ='nT ,(r) (6.6e)
incompleta de 2 parmetros es :

x
y la funcin de distribucin acumulada a:
*T -1, B v-l
-v
F(x) =
f pY re)
c ... (6.6s)
G(y)=lJ ,_OO' d, ... (6.70)

La integral de la ecuacin (6.65) puede evaluarse para valores dados Las funciones reducidas contienen el parmetroy , por lo cual, cada
de B y y, usando la tabla A.7 del apndice, en la cual se ha tabulado
valor positivo de y, determina una funcin diferente. Un extracto
Ia funcin garnma incompleta. En esta tabla, se ingresa con los
a de las tablas de Wik, Gnanadesikan Huyett (1962), para las variables
valores de 7'(Chi-caadrado) y v (grados de libertad), y se aleatorias reducida Gamma, se muestra en la tabla 6.1.
determina los valores de la probabilidad de excedencia | - F(x),
siendo: La solucin de la integral de la funcin gamma reducida de la
ecuacin (6.70), se puede obtener por el desarrollo de la serie:
)2x Y
,'= v=27 ... (6.66)
p v+n-l
v' ... (6.71)
y(y +t)...(y + n-r)
Si y es entero, la funcin de distribucin gamma acumulada, segn
Mood et al (1974), puede calcularse por:
yy +i-l
G(y)=#,2, k
... (6.72)

rI (y + j-l)
j=l
La variable aleatoria reducida garnma de 2 parmetros,
En la ecuacin (6.71) o (6.72), con un par de valores de y, f , se
est
por: determina G(y), siendo:
x x
'p
v- ... (6.68) "p
\7=-
r
Distribuciones tericas - pgina (230) Hidrologa Estadstica - pgina (231)

Tabla 6.1. Funcin acumulada de variables aleatorias reducidas f(x) r(x )


Gamma, G), en funcin deyy T
1.0
G(v)
0.03
v =1 v =2 v =5 T =10 T =2O 0.8
0.10 0.10s 0.532 2.433 6.221 14.s3
0,02 0,6
0.20 o.223 o.824 3.090 7.289 16.17
0.30 0.357 1.097 3.634 8.133 17.44 t).4
0.40 0.511 1.376 4.148 8.904 18.57 0.01
0.s0 0.693 1.678 4.671 9.669 19.67
0.2
0.60 0.916 2.022 5.237 10.476 20.81 0 0
o.70 1.204 2.439 5.890 11.387 22.08
0.80 1.609 2.994 6.721 12.519 23.63 204060x 204060x
0.90 2.303 3,890 7.994 14.206 25.90 funcin densidad funcin acumulada
0.95 2.996 4.744 9.154 15.705 27.88
0,99 4.605 6.638 11.605 18.783 31.85 Figura 6.9 Funcin densidad y funcin acumulada de la
distribucin garma de dos parmetros

f(/) = TT e-T
2TT
l+-+11 t39
3. Estimacin de parmetros, mtodo de momentos
v t2y 288y2 5t84}y3
Utilizando el mtodo de los.momentos, las relaciones entre la media
La aplicacin HidroEsta, permite calcular la funcin garma
X,lavaianza 52 y el coeficiente de sesgo Cs, de la variable X, y
acumulada F(x) = G), utilizando la transformacin a la variable
los parmetros B y y de la distribucin gamma, que se obtiene,
reducida y.
son:

La representacin de la funcin densidad y la funcin de


grrca media: X =E(x)- By ... (6.73)
distribucin acumulada, pata una variable aleatoria X, que sigue una
distribucin gamma, con y - 5 y B = 5.63, se muestra en la figura yarianza: Sz = [327 ... (6.74)
6.9. 2
coeficiente de sesgo: Cs = g = ... (6.7s)
I
y2
De las ecuaciones (6.73) y (6.74), se tiene:
r
Distribuciones tericas - pgina (232) Hidrologa Estadstica - pgha (233)

4'
X') ... (6.76)
a
P
_x
- ... (6.81)
t.l - v
S. Greenwood y Durand (1960), establecieron que el mximo error de
De las ecuaciones (6.73) y (6.76), se tiene:
' o2 la ecuacin (6.69) es de 0.00887o y en la ecuacin (6.79) es
B=!
,X ... (6.77) 0.005470,

5. Estimacin de parmetros, mtodo de rnomentos


4. Estimacin de parmetros, mtodo de mxima lineales
verosimilitud
Los 2 parmetros de la distribucin gatnma, por el mtodo de los
Thom (1958), estableci que para y < I0, el mtodo de momentos momentos lineales se encuentras con las siguientes ecuaciones:
produce una estimacin inaceptable de los parmetros B y y. Thom
manifiesta qrle para y cerca de 1, el mtodo de momentos usa Si cyl > 0.5 tl=l- cvl
tl(b|+b2xtl)
solamente el 507o, de la informacin de la muestra paru estimar B, y v- l+ tl(b3 + b4xtl) ... (6.82
solamente el 40Vo para estiqar 7 .

Greenwood y Durand (1960), presentan las siguientes relaciones Si cvl < 0.5 + tl = flcvlz
aproximadas, de estimacin de parmetros por el mtodo de mxima l+ alxtl)
verosimilitud:
. T= tl(l+ tl(aZ+ a3xtl)) ... (6.83)
para:0<y<0.5772 donde:

y = (0.5000876 + 0.1648852y - 0.O544274y') I y ... (6.78) ... (6.84)

a1 = -0.308: a2 = -0.05812: a3 = 0.01765


y parai 0.5172 <y < 17.0 bl =0.7213:b2 = -0.5947: b3 = -2.1817:b4 = 1.2113
hr, 7, - primer y segundo momento lineal
8.8989 I 9 + 9.05995y + 0.97 7 531 3>P
v- + 11.968477 y + y')
... (6.79)
... (6.8s)
y (17 .7 97 28 B =7'
donde: v
.I=lnX-lnX ... (6.80)
siendo:
r
Distribuciones tericas - pgina (234) Hidrologa Estadstica - pgira (235)

Distribucin gamma de 3 parmetros o Pearson tipo B -parmetro de escala


UI y = parmetro de forma
f (f ) = funcin gammacornpleta
1. Funcin densidad La integral de la ecuacin (6.87) puede evaluarse para valores dados
de B y y, usando la tabla A.1 del apndice, en la cual se ha tabulado
Se dice que una variable aleatoria X, tiene una distribucin garnma la funcin gamma incompleta. En esta tabla, se ingresa con los
de 3 parmetros o distribucin Pearson tipo III, si su funcin de
densidad de probabilidad es: valores de y2lcti-"uadrado) y v (grados de libertad), y se
(r-ro determina los valores de la probabilidad de excedencia I - F(x),
)
- siendo:
(, - ro )Y-r, P 2(x- xn)
f(x)= ... (6.86) x'= ... (6.88)
aY r(y
pata': y v=2y ... (6.8e)
16 S x< "o
-oo (fO ( 6 La representacin grfica de la funcin densidad y de la funcin de
0<B< "" distribucin acumulada, pararo = 10, B = 5 y T = 3, se muestra en
0< 1, < o" Ia figura 6.10.
f(x)
2. Funcin acumulada r(x)
1.0
La funcin de distribucin acumulada de la distribucin gamma de 3 0,8
parmetros es:
0.02 0,6
o.4

F@)=
(* - *o)Y-r, dx
0,01
o.2
lx
txO ... (6.87)
Y r(y 0 0
10 20 30 40 50 1020 3040 50 x
en la cual:
funcin densidad funcin acumulada
x = variable aleatoria garnma de 3 parmetros o pearson tipo
u Figura 6.10 Funcin densidad y funcin acumulada de la
ro = origen de la variable x, parmetro de posicin distribucin gamma de 3 parmetros
Distibuciones tericas - pgina (236) Hidrologa Estadstica - pgina (237)

La variable reducida y gamma de 3 parmetros o Pearson tipo III, es: Para el clculo de Cs, para datos muestrales, usar la ecuacin:

y=4 N2twz
'p ... (6.90) Cs--8=
(N-lXN -2)53
donde:
La funcin acumulada Pearson tipo III reducida es:
v-l -v Z@-x)3
M3=
c(y)=fJ
+* ...(6.er)

la cual tiene como partmetroy, y cuya variable aleatoria tienen


N

origenony=Ox=xo, 2@,-x)'
La ecuacin (6.91), como es similar que la ecuacin (6.70), se
calcula de la misma forma.
u
r.
,) I
A -2
--
3. Estimacin de parmetros, mtodo de momentos N

Nota limitante: Si Cs (
0, de la ecuacin (6.96), B sera negativo,
Aplicando el mtodo de momentos, se obtienen las siguientes
por 1o que no cumple con la condicin que B>0.
relaciones:
media: X =xo+By ... (6.e2)
4. Estimacin de parmetros, mtodo de momentos
vaianza; ... (6.e3) lineales
Sz = [JzT

sesgo: Cs =8 =+ ... (6.e4) Los 3 parmetros de la distribucin gatma, por el mtodo de los
momentos lineales se encuentras con las siguientes ecuaciones:
1v

Resolviendo las ecuaciones (6.92), (6.93) y (6.94), se obtiene:


Si 13
I
2 l, entonces rl = l-r3
4 3
... (6.es)
-t^
Cr" tl(bl+ tl(b2+ b3xtr))
Y= ... (6.e8)
B=CsSl2 ... (6.e6)
l+ tl(b4 + tl(b5 + b6xtl)
xo =V-T
Cs
... (6.e7)
r
Distribuciones terichs - pgina (238) Hidrologa Estadstica - pgina (239)

1. Las razones que convalidan la utilizacin de sta distribucin de


Si 13 < entonces r1= 3f7t32 probabilidad, son las mismas que lo hacen en la distribucin log-
3
L+ alxtl normal.
f- t1(1+t1(a2+ a3xtl)
... (6.ee)
Ejemplo 6.3:
donde:
B =lrrl Para proteger de inundaciones a la poblacin de la ribera del ro
1" Turrialba, se desea construir muros de encauzamiento. Para esto, se
0l -
"
A2
cuenta con un registro de 25 aos de caudales mximos e, m3/s, d"
una estacin aguas arclba de la poblacin, los mismos que se
muestran en la tabla 6.2.
al = 0.2906: a2 = 0.1882: a3 = 0.0442
Determinar el caudal de diseo para un perodo de retorno de 50
bl = 0.36067:b2= -0.59567: b3 = 0.25361
aos. Usar la distribucin gamma de 2 parmetros.
b4 = -2.78861: b5 = 2.56096: b6 = -0.77045
12, 13 = segundo y tercer momento lineal
Tabla 6.2 Registro de caudales del ro Turrialba, e, *3/s

... (6.100) 53.50 64.00 169.60 162.70 102.10


165.60 155.80 199.00 22.80 76.00
250.50 120.50 250.50 231.70 207.00
... (6.r01) 234.00 189.00 196.00 96.90 91.60
65.40 123.00 1 19.00 200.00 380.00

5. Aplicaciones en hidrologa
Solucin:
Su uso en hidrologa est casi tan difundido, como el uso de la
1. Ajuste de los datos de la serie a la distribucin gamma de dos
distribucin log-normal de 3 parrrrctros, con la desventaja, que
parmetros
tiene mayor complicacin al estimar sus parmetros y calcular los
valores de la funcin de distribucin acumulada.
1.1 Clculo de parmetros
, Calculo de los parmetros de la serie de caudales:
La prctica ha demostrado que los resultados entre la distribucin
Para los datos indicados, utilizando la opcin Parmetros
log-normal y la distribucin Pearson tipo III, para el ajuste de series
Estadsticos/Datos no agrupados de HidroEsta, se obtienen los
de precipitaciones anuales, rndulos anuales, precipitaciones resultados que se muestran en la figura 6.1 1.
mensuales, etc. no difieren.
Distribuciones tericas - pgina (240) Hidrologa Estadstica - pgina (Ul)

a = mx lnt*) -P(x) | = 0.1046


: Media: 1 57.0480
I Varianza: 6450.21 09
y para a = 0.05 y n=25, se tine: Lo=0.2720
Desviacin Estndar: 80.31 32
Coeficiente Variacin: 0.5114
Coeficiente de Sesgo; 0.656S Puesto que: A = 0.1046 < A o = 0.2720, se concluye que los datos
Coeficiente de Curtosis: 4.'1808 se ajustan a la distribucin gammade2 parmetros.

Figura 6.11 Parmetros de la serie de caudales 2. Clculo del caudal de diseo, paraT = 50 aos

F(O=a)=1- r-1-
11
' =0.98
Adems del clculo me la media de los logaritmos de los caudales se 750
tiene: F(Q= q) = F(x) = 0,98
ln X = 4.9037 L-F(x)=1-0.98=O.02

. Clculo de los parmetros de la distribucin gamma De la ecuacin (6.66):


Utilizando la ecuacin (6.80), se tiene: v =2y =2x3.4280
1, = ln X - = h 157.0480 - 4.9037 = 0.15285
v =6.856=7
como: y = 015285 < 0.5772, se utiliza para el clculo dey ,la
ecuacin (6.78), es decir: De la tabla A.7 del apndice:
y = (0.500087 + 0.1648852y - 0.o5aa27af) I y
de donde:
pafa v ='7 ;y L - F(x) = 0.02092 , se obtiene: 12 = 16.5

Y =3'4283
Pero de la ecuacin (6.66):

De la ecuacin (6.81), se tiene:


n -2q ^ --X2
- P-v"-
^.2 -2x
2
F=L
v
'0480 45.8091 45.8091x 16.5
'B -157
3.4283
= ,2
q=377.93 m3h
7.2 Clc;lo de los estadasticos A y Ao .'. El caudal de diseo, para un perodo de retorno de 50 aos es:
De la prueba de Smirnov-Kolmogorov, con HidroEsta, se obtiene: Q = 377.96 m3h
r
Distribuciones tericas - pgina (242) Hidrologa Estadstica - pgina (243)

Para los datos indicados, utilizando la opcin Distribuciones donde:


/Gamma 2 parmetros de HidroEsta, se obtienen.los resultados que xo= parmetro de posicin
se muestran en la figura 6.12. En la figura se observa que el caudal B- parmetro de escala
para un perodo de retorno de 50 aos, es 375.45 m3ts. y - parmetro de forma

2. Proceso de clculo

Para el clculo de los parmetros de la serie de datos:


XL, X2, f3, ..., .N
se convierte a sus logaritmos, luego se calcula la media, desviacin
estndar y coeficiente de sesgo, con las siguientes ecuaciones:

! ln,
media: Xlnx ... (6.103)
Figura 6.12 Catdal para un perodo de retorno de 50 aos

desviacin estndar: S.= (r, *-Xn*)z ... (6.104)


6.5 Distribucin log-p.urson tipo III lnx N-1
1.. Funcin densidad N)(rr r-Vn*P
sesgo: 1
-Sln ... (6.105)
Se dice que una variable aleatoria X, tiene una distribucin log- (N-lXN-Z)Sr3n,
Pearson tipo III, si su funcin de densidad de probabilidad es:
lnx-xO
3. Estimacin de parmetros, mtodo de momentos
(tnx- *o)T-1, P
f(x) = ... (6.102) Aplicando el mtodo de momentos, se obtienen las siguientes
*AY r(y) relaciones:
para: media: Xlnx=xo+'[37 ... (6.106)
xg I x( oo

-oo (fO ( @
vaianza: t?n*= P'Y ... (6.107)

0<B< "" 2
sesgol /1
-Slnx ... (6.108)
o< y < -
T
Distribuciones tericas - pgtrrl (244) Hidrologa Estadstica - pgina (245)

Resolviendo las ecuaciones (6.106), (6,107) y (6.108), se.obtiener bl = 0.36067:b2 = -0.59567: b3 = 0.25361
4 b4 = -2.18861: b5 =2.56096:b6 = -0.77045
... (6.10e) h L, = segundo y tercer momento lineal
'n2
ln,
",s
c^s t sln, ... (6.tt4)
p= ln, ... (6.110)

25. .,. (6.1ls)


*o=7lr- -.- ... (6.l l r)
",S ln x
Nota: para calcular los momentos lineales 12, 13, trabajar con los
y= lnxi
4. Estimacin de parmetros, mtodo de momentos
lineales 5. Funcin acumulada
Los 3 parmetros de la distribucin log-Pearson tipo III, por el
La funcin de distribucin acumulada de la distribucin log-Pearson
mtodo de los momentos lineales se encuentras con las siguientes
tipo III, es:
ecuacionesl
lnx- xO
Si 13 2 l. entonces /l = l-r3
3' (tnx- *o)T -r, P
tl(bl+tl(b2+b3xtl))
... (6.t12)
F@) =
I:^0 dx ... (6.116)
I - l+t1(b4+tl(bs+b6x *T ru)
en la cual:
xo = parmetro de posicin
Si 13 < l. erton""s fl = 31t32 B - parmetro de escala
3'
l+ aLxtl y - parmetro de forma
v- tl(I+tl(a2+ a3xtl) ... (6.r13)
La integral de la ecuacin (6.116) puede evaluarse para valores
donde:
dados de B y y, usando la tabla A.7 del apndice, en la cual se ha
B =lt3l
tabulado la funcin gamma incompleta. En esta tabla, se ingresa
1"
nJ
9^
JA -
con los valores d" X,2(Chi-cuadrado) y v (grados de libertad), y se
A2
al = 0.2906; a2 = 0.1882: a3 = 0.0442
r
Distribuciones tericas - pgina (246) Hidrologa Estadstica - pgina (247)

determina los valores de la probabilidad de excedencia I - F(x), 563 520 360 367 658
siendo: 824 824 1230 522 581

*o)
557 818 1 030 418
-, _z(lnx-
tup ... (6.r17)
Solucin:
y v=27 ... (6.118)
1. Clculo de parmetros
La variable reducida y log-Pearson tipo III, es:
_._lnx-xo Tomando logaritmos neperianos a los datos del problema,
t- p ... (6.119) obtienen los datos de la tabla 6.4.

