Notas Analisis de Frecuencias

ANLISIS DE FRECUENCIAS
EXPRESIONES PARA EL CLCULO DE LOS EVENTOS PARA EL PERODO

DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTNDAR DE
ESTIMACIN REQUERIDOS PARA LA DETERMINACIN DE LOS
INTERVALOS DE CONFIANZA DE LOS ESTIMADOS DE LOS VALORES
ESPERADOS
JULIAN DAVID ROJO HERNNDEZ
3.1 EXPRESIN GENERAL PARA EL CLCULO DEL ESTIMADO DEL VALOR

ESPERADO DE UN EVENTO PARA UN PERODO DE RETORNO T (expresin
de Ven T. Chow para anlisis de frecuencias de eventos extremos):
Sea la serie de tiempo X:
X = {x1, x2, x3, .., xN}
la muestra observada de los N valores medidos de un fenmeno o evento

cualquiera (lluvias, caudales, temperaturas, sismos, etc.), tiene las siguientes
caractersticas estadsticas (muestrales):
_
X : estimado (muestral) del valor esperado del fenmeno analizado X,
equivalente al valor medio o promedio de los N valores observados de la
serie X; se le llama tambin media de X. Corresponde al denominado
primer momento muestral del arreglo X con relacin al origen de los reales
(con respecto a cero).
SX : estimado (muestral) de la desviacin tpica (desviacin estndar) muestral

(raz cuadrada de la varianza), obtenido a partir de la utilizacin de los N
valores observados de la serie X, empleando el estimador insesgado de este
parmetro. Corresponde a la raz cuadrada del segundo momento muestral
del arreglo X con respecto de la media.
gX : estimado del coeficiente de asimetra muestral (raz cuadrada de la varianza),

obtenido a partir de la utilizacin de los N valores observados de la serie X,
empleando el estimador insesgado de este parmetro. Corresponde a la
relacin entre el tercer momento muestral del arreglo X con relacin a la
media, y el cubo del estimado sesgado de SX.
Debido a la incertidumbre en los estimados de parmetros estadsticos muestrales

de orden superior al tercer momento muestral, no se tienen en cuenta parmetros
como el de kurtosis y similares.
1
Si los valores de la serie X son eventos aleatorios independientes entre s,
pertenecientes a una misma funcin de distribucin (densidad) de probabilidades
f(x; , tal que son los parmetros de la funcin de distribucin
de probabilidades, se puede obtener los valores estimados de la variable X para
cualquier probabilidad de ocurrencia dada p a partir de la siguiente expresin
general (propuesta por Ven T, Chow):
__
Xp = X + Kp.SX
Donde Kp es un nmero adimensional, aleatorio, obtenido de la funcin de

distribucin de probabilidades cualquiera f(x; a la que pertenecen las
ocurrencias aleatorias del fenmeno X.
Como es sabido, en el manejo ingenieril tradicional de las probabilidades de

ocurrencia de fenmenos, el concepto de definicin de la probabilidad de
acurrencia ha sido asociado al concepto de perodo de retorno o recurrencia del
evento en consideracin (T), el cual, desde el punto de vista de su formalizacin
matemtica ha sido definido de la siguiente forma:
T = 1/p
As, cuando se habla de eventos extremos mximos, la probabilidad de inters es

la probabilidad de excedencia de un evento (G(x) = 1 - F(x)), mientras cuando se
trata de eventos extrmos mnimos dicha probabilidad de inters es la de no
excedencia (F(x) = P[X x]). Por esta razn, aunque para algunos pueda ser ms
ilustrativo utilizar el concepto del perodo de retorno, su empleo en el manejo
numrico de probabilidades debe ser consecuente para evitar errores de clculo
graves.
De esta forma, en la prctica, cuando se habla de perodos de retorno para el caso

de eventos mximos, la expresin de T es el inverso de la probabilidad de
excedencia del evento de inters, o sea:
T = 1/G(x) = 1/[1 - F(x)]
mientras que si se trata de perodos de retorno para el caso de eventos mnimos,