Siendo la funcin acumulada log-pearson tipo III reducida: Tabla 6.4 Ln de los caudales mximos, de la estacin Angostura
_ y-l -Y
c(y)=fi ! L- a, ... (6.120) 7.414573 6.821107 8.242756 7.251345 7.731931
6.426488 6.526495 6.839476 6.658011 6.825460
la cual tiene como parmetroy, y cuya variable aleatoria tienen 6.775366 6,606650 7.021084 6,413459 7 .047517
origenery=Ox=xo. 6.333280 6.253829 5.886104 5.905362 6,489205
6.714171 6.71417',t 7.114769 6.257668 6.364751
La ecuacin (6.120), como es similar que la ecuacin (6.61), 6,322s65 6.706862 6.937314 6.035481
calcula de la misma forma.
Los parmetros estadsticos de los LnQ, se obtienen con HidroEsta,
Ejemplo 6.4: utilizando la opcin Parmetros Estadsticos/Datos no agrupados,
los mismos que se muestran en la figura 6.13
se tiene el registro de caudales mximos de 29 aos, para la estacin
9-3 Angostura, como se muestra en la tabla 6.3.
Parmetros Muestrales
En este ro se desea construir una presa de armacenamiento, calcular
,Yh x Media: 8.7116
el caudal de diseo para el vertedor de demasas, con un perodo de
Varianza: 0.2688
retorno de 50 aos. Usar la distribucin log-pearson tipo III. .S.
lnx Desviacin Estndar: 0.5184
Coef iciente Variacin: 0.0772
c-slo
Tabla 6.3 Caudales mximos, en m3/s, de la estacin Angostura , Coeficiente de Sesgo: 0.9629
Coeficiente de f,urtosis: 4.8883

1 660 917 3800 1410 2280


618 683 934 779 921 Figura 6.13Parmetros estadsticos delos LnQ
876 740 1120 610 1 150
r
Distribuciones tericas - pgina (248) Hidrologa Estadstica - pgina(249)

De la ecuacin (6.109), se tiene:


F(e=d=t- '=l-1
i= 50
=0.98
F(Q=d=F(x)=0.98
| - F(x) = 1- 0.98 =0.02
v- 0.96292 = 43142 De la ecuacin (6.118):
v=2y =2x4.3142
De la ecuacin (6.110), se tiene:

o
-C sln, x sln, v =8.6284=9

. 0.96290.5a De la tabla A.l del apndice:


u=-z =0.2496
parav =9,y | - F(x)=0.02126, se obtienei )(2 = 19.5
De la ecuacin (6.11 1), se tiene:
25. Pero de la ecuacin (6.117), se tiene:
*o=*lnx - lnx -
c,sl* _, _ 2(lnx- ro) _ z(lnq xo)
'L- p p
Despejando q, se tiene:
xo =6.6116-219184 = 5.6349
0.9629
tnq-{-**o
,2
2. Prueba de bondad de ajuste

De la prueba de bondad de ajuste realizado con HidroEsta, se tiene:


0x)(' *ro
A=0.06045y40=0.2525 q=e 2
Sustituyendo valores, resulta:
(
Puesto que A = 0.06045 A6 = 0.2525, se concluye que los datos de 0.2496x19.5
+5.6349
lops caudales, se ajustan a la distribucin log-Pearson tipo III. 2
Q=e
3. Clculo del caudal de diseo para T = 50 aos
q= 3192.3098 m3ls

.'. El caudal de diseo, pra un perodo de retorno de 50 aos es:


Q=3192.3098 mr/s
r
Distribuciones tericas - pgina (250) Hidrologa Estadstica - pgina (251)

Para los datos indicados, utilizando la opcin Distribuciones F(x) = EXP(-EXP(-(x - r) /cr)) ... (6.121)
/LogPearson tipo III de HidroUsta, se obtienen los resultados que se 6
muestran en la gura 6.14. En la f,rgura se observa que el caudal
para un perodo de retorno de 50 aos, es 3042.02 m3ls.
G-p)
a
F(x) = -e ... (6.122)
pafa: -oo <I < oo
donde:
tE(uttuttt.
0<o<- , es el parmetro de escala
Probabilidad[PJ:l Z i
-oo<lr<oo , es el parmetro de posicin, llamado tambin
valor central o moda

2. Funcin densidad
Figura 6.14 Caudal para un perodo de retorno de 50 aos
Derivando la funcin de distribucin acumulada, ecuacin (6.121),
con respecto a x, se obtiene la funcin densidad de probabilidad, es
Nota: Observar que hay upa ligera diferencia entre los resultados decir:
obtenidos, con el proceso manual y computacional, eso se debe que
dF(x)
en el proceso manual, se usa la tabla A.l y su clculo, por la f(x)=
interpolacin que se tiene que realizar, es en forma aproximada, dx
mientras que en el proceso computacional, se calcuian los valores
por desamollo de series, por lo que son ms aproximados, adems
r(x)=*^\* ,.\t d-) o;)
que ste proceso usa todos los decimales en los clculos.
x-p
6.6 Distribucin Gumbel , -*-F -e a
f(x)= d, '" d, ... (6.124)
La distribucin Gumbel, es una de las distribuciones de valor
extremo, es llamada tambin Valor Extremo Tipo I, Fisher-Tippett para:
tipo I distribucin doble exponencial. -oo <.f < oo

1. Funcin acumulada La variable aleatoria reducida Gumbel, se define como:


La funcin de distribucin acumulada de la distribucin Gumbel,
tiene la forma:
v - x-p
----
d
... (6.r2s)
I
Distribuciones tericas - pgina (252) Hidrologa Estadstica - pgina (253)

con lo cual, la funcin densidad reducida Gumbel es:


. Yarianza: ilZa2
Y El@ - E(fl)21= 52 ... (6.130)
sO) =EXP(-y-ExP(-y)) - e Y-e ... (6.126) 6
tle donde se obtiene:
y la funcin acumulada reducida Gumbel, es: t>

! a=ro S=0.779696g01s ... (6.131)


u- II
G0) =EXP(-EXP(-y)) = ,- ... (6.127)
Los valores correspondientes x ey, estnrelacionados por: $= X-0.57721566490153286061 a. = X -0.45S ...(6.132)

F@) = 6r Los parmetros de la distribucin Gumbel cr y p, se calculan con las


y la relacin: ecuaciones (6.131) y (6.732), en funcin de los parmetros XyS
de la muestra.
,=+ u a= pta-!
La distribucin Gumbel, tiene un coeficiente de sesgo fijo, igual a
r.1396.
3. Estimacin de par.metros, mtodo de momentos

utilizando el mtodo de mornentos, se obtienen las siguientes 4. Estimacin de parmetros, mtodo de momentos
relaciones: lineales
. Moda: xmoda = F
. Media: Los parmetros de la distribucin Gumbel, por el mtodo de los
E(x)= Y - p+aC ... (6.r28) momentos lineales se encuentras con las siguientes ecuaciones:

donde C, es la constante de Euler, cuyo valor es: (l= )",- ... (6.133)
ln2
c=lim t l+1*1*.... + 1 - hnl lt = lt -0.577215664901532861a ... (6.134)
23n
n -)@
C = 0.57721566490153286061 ... donde:
Lr, 1, - primer y segundo momento lineal
por lo tanto, de la ecuacin (6.128), se tiene:
X = tL + 0.57721566490153286061 cr ... (6.129)
Distribuciones tericas - pgina(254) Hidrologa Estadstica - pgha (255)

5. Aplicacin en hidrologa 824 824 1230 522 581


557 818 1030 418
La ley de Gumbel o ley de valores extremos, se utiliza generalmente
para ajustar a una expresin matemtica, las distribuciones Solucin:
empricas de frecuencia de caudales mximos anuales,
precipitaciones mximas anuales, etc. L Ajuste de los datos de la serie a la distribucin Gumbel

Es importante verificar, antes de aplicar esta distribucin de


. Procesando los datos de la tabla 6.5, se obtienen de los
probabilidad, que los coeficientes de asimetra y curtosis de la parmetros de la serie de caudales, los cuales son:
distribucin emprica sean del mismo orden que los valores Media: X =957.59
poblacionales. Desviacinestndar: S=682.72

Uno de los inconvenientes del uso de esta distribucin, es que en


, Clculo de los parmetros de la distribucin Gumbel:
una distribucin doble exponencial, la variable puede tomar De la ecuacin (6.131), se tiene:
D
cualquier valor, por lo que se puede asignar probalidades a valores
d=ao,s
negativos de la variable aJeatoria, cuestin que resta significacin II
fsica a la aplicacin, debido a que las variables hidrolgicas toman t
a9 x682J2=532.3182
solamente valores positivos o cero. a=
II
Ejemplo 6.5:
De la ecuacin (6.13), se tiene:

Se tiene el registro de caudales mximos de 29 aos, para la estacin


p= X - 0.45 S =957.59 -0.45 x682.72 = 650.3238
9-3 Angostura, como se muestra en la tabla 6.5.
Prueba de bondad de ajuste
En este ro se desea construir una presa de almacenamiento, calcular
Los resultados que se obtienen de la aplicacin HidroEsta, son:
el caudal de diseo para el vertedor de demasas, con un perodo de
retorno de 50 aos. Usar la distribucin Gumbel. A =0.1454
Lo= 0.2525 , para un nivel de significacin del5 %o

Tabla 6.5 caudales mximos, en m3/s, de la estacn Angostura


Decisin
1 660 917 3800 1410 2280 Siendo: A =0.1454< Ao = 0.2525
618 683 934 779 921 se concluye que los datos se ajustan a una distribucin Gumbel,
876 740 1120 610 1 150
con un nivel de significacin del 5 Vo
563 520 360 367 658
Distribuciones tericas - pgil;a (256) Hidrologa Estadstica - pgina (257)

2. Clcllo del caudal de diseo, para un perodo de retorno de 50


aos.

F(Q=d=P(Q3q)=l- _1

T
F(Q=q)=I-L
50
F(Q= 4) = 0.98 = F(!)

F(y)=e-e
-v- Figura 6.15 Caudal para un perodo de retorno de 50 aos, utilizando
=0.98
la distribucin Gumbel
-e-Y = 1n 0'98
e-Y = 9'929202707 6.7 Distribucin log-Gumbel
-) = ln (0.020202707)
y = 39019 1. Funcin acumulada
pero de la ecuacin (6.L25): La funcin de distribucin acumulada de la distribucin Gumbel,
Q- l.t
y=-__, ^
tiene la forma:
=3.9019
d,
Q=+3.9019xcr
-G-t')
a
F(x) = -e ... (6.r35)

Q=650.3238 + 3.9019 x532.3L82 p&f&l -oo<I<oo


Q = 2,727 .38 m3/s donde:
0< g< , es el parmetro de escala
"o
.'. El caudal de diseo,para un periodo de retorno de 50 aos es: -oo < lr < oo , es el parmetro de posicin, llamado tambin
Q=2,727.38 mJ/s valor central o moda
si en la ecuacin (6.135), la variable -r se reemplaza por lnx, se
Para los datos indicados, utilizando la opcin Distribuciones/ obtiene la funcin acumulada de la distribucin log-Gumbel, o
Gtmbel de HidroEslo, se obtienen los resultados que se muestran en distribucin de Frchet.
la figura 6.15. En la figura se observa que el caudal para un perodo
de retorno de 50 aos, es 2127.40 m'ls. 2. Variable reducida
La variable aleatoria reducida de la distribucin log-Gumbel, se
define como:
a

Distribuciones tericas - pgina (258) Hidrologfa Estadstica - pgtt^ (259)

lnx - t 5. Estimacip de parmetros, mtodo de momentos


y= ... (6.136)
a lineales
con 1o cual, la funcin acumulada reducida log-Gumbel es: Los parmetros de la distribucin log-Gumbel, por el mtodo de los
-v momentos lineales se encuentras con las sigentes ecuaciones:
G(y) = ExP(-ExP(-y)) = e- e .. (6.137) 1.'
d= ... (.142)
3. Proceso de clculo
l2
lt = 7, -0.577215664901532861a ... (6.143)
donde:
Para el clculo de los parmetros de la serie de datos:
Xl, X2, f3, ..., "{N 1r, h2 - primer y segundo momento lineal
se convierte a sus logaritmos, luego se calcula la media y desviacin Nota: para calcular los momentos lineales 7r, A, trabajar con los
estndar, con las siguientes ecuaciones: yi= lnxi

I In, Ejemplo 6.6:


media: xlnx = "i ... (6.138)
Se tiene el registro de caudales mximos de 29 aos, para la estacin
9-3 Angostura, como se muestra en la tabla 6.6.
desviacin estndar: En este ro se desea construir una presa de almacenamiento, calcular
el caudal de diseo para el vertedor de demasas, con un perodo de
retorno de 50.aos. Usar la distribucin log-Gumbel.
4. Estimacin de parmetros, mtodo de momentos
Tabla 6.6 Caudales mximos, en m3/s, de la estacin Angostura
Aplicando el mtodo de momentos, se obtienen los valores de los
parmetros c y p de la distribucin log-Gumbel, Ios cuales son: 1660 917 3800 1410 2280
J6 618 683 934 779 921
o= s. ... (6.140) 876 740 1120 610
Il Inx=0.779696801s.lnx 563 520 360 367
1150
658
824 824 1230 522 581
V= Xlnx-0.5772156649 u" = X ln - 0.45
^Srr, ...(6.141)
557 818 1030 418
Solucin:

l. Clculo de parmetros
r
Distribuciones tericas - pgina (260) Hidrologa Estadstica - pgina (261)

Tomando logaritmos neperianos a los datos del problema, se 2. Prueba de bondad de ajuste
obtienen los datos de la tabla 6.7. Los resultados que se obtienen con la aplicacin HidroEsta, son:
A = 0.0666
Tabla 6.1 Ln de los caudales mximos, de la estacin Angostura Lo= 0.2525 , para un nivel de significacin del5 Vo
7.414573 6.821107 8.242756 7.251345 7.731931 Puesto que: A = 0.0666 < Ao = 0.2525, se concluye que los datos
6.426488 6.526495 6.839476 6.658011 6.825460
se ajustan a una distribucin log-Gumbel, con un nivel de
6.775366 6.606650 7.021084 6.413459 7.047517
significacin del5 Vo
6.333280 6.253829 5.886104 5.905362 6.489205
6.714171 6.714171 7.114769 6.257668 6.364751
6.322565 6.706862 6.937314 6.035481 3. Clculo del caudal de diseo, para un perodo de retorno de 50
aos.
Los parmetros estadsticos de los LnQ, se obtienen con HidroEsta, F(Q=q)=P(Q<q)=r-
utilizando la opcin Parmetros Estadsticos/Datos no agrupados, +
los mismos que se muestran en la figura 6.16
F(Q=q)=r- L
50
Parmekos Muestlales
xln x Media: 6.7116
F(Q=4)=0.98=F(y)
Varianz: 0.2688
F(y)=e '
_--v
.s.
lrr x Desviacin Estndar: 0.5184 =0.98
Coeficiente Variacin: 0.0772
c.srr,
, Coeficiente de Sesgo: 0.3829 -e-Y = ln 0.98 = -0.020202707
Coeficiente de Eurtosis: 4.8683
e-Y = 0.020202707
Figura 6.L6Parmetros estadsticos delos LnQ -/ = ln (0.020202707) = -3.9019
De la ecuacin (6.140), se tiene: y = 3.9019
T;
a={o^s-tnx rcro de la ecuacin (6.136):
II lnQ- p
o =&x0.5184 =o.4o4z
v- a
= 3.9019
II lnQ= t + 3.9019 xa
De la ecuacin (6.141), se tiene:
lnQ- 6.4783 + 3.9019 x 0.4042
lnQ= 8.0555
P, = Xlnx - 0.45 ,Shr
Q = e8.0555
lt= 6.7LL6 - 0.45 x 0.5184 = 6.4783
r
Distribuciones tericas - pgina (262) flidrologa Estadstica - pgina (263)

Q = 3150.9637 m3ls Si se ajustan a esa distribucin, determinar la probabilidad de


que un^caudal medio mximo diario, est comprendido entre
Para los datos indicados, utilizando la opcin Distribuciones/ 6500 m3ls y 9300 m3ls.
LogGumbel de HidroEsra, se obtienen los resltados que se muestran
en la figura 6.17, se observa que en este caso, el caudal de diseo Realizar la prueba de bondad de ajuste, para ver si se ajustan a
para un perodo de retorno de 50 aos, es: 3135.15 m3ls. una distribucin garnma de tres parmetros, si el ajuste es bueno,
determinar el caudal medio diario mximo para un peodo de
retorno de 100 aos.

2. Dada la serie de caudales medios anuales, en -3ls,


correspondientes a un registro de 40 aos, los mismos que se
muestran en la tabla 6.9.

6.9 Regrstro de caudales medios mximos


abla 6.
200 480 430 880 470 350 630 765
555 370 695 690 730 340 800 420
Figura 6.17 Catdal para u.n perodo de retorno de 50 aos, obtenido s40 400 250 420 750 780 360 530
con la distribucin log-Gumbel 580 520 550 610 590 536 690 s48
530 570 450 650 320 680 610 290
6.8 Problemas propuestos Realizar la prueba de bondad de ajuste, para ver si los datos de la
serie se ajustan a las distribuciones:
1. En la tabla 6.8, se muestra el registro de caudales medios diarios
mximos correspondientes a 28 aos, en m3/s.
o Normal
Realizar la prueba de bondad de ajuste, para ver si se ajustan a o Log-normal de2 parmetros
una distribucin gamma de dos parmetros. o Log-normal de 3 parmetros
o Gamma de 2 parmetros
Tabla 6.8 Registro de caudales medios diarios mximos o Gamma de 3 parmetros
o Log- Pearson tipo III
6597 9231 481 3 8551 6229 4757 4898
51 53 10165 7645 6654 4870 5219 4360 En el caso que se ajusten a las distribuciones tericas
4870 3029 3851 4983 4672 4474 3794 mencionadas, calcular paru cada una de las distribuciones:
81 55 8126 6456 4898 571 9 3437 7399 o La probabilidad de que un caudal anual, est com-
prendido entre 350 *3/s y 800 m3ls.
Distribuciones tericas - pgina (264) Hidrologla Estadstica - pgina (265)

o La probabilidad de que un caudal anual, sea menor o varianza de ln (x - ro) = 0.0553


igual que 850 m3/s. con estos datos, se pide:
o El caudal anual que ocurre con un perodo de retorno de
80 aos. . Indicar si la serie de volmenes anuales, se ajusta a la
distribucin log-normal de 3 parmetros.
3. A partir de un registro de 70 aos, de volmenes anuales en
MM3 (millones de metros cbicos), se desea realzar el ajuste a . Hallar en forma grfrca (en papel de disribucin log-normal), el
una distribucin log-normal de tres parmetros, usando la valor del caudal que satisface la siguiente relacin:
prueba Smirnov-Kolmogorov. P(Q<0=0'9
En este sentido se calcul la funcin de distribucin emprica, 4. En la tabla 6.11, se muestra el registro de los caudales mximos
utilizando la frmula de Weibull, de los cuales en la tabla 6.10, se instantneos anuales, en -3/r, de la estacin Guadia, de la
muestran 12 puntos. cuenca del Ro Tempisque.

Tabla 6.10 Caudal y su distribucin emprica . Determina estadfsticamente, si stos caudales mximo anuales,
se distribuyen segn la distribucin Gumbel. Si as fuera,
o P(x) = m(n+l) determina el caudal mximo anual, con un perodo de retorno
IMM3}
de 50 aos.
292.696
33.036
0.056
0.098
. Determinar estadfsticamente, si stos caudales mximo anuales,
382.376 0.155 se distribuyen segn 1a distribucin log-Gumbel. Si as fuera,
493.536 0.197 determinar el caudal mximo anual, con un perodo de retorno
644.736 0.310 de 50 aos.
709.546 0.409
80s.966 0.507
Tabla 6.11 Caudales mximos anuales de la Estacin Guardia
923.456 0.606
1058.286 0.704
Ao Gaudal mximo Ao
1132.276 0.803
anual
1386.224 0.901
1700.716 0.944 -3/"
1 962 273 1977 734
1963 1045 1 978 134
Adems, mediante un proceso computacional y utilizando el mtodo 1 964 1875 1 979 1706
de mxima verosimilitud, se estimaron sus parmetros, resultando: 1 965. 2876 1 980 2409
parmetro de posicin ; xo = -997 .603 1 966 1967 1 981 551
media de ln (x - xo) = 7.4865 1967 1643 1982 597
1 968 133 1983 80
Distribuciones tericas - pgina (266)

1 969 186 1 984 606


1 970 883 1 985 616
1971 3687 1 986 287
1972 756 1987 121
1 973 186 1 988 350
1974 616 1 989 315
1975 224 1 990 294
1 976 122 1 991 3384

Correlacin y
.2
regresron
7.1 Covarianza
La covarianza, es una medida que permite determinar que tan
independiente es una variable aleatoria de otra, es decir, el grado de
independencia de dos variables aleatorias.

Si X e I son dos variables aleatorias con medias Ir* , t, , la


covarianza, se define como:
COV(X,Y)=o =o, = ,[( x - p,)(Y- p,)] ...(7.1)

Desarrollando:
cov(x,g= nfxr-xily- lt,Y+ ,Fr)
= E(XY)- ltrE(x- lt,E(Y)+ lt,lt,
= E(xY)- ltylt,- lt,lty* lt,lty
=E(xy)- ltylt*
r
Correlacin y regresin - pgina (268) Hidrologa Estadstica - pgina (269)

cov(x, Y) = E(xY) - E(Y).E(D ...(7.2) rrs utilizados son los coeficientes de correlacin y determinacin y
lr desviacin tpica de los residuos.
Casos:
1. Si X e I son independientes, se cumple que: 7.4 Anlisis de correlacin
E(xn = E Q).E(X)
y de (7 .2), se tiene: ('onsiste en el clculo de una medida del grado de correlacin y la
COV(X, Y) = E(XY) - E(XY) = 0 rcalizacin de pruebas, p&r determinar si es aceptable el grado de
.'. Si X e y son independientes -> COV (X,I0 = 0 irsociacin correlativa.