la expresin de T es el inverso de la probabilidad de no - excedencia del evento de
inters, o sea:
T = 1/F(x)
Con estas advertencias, la forma ms popular de la expresin de Ven T. Chow

para el anlisis de frecuencias (de mximos o de mnimos) es:
_
XT = X + KT.SX (1)
2
El valor de XT obtenido con la expresin (1) corresponde al estimado del valor
esperado del evento X para el perodo de retorno T, el cual se encuentra
exactamente dentro de la funcin matemtica que (se supone) describe el
comportamiento probabilstico de la variable X que se est considerando.
3.2 INTERVALO DE CONFIANZA PARA EL ESTIMADO DE XT
Como se ha dicho en clase, XT de la expresin (1) es solo el valor esperado del

evento X para el perodo de retorno T, ya debe recordarse que realmente XT es
una variable aleatoria a causa, entre otras, de la incertidumbre originada en la
estimacin de los parmetros de la distribucin de probabilidades de X (y en su
seleccin, por supuesto), de manera que pueden existir (son probables) valores de
X diferentes al calculado con la expresin (1), el cual se supone que es
simplemente el valor esperado de X para ese T; es ms, ni siquiera puede
afirmarse que el resultado de la expresin (1) sea el valor ms probable, ya que la
distribucin de probabilidades de los valores de X para dicho T (distribucin
marginal de X para T) no necesariamente es simtrica (en cuyo caso el valor
esperado s es a la vez el ms probable). Por lo tanto, el valor X T tiene
incertidumbre, la cual se calcula a partir de la estimacin de la varianza de X para
dicho perodo de retorno T, cuya raz cuadrada es conocida como Error
Estndar, SE(T).
En trminos generales, SE(T) es funcin de SX, T, N y la f(x; a la que

se supone pertenece X.
De esta forma, conocidos XT y el correspondiente valor de SE(T) (para el mismo

T), es posible calcular el intervalo de confianza del estimado del evento X para el
perodo de retorno T y un nivel de significancia , de acuerdo con la siguiente
expresin:
( XT + SE(T)) < XT < ( XT + SE(T)) (2)
donde son respectivamente los valores (adimensionales)

representativos de las probabilidades de no excedencia y de excedencia 1 -
de la funcin de distribucin de probabilidades marginal de los eventos de la
variable X para el perodo de retorno T, la cual tiene como valor medio X T y como
desviacin tpica SE(T).; naturalmente, y pueden ser positivos o
negativos, segn el nivel de probabilidad y 1 - que sea definido.
Lo anterior quiere decir que existe una probabilidad de que XT se encuentre por
fuera del intervalo de confianza definido en la expresin (2).
3
En este caso ( XT + SE(T)) corresponde al denominado lmite inferior de
confianza, y (XT + SE(T)) al lmite superior de confianza, con una
confiabilidad de (1- "(nivel de significancia.
Estrictamente hablando, para calcular los valores se debe conocer la

distribucin de probabilidades de los valores de X para el perodo de retorno T en
consideracin (distribucin marginal), la cual no obstante es desconocida, por lo
cual se utiliza habitualmente la distribucin t (Student), la cual tiene la ventaja de
considerar el nmero de datos de la muestra X.
No obstante, algunos investigadores conceptan que para propsitos prcticos
aplicados en hidrologa, para el clculo de los lmites de confianza del un evento X
en el perodo de retorno T se puede utilizar la distribucin de probabilidades
normal (1), simplificando de esta manera la utilizacin de las diferentes
herramientas de clculo, aprovechando la existencia de similares condiciones de
incertidumbre y precisin de los resultados.
Teniendo en cuenta esta consideracin sobre la distribucin probabilstica de los
valores de X para el perodo de retorno T, los intervalos de confianza para los
estimados de un evento X en el perodo de retorno T utilizando la distribucin de
probabilidades normal, queda de la siguiente forma:
Lmite inferior del intervalo = XT + zSE(T)