2. Si X = Y, de (7 .2), se tiene: lil anlisis de correlacin est estrechamente relacionado con el


rrnlisis de regresin, puesto que.la frmula utilizada en el clculo
C)V(X, X) = E(*) - E(X).(D
CoV(x,x)=E(f)-(E(n)2 rlo la medida de correlacin, depende del modelo de regresin
cov(x, x) = vAR(x) irrloptado. Por ejemplo, cuando se selecciona un modelo lineal
sirnple, se habla de correlacin lineal simple.
.'. Si X = Y -) COV (X, Y) = VAR(X)

7.2 Correlacin
7.5 Coeficiente de correlacin
lil coeficientede correlacin, es el estadstico que permite medir el
La correlacin, se define como la asociacin entre dos o ms
1rado de asociacin de dos variables linealmente relacionadas.
variables aleatorias, que explica slo parcialmente la variacin total
de una variable aleatoria, por la variacin de otras variables l)ara el caso de una poblacin se define como:
aleatorias involucradas en la ecuacin de asociacin.
COV(x,y) O, nltx-tt*)(y-tD)
p(*,v) = ..(7.3)
La parte de la variacin total que queda sin explicar, o sea, la oro,
variacin no explicada, se debe a errores o a otras variables (VARxVARy)z lrr* - p)2 EO - F;z1,z
aleatorias, que no han sido tomadas en cuenta en la correlacin.
l)ara una muestra:
sry (, -;Xy - y) Zry - "iy ... (7.4)
S,S, rS,S, nS*S,
7.3 Medidas de correlacin
donde:
Se necesita un estadstico para medir el
grado de asociacin
correlativa entre las variables bajo consideracin. Los estadsticos ; Sr=
6-i'
Correlacin y regresin - pgina (270) Hidrologa Estadstica - pgtna (271)

; y= 2,
2,* Pasos para el anlisis de regresin
^- n n

tambin:
I. Seleccin de una funcin de relacin correlativa, simple o
mltiple,lineal o no lineal.
"2*y-}*Zy ...(7.s) y =flx)
!=atbx
!=ab*
Valores de r entre -1 y 1 describen los varios grados de asociacin. Y = ax'b
etc
2. Estimacin de los parmetros que miden el grado de asociacin
7.6 Coeficiente de determinacin correlativa
r2
Es la proporcin o porcentaje, de la variacin total de la variable r
dependiente y, que es explicada por la variable independiente r, por
lo cual, es un criterio para explicar la importancia de la variable 3. Prueba de significacin de los estadsticos que miden la
independiente dentro del modelo. asociacin correlativa, para lo cual se aplica la prueba f.

Por ejemplo, si para la ecuacin: I'roceso:


!=a*bx 3.1. Se plantea la hiptesis
se tiene: = 0.85, esto quiere decir que el85Vo de la variacin dey,
12 Ho : p = 0 (p es el coeficiente de correlacin poblacional y su
es explicada poru y el l57o restante es debido a los errores y a otras
' valor vara entre -l y 1)
variables no consideradas. Ha:p*0
3.2. Clculo del r calculado (fc)
7.7 ,A.nlisis de regresin
Se utiliza la ecuacin
Es una tcnica determinstica, que permite determinar Ia naluxaleza rJnl
de la relacin funcional entre dos o ms variables, permite predecir ' 4l- r'
t_ -

los valores de y = flx) con un cierto grado de aproximacin. donde:


r = coeficiente de correlacin
n = nmero de pares de valores

3.3. Clculo del, tabular (rr)


a

Correlacin y regresin - pgina (272) Hidrologa Estadstica - pgina (273)

El / se obtiene de las tablas preparadas para este efecto, con un nivel


de significacin s o una probabilidad (l-cx ), y con grado de $- "2*y- Ir), ...(7.6)
libertad (v = n - 2), donde n es el nmero de pares de valores. nZ*' -(r'
Por ejemplo la tabla ,4.5 del apndice, permite calcular [, si se elige
una probabilidad del95Vo, el valor que se debe tomar de la tabla ...(7.7)
a
,2
corresponde a = 0.025
tlonde:

rr/2 = 0.025
),L
x=- nn ; y=-
.5. Determinar la significacin de los parmetros de la ecuacin de
regresin, encontrando los lmites de confianza de su variacin
As: (se usa el anlisis de varianza).
para n=15 -) v=15-2=13
a '7.8 Regresin lineal simple
para957o de probabilidad ->
i = o'ozs
En hidrologa el modelo ms simple y comn, est basado en la
entonces, de la tabla ,4.5 del apndice: ) t = 2J60
suposicin de que dos variables se relacionan en forma lineal.
3.4 Criterios de decisin: Como ejemplo se puede mencionar:
. Si lt"l< h, se acepta la hiptesis nula, por lo que p =O,y por lo . Caudales y precipitacin de una misma cuenca
tanto no hay correlacin significativa.
. Precipitacin de una estacin, con precipitacin de otra estacin
. Si lr"l , /, se rechaza Ia hiptesis nula, por lo que p I 0, . Caudal de una estacin con caudal de otra estacin
indicndose que es significativo y por lo tanto existe correlacin
. Precipitacin con la altitud de una cuenca
entre las variables.
Este hecho, permite correlacionar estas variables para completar
datos o extender un registro.
4. Estimacin de los parmetros de la ecuacin o funcin de
regresin
Por ejemplo para la ecuacin de regresin lineal: Ecuacin de regresin
!=a+bx
Los parmetros y b,lutllizando mnimos cuadrados son: La ecuacin general de la ecuacin de regresin lineal es:
!= a*bx ...(7.8)
a

Correlacin y regresin - pgina (274) Hidrologa Estadstica - pgina (275)

as
donde:
x =variable independiente, variable conocida ===0
da
ff=-r(r,-a-bx,)=s ... (7.10)

) = variable dependiente, variable que se trata de predecir


as
a = intercepto, punto donde la lnea de regresin cruza el eje
ab=
0 #= r}*,(t,-a-bx,)=o ... (7.r1)
J, es decir valor dey cuando = 0
b - pendiente de la lnea o coeficiente de regresin, es decir,
De (7.10), se tiene:
es la cantidad de cambio de y asociada a un cambio
unitario de x. )y, - na-b\x. =0 na*bE*,- )r, - 0 ... (7.12)
Estimacin de parmetros I)e (7.11) , se tiene:
E*,y, -oE*, -bx? =o
Dada la ecuacin de regresin lineal: o oEx, +b\x! -),*,y, =o ... (7.13)
l=albx
donde a y b son los parmetros de la ecuacin. [-as ecuaciones (7.12) y (7.13) se denominan ecuaciones normales,
El mtodo ms utilizado para la estimacin de los parmetros a y b,
las cuales resueltas dan para a y b:
es el de mnimos cuadrados.
... (7.14)
Procedimiento:

1. Clculo del error ei entre el valor observado h y el terico !, : ... (7.1s)


e=!-i
tin los clculos resulta ms cmodo calcular b con la ecuacin (7.15)
ei= U -@:.)=ii-a-bx y calcular c como:
observado turico )v, ' )', ... (1.16)
2. Clculo de la suma de cuadrados de los effores:

s =2r,, =26,-o-b*,)'
j=l
...(7.e) Ejemplo 7.1:

3. Hacer que la suma de cuadrados de los errores sea mnimo: En una cuenca, como se muestra en la figura 7.1 se tienen dos
Para que S sea mnimo, se requiere que la derivada parcial de S de la estaciones de aforo A y B, en las que se midieron los caudales
3/s
ecuacin (7.9), con respecto a cada parmetro sea igual a cero, es medios mensuales, en n para el ao 1995, los que se muestran en
decir: la tabla 7.1. Considerando que los caudales de la estacin A, son las
Correlacin y regresin - ptgina (276) Hidrologa Estadstica - pgina (277)

variables independientes (r) y que los caudales de la estacin B, son rlucin:


las variables dependientes (y):
1. Probar si los datos de ambas estaciones se correlacionan l, Sea la ecuacin que correlaciona a las variables
linealmente. !=a+bx ...(7.17)
2. Calcar el caudal en la estacin B, para un caudal de 800 m3/s donde:
en la estacin A. x = caudales de la estacin A
) = caudales de la estacin B
Tabla 7.1 Caudales promedios mensuales de las estaciones A y B 2, De acuerdo a los datos se tiene n = 12 (nmero de pares de
tlatos); los clculos de sus sumatorias, se muestran en la tabla7.2.
Mes Estacin A Estacin B
(m%) rm3lsl 'l'll'laJ.2. Productos, cuadrados y sumatorias de las variables x, y
E 321 175
222
F
M 155
75
45
x v xy x' t'
A 274 77 321 175 561 75 1 03041 30625
M 431 131
222 75 6650
1 49284 5625
J 446 136
155 45 6975 24025 2025
J 456 171
274 77 21 098 75076 5929
A 1270 475
431 131 56461 1 85761 17161
S 2089 897
446 136 60656 1 9891 6 1 8496
o 1618 710
456 171 77976 207936 29241
N 431 268
1270 475 603250 161 2900 225625
D 509 224
2089 897 1 873833 4363921 804609
1618 710 1148780 2617924 5041 00
431 268 11 5508 r 85761 71824
509 224 114016 259081 501 76
8222 3384 4151378 9883626 1765436

J, Clculo de r:
l)c la ecuacin (7.5), se tiene:

"Z*y- Ir),
,Z*' -(,)')( nDy' -()r)')
A
Figura 7.1. Estaciones de aforo A y B de una cuenca
ttst i tuyendo valores, resulta:
Correlacin y regresin - pgina (278) Hidrologa Estadstica - pgina (279)

- 8222x3384
12x4151378 5. Clculo de los parmetros a y b:
' De la ecuaci (7.14), se tiene:
,(-z 883626 -Bezz'W"n654io - z+'
I_
2l'993,288.00 " - EvE*'-ErZ*
nE*' -(')'
22',28r,026.59

r = 0.9811 Sustituyendo valores, resulta:


33 84 x 988 3626 - 415 137 I x 8222
rz = 0.9743
12x9883626 -82222
4. Prueba de significacin a = - 13.4590
4.t IJiptesis:
Ifo: r=0 De la ecuacin (7.15) , se tiene:
}la'. r *0 [- "E*y-ZrE,
4.2 Calculo de tc:
,J"-z
n2*' -().)'
l-
'
^ll- r' S ustituyendo valores, resulta:
12x4151378-8222x3384
o.s87t^lT2 -2 b-
L2x9883626-82222
' Jl -0.9143 b =0.4312
t, = 19.4J13
6. Ecuacin de regresin:
4.3 Clculo del rt: Sustituyendo valores en la ecuacin (7.17), se tiene:
De la tabla ,4.5 del apndice, para:
! = -13.4590 + 0.4312 x ... (7.18)
v=n-2=12-2=10
a 0.05 . Clculo del caudal en la estaci n A, para un caudal de 800 m3/s
y unaprobabilidaddel95To U, = Z =0.OZS 7

en la estacin B.
se tiene: h=2.228 Sustituyendo valores en la ecuacin (7.18), resulta:
y = -13.459O + O.4312 x 800
4.4 Criterio de decisin:
y = 331.5010 m3/s
Como: I r. I = lg.47l3 ) t = 2.228 se rechaza la hiptesis nula,
siendo r + 0
.'. existe correlacin entre las variables x e y.
a

Hidrologa Estadstica - pgina (281)

Proceso computacional
7.9 Regresin no lineal simple
Para los datos indicados, utilizando la opcin Regresin/Regresin
Existen varias relaciones no lineales, que con un artificio adecuado
simple de HidroEsta, se obtienen los resultados que se muestran en
lafigura7.2. rueden reducirse a relaciones lineales, dentro de las cuales se
pueden mencionar:
1
Correlacin Ecuacin y= ... (7.te)
a+bx
Lineal Y = 13.4590'l7 + 0.4312221 .H 0.38703 0.37434
Exponencial Y = 77.s880355. [ 1.001 3237 J ^X 4
0.91 0.81 253 t=alb 1 (inversa) ... (7.20)
Potencial Y = 0.1359426 . X ^ f].107t57 0.s653 11.33181 x
!=ab^(exponencial) ... (7.2t)
Figura. 7.2 Regresin entre los caudales de las estaciones de aforo
Ay B deunacuenca y=axb (potencial) .." (1.22)

J = 0x*bx2 ... (1.23)


Observar que la ecuacin lineal, es la que tiene un coeficiente de
correlacin R = 0.98709 ms alto que las otras ecuaciones I)ara el uso de estas ecuaciones, en todos los casos, el proceso es
como sigue:
Con la ecuacin lineal, para un caudal de 800 m3/s en la estacin A, l. Realizar la transformacin de variables a fin de obtener una
se obtiene un caudal 331.52 m3ls en Ia estacin.8, este resultado se regresin lineal.
muestra en la figura 7 .3. 2. En la ecuacin lineal obtenida, aplicar el mtodo de mnimos
cuadrados para estimar los nuevos parmetros at y br
Aplicarecuacin: , .1. Restituir los cambios de variables, a fin de obtener los parmetros

Ecuacin Linel
iniciales ay b.
4. Utllizar la ecuacin siempre y cuando exista correlacin
i

',1_"ro'*'
dey: jtBi
Vator
i adecuada entre las variables.
lmt ;

A continuacin, para las ecuaciones de la (7.19) a la (7.23), se


f. :con e rndican el proceso de linealizacin.
c n ecuacin Exponencial
C con ecuacin Potencial
Ecuacin:

Figura. 7.3 Resultado obtenido con ecuacin lineal


l)e la ecuacin (7.19), invirtiendo los miembros se tiene:
Correlacin y regresin - pgina (282) Hidrologa Estadstica - pgina (283)

1
-=a+bx
x 1
v
w w= -v
1
haciendo: -v = w, se tiene la ecuacin linealizada:
w= a+bx ... (7.24)

Para aplicar el mtodo de mnimos cuadrados y estimar a y b se Ecuacin: ! =ab*


trabajan con las variables:
1
x Y W=- Tomando logaritmos neperianos en la ecuacin (7.21), resulta:
v
lny=lna+xlnb
walbl
haciendo:
x I w=
1
lnY:
-v Y'
lna = a, ... (7.26)
lnb = bt ... (7.27)
se tiene:
W=at*btt ... (7.28)

Ecuacin: y=a+b! Para aplicar el mtodo de mnimos cuadrados y estimar at y bt,


x trabajan con las variables:

1
x y w=lny
De la ecuacin (7 .20), haciendo
; = *, se tiene:
!=a*bw ... (7.2s)
x v w =lnv
Para aplicar el mtodo de mnimos cuadrados y estimar Y,se
trabajan con las variables:
1
w=-x a !
Correlacin y regresin - pgina (284)
Hidrologa Estadstica - pgina (285)

De (7.26) y (7.27), se tiene:


De (7:30), se tiene:
o=rol a-
b, a=e I
b=e L
Por lo tanto, la ecuacin (7.22) toma la forma:
Por lo tanto, la ecuacin (7 .21) para estos valores toma la forma:
y = eal .xb ... (7.3r)
y = uol .{rbt *
y= ,or 'rut' ... (7.2e) Ecuacin: v=ax+ bxz

Dividiendo ambos miembros de la ecuacin (1.23) entre r, resulta:


Ecuacin: y=axb ! -a+bx
4
w
Tomando ln a la ecuacin (7.22), se tiene:
lny-lna+blnx
!J
haciendo !- w se tiene:
worz x
w=a+bx
haciendo:
Para aplicar el mtodo de mnimos cuadrados y estimar ay b,
lnY = Y' v
lna= at ... (7.30) trabajan con las variables xy * =;
lnx=z
resulta:
v,= at *b z
Para aplicar el mtodo de mnimos cuadrados y estimar a7, y b, se
x
trabajan con las variables: z= lnx y w = lny v w= -v
x

x v z=lnx w =lnv
Correlacin y regtesin - pgina (286) Hidrologa Estadstica - pgina (287)

Proceso computacional )y al)r, * or2*, * or\r, +........+a^\x^


= aon+

HidroEsta, permite resolver el problema del ajuste de pares de L*ry = aoExr+ orl*', * or)*r*r* ar)r,rr*.... .+a.\xrx*
valores experimentales a:
. Una lnea recta L * ry = a,Z x, + arl x rx, + or\ *l + arl xrx 3+.....+a nE *r* ^
. Una curva exponencial
' Una curva poteucial E *. y = a,E x ^ + a rl rx. + r\ x, * r\ * r* *'.
x a x
^
a
^*.....+
o
^\
(7
Para cualquier tipo de curva, la aplicacin permite calcular: "' '33)
. donde: n = nmero de grupos de elementos de la muestra.
Los parmetros a y
. Loscoeficientet,y,2 [,a solucin del sistema (7 .33) proporcionan los valores as, a1, o.2, . .

. El valor de la variable dependiente para un valor de la . ram

variabl e independiente
El nmero de ecuaciones normales, deben ser tantas como
incgnitas se tienen, a fin de que se tenga un sistema resoluble y as
oncontrar: ao, al, a2, - .,, am
7.L0 Ecuacin de regresin lineal mltiple
Hl conjunto de ecuaciones normales (7.33) son fciles de recordar,
Esta tcnica de anlisis, se utiliza cuando la variable dependiente y, observar que la primera se obtiene aplicando la sumatoria a ambos
es funcin de dos o ms variables independientes ,r1, x2, x3,. . ., rm, rniembros de la ecuacin (7.32), es decir:
siendo el modelo lineal:
!=ao* a1x1*a2x2* a34 +... + an#m ...(7.32) L, =E@" + atxr + azxz + a3x3 +..... + a*x^)
E, = aon+ or2*, + ar\x, + ar\xr+..... + o-2*^
donde:
m = nmero de variables independientes La segunda se obtiene multiplicando ambos miembros de la
ao, a\, a2, . . , am= parmetlos a estimar
p = m+ 1 = nmero de parmetros ccuacin (7.32) por .r y luego aplicando la sumatoria, es decir:
Z*ry =Z*r(ao + arx, + azx2 + a3x3 +..... + a^x*)
Estimacin de parmetros
E*ry = o"Z*, + ar\xl + ar)xrx, * arZ*r*, +..... + a^\xrx^
Extendiendo el mtodo de mnimos cuadrados, para el caso de una
Anlogamente, la tercara se obtiene multiplicando ambos miembros
regresin lineal mltiple, las ecuaciones normales que se obtienen
de la ecuacin (7.32) por x2, ! luego aplicando la sumatoria, es
son:
decir:
Correlacin y regresin - pgina (288) Hidrologa Estadstica - pgina (289)

E*r, --Err(ao + arx, + a2xz + a3x3+.....+ a^x^) La ecuacin (7.34) es muy tediosa de calcular, p [o que los
estadsticos han derivado una frmula ms corta de calcular por el
Z*r, = oo2*, + ar\x, x2 + azZ*3 * ar\*rx, + ..... + a*\*rx* mtodo computacional, la cual se muestra en la ecuacin (7.35).

Las ecuaciones restantes se obtienen con el mismo proceso, pero


multiplicando por x3, x4, . . ., xm, respectivamente. o.3s)

Cabe aclarar, que lo indicado en las lneas precedentes, no es una


deduccin de las ecuaciones normales, sino slo una forma de Las variables definidas en la ecuacin (7.35), son las ya indicadas
recordarlas. anteriormente.

Error estndar del estimado para regresin mttiple Coeficiente de determinacin mltiple
(Se)
Representa la proporcin de la variacin total de y que es
explicada por las variables involucradas en la ecuacin de regresin
Es la medida de dispersin que se calcula con la siguiente ecuacin:
mltiple, se puede calcular a partir de la ecuacin (7-36) o (7.37).