Lmite superior del intervalo = XT + zSE(T)
Donde z y z corresponden a los valores de la variable Normal estandarizada

o tipificada para probabilidades de no excedencia y de excedencia de y 1-,
respectivamente.
Si se adopta un nivel de significancia del 5% ( =0,05) normalmente utilizado en

estudios hidrolgicos, los lmites de confianza quedarn de la siguiente forma:
Lmite inferior del intervalo = XT - 1,96SE(T)

Lmite superior del intervalo = XT + 1,96SE(T)
3.3 EXPRESIONES PARA EL CLCULO DE KT Y SE(T) PARA DIFERENTES

DISTRIBUCIONES DE PROBABILIDADES UTILIZADAS EN HIDROLOGA
OBTENIDAS CON BASE EN EL MTODO DE LOS MOMENTOS
Se utilizan las expresiones derivadas en diferentes textos de estadstica aplicada a

la hidrologa en el anlisis de eventos extremos, obtenidas a partir de la aplicacin
de tcnicas de estimacin por el mtodo de los momentos.
(1)
KITE, G. W. Confidence Limits for Design Events. Water Resources Research, Vol 11, No. 1,
pp. 48-53. 1975.
4
Distribucin de Expresiones para KT y SE(T)
probabilidades
Normal KT = zT (*)
SE(T) = SX . {[ 1 + (zT)2/2] /N}1/2
exp{zT ln(1 + CvX2)]1/2 - 0,5 . ln(1 + CvX2) } 1

Lognormal de dos T K =
CvX
parmetros (espacio
real) SE(T) = SX . { [1 + (CvX3 + 3 CvX)KT + (1/4) (CvX8 + 6 CvX6
+ 15 CvX4 + 16 CvX2 + 2)KT2 ] /N}1/2
Eventos Extremos KT = - 0,45 - 0,7797 ln { - ln[F(x)]} (**)

Tipo I, o Gumbel SE(T) = SX . { [1 + 1,1396 KT + 1,1 KT2 ] /N}1/2
KT = zT + (zT2 - 1) (gX/6) + (1/3) (zT3 - 6zT)(gX/6)2 -

(zT2 - 1) (gX/6)3 + (zT)(gX/6)4 - (1/3)(gX/6)5
Pearson Tipo III SE(T) = SX .{ {1 + gX KT + (KT2/2) (3 gX2/4 + 1)
+ (3 KT)( W ) (gX + gX3/4)
+ 3 (W 2) (2 + 3 gX2 + 5 gX4/8 )}/N}1/2 (***)
(*) zT : Variable normal tipificada asociada a una probabilidad p = 1/T

(**) Recurdese que para el caso de anlisis de eventos mximos p = 1 - F(x) = 1/T, y
para el anlisis de eventos mnimos p = F(x) = 1/T. Por lo tanto, para el caso de
anlisis de mximos, ln [F(x)] = ln(1-1/T), mientras que para los eventos mnimos ln
[F(x)] = ln(1/T)
2 3 3 2 2 3 3 4
(***) W= (zT - 1)/6 + 4 gX (zT - 6zT)/ 6 - 3(gX )(zT - 1)/6 + 4(gX )(zT)/6
- 10 (gX4 )/66
En el caso de las distribucin de probabilidades lognormal de dos parmetros, en

la tabla anterior se presentan las expresiones correspondientes al clculo de X T y
SE(T) directamente en el espacio de los valores medidos de la variable X (no
transformados). No obstante debe recordarse que para esta distribucin el
anlisis se puede realizar tambin, en su totalidad, en el espacio de los logaritmos,
caso en el cual ya no se utilizan el valor medio y la desviacin tpica de los valores
de X, sino los parmetros estadsticos de sus logaritmos naturales (neperianos);
en este caso se utilizan directamente las expresiones mostradas para el caso de la
distribucin normal, solo que XT y SE(T) corresponden al valor esperado del
estimado del logaritmo natural del evento para el perodo de retorno T y su
correspondiente error estndar (en el campo de los logaritmos, por supuesto), de
manera que los intervalos de confianza se determinan en el espacio de los
logaritmos, de forma tal que el resultado en el espacio de medicin de la variable
original X se obtiene a partir del clculo del antilogaritmo de los lmites de
confianza antes obtenidos.
5
En el caso de la distribucin de probabilidades lognormal de dos parmetros, la
variable CvX representa el coeficiente de variacin de la variable X, el cual se
calcula como la relacin entre la desviacin tpica y la media de X.
El caso de la popular distribucin de probabilidades Log Pearson Tipo III es similar

al de la distribucin Lognormal, ya que tambin bastara con utilizar las
expresiones antes mostradas correspondientes a la distribucin Pearson Tipo III,
pero aplicada a los logaritmos de la variable de inters, de manera que los
antilogaritmos de los resultados as obtenidos corresponden a los resultados de la
distribucin Log Pearson Tipo III.
Ejemplo 3.1: Se desea canalizar la quebrada La Concepcin, y para ello se

disean obras cuya vida til se estima en 50 aos, adems se admite un riesgo de
dao de la estructura del 50%. Determinar los caudales de diseo para la
canalizacin utilizando las distribuciones de probabilidad Normal, Lognormal,
Gumbel y Pearson tipo III, con sus respectivos intervalos de confianza. Para ello
considere los datos de Caudales mximos mensuales de la estacin Los Siprs
ubicada en inmediaciones del sitio de la obra. (Figura 1).
Figura 1: Caudales mximos mensuales de la estacin Liminigrfica Siprs-Los

sobre la Quebrada la Concepcin.
Solucin:
Para iniciar los clculos se deben seleccionar los caudales mximos anuales ( el
valor mximo de los caudales de cada ao), y estimar los momentos estadsticos
ms significativos de la muestra de caudales mximos, ellos son la media, la
varianza ( cuya raz corresponde a la desviacin estndar), y el coeficiente de
asimetra, adems de determinar el coeficiente de variacin.
6
AO X X X 2 X X 3
1973 70.6 21.6 -100.4
1974 90.7 238.2 3675.2
1975 82.9 58.9 451.6
1976 106.0 946.9 29139.1
1977 51.3 570.6 -13631.0
1978 77.5 5.3 12.0
1979 47.1 793.4 -22349.0
1980 67.7 56.7 -426.6
1981 58.6 276.5 -4597.3
1982 62.9 152.2 -1878.1
1983 33.5 1741.2 -72656.7
1984 85.3 101.2 1018.8
1985 92.3 290.1 4941.0
1986 83.3 65.2 526.0
1987 102.2 727.5 19622.3
1988 85.8 111.6 1178.3
1989 96.0 430.7 8937.0
1990 60.5 216.0 -3175.1
1354.1 6803.7 -49312.6
Sea X la muestra observada de los N 18 caudales mximos de la estacin Los

Sipres sobre la quebrada Concepcin.
Paso 1: siguiendo las ecuaciones de los estimadores insesgados para los

principales momentos estadsticos de una muestra aleatoria de datos se tiene que:
1 N
X X i 1354.1 75.23m 3 / s
1
Media:
N i 1 18
1 N
Varianza: S x2 X i X 2 1 6803.7 400.22m 6 / s 2
N 1 i 1 18 1
Desviacin estndar: S x S x2 400.22 20m 3 / s
N
N X i X
3
18 49312.6
Coeficiente de asimetra: g x i 1
0.41
N 1N 2S 3
x
18 118 2 20 3
Sx 20
Coeficiente de variacin: Cvx 0.266
X 75.23
7
Paso 2: Para iniciar los clculos se debe determinar el periodo de retorno
necesario para la estimacin de las probabilidades de ocurrencia del evento
hidrolgico de diseo. Para ello se recurre la expresin que relaciona el riesgo R,
con la vida til n y el periodo de retorno T:
n
1
R 1 1.
T
50
1
0.25 1 1.
T
De donde se obtiene que T 72.6aos
Paso 3, por ser un diseo para caudales mximos, la probabilidad de inters