R'^= 1---^
Sez
Se= ... (7.34) ... (7.36)
S'Y
donde:
R2=
o,2 y * o r\ *,y + a r\ x ry + a r\ x ry +......+ a
^2 ^, -
* nt'
.S = error estndar del estimado
y = valores muestrales (experimentales) de la variable 2v'-"v'
dependiente ... (7.37)
donde:
9 = oo* ay x1 * a2x2+ . . . + amxm
= valores estimados de la variable dependiente con la
R2 = coeficiente de determinacin
ecuacin de regresin Se = effor estndar del estimado, calculado con las
e = ! - = e..o. entre el valor observado y estimado de la ecuaciones (7 .34) o (7.35)
variable dependiente
S'y = vaianza de la variable dependientey
n = nmero de grupos de la muestra s'y=*(t, -(t)')) =*( y'-n(y)') . rz.rsl
p = m+l = nmero de parmetros a estimar a partir de la
muestra
p grados
, =:)r= media de la variable dependiente
n - = de libertad
n = nmero de grupos de la muestra
r
Correlacin y regresin - pgina (290) Hidrologa Estadstica - pgina (291)

Coeficiente de correlacin mltiple (r, Calcular los coeficientes de determinacin y correlacin mltiple
7. Estimar el valor de Q, si A = 4 km2 e I = 1.5 cmt}4h
El coeficiente de correlacin mltiple, se puede calcular a partir de
las ecuaciones (7.39) (1.40). 'l'rrtrla 7.3 Valores de A, I y Qpara 14 subcuencas

... (7.39)
A I o
Estacin (xm') (cml24 horas) (m%)
I
1.250 1.70 15.50
oo}y + orl*ry + ar)xr! t asE*rr*......+a^lx,y - n ' 1

2 0.871 210 8.50


=[
^ Lv'-"v' 3
4
5.690
8.270
1.90
1.90
85.00
105.00
... (1.40) 5 1.620 2.10 24.80
6 0.175 2.40 3.80
Ejeruplo 7.2: 7 0.148 3.20 1.76
8 1.400 2.70 18.00
Del estudio de una rein de Costa Rica, se ha obtenido para 14 I o.297 2.90 8.75
subcuencas, el caudal promedio anual (de los caudales mximos 10 o.322 2.90 8.25
11 0.178 2.80 3.56
anuales) Q, en m3/s, el rea de la cuenca A, enkmz, y la intensidad
12 0.148 2.70 1.90
mxima de precipitacin I, en cn/24 horas, siendo los resultados los
13 o.872 2.10 16.50
que se muestran enlatabla7.3. 14 0.091 2.90 2.80

Se desea saber si stas variables se correlacionan linealmente, es Solucin:


decir, si se puede establecer el siguiente modelo:
Q = ao+ arA + a2I ... (1 .4t) l. Clculo de los parmetros
Se pide : l.l. Para el ejemplo, utilizando las ecuaciones normales (7.33), se
1. Calcular el intercepto a6, los coeficientes de regresin at, a2, y tiene:
definir la ecuacin de regresin lineal mltiple.
Ee= aon+ atZl* orZI
2. Calcular Q, caudal estimado con la ecuacin (1.41), para cada
conjunto de valores de A e I. Z,qg = aoZ A + a,Z,q' * or\ A* t .'. (7 .42)
3. Calcular los errores e, = Q- A Lrc=aoI *or\exI +ar\I'
4. Calcular el error estndar del estimado (S) rlruttle n = 14
5. Calcular lavarianza de la variable dependiente
Correlacin y regresin - pgina (292) Hidrologa Estadstica - pgina (293)

1.2. En la tabla 1.4 se encuentra tabulado los valores de las )s, que 1.4 Multiplicando la ecuacin (7.43) por -34.3 y la ecuacin
reemplazado en el conjunto de ecuaciones (7.42), resulta: 11.45)
304.12 = 14 as + 21.332 q + 34.3 a2 ... (7.43)
1465.8929 = 21.332 ao + 108.7412 a1+ 43.3419 az ... (7.44)
627.8 = 34.3 as+ 43.3419 + 86.99 az q ... (7.4s)

Tabla 7.4 Yalores para el cIculo de los parmetros -1642.116 = - l24.9Ota1 + 41.37 a2 Q.47)
A I o AxI AxQ IxQ A" lz Q, 1..5. Multiplicando la ecuacin (7.46) por 124.901 y la ecuacin
(r) (2) (3) (4) (s) (6) (7\ (8)
(7.47) por 1067.322576, se obtiene:
l9)
r.250 t.7 15.50 2.t250 l 9.3750 26.3500 t.5625 2.8900 240.2500
0.87 r 2.t 850 .829 7.4035 17.8500 0.7586 4.4lOO
t
r 1 72.2500
I
5.690 t9 85.00 10.81 10 483.6.500 161 500 32.f76r 3.6100 7225.OOOO t t.46) x 124.901: 1752987.129 = 133309.6$71 a1- 15600.2598 a2
8.210 19 105.00 15.7130 868.3500 199.500 68.3929
t.620 2t 24.80 3 4020 40.1760 s2.0800 2.6244
3.6100
4.4100
r 1025.000
615.0400
- 175266'7.479 = -r33309.f571
I
0.1 75 3.80 0.4200 0.6650 9. l 200 0.0306 5.7600 14.4400
r t.47) xr067.322576: ar + 44155 .t3497 u
0.148 32 1;76 0.4'736 0.2605 s.6320 0.02t9 10.240 3.0976
1.400 27 18.00 3.7800 25.2000 48 6000 1.9600 7.2900 324.0000 319.65 = 28554.87517a2
0.291 29 8.75 0.86 r3 2.s987 25.3750 0.0882 8.4100 76.5625 rk: donde:
0 322 z9 8.25 0.9338 2.6565 23.92s0 0.1037 8.4100 68 062s
0.178 28 3.56 0.4984 0.6337
az= 0.01LI94 ... (7.48)
9.9680 0.031 7 7.8400 t2.6736
0.148 27 190 0.3996 o 2812 s.1300 o.0219 7.2900 3.6100
0.872 21 16.5 1.83 l2 l 4.3880 34.6s00 0.'7604 4.4100 272.2500 I .(r. Sustituyendo (7.48) en (7.46), se obtiene:
0.091 29 280 0.2639 0.2548 8.1200 0.0083 8.4100 '7.8400
21.332 34.3 304.12 43.3419 1465-8929 627.800 108.7412 86.990 19960.O742
14035.01276 = 1067.322516 a1- 124901 x 0.011194
tlc donde:
1.3. Multiplicando la ecuacin (7.43) por -21.332 y la ecuacin at = 13.151048 ... (7.49)
(7 .44) por 14, se obtiene:
1.7. Sustituyendo (7.48) y Q.a9) en (7.43), se obtiene:
304.12 = 14 ao + 21.332 x 13.151048 + 34.3 x 0.011194
rlc: donde:
ao= 1.656991 ... (7.s0)

t4035.01216 = 1067.322576 a - 124.901a2


a"= 1.656991
... (7.46) at = 13.151048
az = 0.0L1194
Correlacin y regresin - pgina (294) Hidrologfa Estadstica - pgina (295)

Siendo la ecuacin de regresin mltiple: donde:


Q = 1.656991 + 13.151048 A + 0.01 ll94 I ... (7.s1) Ze2= l7l.Og84 , I de la columna (6) de la tabla 7.5
n= 14 , nmero de grupos de la muestra
2. Uttlizando la ecuacin (7.51) para los valores experimentales, se p =3 , nmero de parmetros a estimar (ao, a1, a2)
obtienen los valores estimados del caudal, los que se muestran en
la columna (4) de la tabla 7.5.
= ^e =3.943907
3. La diferencia entre el valor experimental y el valor estimado del
caudal con la ecuacin (7.51), representa el error, estos valores se
.5. De la ecuacin (7.38), se tiene:
muestran en la columna (5) de la tabla 7.5.

Tabla 7.5 Clculo del caudal estimado y del error


$=*lEo'-no')
donde:

o 2Q'= 19960.0742, (columnas (9) de lafablaT.4)


experimental 304.12
(3) Q= * =21'722857
18.1148 -2.6148 n=14
13.13s1 luego:
1
110.4374 ,s1 = - ltsoao.ot +2
"a - L4-1"'uu'u'-u - rrl\'
t4x2t.7zzg57rf
1 .8148
S'a= lozl.z}9l52

(r. De la ecuacin (7.36), se tiene:

R'^= 1
Sez
------
S,
tklnde:
Se2 = 3.9439072 = 15 .5544
S'a= lo2l -209152
171.0984
4. De la ecuacin (7.34), se tiene: lucgo:

J=-
7 ^
R-=l
155544
1027.209152
\n- p R2 = 0.984858
Correlacin y regresin - pgina (296)
Hidrologa Estadstica - pgina (297)

R = 0.9924 De la figura 7.4, se observa que el modelo de correlacin lineal


rnltiple de la forma:
7 .
En la ecuacin (7.51):
Q = 1.6570+ 13. 15 104 + 0.0ll2l
Q = 1.656991 + 13. 151048 A + 0.01 Il94 I tiene un coeficiente de correlacin y determinacin mayor. Con esta
para:
A_ ccuacin para A = 4 km2 e I = 1.5 cml24h, se obtiene un caudal Q =
/1 -+ 54.2780 m'/r, cuyo resultado se muestra en la figura 7.5.
I = 1.5
se tiene:
Aplicar ecuacin:

A = 1.656991 + 13.151048 x 4 + 0.01 Il94 x 1.5
Eorrelacin lineal mltiple
0 = 54.28 m3/s
Valor deXl; l-
Proceso cornputacional Valor deX2: ILS

L -
HidroEsta permite resolver el problema de la ecuacin de regresin I
I

lineal mltiple, la aplicacin perrnite calcular:


. Parmetros: do, aj, dz, . . .
. Coeficiente de determinacin mltiple'. R2 I

{^ con corelacin potencialmltiple


. Coeficiente de correlacin mltiple:
. Effor estndar estimado: ,S t i
J

. Valor de la variable dependiente para conjuntos de valores


Figura 7.5 Uso de la ecuacin de regresin lineal mltiple
de las variables independientes
Los resultados obtenidos con la aplicacin, permiten una mayor
aproximacin en los decimales. 7.ll Ecuacin de regresin no lineal mltiple

Para los datos indicados, utilizando la opcin Regresin/Regresin l,u forma general de una ecuacin de regresin no iineal mltiple es:
mltiple 2 var. independientes de HidroEsta, se obtienen los ! = aoxrot xro'*r" ..... .,, (7.52)
resultados que se muestran en la figura 7.4. ll misma que es posible transformar con un adecuado artificio, en
ula ecuacin de regresin lineal mltiple, de la siguiente forma:
E cuEcirr ln H^2
l. Tomando Iz a ambos miembros de Ia ecuacin (7.52), se tiene:
Y = 1.ris7ll +13.151 U i(l
+0 112 i42 0.ss3E 0.9872 3.S43S
ln y - lnao + arlnx, + arlnx, I arlnxr+. . .
y= 11 3383X1^trt t2rl6l y2^t0 38751
[ 9688 0 9388 4.7153

Figura 7.4 Modelos de comelacin mltiple ).. Haciendo:


lny-z
Correlacin y regresin - pgina (299) Hidrologa Estadstica - pgina (299)

lnao- a'o . Valor de la variable dependiente para conjuntos de valores


lnxl - y, de las variables independientes.
lnx2= Y.-
,*t..*, 7.12 Ecuacin de regresin polinomial
l,n ecuacin polinomial de grado m es:

se tiene:
! = ao + afl + arx' + arx3 +....+a^x^ ... (7.s4)

z = a'o + atwt + azwz + a3w3 +.... ... (7.s3) l\rra el ajuste de los pares de valores, se puede utilizar la
tnetodologa descrita para el caso de una ecuacin de regresin
La ecuacin (7.53) es una ecuacin de regresin lineal mltiple, lireal mltiple, siendo las ecuaciones normales:
similar a la de la ecuacin (7.32).

Por ejemplo, en hidrologa existe una frmula utilizada para el X, = aon+at)r* orZ*' +or\*'+....+a^x^
clculo de la intensidad mxima: E*, = ooZ* + or\*' + ar\x3 + ar\xa +....+a^x**l
, KT' E*'y = aoEx' + ar\x' + ar\xo + or\*t +....+a^x^*2
max
Du
cuyos parmetros K, a y se pueden determinar a partir de una
correlacin mltiple entre las variables, donde:
Z- perodo de retorno L*^y = aoEx^ + ar\x^*' + ar\x^*' *or}*^*t+....+a^x2^
D = duracin de la lluvia ... (7.ss)
I mx = intensidad mxima

Proceso computacional 7. [3 Problemas propuestos

HidroEsta, permite resolver el problema de la ecuacin de regresin I De una prueba de infiltracin, con cilindros infiltrmetros, se
potencial mltiple, el programa permite calcular: obtuviel ln los ssl
leron n de datos:
. Parmetros ao, ab a2,.... T 4
(cm)
T
(min)
De
lmin) lcm)
. Coeficiente de determinacin mltiple: 5 1.0 75 3.8
. Coeficiente de correlacin mltiple: R R2 10 1.2 200 8.0
. Error estndar estimado: . 15 1.4 255 9.6
20 1.6 300 11.0
25 1.8 450 14.5
Correlacin y regresin - pgina (300) Hidrologa Estadstica - pgina (301)

donde: . Usando un polinomio de segundo grado:


T : tiempo en min. Q=aota.th+a2h2
D": lminaacumulada en cm. . Usando un polinomio de tercer grado:
Se pide:
Q,=aotath+a2h2+a3h3
1.1. Realizar los clculos, para ajustar por el mtodo de mnimos
cuadrados a la curva potencial: 2.3. En un papel milimtrico plotear:
D^=at' Datos empricos de la tabla
' calcular los parmetros y y los coeficientes de correlacin y . Ecuacin potencial terica ajustada
determinacin. . Ecuacin polinomial de 2" orden ajustada
Graficar los datos en papel milimtrico, en papel semilogart- . Ecuacin polinomial de 3"' orden ajustada
mico y en papel log-log.
calcular con la ecuacin ajustada los valores de Da q'e 2.4. Calcular su coeficiente de correlacin
corresponden a los T dados y graficar los puntos obtenidos en
los mismos papeles. Tabla 7.6. Valores de altura en el limnmeho y sus caudales
correspondientes
1.2. Realizar los clculos para ajustar los datos:
. alaecuacinlineal : Du=a+bT I h o I h o
. a la curva exponencial: Du = agr lm) tmslsl fml tm3lsl
Indicar de acuerdo a los resultados obtenidos para los coeficientes 1 2.45 531 13 1.01 201
de correlacin, cual sera la curva que se ajusta mejor a los datos 2 1.51 294 14 o.71 146
de 3 1.48 288 15 0.51 120
prueba.
4 .o.78 1s9 16 o.52 111
5 5.80 1635 17 0.50 81
1'3 Plotear en un papel milimtrico los datos experimentales z y 6 6.00 1705 18 2.O2 449
Dr, y las curvas tericas: lineal, exponencial y potencial. 7 4.16 1089 19 1.72 369
8 5.58 1560 20 1.92 422
2. En una estacin de aforo de un o, se han medido las alturas de 9 3.80 937 21 1.35 266
escala en el limnmetro y los caudales aforados para esas escalas, 10 4.08 1013 22 1.28 247
11 2.63 616 23 1.40 280
las mismas se muestran en la tabla7.6.
12 1.11 210

2.1. Hallar la ecuacin de calibracin que relacione la lectura en el


3. En la tabla 7.7 se muestran las intensidades mximas I en mm/hr,
limnmetro (escala), con el caudal.
. para duraciones de 5, 15, 30, 60, 120, 240 y 480 min, y para
Usando un modelo de la forma:
perodos de retorno 7 de 50, 30,20,10 y 5 aos.
Q=ahb
Correlacin y regresin - pgina (302) Hidrologa Estadstica - pgina (303)

3.1. Encontrar la ecuacin de regresin: Hallar la ecuacin de la forma:


Y =173- abx
I=m:
DO
rue relaciona estas variables, as como su coef,rciente de correlacin.

que relacione estas variables


. Calcular Y,paraX= 14

3.2. Encontrar la intensidad mxima I, para un perodo de retorno .5. La tabla 7.9 muestra los valores correspondientes a 3 variables
T = l0 aos y una duracin D = 45 min. X], X2, Y.

Tabla 7.7 Yalorcs de intensidad mxima 1, duracin D,y perodo de


'l'ihla 7.9 Variables Xl, X2, Y
retorno Z, de las precipitaciones
\ n Y xl n Y x1 n Y
30_ 32 4.51 40 32 4.5 50 32 4.6
I (mm/hora) 30_ 16 4.3 40 16 4.25 50 16 4.2
T D (min) 30 8 4.3 40 8 4.1 50 I 4
(aos) 30 4 4 40 4 4 50 4 4
5 15 30 60 120 240 480 30 2 3.8 40 2 3.9 50 2 4
50 235 232 220 130 82 70 58 30 1 3.7 40 1 3.75 50 1 3.8
30 233 230 210 120 80 65 52 30 0.5 3.4 40 05 3.7 50 0.5 3.8
.20 230 220 200 105 72 60 50 30 0.25 3.6 40 o.25 3.6 50 0.25 3.8
10 225 210 180 100 64 50 19
5 180 170 160 90 60 42 17 I'lallar la ecuacin:

4.La tabla 7.8, muestra los valores correspondientes a las variablee


Y - a"Xi'X;'
rrrr: r'elaciona estas variables, as como su coeficiente de correlacin.
X, Y.

(lalcular Y paraXt = 35 y Xz= 3


Tabla 7.8 Variables X, f
lin el laboratorio de hidrulica del ITCR, se trat de encontrar la
x Y
ccuacin de calibracin de un vertedero triangular con ngulo de
17 169
()0o,
17 170 del experimento realizado se obtuvieron los datos de carga h
14.4 170 y caudal Q, que se muestran en la tabla 7.10. Indicar entre la
12.8 159 ccuacin lineal, exponencial y potencial, cual es la ecuacin de
14.3 165 calibracin, que relaciona mejor los pares de datos de carga vs
14.8 166
caudal.
13.6 16-2
Correlacin y regresin - pgina (304) Hidrologa Estadstica - pgina (305)

Tabla 7.10 Datos de carga h, en cm, y caudal e, en lps Considerando los modelos de regresin lineal mltiple y
potencial mltiple (la que mejor se ajuste), se desea completar
Carga h Caudal Q los datos faltantes para la estacin D, para los aos 1994 y 1995
(cm) (lps)
a partir de los datos de las estaciones A, B y C.
0.19 0.037974
1.36 0.057915
2.O2 0.113981
tt. En una rea sembrada de banano se tiene instalado un sistema de
2.15 0.115118
drenaje subterrneo. En una seccin de sta se hicieron las
3.15 0.292397 mediciones de los parmetros h (carga en el centro del dren) y Q
(caudal descargado por el dren), cuyos resultados se muestran en
7. se desea conocer la relacin existente entre los caudares latabla7.l2.
mximos de la estacin D en funcin de sus afluentes principales Se sabe que las variables h y Q se relacionan con la siguiente
A, B y C.Para obtener la relacin deseada, se eligieron sobre las ecuacin:
corrientes afectadas, las
estaciones hidromtricas ms Q=ah+bh2
representativas, de las cuales para las 4 estaciones se tienen
registros de caudales desde 1996 al 2003,1os mismos que se
. Determinar los parmetros de la ecuacin
muestran en la tablr 7 .l l.
, Determinar el valor de Q, si h = 0.82

'labla 7.12 Yalores de l y Q obtenidos de las mediciones de campo


Tabla 7.11 Caudales mximo de las estaciones A, B, C, D

Ao Qa Qb Qc od
tm3lst tm3lsl lm3lst fm3lsl h o
1 994 325 555 777
0.16 4.3
1995 600 1209 931
0.51 17.28
1 996 290 828 853 3295
0.60 22.68
1 997 157 642 739 1735
0.63 25.20
1 998 287 774 1 800 4037
o.70 28.08
1 999 225 604 748 2038 o.75 31.32
2000 327 856 793 2621 0.80 34.20
2001 341 522 1778 541 0 0.85 37.44
2002 625 1118 2245 5233 0.90 41.04
2003 670 1272 1145 2696
Anlisis de
consistencia
tl. I Introduccion
lil hidrlogo o especialista que desea desarroilar un estudio
lridrolgico, debe buscar la infonnacin de la cuenca en estudio, en
Its instituciones encargadas de su recopilacin, pero una vez que
dstu se ha obtenido, una de las interrogantes que se debe hacer es:
,1,)s
confiable la informacin disponible?

l,rr respuesta a esta pregunta, se obtiene realizando un anlisis de


consistencia de la informacin disponible, mediante criterios fsicos
y mtodos estadsticos que permitan identificar, evaluar y eliminar
kls posibles errores sistemticos que han podido ocurrir, sea por
t'nusas naturales u ocasionados por la intervencin de Ia mano del
Itombre.

l,r no homogeneidad e inconsistencia, son los causales del cambio a


rue estn expuestas las informaciones hidrolgicas, por lo cual su
Anlisis de consistencia - pgina (308) Hidrologa Estadstica - pgina (309)

xt
estudio, es de mucha importancia para determinar los errores
sistemticos que puedan afectarlas. informacin
lridrometeorolgica

Inconsistencia es sinnimo de error sistemtico y se presenta como


saltos y tendencias, y no homogeneidad es definido como los
cambios de datos vrgenes con el tiempo.

La no homogeneidad en una serie de tiempo hidrolgica, se debe a


factores humanos (tala indiscriminada de una cuenca, construccin
de estructuras hidrulicas, etc.) o a factores naturales de gran
significancia, como los desastres naturales (inundaciones,
derrumbes, etc.) ocasionados en Costa Rica tanto por el huracn Irigura 8.1 Serie con componente transitoria en la forma de salto
Joan como por el huracn Csar.
xt
nformacin
La inconsistencia de una serie de tiempo, est dada por la hidrometeorolgica
produccin de errores sistemticos (dficit en la toma de datos,
cambio de estacin de registro, etc.).

Esta inconsistencia y no homogeneidad se pone de manifiesto con la


presencia de saltos y/o tendencias en las series hidrolgicas (las
cuales se muestran en las figuras 8.1 y 8.2 ), afectando las
caractersticas estadsticas de dichas series, tales como la media,
desviacin estndar y correlacin serial .
T
El anlisis de consistencia de la informacin, es el proceso que Figura 8.2 Serie con componenre rransitoria 1" f"JiI:
tendencia "r
consiste en la identificacin o deteccin, descripcin y remocin de
la no homogeneidad e inconsistencia de una serie de tiempo
hidrolgica . lrl anlisis de consistencia de la informacin hidrolgica, se realiza
rr rcdiante los siguientes procesos:
Antes de utilizar la serie histrica para el
modelamiento, es
. Anlisis visual grfico
necesario efectuar el anlisis de consistencia respectivo, a fin de
. Anlisis doble masa
obtener una serie confiable, es decir, homognea y consistente.
. Anlisis estadstico
Anlisis de consistencia - pgina (310) Hidrologa Estadstica - pgina (311)

8.2 Antlisis visual grafico l. Cuando se tienen estaciones vecinas, se comparan los grficos de
las series histricas, y se observa cul perodo vaa notoriamente
uno con respecto al otro.
En coordenadas cartesianas se plotea la informacin hidrolgica
histrica, ubicndose en las ordenadas, los valores de la serie y en 2. Cuando se tiene una sola estacin, sta se divide en varios
periodos y se compara con la informacin de campo obtenida.
las abscisas el tiempo (aos , meses , das , etc).
Un ejemplo de una serie de caudales promedio anuales se muestra 3. Cuando se tienen datos de precipitacin y escorrenta, se
en la figura 8.3. Este grfico sirve para analizar la consistencia de la
comparan los diagramas, los cuales deben ser similares en su
informacin hidrolgica en forma visual, e indicar el perodo o comportamiento.
perodos en los cuales la informacin es dudosa, lo cual se puede
l,a interpretacin de estas comparaciones, se efecta conjuntamente
reflejar como " picos" muy altos o valores muy bajos, saltos ylo
con el anlisis doble masa.
tendencias, los mismos que debern comprobarse, si son fenmenos
naturales que efectivamente han ocurrido, o si son producto de
errores sistemticos .
lijemplo 8.1:

80 I)ada la serie de caudales promedios de la estaci6n0762001 del ro


I llebedero, que se muestra en la tabla 8.1, elaborar el hidrograma.
70
60
,Y
'l'abla 8.1 Caudales promedios anuales en m'/s del ro Bebedero,
/ A
a 50
(f)
I \ r / V J \^ A rcrodo 1954-1993.
40
E
t A o Ao o Ao o Ao o
o 30
Ao
tm3lsl tm3/s) rm3ls) tm3ls)
20 1 954 13.30 1 964 7.51 1974 8.41 1 984 41.90
10 1 955 21.00 1 965 s.83 1 975 8.68 1 985 44.70
1 956 11.10 1 966 10.10 1 976 6.10 1 986 46.90
0 1977 5.33 1 987 32.00
1 957 5.22 1 967 9.65
. (O O) N lJ) @ r
r.r) F*
rr) O
(o CA (o F.- t- t- @ F-
@O (O
(o (o cD o) 1 958 4.40 1 968 7.51 1 978 6.68 1 988 36.20
o, o) o) o, o) o, o) o) o) o) o) o) o) o)
-Frr-rrF-F r 959 6.71 1 969 10.50 1 979 38.00 1 989 37.50
T aos I 960 8.55 1 970 14.30 1 980 s6.90 1 990 33.10
r 961 8.16 1971 10.10 1 981 55.20 1 991 73.00
Figura 8.3 Serie histrica de caudales promedios anuales. r 962 7.83 1972 4.82 1982 42.60 1 992 63.50
r 963 5.35 1 973 11.70 1 983 44.10 1 993 72.40
Para conocer la causa del fenmeno detectado, se puede analizar de
diversas formas:
Hidrologa Estadstica - pgina (313)
Anlisis de consistencia - pgita (312)

relacionado a errores, que pueden producirse durante la obtencin de


Solucin:
los mismos, y no para una correccin a partir de la recta doble masa.

Graficando los pares de valores se obtiene la figura 8.4, en la cual,


El diagrama doble masa se obtiene ploteando en el eje de las
en el eje de la abscisas se coloca el tiempo en aos, y en el eje de
abscisas los acumulados, por ejemplo, de los promedios de los
ordenadas el caudal en m3/s.
80 volmenes anuales en millones de m31MM), de todas las estaciones
rle la cuenca y, en el eje de las ordenadas los acumulados de los
7A
volmenes anuales, en millones de m3, de cada una de las estaciones
60 cn estudio, como se muestra en la figura 8.5.

o50
cf)
5 quiebres
Acumulade de
5-40 <;ada estacin
ogo hidro"
3 qurebres
rneteololgica
20
2 qurebres
10 se eligs con
estacrn base
0
sf (oorc\tto@r S l"* O
r.c) O
l'.- )
lr) (o (o (o (o f'- F- l*- co 6@O)O)
Cr)

o,
rrrr
o, o) o) o,
trrrrr
o, o, o) o) o) o) ct o,
rr
o,
Tiempo en aos
Figura 8.4 Serie histrica del o Bebedero.

Realizando el anlisis visual de la serie histrica, se observa que a ff tlixrtr s l:;3r3ffi IJSL
Figura 8.5 Anlisis doble masa para determinar la estacin "base
partir del ao l9l9 se produce un salto, esto se explica fsicamente,
ya que en ese ao existe un trasvase al ro Bebedero, al entrar a
l)c estos doble masas se selecciona como la estacin ms confiable,
operar el proyecto hidroelctrico Arenal-Tempisque.
lir que presenta el menor nmero de quiebres, en el ejemplo de la
ligura 8.5, corresponde a la estacin C, la cual se usa como estacin
lrirse para el nuevo diagrama doble masa, es decir, se vuelve a
8.3 Anlisis doble masa t'onstruir el diagrama de doble masa colocando en el eje de las
rbscisas la estacin base y en el de las ordenadas la estacin en
Este anlisis se utiliza pata tener una cierta confiabilidad en la cstudio, como se muestra en la figura 8.6.
informacin, as como tambin, para analizar la consistencia en lo
Anrlisis de consistencia - pgina (314) Hidrologa Estadstica - pgina (315)

AcumularJo de se procede al anlisis estadstico de saltos, tanto en la media como


la ostaein 1 9i6
sn osturiio en la desviacin estndar.

Anlisis de Saltos
1. Consistencia de la Media

El anlisis estadstico consiste en probar, mediante la prueba t


(prueba de hiptesis), si los valores medios (\,i) de las
submuestras, son estadsticamente iguales o diferentes con una
probabilidad del 95Vo o con 57o de nivel de significacin, de Ia
siguiente manera:
n1'n2'n3 Acrmulado de la
estacn base@ a ) Clculo de la media y de la desviacin estndar para las
Figura 8.6 Anlisis doble masa para obtener los perodos de estudio submuestras, segn:
(en este c&So fl1, Ilz, n)

El anlisis doble masa propiamente dicho, consiste en conocer


l=+., i s,(x)=
i#l(,, -il,]u
mediante los "quiebres" que se presentan en los diagramas, las ...(8.1)
causas de los fenmenos naturales, o si estos han sido ocasionados
por effores sistemticos. En este ltimo caso, permite determinar el
rango de los periodos dudosos y confiables para cada estacin en
, = ;2., ; Sz(x) =l#G, -iY11'
estudio, la cual se deber corregir utilizando ciertos criterios
estadsticos. Para el caso de la figura 8.6, el anlisis de doble masa, donde:
permite obtener los perodos, h1, h2, tg, e\a deben estudiarse, con el xi = valores de la serie del perodo 1

anlisis estadstico. xj = valores de la serie del perodo 2


xt , x2 = media de los perodos I y 2 respectivamente
8.4 Anlisis estadstico Sr(x) , ,Sz(x) = desviacin estndar de los perodos 1 y 2
respectivamente
Despus de obtener de los grficos construidos para el anlisis n = tamao de la muestra
visual y de los de doble masa, los perodos de posible comeccin, y nt, hz = tamao de las submuestras
los perodos de datos que se rnantendrn con sus valores originales, n=nt + n2
Anlisis de consistencia - pgina (316) Hidrologa Estadstica - pgina (317)

b) Clculo del I calculado (f") segn: d) Comparacin del f, con el fr:


. (f --(p,- p,) ' Si I t, I <h (95Vo) ) t :7, (estadsticamente)
,a- ...(8.2) En este caso, siendo las medias .tr-, = x, estadsticamente, no se
E debe realizar proceso de correccin.
donde: Ff[tz=0 (por hiptesis, la hiptesis es que las medias son
iguales) . Si I r" I , tt (95Vo) J i, * x, (estadsticamente)
quedando:
En este caso, siendo las medias 7, x, estadsticamente, se debe

...(8.3) corregir la informacin.

adems: 2 . Consistencia de la Desviacin Estndar


Ir
t, = s,L;;.irl,
t

El anlisis estadstico consiste en probar, mediante la prueba F, si


) Ios valores de las desviaciones estndar de las submuestras son
...(8.4) estadsticamente iguales o diferentes, con w 95Vo de probabilidad o
1
con un 57o de nivel de significacin, de la siguiente forma:
(,, - r)si +( n2-- r)sj 1
a) Clculo de la variaozas de ambos perodos:
,, =[ a
nt+nz -L l s,'zr,r=[-+ll(,,
t)i=t
-l)'
siendo: nr_
S; = desviacin de las diferencias de los promedios
Sp = desviacin estndar ponderada ...(8.s)

c) Clculo del t tabular t,:


s|(*)=[#)t G,-i)'
El valor crtico de / se obtiene de la tabla / de Student (tabla 4.5 del
apndice), con una probabilidad al 95Vo, con un nivel de
b) Clculo del F calculado (F"), segn:
significacin del 57o, es decir con aJ2 = 0.O25 y con grados de s,'(')
libertadV=rll tfiz-2. ,,=ffi , si Si(x)> S22(x)

...(8.6)
Sr'(')
F^
' = si_,(x) si,sr2(x)> s,r(x)
Anlisis de consistencia - pgina (318) Hidrologa Estadstica - pgina (319)

c) Clculo del F tabular (valor crtico de F F,), se obtiene de las x.-x"


tablas tr' (tabla A-4) para una probabilidad del95Vo, es decir, con X(,, = (x) + x, ...(8.8)
un nivel de significacin cr = 0.05 y grados de libertad:
il, ' S,

clonde:
Xi,= valor corregido de saltos
G.L.N = .ra-11 , si ,s,'(r), Sle)
G.L.D = nz -l) rr = vlor a ser corregido
La ecuacin (8.7), se utiliza cuando se deben corregir los valores de
G.L.N =nz-11 , si Sr2(x)> sf (x)
la submuestra de tamao ry,y la ecuacin (8.8), si se deben corregir
G.L.D = nrl)
la submuestra de tamafio n2 .

donde:
G.L.N = grados de libertad del numerador Anlisis de Tendencias
G.L.D - grados de libertad del denominador
Antes de realizar el anlisis de tendencias, se realiza el anlisis de
d) Comparacin del Fc con el Fr: saltos y con la serie libre de saltos, se procede a analizar las
. Si Fc < Ft (957o) j Sr(x) =.Sz (x) (estadsticamente) tendencias en la media y en la desviacin estndar.

Si Fc > Ft (95Vo) + [. Tendencia en Ia Media


' ,Sr(x) + Sz@) (estadsticamente), por 1o
que se debe corregir
La tendencia en la media Tm, puede ser expresada en forma general
3. Correccin de los datos por la ecuacin polinomial:
Tm = A^+ Bmt + C^t2 + D.t3 +.......
... (8.9)
En los casos en que los parmetros media y desviacin estndar de y en forma particular por la ecuacin de regresin lineal simple:
las submuestras de las series de tiempo, resultan estadsticamente
' Tm =,4'n + B-t ... (8.10)
iguales, la informacin original no se corrige, por ser consistente donde:
con 957o de probabilidad, aun cuando en el doble masa se observe I = tiempo en aos, tomado como la variable independiente
pequeos quiebres. En caso contrario, se corrigen los valores de las de la tendencia
submuestras mediante las siguientes ecuaciones: t =1,2,3,.....,n
7m = tendencia en la media, para este caso:
xio =ffi .s,(x) + x, ...(8.7) Tm= Xi valor corregido de saltos, es decir, datos a usarse
para el clculo de los parmetros
Anlisis de consistencia - pgina (320) Hidrologa Estadstica - pgina (321)

A*, B^, C^, D^,..' = coeficientes de los polinomios de


1

regresin, que deben ser estimados con


t- l;
los datos sr =l
I
Z(r--.)' I

n-l I

Los parmetros de regresin de estas ecuaciones, pueden ser t l


estimados por el mtodo de mnimos cuadrados, o por el mtodo de
regresin lineal mltiple.
Ilz
I

El clcuIo de la tendencia en la media, haciendo uso de la ecuacin


(8.10), se realiza mediante el siguiente proceso: s,= llL]
a) Clculo de los parmetros de la ecuacin de regresin lineal adems:
simple
fu = promedio de las tendencias 7,n, o promedio de los
A*=T^-I'B^ ...(8.11)
datos corregidos de saltos X'11

s- t - promedio del tiempo r


B. = R'-j=
J1
... (8.12) Sr. = desviacin estndar de la tendencia de la media Tm
t = desviacin estndar del tiempo r

... (8.13)
b) Evaluacin de la tendencia I-
Para averiguar si la tendencia es signicativa, se analiza el coefi-
donde: ciente de regresin Btn o tambin el coeficiente de correlacin R.

\=:2'* =i2*,,, El anlisis de R segn el estadstico f, es como sigue:


l. Clculo del estadstico /" segn:
nJn-z
=i2,, ' J1- R'
... (8.1s)

1 .r* donde:
t .T^ = ... (8.14) = valor del estadstico r calculado.
i lt, fc
n = nmero total de datos
R = coeficiente de correlacin
Anrlisis de consistencia - pgina (322) Hidrologa Estadstica - pgha (323)

2. Clco det donde T^ es el promedio de la tendencia en la media o promedio de


El valor crtico de /, se obtiene de la tabla de / de Student (tabla ,4.5 los valores corregidos de saltos.
del apndice), con 95Vo de probabilidad o con un nivel de
significacin del 5 Vo, es decfu:
2. Tendencia en Ia desviacin estrndar
! = o.ozs
2 Segn Salas "la tendencia en la desviacin estndar, generalmente
G.L. = n-2 se presenta en los datos semanales o mensuales, no as en datos
anuales". Por lo que, cuando se trabajan con datos anuales, no hay
3. Comparacin del t" con el t necesidad de realizar el anlisis de la tendencia en la desviacin
. Si lhl<tr(95Vo)+ R no es significativo estndar.
En este caso, la tendencia no es significativa y no hay que corregir.
La tendencia en la desviacin estndar Ts, se expresa en forma
. Si lr"l,hQ5Vo) + R si es significativo. general por la ecuacin polinomial:
En este caso, la tendencia es significativa y hay necesidad de T, = A, + B,t + C,t' + D,t3 + ... (8.r8)
corregir la informacin de tendencia en la media. y en forma particular, por la ecuacin de regresin lineal simple:
T,=4"+B,t ... (8.re)
c) Correccin de la informacin: donde :
La tendencia en la media se elimina haciendo uso de la ecuacin:
y, = Xrr,., _T^ ... (8.16)
4 = tendencia en la desviacin estndar
T, = Y, valor corregido de tendencia en la media, es decir,

datos a usarse para el clculo de los parmetros


Y, = x(, -(,q* + B^t) ... (8.17) r = tiempo en aos
donde: t=I,2,3,....,fl
X'< = serie corregida de saltos 4", 8", C", Dr,.. = coeficientes de los polinomios de regresin
T^ = tendencias en la media, obtenida de la ecuacin (8.10) que deben ser estimados con los datos
Yt = serie sin tendencia en la media
l'ara calcular y probar si la tendencia en la desviacin estndar es
Xt preserve la media constante, se devuelve el
Para que el proceso significativa, se sigue el siguiente proceso:
promedio de las X't Q, luego las ecuaciones (8.16) y (8.17),
rr) La informacin ya sin tendencia en la media Y, se divide en
toman la forma: peodos de datos anuales.
Y, = X(, -T^ +T^ .,.. (8.18)
Y, = X(o -(o* * 8,,.r) * r- ... (8.1e)
Anlisis de consistencia - pgina (324) Hidrologa Estadstica - pgina (325)

b) Se calcula las desviaciones estndar paru cadaperodo de toda la


informacin: ,,=T'1*T ... (8.22)

donde T,,T^ son los promedios de la tendencia en la desviacin


,,=[+ {,,-r)'f; ... (8.20) estndar y media respectivamente.

donde:
La seie Z, es una serie homognea y consistente al 95Vo de
p = desviacin estndar del ao p, es decir de los datos
probabilidad.
mensuales del ao p
Yp = serie sin tendencia en la media
Ejemplo 8.1:
fp = promedio de datos mensuales del ao p
p =1,2,3,..,.,12 Con el registro de volmenes anuales de caudales en MIV3, que se
muestra en la tabla 8.2, se realiz el anlisis de doble masa, y se
c) Se calculan los parmetros de la ecuacin (8.19), a partir de las obtuvo un quiebre que permiti separar los datos en los peodos
desviaciones estndar anuales y el tiempo r (en aos ), utilizando
1964-1985 y 1986-1999.
las ecuaciones de la (8.11) a la (8.14), dadas para la tendencia en
Realizar el anlisis estadstico de saltos en la media y desviacin
la media
estndar para ambos perodos. Si obtiene diferencia significativa (al
95 Vo de probabilidad), rcalizar la correccin del primer perodo.
d) Se realiza la evaluacin de Zs siguiendo el mismo proceso
descrito paraTm.
Tabla 8.2 Volmenes anuales de caudales en MM3

Si en la prueba R resulta significativo, la tendencia en la desviacin


Ao xt Ao xt
estndar es significativa, por 1o que se debe eliminar de la serie, 1964 534.509 1982 318.882
aplicando la siguiente ecuacin:
1 965 404.034 1 983 31 '1
.313

Z,
x( -r. ... (8.21)
1 966 504.878 1 984 450.2

T, 1 967 444.O32 1 985 386.957


donde: Z, = serie sin tendencia en la mediani en la desviacin 1 968 842.122 1 986 668.201
estndar. Las dems variables han sido definidas en pirrafos 1 969 437.47 1 987 536.824
anteriores. 1970 264.O4 1 9BB 598.446
1971 464.628 1 989 573.582
Para que el proceso preserve la media y la desviacin estndar 1972 436.716 1 990 569.369
constante, la ecuacin toma la forma:
Anlisis de consistencia - pgina (326) Hidrologa Estadstica - pgina (327)

1973 493.988 1 991 330.482 rkrnde:


1974 372.984 1992 949.436
s;
t 1
srl -+-
1-1,
... (8.24)
1975 333.735 993 260.183 = I
1
nt n, -)
1976 645.182 1 994 430.169 t

1977 612.295 1 995 577.293


se
- +(",
r)s,' -ls] t, . (8.2s)
1 978 620.76 1 996 502.513 nrlnr-2 ]
1979 557.882 1997 1055.812
1 980 494.515 1 998 792.781 Srrstituyendo valores en la ecuacin (8.25), resulta:
1 981 362.1 99 1 999 640.843

ztxr166o.3os7 + 13x 4657t.$181:


Solucin: " -f
"n-L 3 -l
. SP= 1694542
Perodos
De acuerdo a la condicin del problema, se tienen los perodos:
Sustituyendo valores en la ecuacin (8.24), resulta:
Peodo I 1964 1985: nt=22
- 1