corresponde a la probabilidad de excedencia de un evento de referencia X 0 que
corresponde al valor del caudal mximo de diseo, as entonces:
P X X 0
1 1
0.0138 1.38%
T 72.6
Paso 4: Estimar la probabilidad acumulada asociada a X 0
F X 0 P X X 0 1 P X X 0 1 0.0138 0.986
Paso 5: Estimar los factores de frecuencia para cada una de las distribuciones de
probabilidad usando las expresiones de clculo del numeral 3:
8
Distribucin normal: el factor de frecuencia corresponde a la variable tipificada
z T de la distribucin normal estndar asociada a la probabilidad acumulada F(X).
Utilizando la tabla anexa de la distribucin normal estndar.
F X 0.986 zT 2.2
Por tanto para la distribucin Normal
K T zT 2.2
El caudal para un periodo de retorno de 72.6 aos, utilizando la distribucin

normal, est dado por:
X 72.6 X K NormalS x 75.23 2.220 119.2m 3 / s
El error estndar para la distribucin se calcula como:
0.5
S z2
S E x 1 T
N 2
0.5
20 2.2
2
SE 1
18 2
S E 8.71m 3 / s
Finalmente las bandas de confianza para el caudal estimado mediante la

distribucin Normal sern:
Li X T 1.96S E
Para el lmite inferior: Li 119.2 1.96 8.71
Li 102.1m 3 / s
Ls X T 1.96S E
Para el lmite superior: Ls 119.2 1.96 8.71
Ls 136.3m 3 / s
Intervalo de 95% de confiabilidad: 102.1,136.3
9
Distribucin Log-Normal: el factor de frecuencia depende de la variable normal
tipificada zT y el coeficiente de variacin C vx , utilizando dicho factor no se requiere
transformar los datos aplicando el logaritmo en base 10 de los datos; as pues:
KT

exp zT ln 1 C vx2
0.5

0.5 ln 1 C vx2 1
C vx
KT

exp 2.2 ln 1 0.266 2
0.5

0.5 ln 1 0.266 2 1
0.266
K T 2.69
Por tanto, El caudal para un periodo de retorno de 72.6 aos, utilizando la

distribucin log-normal, est dado por:
X 72.6 X K LogNormS x 75.23 2.6920 129.2m 3 / s
El error estndar para la distribucin log-normal se estima como:
SE
Sx
1 C 3
vx
3C vx K T 1 4 C vx8 6C vx6 15C vx4 16C vx2 2 K T2
0.5
N
SE
20

1 0.27 3 3 0.27 2.69 1 4 0.27 8 6 0.27 6 15 0.27 4 16 0.27 2 2 2.69 2
0.5
18
S E 14.22m 3 / s
Las bandas de confianza para el caudal estimado mediante la distribucin Normal

sern:
Li X T 1.96S E
Li 101.33m 3 / s
Ls X T 1.96S E
Ls 157.1m 3 / s
Intervalo de 95% de confiabilidad: 101.33.157.1
10
Distribucin Gumbel (GEV tipo I): En dicha distribucin el factor de frecuencia
solo depende de frecuencia acumulada F(x):
K T - 0.45 - 0.7797 ln- lnFX

K T - 0.45 - 0.7797 ln- ln0.986
K T 2.88

distribucin Gumbel ser:
X 72.6 X K Gumbel S x 75.23 2.8820 132.9m3 / s
El error estndar para la distribucin Gumbel se estima como:
SE
Sx
1 1.1396K T 1.1K T2
0.5
N
SE
20

1 1.1396 2.88 1.1 2.88 2
0.5
18
S E 17.26m 3 / s
Las bandas de confianza para el caudal estimado mediante la distribucin Gumbel

sern:
Li X T 1.96S E
Li 99.1m 3 / s
Ls X T 1.96S E
Ls 166.7m 3 / s
Intervalo de 95% de confiabilidad: 99.1;166.7
11
Distribucin Pearson Tipo III: En dicha distribucin el factor de frecuencia
depende de la variable normal tipificada zT y el coeficiente de asimetra g x
2 3 4 5

g 1
g
g

g 1 g
K T zT zT2 1 x zT3 6 zT x zT2 1 x zT x x
6 3 6 6 6 3 6
0.4 1 0.4 0.4 0.4 1 0.4
2 3 4 5
K T 2.2 2.2 1
2.2 6 2.2
2 3

2.2 1
2

2.2

6 3 6 6 6 3 6
K T 1.94

distribucin Pearson tipo III, est dado por:
X 72.6 X K PearsonS x 75.23 1.9420 114.03m3 / s
El error estndar para la distribucin Pearson Tipo III se estima como:

S E x 1 g x K T K T2 23g x2 4 1 3K T W g x g x3 4 3W 2 2 3g x2 5 g x4 8
S 0.5

N
Donde
W
z 2
T

1 4 g x zT3 6 zT

3 g

2 zT 1
2
4 g

3 zT

10 g x4
x x
6 63 63 64 66
W
2.2 2
1 4 0.412.2 3
6 2.2 3 0.41 2.2
2
2
1 4 0.41 2.2 10 0.41
3
4
6 63 63 64 66
W 0.65
S E 8.3m 3 / s

sern:
Li X T 1.96S E
Li 97.8m 3 / s
Ls X T 1.96S E
Ls 130.3m 3 / s
12
Ejemplo 3.2: Determinar los caudales mximos, con sus respectivas bandas de
confianza para la quebrada La Concepcin, para los periodos de retorno de 1.5,
2.33, 5, 10, 25, 50 y 100 aos utilizando las distribuciones de probabilidad Normal,
Lognormal, Gumbel y Pearson tipo III, Utilice los datos de caudales mximos
mensuales de la estacin Los Siprs.
Solucin:
Inicialmente se deben estimar los principales momentos estadsticos de la muestra

de caudales mximos anuales y su respectivo coeficiente de variacin.
Media: X 75.23m3 / s
Desviacin estndar: S x 20m 3 / s
Coeficiente de asimetra: g x 0.41
Cantidad de datos: N 18
Paso 1: Calcular los factores de frecuencia para cada periodo de retorno
(1) (2) (3) (4) (5) (6) (7)

T P F(x) z normal (K) K lognormal K Gumbel k Pearson
1.5 0.67 0.33 -0.44** -0.52 -0.52 -0.38
2.33 0.43 0.57 0.18 0.05 0.00 0.24
5 0.20 0.80 0.84 0.77 0.72 0.85
10 0.10 0.90 1.28 1.32 1.30 1.23
25 0.04 0.96 1.75 1.98 2.04 1.60
50 0.02 0.98 2.05 2.45 2.59 1.83
100 0.01 0.99 2.33 2.92 3.13 2.03
** Cuando F(x)< 0.5 se acude a las propiedades de simetra de la distribucin
normal.
Columna (1): Periodo de retorno
Columna (2): Probabilidad de ocurrencia que para eventos extremos mximos

representa probabilidad de excedencia P estimada como:
1 1
P , utilizando la notacin de columnas (2)
T (1)
1
Para el periodo de retorno de 2.33: P 0.43
2.33
Columna (3): representa la probabilidad de no excedencia F (x) estimada como
13
F ( x) 1 P Para caudales mximos. Utilizando la notacin de columnas
(3) 1 (2) .
Para el periodo de retorno de 2.33
F ( x) 1 0.43 0.57
Columna (4): Variable normal estandarizada asociada a una probabilidad de no