-
Perodo 2 L986 1999: nz= 14
s.=169.45+Zlt*l-l'
. " 122 t4)
Clculo de los parmetros de cada perodo
S = 57 '9333
Utilizando el conjunto de frmulas (8.1), se obtiene los parmetros
de cada perodo:
Srrstituyendo valores en la ecuacin (8.23), resulta:
Xt = 467.8782 Xz = 606.1381
t-
467.8782- 606.1381
S2t = 17660.3057 S2z= 46571.8378 c
- 51.9333
St = 132.8921 Sz = 215.8051
t"= -2.3865
. Evaluacin de la consistencia en la media
.1. Clculo del t tabular t,:

1.Clculo del /, Irl valor crtico de / se obtiene de la tablaA.5 del apndice, con una
De la ecuacin (83), se tiene: rrobabilidad al 957o, con un nivel de significacin del 5%o, es
rlccir con aJ2 = 0.025 y con grados de libertad v = 22 + 14 - 2 = 34.
x,-x^
t,=-? ... (8.23) l'rra estos valores, se tiene:
.)-a tt= 1960
Anrflisis de consistencia - pgina (328)
Hidrologa Estadstica - pgina (329)

3. Criterio de decisin
Como ld=2.3965> tr= 1.960 -+ xl+x, (estadsticamente)
( 'omo
\ + 72 y Sr(x) * S2(x), para corregir los datos del 1"' perodo
En este caso, siendo las medias xr* x-, estadsticamente, se debe
(1964 - 1985), se usa la ecuacin (8.7):
corregir la informacin. 1/' _ x,' -.x,:.Sr 1x) + x,
^() S,(r/
. Evaluacin de la consistencia en la desviacin estndar
S rrstituyendo valores, resulta:
1. Clculo de F" x' - 467.!782
xi., = xzt5.go5t + 606.1381
(
' 132.8921
De la ecuacin (8.6), se tiene:
,s^2lx) X', =1.6239x, - 153.6550 ... (8.26)
F' =# , si,Sr2(x)> S,,(x)
'" (x) llsando la ecuacin (8.26) se corrige el perodo (1964 - 1985), los
Sustituyendo valores, resulta: rcsultados obtenidos, se muestran en la tabla 8.3.
46s71.8378
' n660.3057
'l'abla 8.3 Resultados del anlisis de saltos
F"=2.6371
Ao xt Ao xt
2. Calculo de Ft 1 964 714.3342 1 982 364.1775
Este valor se obtiene de la tabla A.4 para una probabilidad del95vo, 1 965 502.4558 1 983 351.8862
es decir, con un nivel de significacin cr = 0.05 y grados de libertad: 1 966 666.2164 1 984 577.4248
G.L.N = l4-r = l3l
, si ^srz (x) > sf (x) 1 967 567.4086 1 985 474.7245
G.L.D =22-1=21) 1 968 1213.8669 1 986 668.201
En la tabla A.4, paru G.L.N = 12 y G.L.D = 21, se obtiene: F, -
2.25
1 969 556.7525 1987 536.824
1970 275.1196 1 988 598.446
3. criterio de decisin 1971 600.8544 1 989 573.582
Como F"=2.6371> Ft=2.25 -+ r(x) t Sz@) (estadsticamente). 1972 555.s281 1 990 569.369
En este caso, siendo las desviaciones estndar ,S1(x) + Sz(x) 1973 648.5321 1 991 330.482
estadsticamente, se debe corregir la informacin.
1974 452.4337 1992 949.436
1975 388.2973 993 260.183
' Correccin de la informacin 1

1 976 894.0560 1 994 430.169


Anrlisis de consistencia - pgina(330) Hidrologa Estadstica - pgina (331)

1977 840.6s09 1 995 577.293 Tabla 8.4 Serie histrica de caudales medios anuales, en m3/s, del ro
1978 854.3972 1 996 502.513 Chancay-Huaral, estacin Santo Domingo, Pen (1939 - 1981)
1979 752.2896 1997 1055.812
Ao Caudal Ao Gauda! Ao Gaudal
1 980 649.3879 1 998 792.781 m3rc m'ls mols
1 981 434.5200 1 999 640.843 1 939 16.949 1954 17.690 1 969 13.641
't940 12.812 1955 1970 18.306
1941 16.010 1 956 11.485 1971 15.935
1942 14.080 1957 10.112 1972 33.480
8.5 Problemas propuestos 1 943 26.704 1 958 9.872 1 973 25.139
't944 13.872 1959 14.276 1974 20.321
l, Anlisis de saltos 1 945 8.373 I 960 12.270 1 975 r3.632
Dada la informacin de las tablas 8.4 y 8.5, serie de caudales 1 946 14.733 1 961 21 .189 1 976 15.395
anuales. 1947 13.848 1 962 17.023 1977 15.277
1 948 15.664 1 963 22.148 1978 10.026
1. Completar el dato faltante para el ao 1955 de la tabla 8.4, 1 949 11.827 1 964 1 8.1 88 1 979 11.300
haciendo la correlacin de los datos de la tabla 8.4 y 8.5 para los 1 950 10.583 1 965 18.055 1 980 9.613
1 951 20.459 1 966 10.480 1 981 20.69
aos comunes.
1952 19.416 1 967 30.1 06
1 953 19.684 1 968 8.250
2. Graficar la serie histrica de la tabla 8.4 en papel milimtrico,
hacer un anlisis visual e indicar si se presenta un salto.
Proceso:
. Acumular los valores de los caudales.
o . Graficar el diagrama de doble masa.
1rn3ls

Caudales acumulados
estacin en estudio

T (aos)

J. Para estar seguro de que se presenta salto, con los datos de las Caudales acumulados
tablas 8.4 y 8.5 rcalizar el anlisis de doble masa, considerando estacin base
como estacin base los datos de la tabla 8.5.
Anlisis de consistencia - pgina (332) Hidrologa Estadstica - pgina (333)

Tabla 8.5 Serie histrica de caudales medios anuales, en m3/s, del ro Graficar nuevamente la serie una vez corregida, con lneas
Jequetepeque, estacin Ventanilla, Per (1939 - 1980) punteadas.

Ao Caudal Ao Caudal Ao Caudal Notas:


mtls mtls m3ls Si tlel anlisis de doble masa obtiene:
1939 22.802 1954 20.793 1 969 21.972 . Solo dos perodos, siga la metodologa indicada
1940 22.386 1955 23.s95 1970 22.O73 . 3 ms perodos, tomar los dos primeros peodos y aplicar la
1941 28.268 1956 30.560 1971 38.698
metodologa indicada, luego considerando stos 2 perodos como
1942 13.736 1957 34.191 1972 24.518
uno solo y el 3er perodo; aplicar la metodologa indicada, y as
1943 31.352 1958 22.688 1973 43.620
194r'. 25.602 1959 25.087 1974 27.522 sucesivamente.
1945 27.134 1960 22.306 1975 39.454
1946 23.199 1961 18.445 1976 23.1s3 .' Anlisis de tendencias
1947 22.960 1962 29.O43 1977 29.701 l)rrtla la informacin de la tabla 8.6, serie de caudales anuales.
1948 28.324 1963 18.330 l97B 6.462 I (iraficar los datos de esta serie en papel milimtrico, observe
1949 34.369 1964 23.679 1979 16.494 visualmente e indique si se presenta tendencia'
1950 15.523 1965 27.359 1980 6.395
195r 13.689 1966 r4.599 ' llealizar el anlisis estadstico de tendencias y las correcciones
1952 28.123 19.67 34.778 tle los datos si fuera el caso. Debe rcalizar solo el anlisis de
1953 72.637 1968 6.695 tcndencia en la media (para datos anuales no se presenta
tcndencia en la desviacin estndar).
Observa los quiebres que se presentan.
I
Con base en los quiebres que se presentan, separar los perfodos t (iraficar la serie corregida.
de los aos donde posiblemente se presentan los saltos.

4. Realizar el anlisis estadstico de saltos y las correcciones de los


datos si fuera el caso, para perfodos obtenidos del anIisis de
doble masa.
Para este anlisis de saltos debe realizar:
I Consistencia de la media
I Consistencia en las desviacin estndar
I Correccin de los datos
Anlisis de consistencia - pgina(334)

Tabla 8.6 Serie histrica de caudales medios anuales, en m3/s, del ro


Chicama, estacin Salinar, Per (1911 - 1980)

Ao Gaudal Ao Caudal Ao Caudal


m3ls m3ls mtls
191 1 7.91 1935 24.58 1 959 22.88
1912 8.01 1 936 28.49 1 960 17.57
1913 13.27 't937 '10.05 1 961 14.60'
1914 16.39 f 938 28.01 I 962 31.14
1915
1916
1917
80.83
60.08
21.55
1 939
1 940

1941
34.92
31.36
42.74
1

1
963
964
18.20
24.69 Completacin y
1 965 22.99
1918
1919
1920
27.71
28.63
30.27
1942
1

1944
943
12.94
41.16
35.90
1 966

1 967

1 968
11.78
32.26
4.76
extensin
1921 33.43 1 945 33.76 1 969 12.70
1922 35.16 1 946 29.28 1 970 16.19
1923 27.21 1947 19.77 1971 30.14 9.1 Definiciones
1924 15.58 1 948 29.37 1972 30.57
1925 64.81 1 949 30.06 1973 45.38 l.ir extensin de informacin, es el proceso de transferencia de
1926 51.26 1 950 9.67 1974 18.91 rnlirrmacin desde una estacin con nn "largo" registro histrico a
1927 33.48 I 951 10.42 1975 34.99 ( )l rit con un "corto"tegistro.
1928 25.79 1952 23.99 1 976 21.49
1929 25.80 953 42.17 1977 29.26
l,rr completacin de datos, es el proceso por el cual, se llenan
1

1 930 18.93 1 954 16.00 1 978 458 "ltuecos" que existen en un registro de datos. La completacin es un
1 931 16.15 1 955 22.78 1979 12.46
1932
clso particular de la extensin.
38.30 1 956 32.69 1 980 3.14
1 933 54.54 1 957 34.28
1 934 59.40 1 958 20.24 l,ir extensin de datos, es ms importante que la completacin, por
r'ranto modifican sustancialmente a los estimadores de los
rrmetros poblacionales, por ejemplo, la media de una rnuestra
corta, ser diferente a la media de una muestra extendida.
Completacin y extensin - pgina (336) Hidrologa Estadstica - pgina (337)

En forma general, el modelo matemtico ms usado para transferir


La completacin y extensin de la informacin hidrometorolgica
informacin hidrolgica, entre estaciones medidas, es el modelo de
faltante, se efecta para tener en lo posible series completas, ms
regresin lineal simple.
confiable y de un perodo uniforme.

9.2 Tcnicas 9.3 Proceso

Las tcnicas que se utilizan para la completacin, en orden de El proceso a seguir para la completacin o extensin, es como se
indica:
prioridad son:
. Regresin lineal simple, entre stas: , Obtener la serie de tamao N1, cornpletar o extender (figura
o ms estaciones, 9.2):
o Correlacin cruzada entre dos
situacin (1) sin defasaje de la figura 9.1 !t,!2,!3,.,...,! ,

o Autocorrelacin, situacin (2) de la figura 9.1


. Relleno con criterios prcticos. Seleccionar la estacin, que guarde una buena relacin con la
Parala extensin se usan modelos de: estacin con la que se est trabajando, y cuya longitud de la
. Regresin lineal simple serie sea mayor, como por ejemplo: N = Nr+ Nz.
. Regresinlinealmliple Xl, XZ, X3 r...., XN
t, X N t+1 r,,..., X N,* N,

o
(m3ls)

tiempo T
(1) Correlacin cruzada sin defasaje (correlacin espacial)
(2) Conelacin serial con defasaje (correlacin temporal o
autocorrelacin)
(3) Conelacin cruzada con defasaje (correlacin espacial y Figura 9.2 Series de tamaos & y N= Nr+ Af2
temporal) donde:
Figura 9.1 Serie histrica de caudales de las cuencas Ay B
Completacin y extensin - pgina (338)
Hidrologa Estadstica - pgina (339)

) =serie de registro "corto" xl _D*,


rr = serie de registro "largo" Nr
Nr =tamao del registro comn a ambas series o tamaos -L*,Ey,
N, x!
...(e.4)
del registro corto
Nz =tamao del registro no comn ry, *i -(\*,)'\N ,Zv? -Er,)'
N = N, * N, = tamao del registro largo

. Seleccionar el modelo de correlacin, en este caso, la ecuacin


de regresin lineal:
y, = a*bx, ... (9.1)
s,(r) =
,Er;
donde: S,,,)

)r = variable hidrolgica dependiente


xt = vzriable hidrolgica independiente
tlonde:
ay b = parmetros de la ecuacin de regresin lineal simple
f t Y xt= son los estimados de las medias, de los perodos
Estimar los parmetros: comunes, de tamao Nr de las variables yt xr
Los estimadores de a, b y r se calculan con las siguientes S,ar, S,,,, = son los estimados no sesgados de las
,

ecuaciones: desviaciones estndar, de yt y xde los perodos


,
D= f-
s,,,, comunes de tamao Nr
r = coeficiente de correlacin
,,,,
. Ecuacin de completacin o extensin:
Sustituyendo valores en la ecuacin (9.1), resulta:
...(e.2)
...(e.s)

a= yr-bx, ...(e.3)
l)ara mejorar la informacin, a la ecuacin (9.5) se le agrega otra
componente, que es una variable aleatoria, que tiene por objeto dar
lt= > tuna mejor representatividad de la serie hidrolgica, especialmente
Nr t:uando se quiere extender la informacin a un periodo largo (por
Completacin y extensin - pgina (340) HidrologaEstadstica - pgina (341)

ejemplo incrementar el registro en 20 30 aos), por lo cual, la ir) Clculo del estadstico t", segn:
ecuacin (9.5) se puede expresar de la siguiente forma: ,^,1
s t,=-:-
- "ll- r' ...(9.8)
y, =l*r#(r, -l)* deil-r'z.s,rr)r, ...(9.6)
donde:
donde: /c = valor del estadstico / calculado
Nr = tamao del registro comn d las series
lt Y xt= son los estimados de las medias, de los perodos
r = coeficiente de correlacin
comunes de tamao, Nr de las variables ! xt
S,,r, , S,,,, = son los estimados no sesgados de las
b) Clculo de r
desviaciones estndar, de yt y x de los perodos
El valor crtico de t (t,), se obtiene de las tablas r de Student (tabla
comunes de tamao N1
,21.5 del apndice), con 95Vo de probabilidad, o con un nivel de
r = coeficiente de correlacin significacin del 5 7o, es decir'.
tr = variable aleatoria normal e independiente, con media al2 = 0.025
cero y varianza unitaria G.L. = Nt-Z
t- NI(0, 1).
0= 0 se usa en completacin, en este caso el ruido aleatorio c) Comparacin del /" con el /,
no es considerado
0= I se usa en extensin, en este caso el ruido o factor
aleatorio si es considerado correlacin significativ
cr = f (Nl, N2) corrige el sesgo en la variancia del proceso
N, (N, - +)(r'r, - r)
. Si I t" l, t,
-> r es significativo, por lo que s existe correlacin
*-
u-T ...(e.7) significativa entre las variables )1 ] /1, y se puede hacer uso de la
(r, -0(r, -l)(r'r, -z) ecuacin (9.5) (9.6), para la completacin y extensin.

. Criterios de confiabilidad. Si r resulta no significativo se puede aplicar el proceso de


rrutocorrelacin o probar con o[ra serie.
La ecuacin (9.5) (9.6), slo se podr usar si hay una correlacin
significativa entre las variables )t y x, es decir, si el coeficiente de
9.4 Criterios para mejorar los estimados de los
correlacin r de la ecuacin (9.4), es estadsticamente significativo
con un cierto nivel de confiabilidad, utilizando el estadstico t, para parmetros
esto se procede de la siguiente forma:
Usando el anlisis de correlacin, para extender el registro corto de
lr serie y, de una estacin con tamao Nr, utilizando otro registro
Completacin y extensin - pgina (342) Hidrologa Estadstica - pgina (343)

largo de la serie x, de otra estacin con tamao N = Nr* N2, surge la Con este registro, completar los datos faltantes de los aos 1990 y
pregunta, si la extensin de Nz valores mejora o no, los parmetros 1998, de la estacin San Antonio, a partir de su correlacin con la
requeridos de la serie y?. cstacin Cach.
Es muy posible, que la adicin de Nz valores, puede dar un estimado
peor (ms malo), de los parmetros de la serie y, por lo cual, es 2. En la tabla 9.2, se muestran los registros de caudales medios
necesario conocer algunas medidas de confiabilidad de los anuales, para el perodo 7g5g-lgg8, de las estacione A y
parmetros estimados, antes y despus de la extensin. B.
"n -'ls,

Se puede ltilizar La varianza, para medir la precisin de los 'l'abla 9.2 Catdales medios anuales de las estaciones A y B
estimados, as se tiene:
. Si la VAR(serie y reconstituida) > VAR(serie y histrica), Ao A B Ao A B
entonces el estimado es menos preciso, por lo cual no se (m3/s) rm3lsl rm3lst lm3/s)
recomienda la extensin de los datos. 1 959 26.26 34.25 1979 22.14 25.89
. Si la VAR(serie y reconsrituida) < VAR(serie y histrica), 1 960 22.12 30.82 1980 22.57 20.70
1 961 33.39 42.56 1 981 20.14 17.88
entonces el estimado es ms preciso, por lo cual se puede usar la
1962 21.15 12.54 1982 26.51 34.85
extensin de los datos.
1 963 25.64 41.35 1 983 15.06 21.92
1964 20.99 36.20 1 984 28.83 31.58
9.5 Problemas propuestos 1 965 22.06 34.22 1 985 26.03 27.15
'15.99
1 966 25.74 29.87 1 986 21.02
967 30.90 20.42 1987 25.88 36.95
1. En la tabla 9.7, se muestran los datos de precipitacin anual,
1
'1968 25.97 30.35 1 988 13.62 9.25
rnm, de las estaciones San Antonio y Cach. 1 969 20.56 31.24 1 989 22.42 17.49
1970 15.81 10.76 1 990 25.11 21.22
Tabla 9.1 Precipitacin anual de las estaciones San Antonio y Cach 1971 17.28 11.72 199'1 35.84 35.57
1972 18.86 25.67 1 992 24,11 36.'19
Ao San Cach Ao San Cachi 1973 33.48 44.30 1 993 29.16 51.40
Antonio Antonio 1974 19.75 17.95 1 994 24.29 24.76
986 4151 .0 2149.2 993 2987.7 1975 20.82 25.01 't995 38.08 41.25
1 1 1888.1
1987 3736.6 2115.5 1 994 3633.3 2020.1 1976 26.23 35.26 1996 21.36 27.76
1 988 3263.2 2195.1 1 995 3606.8 2095.2 1977 23.99 37.06 1997 18.16 35.83
1 989 3438.1 1822.O 1 996 3945.4 2104.3 1978 21.56 23.02 1 998 14.98 1 1.00
1 990 2616.7 1997 3004.1 1678.0
'1991 3140.4 1739.8 1 998 1703.0 Suponiendo que en la estacin A, elperiodo 1989-1998 no tiene
1 992 3474.4 1799.0 1 999 2918.8 2083.5 informacin, realizat el proceso de extensin de esta informacin
2000 31 1 6.1 1621.7
para este perodo, a partir de la serie de la estacin B.
Completacin y extensin - pgina (344) Hidrologa Estadstica - pgina (345)

. Indicar las ecuaciones de extensin, para e = 0 y 0 = 1.


Se desea extender los datos para los meses Enero-Junio, del ao
. Comparar los valores registrados, con los resultados obtenidos 2000 de la estacin B,para lo cual se pide:
de la extensin, con ambas ecuaciones y obtener la diferencia en
cada caso. Indicar cual sera la ecuacin de extensin, simplificar ala
forma:
3. En una cuenca, se tienen 2 estaciones A y B en las cuales se Bt=a+bAt*Ct
- midieron los caudales medios mensuales, -3/s para el ao donde: sr - NI (0,1)
1999, y algunos caudales medios mensuales"npara la estacin A, Extender los datos para los meses Enero-Junio del ao 2000 de
para el ao 2000. Los resultados se muestran en la tabla 9.3. la estacin B. Explicar todo el proceso seguido para la extensin.

Tabla 9.3 Caudales medios mensuales de las estaciones A y B, en


*3/.

Ao Mes Estacin A Estacin B


mtls mtls
1 999 E 175.97 321.08
1 999 F 75.83 22.81
I 999 M 45.94 155.41
1 999 A 77.57 274.58
1 999 M 131 .1 8 43'1.65
1 999 J 136.05 446.52
1 999 J 171.13 456.84
1 999 A 475.75 1270.04
1 999 S 897.42 2089.29
1 999 o 710.59 1618.41
1 999 N 268.30 431.72
1 999 D 224.30 509.33
2000 E 84.85
2000 F 189.32
2000 M 321.67
2000 A 567.21
2000 M 222.78
2000 J 677.32
Generacin de
nmeros aleatorios
L0.L Generacin de nmeros aleatorios
uniformemente distribuidos
El mtodo ms aceptable, para generar nmeros aleatorios es aquel
que produce nmeros que sean:
. uniformemente distribuidos
. estadsticamenteindependientes
. reproducibles
, sin repeticin dentro de una longitud determinada de la
seccin

De igual manera, tal mtodo deber ser capaz de:

generar nmeros aleatorios a grandes velocidades


. requerir un mnimo de la capacidad de almacenamiento de la
computadora
Generacin de nmeros aleatorios - pgina (34g) Hidrologa Estadstica - pgrna (349)

Los mtodos de congruencia, se disearon especficamente para


la cual permite calcular una sucesi" {r,} de enteros no negativos.
satisfacer los requerimientos antes mencionados y se basan
en una
relacin fundamental de la congruencia, que puede expresarse por
medio de la siguiente frmula recursiva: Este mtodo adaptado para computadora, emplea un mdulo m=pb
que representa el tamao de la palabra de la computadora, donde p
U*t=aF*c(modm) ... (10.1)
es el nmero de guarismos, del sistema de nmeros que usa la
donde: Lti, a, c y mson enteros no negativos.
computadora, por ejemplo , p = 2 para el sistema binario y denota
el nmero de dgitos en una palabra, por ejemplo 32.Elvalor ptimo
Desarrollando la ecuacin (10.1), para, i 0,1,2,..., se obtiene:
= de , est dado por la siguiente relacin:
Ih=alto+c(mod m) b
t!= ah +.c (mod m) =a2uo * @+t) c (mod m) a =22 +l ... (10.4)

.: (to2) Para estos valores la ecuacin (10.3), toma la forma:


: :
* c 4-1 @od m)
i
ui = a. u,o
a.- I
ui*t =Q'u *t) u,(modz") ... (10.s)

Una vez dado un valor inicial po, un factor constante a y una Nota:
constante aditiva c, las ecuaciones (10.2) conducen a una relacin En forma prctica, la generacin de nmeros uniformemente
de
congruencia, para todo valor de i en la sucesin: distribuidos entre 0 y 1, se puede hacer con una calculadora manual,
ellas tienen incorporada la funcin RAN#, que genera estos nmeros.
{F,, ilr, r1r,.,.}
Tambin, todos los lenguajes de computacin, tienen incorporado
se han desarrollado tres mtodos bsicos para generar nmeros subrutinas para la generacin de nmeros uniformemente
pseudoaleatorios, mediante el empleo de las diferentes
versiones de distribuidos comprendidos entre 0 y 1. Por ejemplo Basic y Visual
la ecuacin (10.1): el aditivo, el murtiplicativo y er mixto, sin
Basic, tienen la funcin de biblioteca Rnd,la que genera nmeros
embargo, existe evidencia emprica de que ts mtodos
de uniformemente distribuidos, comprendidos entre 0 y 1.
congruencia multiplicativos, producen nmeros pseudoaleatorios
aceptables que pasan toda prueba estadstic que permite
El listado 10.1 permite generar la cantidad de nmeros aleatorios
considerarlos como verdaQeros nmeros aleatorios. La ecuacin
de uniformemente distribuidos, indicado por el usuario.
este mtodo es:

ui*t = au, (mod m) ... (10.3)


Generacin de nmeros aleatorios - pgina (350) Hidrologa Estadstica - pgina (351)

Listado l0.l; Generacin de nmeros uniformemente distribuidos . En computacin, permite la simulacin de juegos.
entre 0 y l.

lNPUT "lngresar la cantidad de nmeros aleatorios a generar" ; n


10.2 Generacin de nmeros aleatorios
RANDOMIZE TIMER normales independientes
CLS
PRINT n ; " Nmeros uniformemente distribuidos entre 0 y 1"
l,lxisten varios mtodos para generar nmeros aleatorios normales, a
FORI=1TOn
PRINT USING " #.####### " ; RND partir de los nmeros aleatorios uniformemente distribuidos, entre
;

NEXT I cllos se tiene:


PRINT
END
l)rocedimiento del lmite central
El listado 7O.2, permite generar nmeros aleatorios enteros,
comprendidos entre dos valores a y b, esto resulta de inters cuando l)rra el clculo de nmeros aleatorios normales, se usa la siguiente
se desea realizar ejemplos de simulacin de juegos. ccuacin:

Listado 10.2: Generacin de nmeros aleatorios enteros entre a y b


fl=uttur*...*ut -L2
... (10.6)
CLS
INPUT " lngresar elvalor inferior A" ;A -qk
\ u.-
n= L,l , ,)
INPUT " lngresar el valor superior B" ;B
INPUT " lngresar la cantidad de nmeros aleatorios a generar" ; n
tlonde: ai = nmero aleatorio uniformemente distribuido (0< ui<l).
RANDOMIZE TIMER
CLS Si fr =12, la distribucin de valores n se aproximan a una
PRINT n ; " Nmeros uniformemente distribuidos entre" ;A ; "y" ; B tlistribucin normal, con media cero y varianza unitaria, es decir, en
FOR l=1 TO n oste caso n es un nmero aleatorio normal.
PRINT A+lNT ((B-A+1).RND) ;
NEXT I
Para obtener los nmeros aleatorios normales e independientes, con
PRINT
END rnedia i y desviacin estndar S, se emplea la siguiente ecuacin:
I

El uso de la generacin de nmeros aleatorios, es de suma ... (10.7)


importancia en diferentes actividades, por ejemplo: '= {?)ulr.",-i).0
. En hidrologa, permite la generacin de series sintticas.
. En trabajos de experimentos, permite la seleccin de
muestras en forma aleatoria.
Generacin de nmeros aleatorios - pgina (352) Hidrologa Estadstica - pgina (353)

Procedimiento rpido l-istado 10.3: Generacin de nmeros normalmente distribuidos

CLS
Pata el clculo de los nmeros normales, se utiliza un polinomio do pi= 4 * Atn(1)
5o grado que tiene como variable, a los nmeros uniformemento lNPUT "lngresar la cantidad de nmeros aleatorios a generar"; n
distribuidos. nn=nl2
RANDOMIZE TIMER
Se afirma que esta tcnica es la ms rpida, aunque se le imputa, quo
CLS
emplea varios cientos de ubicaciones de memoria para almacenar en S=0
la computadora ciertas constantes especficas. f)RINT n; "Nmeros normalmente distribuidos "
FOR i= 1 TO nn
u'l = RND
Procedimiento directo u2 = RND
nx1 = SQR((-2. LOG(u1))) . COS(2 " pi* u2)
El mtodo de Box y Muller es el ms prctico, requiere de dos nx2 = SQR((-2. LOG(u1))) . SIN(2 . pi* u2)
nmeros u t, uz aledtorios independientes uniformemente distribuidog PRINT USING ' ##.####### "; nx1;
y definidos en el intervalo (0,1), los cuales son transformados en dog PRINT USING ', ##.####### "; nx2;
NEXT i
nmeros ni, tti+r aleatorios independientes normales, con media 0, y lFnMOD2=0THEN
vaianza 1, donde:
n, = {-ztnu, cos(zlur) LLSE
u1 = RND
... (10.8) u2 = RND
sin(znu, ) nx1 = SQR((-2. LOG(u1))). COS(2 * pi * u2)
ni*t = "Frln\ PRINT USING ' ##.####### "; nx1;
END IF
El listado 10.3 permite generar nmeros aleatorios normalmentc PRINT: PRINT
distribuidos, utilizando el mtodo de Box y Muller. t:ND

Para obtener nmeros aleatorios normales, con medra xy


desviacin estndar S, se realiza la siguiente transformacin: 10.3 Generacin de nmeros aleatorios log-
N' = x* Sn' normales independientes
... (10.e)
N,*, = x*Snr*, l'nlr generar nmeros aleatorios log-normales, se utiliza la siguiente
I r rr sformacin exponencial:
donde, M, M+r son dos nmeros normales independientes, con Ln,=EXP(n,)=e'' ... (10.10)
x y desviacin estndar S. r klncle:
Generacin de nmeros aleatorios - pgina (354)
Hidrologa Estadstica - pgina (355)

/i= nmero normal independiente (0,1) 10.4 Problemas propuestos


Lni = ir"ro lo g - normal independiente (0, I )
L Se desarroll un experimento en celdas, ubicadas en una tabla
Para generar nmeros log-normales con 2 parmetros, que tiene 10 filas y 20 columnas.
parmetros Fy y Sy, se usa la ecuacin:
u +S n.t 1 2 3 4 5 6 7 8 9 10 11 12 1314 15 16 17 18 19 20
LN,=EXP(ur1-Srn,)=e ! Y 1

2
... (10.11) 3
u l-S n.t+l 4
LN,*r=EXP(u, Srn,*r)=e ! Y 5r

0
donde: 7
LNi, LNi*t = son dos valores log-normales independientes {}

con parmetros p, , ,S, f)


10
lr, , S y = Son los 2 parmetros de la distribucin log
ni, tti+r = son dors nmeros aleatorios N(0,1), obtenidos da
la ecuacin (10.8) l'nra el anlisis de los resultados, de esta tabla se deben elegir 6
ilruestras, seleccionando en forma aleatoria sufila y columna.
Para generar nmeros log-normales con tres parmetros,
parmetros py, y, X6 se usa la ecuacin: l'ra realizar este proceso, generar 6 pares de nmeros; para las filas
z -lS n.t Irlnerar nmeros del 1 al 10; para las columnas generar nmeros del
LN, = Xr+ EXP(u, * Srn,) = Xo +, ! Y I rl 20, de tal manera que indiquen las muestras a seleccionar.

... (10.12) Muestra Fila Columna


z *,S n- 1

IN,*, = Xo+EXP(ur*Srn,*r)=Xo +e !'"y'"i+l 2


3
donde:
4
LNi, LNi+t = son dos valores log-normales independientol 5
con parmetros p, , ,Sy, Xo b
It, , S y, Xo = son los 3 parmetros de la distribucin lo.
normal Nrta. La funcin de biblioteca INT(x), extrae el mayor nmero
hi ,tti+t = son dos nmeros aleatorios N(0,1), obtenido tlrloro que algebraicamente no excede a x.
la ecuacin (10.8)

Generacin de nmeros aleatorios - pgina (356) Hidrologa Estadstica - pgina (357)

Explicar detalladamente como se generaron los nmeros para las . Calcular la mediana de la serie generada.
filas y columnas, mostrando todos los resultados parciales.
Nota. Explicar detalladamente como se generaron los caudales de la
2. En el Departamento de Hidrologa del ICE, existe una sr'r'ie generada, mostrar todos los resultados parciales.
metodologa, para calcular valores mximos de caudales y
precipitaciones, utilizando valores ndices. Los valores ndices, 1. Una estacin tiene un registro de caudales anuales de20 aos, en
se obtienen calculando la mediana de la serie y de las series m3/s, los mismos que se muestran en la tabla 10.2.
generadas.
I'lbla 10.2 Registro de caudales,
Dada la serie de 15 datos de caudales que se muestra en la tabla ", -'/.
10.1. 273 1 045 1875 2876 1 967

1 643 '133 186 883 3687


756 186 616 224 122
Tabla 10.1 Serie de caudales
734 134 1706 2409 551

o .
(m3/s) Realizar la prueba de bondad de ajuste Smirnov-
1 51.9 Kolmogorov, para ver si estos datos se ajustan a la
2 42.5 distribucin normal. Si el ajuste fuera bueno, generat 20
3 58.8 datos normales con parmetros X , S de Ia serie.
4 59.6
5 62.5 . Realizar la prueba de bondad de ajuste Smirnov-
6 55.3
7 59.0
Kolmogorov, para ver si estos datos se ajustan a la
8 41.2 distribucin log-normal de 2 parmetros (py, oy). Si el ajuste
9 30.9 fuera bueno, generar 20 datos log-normales con parmetros
10 44.0 [ty, oy de la serie.
11 43.4
12 45.5 . Realizar un anlisis estadstico para probar si los datos de la
48.5
tabla lO.2 (,, ',) y de las series generadas (X* S2z)
13
14 49.2
15 40.4 normal y log-normal, tienen las medias iguales (X, = X r) o
diferentes, las varianzas iguales (S2r=S2z) o diferentes.
T Calcular la mediana de la serie.
I Generar una serie de 15 datos, que contengan nicamente Nota: Mostrar todos los resultados parciales y explicar como se
valores de caudales de la tabla 10.1, stos pueden ser repetidos. obtuvieron.
r-

Intervalos de
confianza
11.1 Estimacin puntual y estimacin por
intervalos
Dada una muestra de20 datos de caudales anuales, e, *3/r, de una
roblacin (estacin de aforo), que se indican en la tabla 11.1, al
calcular sus parmetros estadsticos, se obtiene:
Media: 55.82
Varianza'. 666.84
Desviacin estndar: 25.82
Coeficiente de sesgo: 0.42
Coeficiente de variacin: 0.46
Coeficiente de curtosis: 2.27

Poblacin
(rr,"2)

Muestra
(x,s2,cv)
Intervalos de confianza - pgina (360) Estadstica Aplicada - pgina (361)

Tabla 11.1 Muestra de 20 datos de caudales, en m3ls, de una ll.zlntervalos de confianza para la media de
poblacin
una distribucin normal, cuya varianza es
30.1 26.5 80.4 50.3 60.2 conocida
27.8 90.6 34.1 17.l 48.3
s0.4 90.1 50.6 44.4 33.3 Sea X1, X2, ..., X, una muestra dada extrada de una poblacin
100.1 85.3 95.2 40.2 60.8 clistribuida normalmente, y cuya vaianzao2 es conocida.

Estimacin puntual Ef intervalo de confianzapana la media poblacional p gs la siguiente:


X-k3pSX+k
Es un solo valor que se mide a partir de una muestra y se usa como donde:
una estimacin del parmetro poblacional correspondiente.
,.-cor
Por ejemplo, la muestra de la tabla 11.1 tiene una media de 55.82
^,ln
m3/s, la misma que representa una estimacin puntual para la media
p de la poblacin correspondiente.
X = media muestral
c = valor de la tabla normal estndar que refleja el nivel de
conftanza \ (9 57o, 99 Vo, etc.)
o = desviacin estndar de la poblacin
Estimacin por irrt..orlo y nivel de confianza n = tamao de la muestra

La estimacin por intervalo, establece un intervalo dentro del cual es


El proceso de clculo es como sigue:
mur probable que se encuentre el parmetro poblacional. El
coeficiente de confianza., se usa para indicar la probabilidad de que
.una estimacin por intervalo contenga el parmetro poblacional. El
L Calcular la media X de la muestra Xr Xz, ..., Xn.
nivel de confianza (99Vo, 957o), es el coeficiente de confianza
expresado como un porcentaje.
2. Elegir un intervalo de confianza y (957o,997o, etc.)

Por ejemplo, si se hacen los clculos correspondientes, la media de


la poblacin p, de la muestra de la tabla 11.1, con una probabilidad
del957o (nivel de confianza), esta en el intervalo:
43.73621 p I 61.9038
rr=5%

J. Determinar c apartirdel valor de y de latabla ll.2


r
Intervalos de confianza pgina(362) Estadstica Aplicada - pgina (363)

Tabla 11.2 Valores dec paray- 90,95, gg,gg.g % 3. De la tabla 11.2, para Y = 0.95, se tiene c = L.960

"T 0.90 0.9s 0.99 0.999 4. Clculo de k:


c 1.645 1.960 2.576 3.291 1.960 x 3
l-"-;-- - =0.588
.,/100
4. Calcular:
-co
k=,-_ .... (11.1) 5. Clculo de:
"Jn
X -k=5-0.588=4.412
X +k=5+0.588=5.588
5. El intervalo de confianzapara la media t delapoblacin es:
*.- t< < tt <X + t .... (tl.z) Luego, el intervalo para p, con una probabilidad del95 Vo es:
4.212 S tr 15.588
se observa en la tabla I 1.2, qae si y crece, c tambin crece. por lo
tanto, mientras ms cercano a r se escoja y, se debe esperar Iijemplo 11.2:
intervalos de confianza ms grandes.
,Qu tan grande debe ser z en el ejemplo 11.1, si se desea obtener
Por otro lado, de lu (r1.r), se observa que el varor de un intervalo de confianza del 957o de probabilidad y de longitud L =
disminuye, al aumentar "",.ru.i,
el tamao n delamuestra. sto implica que, 0.4?
en general, las muestras ms grandes darn intervalos detonfranza
ms cortos, es decir, informacin ms precisa. Solucin:
X-t< X X+k
Ejemplo 1l.l: t

k k
Determinar paraun 95vo de probabilidad, un intervalo de confianza L=2k
para la media de una distribucin normal, con varianza o2 9, La longitud L es:
usando una muestra de n = 100 valores, con media T 5.
=
= L=2k =2'o
-
"1"
Solucin: donde:
- 2co
1. ValordeX=5(dato) ^Jn =
L
2. Valor de y = 0.95 (dato) 4c2o2

Intervalos de confianza - pgina (364) Estadstica Aplicada - pgina (365)

Si y - 957o, de la tabla 11.2 se obtiene: c


= I.96O,luego: 10

4x7.9602 x9 L/o
0.42
l t
05 n=5j
n=870
l=ioo .l

La figura 11.r muestra cmo decrece z cuando ,


n crece.cuanto ms -r n=200:
cortas deseamos que sean los intervalos
de confiunru,..ra, grande se n=1 000
debe escoger el tama o n de la muestra.
0

t
L/o
0.6
U
0.90 0.95
7--)
1 .00

I
o.4 \ lrigura 11.2 Longitud del intervalo de confianza, medido en mltiplo
\ \ tlc o, como una funcin del tamao n dela muestra
o.2
\
Y=99%
'!=95Yo
11.3 Intervalo de confianza para la media de
0 una distribucin normal, con varianza
0 500 rooo desconocida
Figura l l.r Longirud der intervalo de confianzu,
,1"roo en mlriplo
de o, como una funcin del tama o n dela
muestra
lilproceso para el clculo del intervalo de confianza es como sigue:
l. Calcular la media X y lavarianza,S2 de la muestra X1,X2,...,X'.
La figura 11.2 muestra cmo crece L, cuando y
crece ( con 2. Escoger el nivel de confianzay (95Vo,99Vo, etc.)
n
constante ). Es claro que: L _+ * cuando y _+
l. .t. Determinar la solucin c de la ecuacin:
F(c)=)O. rl .... (1 1.3)

t
rr partir de la tabla de la distribucin con n-l grados de libertad
(tabla 4.6 del apndice, donde n = tamaio de la muestra)

(lon el valor de c calculado, determinar:


Intervalos de confianza - pgina (366) Estadstica Aplicada - pgina (361)

c li.jemplo 11.3:
.... (11.4)
"l; Ljsando la tabla 11.1, determinar un intervalo de confianza, con una
En la tabla 11.3, se muestran algunos valores de c t Ji, p&r y
0.95 y \ = 0.99, para algunos valores de n.
= probabilidad del 95Vo, para la media de la poblacin
correspondiente. Suponer que la poblacin se distribuye
Tabla 11.3 Valores de normalmente.
!^ln , en funcin de nyy

C Solucin:
n
T"
cuando l. De los datos, se tiene:
X = 55.82
Y = 0.95 Y = 0.99
2 8.99 45.0 52 =
666.84
3 248 5.73 S = 25.82
4 1.59 2.92 '). Por dato del problema, el nivel de confianza es: y = 0.95
5 124 2.06
6 105 1.65 .1. Puesto quen=20,delatabla 11.3, setiene: f =0.468
7 0.925 140 ^Jn
8 0.836 124
9 0.764 1.12
Nota: El clculo d" f- , se puede tambin realizar utilizando la
^Jn
10 0.715 103
15 0.554 0.769 tabla 4.6 del apndice, para esto hacer:
20 0.468 0.640 . 1+ 0.95
25
De la ecuacin (11.3), para un F(c)= =0.975 y con
0.413 0.559
30 0.373 0.s03
40 0.320 0.428
grados de libertad: 20-L=19, de la tabla (4.6), se encuentra
50 0.284 0.379
c=2.09
100 0.198 0.263
200 0.139 0.'184 De la ecuacin (1 1.4), se tiene:
500 0.088 0.1 16 c
=0.4673
^,ln=2,P9
'120
4. Calcular:
_ .tc
k=- .... (11.s) El valor de k de Ia ecuacin (1 1.5), es:
"ln k=25.82 x 0.468
5. Calcular el intervalo de confianza para p: k= 12.0838
)(-kSttSX+k .... (11.6)
5. Los lmites del intervalo, utilizando la ecuacin (11.6), son:
Estadstica Aplicada - pgina (369)
Intervalos de confianza - pgina (368)

yy
X + k = 55.82+ 12.0838 = 67.9038 Tabla 11.4 Valores de ct, cz en funcin de n
X - k = 55.82-12.0838 = 43.7362 v = 0.95 v = 0.999
n q Ct h
C1

Por lo tanto, la media de la poblacin p, pertenece al intervalo: 2 0.00 5.02 0.00 7.88
43.73621tr I 67.9038 3 0.05 738 001 10.6
4 0.22 9.35 0.07 12.8
5 0.48 11.1 o.21 14.9
De los clculos anteriores se puede concluir, que al 95Vo de 6 0.83 12.8 0.41 167
confranza,la media poblacional de los caudales, se encontrar entre 7 1.24 14.4 0.68 18.5
los valores 43.7362 m'/s y 67.9038 m3ls. I 1.69 16.0 0.99 20.3
I 2.18 17.5 134 22.O
10 2.70 19.0 1.73 23.6
15 5.63 26.1 407 31.3
ll.Alntervalo de confianza para l'a varianza de 20 8.91 32.9 6.84 38.6
la distribucin normal 25 12.4 39.4 9.89 45.6
30 16.0 45.7 13.1 52.3
40 23.7 58.1 20.0 65.5
El proceso de clculo del intervalo de confianza, es como sigue: 31.6 70.2 27.2 78.2
50
1. Calcutar la varianza',S2 de la muestrai X1, X2, ...,Xn, luego 100 73.4 128 66.5 139
calcular (n-1)S2
2. Elegir el nivel de confianza! (95Vo,997a, etc.) 4. Calcular:
3. Determinar las solucioles c1, cz de las,ecuaciones:
I
F(ci =:0-Y)
. (n-
Kl---
1)s2
2. cl
... (11.8)
" ot'7)
r
F(cZ)=:(l+y) k2=*h-t\sz
c2
a partir de la, tabla y2 con n - I grados de libertad (tabla A.g dl
es:
apndice, siendo n = tamao de la muestra) 5. El intervalo de confianzaparao2

3 kt ... (11.e)
En la tabla 11.4, se muestran algunos valores de c c2,palrty = 0.95 kz<o2
y T = 0.99, para algunos valores de n.
Intervalos de confianza - pgina (370) Estadstica Aplicada - pgina (371)

Ejemplo 11.4: cz=32'85


4. Los valores de k de la ecuacin (1 1.8), son:
Con los datos de la muestra de la tabla 11.1, determinar un intervalo
de confianza, con un 957o de probabilidad, de la varianza de La 19 x 666'84
poblacin, suponiendo que la poblacin se distribuye normalmente. o,
'- g.8l = 1421.9933
19x666.84
Solucin:
' -:':::::::'
k.t
32.9
= 385.1052

5. Por 1o tanto, el intervalo de confiaflza para la vaianza de la


1. De acuerdo a la tabla 1 1.1, se tiene:
poblacin 02, de la ecuacin (1 1.9), es:
52 = 666.84
luego:
(n-I)52 = 19 x 666.84=12669.96 385.1052 < d <142t.9933

2. Por condicin del problema y = 0.95


1L.5 Problemas Propuestos
3. Paran=20y y=0.95, delatabla 11.4, setiene:
cr=8.91 ycz=32.9 l. En la tabla 11.5, se muestran 30 datos de caudales me<iios
anuales, m'/s.
"n
Nota: Los clculos de c1 ! c2, sa pueden realizar tambin utilizando
la tabla A.9 del apndice, para esto hacer: Tabla 11.5 Caudales medios anuales en m3ls

. De la ecuacin (1 1.7) calcular: 34.25 30.82 42.56 12.54 41.35 36.20


30.25 31.24 10.76
/ \ 1- 0.95 34.22 29.87 20.42
17.95 25.01 35.26 37.06
\ r/ 2
11.72 44.30
25.64
29.02 26.25 22.12 33.39 21.15
1+ o'95 20.99 22.06 25.74 30.90 25.97 20.56
\/2
Fb2\- =0.975
Realizar la prueba de bondad de ajuste Smirnov - Kolmogorov,
Calcular los grados de libertad: 20-l = 19 para ver si eitos datos se ajustan a la distribucin normal.

De la tabla A.9, para F(c) = 0.025 y F(cz) 0.915 y grados de Si los datos se distribuyen normalmente, determinar un intervalo
libertad 19, obtener ct y c2, art este caso, para estos datos, se de confianza con 95 Vo de probabilidad, para la media p' y
tiene que: varianzao2 de la poblacin correspondiente'
cr = 8'91
Intervalos de confianza - pgina (372)

2. En la tabla 11.6, se muestran 24 datos de caudales medios


anuales, en m3/s.

Tabla 11.6 Caudales medios anuales m3/s


Bibliografa
175.97
171.13
75.83
475.75
45.94
897.42
"n
77.57
710.59
131 18
268.30
136.05
224.30
consultada
84.85 189.32 321.67 567.21 222.78 677.32
123:O2 226.25 322.12 433.39 521.15 725.64

Si los datos se distribuyen normalmente, determinar un intervalo Abramowitz, Milton - Stegun Irene. Handbook of Mathematical
de confianza con 95 % de probabilidad, para la media p, y Func:tions. Dover Publications, Inc. New York, U.S.A, 1972
varianza o2 de la poblacin correspondiente.
Aliaga, Segundo. Tratamiento de Datos Hidrometeorolgicos.
Editorial Horizonte Latinoamericano, Lima, Per, 1983.

Aliaga, Segundo. Hidrologa Estadstica. Editorial Horizonte


Latinoamericano, Lima - Per, 1985.
Amisial, Roger. Distribuciones Tericas Comnmente Utilizadas.
Centro Interamericano de Desarrollo Integral de Aguas y
Tierras (CIDIAT), Mrida - Venezuela,1978.

Benjamn, Jack - Cornell, A1lin. Probabilidad y Estadstica en


Ingeniera Civil. Editorial McGraw-Hill, Bogot, Colombia,
198 1,

lliran, Ch. Statistical Methods in Hydrology. Iowa, State University


Press, U.S.A., 1977.

I{osking, Jonathan L-moments: Analysis and estimation of


distributions using linear combinations of order statistics.
Journal of the Royal Statistical Society B52: 105-124. 1990.
Anexos

A. Transformada de Lapalce y funcin gamma

B. Funciones trigonomtricas
Transformada de
Laplace y funcin
gamma
4.1 Justificacin
Hrr Hidrologla es de uso frecuente las distribuciones normal, log-
nrrrmal, gamma de 2 parmetros, de 3 parmetros o Pearson tipo III,
krg-Pearson tipo III, Chi-cuadrado, / de Student, F, y otras.

Lu evaluacin de los parmetros de algunas de estas distribuciones,


xlr el mtodo de los momentos, se simplifica enormemente, si se hace
uso del concepto de la transformada de Laplace. Esta tambin se usa
tnra resolver ciertas ecuaciones diferenciales ordinarias y parciales.

l{n las distribuciones mencionadas y otras, el uso de la funcin garnma


os irnprescindible.

A l'in de simplificar los clculos posteriores, y as contar con una


Itcrramienta matemtica adecuada, es que en esta seccin, se realiza
Hidrologa Estadstica - pgina (381)
Transformada de Laplace y funcin gamma - pgina (380)

l.,a transformada inversa de Laplace


un estudio breve de la transformada de Laplace y de la
gamma. l)cfinicin:

A.2 Latransformada de LaPlace i la transformada de Laplace de una funcinflr), es F(s), es decir, si


* 1./(/))= F(s), entonces flr) se llama la transformada inversa de
Definicin l.lrlace de F(s) y se denota por:

una funcin de valores reales, deirnida para t


>0. = -,{r(r)}
Sea flr) fG)
-1,
multiplica f(t) por e-" y se integra con respecto a f, desde cero tklncle of se llama el operador de la transformada inversa de
infinito, es decir: l,rrllace.

ll u-" f (t)dt l,n tlefinicin anterior se puede expresar matemtcamente cofno:

y si esta integral converge, entonces es una funcin de sl' F(s)'


* ''{F(s)} = * -'{ {flt)}} =flt
F(s) - !; r-" f dt)dt
hrtcgral impropia
F(s) se define como la transformada de Laplace deflr)' siendo
funcin original y F(s) la funcin imagen' Dcl'inicin:

tftrn de las formas particulares de las integrales impropias de lmites


Notacin
htl'irritos es:

La transformada de Laplace de la funcin original flt) 6 f, lc


por F(s) o por .t {f:t)l,a lfl,"t ffir)}(s) "e [fl(s), es decir:
li rr'v'
It cual es similar a la definicin de Ia transformada de Laplace.

f t/(r)) = F(s) = f,'-" f (t)dt lrlrr integral se evala de acuerdo con la regla:

Donde of es llamado el operador de la transformada de Lapltol, ! a0,=, T".ff rQ)dt


cl lmite de la derecha existe y es finito, se dice que la integral
I
En general, . es una variable compleja, pero para lo
que aqu se ocupa' tl lpi converge, de lo contrario, se dice que la integral diverge.
considerar como variable r':al.
Hidrologa Estadstica - pgina (383)
Transformada de Laplace y funcin gamma - pgina (382)

Ejemplos de la evaluacin de la transformada de .'. d {"u'}= I ,sis>a


s-a
Laplace
l,o que indica que la transformada de Laplace de la funcin eut, es la
Solo a medida de ejemplo, del uso de la definicin de la transf' lirrrcin:
de Laplace, se plantean 1 s siguientes ejemplos:
F(s)= '- paras){t
1

Ejemplo 4.1:
s-a
'lirrnbin se puede concluir que:
Hallar la transformada de Laplace de la funcin:
f(t) = eo', donde a s con tante. 'er{r(s)}-r {ls-a)
' I=r^ -r

Solucin:
lljcntplo A.2:
De acuerdo a la definici n:
(lrrlcular la transformada de Laplace de la funcin:
I {uo'} - lr*
e-" e"'dt
,llt) = sen at, donde a es constante
{ro'} - l,* e-$-a' dt trlucin:
(s-a)t
= lim l- - r= tirnl- 'I
r-t'-"" t") l,
S-a-
Aplicando la definicin:
i---Jo ,-{ -1 '

=_ ,
{sen at}=J* e-" sen at dt
,r*qr_r,_ru_uo)
s-ab-
I lr*b^'-'' - 1)/
2, Clculo de:
-4+-\ I
e-" sen at dt ...(a.2)

't {."} =- s-a' r^'-^u -r) ... (a.1)


"l-(l,g Ittlcgrando por partes, se tiene:
t:- --(s-a\b _ 1"=O ,Sis_a>0s>a u=e -st du=-se-"dt
pero: =
L!!, e dy=senatdt =
1
,=-;cosat
Luego de (a .1) :

d {.u'}=-]-(-D tttstituyendo en (a .2), se obtiene:


s-a
Transformada de Laplace y funcin gamma _ pgina (3g4) Hidrologa Estadstica - pgina (385)

3. Clculo de:
Ie-" sen at dt = -! cos at - cos at dt ... (a .3)
"-,, IIu,, t = I, senat at =y1J! e-" senat dt
Clculo de:

Je-" cos at dt , at + !,,*,)'uo]


...(a.4) =
l,S{- ;+,-"[.o,
Integrando por partes, se tiene:
u = e-tt
=+ du = -s e-tt d
dv=cosatdt =) ,=1 senat
a

Sustituyendo en (a .4), se obtiene:


! sen ab
t
-a =---1 -1
at dt = ! J-+ -
te .-" cos
I "-",
sen at +
!r-,, sen at dt ... (a .5)
Reempla zando(a .5) en
fu .:1, resulta:
haciendo: t =cos ob+!senab
a
I e-" sen at dt = -!,,, cos at - ! y sabiendo que, para s > 0:
I(?,, senat *
[ r-,, senot d) lim ' -) oo
=_
I ot_ !_r_,,sen
b-+
e-", cos * _ st
senat dt se tiene:
Sr_
(r. :?)t ,-" sen oo, r, = - I , ,,"io,, o, - l ,-,, sen at

Je-,,sen atdt=f-l
+o'Ll(*ro,,,
)l
a ---""+-senatl I = lu-" senat dt = -; para s > 0
[ ' -"!
.'+a'
= ,,[.o, o, !r"no,)
Je-" sen at dt
j#, *
.'. {sen o*= para s > o
?+t
Observar que:
Transformada de Laplace y funcin gamma - pgina (386) Hidrologa Estadlstica - pgina (387)

l'lbla A.1 Transformada de Laplace de algunas funciones elementales


o-'{ ro -}=t"n" * t/(r)]= F(s) = I: n't f (t)dt
+ d-
Ls-

Domlnlo Dornlnlo
Frmulas elementales
(0 r de (0 t t(ol de
t(t)l deflnlcln definicin
La forma de calcular la transformada de Laplace, se puede observar en
los dos ejemplos anteriores. Pero el clculo de la transformada do 9 C
Laplace, se simplifica, si se hace uso de tablas elaboradas para tal fin.
C s>0 I Ce^l
S-a S>a
s
I t
En la tabla A.1, se muestra la transformada de Laplace de algunas e^' S>a 10 g"' S>a
S-a S-a
funciones, la misma que es suficientemente amplia, para lo
propsitos prcticos presentes. I 1
t ) s>0 t1 e"tt S>a
s- (s - o)2
Propiedades de la transformada de Laplace 1. nl.
{ -
---: o s>0 12 e^'f S>a
s'?+l (S - a)n+l
Existen una serie de propidades de la transformada de Laplace, quo
pueden demostrarse. Para efectos prcticos, solo se enuncian 0 f(r + l)
continuacin: , n+l
0)a {af Q)+bs|)+ch|)}="* {1:1t}+6 * {g@}+re {n@} b b
Sen bt s>0 13 e^tsen bt S>a
s2 +u2 (S-a)2 +b2
(2) si a t/(r))= F(s) -+ a k'' f @j= FG - a)
s S-a
s>0 sa+ll
(r))=, * {Ffrl}-ffo)
Cos bt 14 e^tcos bt
(3) d s2 +02 (s - a)2 +b2

g * l" ,' d t/(/)}-,'/(o) -.f '(o)


{tl}= Senh bt
b
s>lol 15 e'tsenh bt
b
5>a+ lol
(S - a)2 -b2
s2 -b2
(5) .{ {,f ,', (r)}= ,' * tf trl}- s".f (0) - sn-' f '(0) -... - f "'(o) s S-a
Cosh bt
s2 -u2
slol 16 e^tcosh bt
(s-a)2 -u2
5)a + b

(u)* ravt}=1 * {u>}


{lJ
Hidrologa Estadstica - pgina (389)

Transformada de Laplace y funcin garma


- pfoina (388)

li.jamplo 4.3:

(7) )dt ( 'rrlcular: a br' - 4t -3ea' + senZt]


Solucin:

(8) (f)) llsando la propiedad (1) de la trar,lsf-ormada de Laplce_, se tiene:


e {sr' - 4; -3ro' + sen2t}= s * l'}- o* {,}- :* ko'}** {sen 2r}
...(a.6)
():
I('t
2l 2,
(e) 'e ,1=
(. J
,,
=
.,
(Frmula 4)

"e Lj= +
.t
(Frmula 3)
(10
"e {ro'}=
L r s-4 (Frmula 2)

4 {f t, - a)H (t - d}= e-o' A {ff'l}


(11)
e zr}= (Frmula 5)
[o si t<a
{sen
irz* +
donde: H(t - a) = I
lrrcgo, sustituyendo valores en (a.6), resulta:
Ir si t>a
a>0
' +-+-
'e b,'-4t-3ea' +sen2r)= .' s' -\*-2,
y
s-4 s'+4 ^

(12) Teorema de convolucin:


lijuuplo A.4:
(.t I
* *a(r)}= - f G -u)s@)d"l "t t/}* {g}=n1sG(s) (';rlcular:
{.r
lf e pe'' cos4t-5e4't5 +8senh3r)

l'"- st
f(t)t olrcin:
(13) "e UOI=Jo-'-
l- e- ws llrurdo la propiedad (1) de la transformada de Laplace, se tiene:
---con perodo w > 0' es decir:
donde:flr) es peridica,
f(t)= F(t+w)
Transformada de Laplace
y funcin gamma _ pgina Hidrologa Estadstica - pgina (391)
(390)

* brr, cos4t - 5eo, f+ gsenh3r]


=2 p'' cos+t|-s; bour']*8 .o
* {senhar}=** k-}-)* b--}
-
pero: {senh zt} ...qa.t
a pt, --" '"J- _-_s -3
t cos4r)= Aplicando la frmula 2 delatablaA.l, resulta:
(Frmula 14)
r-r *7 .e {senh ot}=!. -t 1. I
e {uotr'}= _ 120 2 s-a 2 s-ta
t - r ("_ 1_- = 1. s* a-(s-a)
- +f G- 4t' Grmula 12)
* 2 s'-a'
{senh3r}=
s'-3- (Frmuta 7) l2a
-9 n * -"'
luego, remplazando
valores en (a.7),se obene: .'. ot o
{senh af }= -, 1 L.Q.Q.D /
s- -a'
* b"'' cos4t-se4,ts+8senhtr)=Je_2 lljemplo A.6:
*
iri+ ,?1,
Calcular:
Ejemplo A.S:

Demosffar que:
a-ri +s+s I
ls' 6s +341
ot {senh at}= _a_
s'-a'
Demostracin: (irmpletando cuadrados en el denominador:

Sabemos
s2 +6s +34 = sz + 6s+9 + 25 = (r +3)2 + 52
que: senh ot = "''__"_*_ sc puede escribir:
Iuego:
d,l-jl I=*-,J
-- ,+s l
.e d ls2 +3a[-+ 6s y l@rf . I
{senh at}=
{r;al l)cscomponiendo el numerador de la siguiente forma:
Aplicando la propiedad (1)
de Ia fansformada de
s*5=(s+3)+2
Laplace, se tiene: 'csulta:
Transformada de Laplace y funcin gamma _ -
pgina (392) Hidrologa Estadsticu rllttrt I lU I t

til lllr
('-r)(s-r)
tlc donde:
A(s-3)+B(s-l)=2 A+B=Q=] = I
(n+r), -3A- B =2= _ 3A_ B =Z= B - |

luego en (a.10), resulta:


2tl ,,,(rt,l l)
pero: ...(a.8) (.,-r[r-5=-s-t*r-3
*,1 ('*')ri=e-3,cos5/ sustituyendo (a.11) en (a.9), se tiene:
wurJ' (propiedad l4)
l(s+r), *s, I I z I f 1 *,_ll
ll
*, t(, _-* _r-ll=
, t- ;=
*''{ * I?-'i=2*,1
;t, I= i
*- I )-z-,-
fG . tl * s,
1t, "-'' ',nt, l=
Luego, sustituyendo en (a.g), se tiene:
(propiedadl3)
Aolic
'
*-r1 ,tl. ,f ,
*- 'L'-J
d 1

' *-,f-L+5 I
cos5r +?'-''"nsr
f
''*6j=s-3'l Aplic 1, se tiene:
Djemplo A.7:

Calcular:
I z-l
*'l(;il,-l Ejemplo A.8:
(ae)
Calcular:
Solucin:
.-rl s3+3s2+l
+zt +i)l
I
... (a.12)
Descomponiendo en fracciones parciales,
se tiene:
tr'(,'
Transformada de Laplace y funcin gamma - pgina (394) Hidrologa Estadstica - pgina (395)

Solucin: 1 37
s3 +3s2 +1 2 .2 -s+-
2 2