excedencia F (x) estimada mediante el uso de la tabla de distribucin normal.
Dicha columna tambin representa el factor de frecuencia asociado a la
distribucin normal.
Para el periodo de retorno de 2.33 F ( x) 0.57 zT 0.18 usando la tabla.
Columna (5): Factor de frecuencia de la distribucin log-normal. Estimado como:
KT

exp zT ln 1 Cvx2
0.5

0.5 ln 1 Cvx2 1
o en la notacin de columnas:
Cvx
(4)

exp (3) ln 1 Cvx2
0.5

0.5 ln 1 Cvx2 1
Cvx
Para el periodo de retorno de 2.33:
K 2.33

exp 0.18 ln 1 0.266 2
0.5

0.5 ln 1 0.266 2 1
0.05
0.266
Columna (6): Factor de frecuencia de la distribucin Gumbel, estimado como:
KT - 0.45 - 0.7797 ln- lnFX o en la notacin de columnas:
(6) - 0.45 - 0.7797 ln- ln(3)
K 2.33 - 0.45 - 0.7797 ln- ln0.57 0.00
Columna (7): Factor de frecuencia de la distribucin Pearson tipo III, estimado

como:
14
2 3 4 5
g 1 g g g 1 g

K T z T z 1 x z T3 6 z T x z T2 1 x z T x x
2
T
6 3 6 6 6 3 6
2 3 4 5
g 1 g g g 1 g

(7) z T (4) 1 x (7) 3 6(7) x (7) 2 1 x 7 x x
2

6 3 6 6 6 3 6
2 3 4 5
g 1 g g g 1 g
K 2.33
0.18 0.18 1 x 0.18 3 6 0.18 x 0.18 2 1 x 0.18 x x 0.24
2
6 3 6 6 6 3 6
Paso 2: Estimar el valor esperado de los caudales para los diferentes periodo de
retorno utilizando
La ecuacin bsica para dicha estimacin es la siguiente:
X T X KT S x
(1) (8) (9) (10) (11)

T Q Normal Q lognormal Q gumbel Q Pearson
1.5 66.43 64.80 64.76 67.59
2.33 78.83 76.20 75.24 80.10
5 92.03 90.55 89.60 92.29
10 100.83 101.59 101.30 99.80
25 110.24 114.87 116.07 107.29
50 116.24 124.24 127.03 111.79
100 121.84 133.68 137.92 115.81
Columna (8): Valor esperado de los caudales mximos para la distribucin

Normal.
X T X K TNormalS x o en notacin de columnas (8) X (4)S x
X 2.33 X 0.18S x 75.23 0.1820 80.1m3 / s
Columna (9): Valor esperado de los caudales mximos para la distribucin Log-
Normal.
X T X K TLog NormS x o en notacin de columnas (9) X (5)S x
15
X 2.33 X 0.18S x 75.23 0.0520 76.2m3 / s

Gumbel.
X T X K Gumbel S x o en notacin de columnas (10) X (6)S x
X 2.33 X 0.0S x 75.23 0.020 75.23m3 / s

Pearson Tipo III.
X T X K PearsonS x o en notacin de columnas (11) X (7)S x
X 2.33 X 0.0S x 75.23 0.2420 80.10m3 / s
Paso 3: Estimacin de los errores estndar para cada periodo de retorno y tipo de
distribucin:
(1) (12) (13) (14) (15) (16)

T Se Normal Se lognormal Se gumbel W Se Pearson
1.5 4.94 4.20 3.96 -0.15 5.45
2.33 4.75 4.81 4.72 -0.15 5.06
5 5.48 6.83 7.28 -0.02 4.90
10 6.36 8.78 9.84 0.15 5.34
25 7.50 11.32 13.26 0.38 6.83
50 8.30 13.18 15.87 0.55 8.38
100 9.09 15.08 18.49 0.74 10.21
16
Columna (11): Error estndar de la distribucin Normal
0.5
S z2
S E x 1 T o en la notacin de columnas:
N 2
0.5
S (4) 2
(11) x 1
N 2
0.5 0.5
S (0.18) 2 20 (0.18) 2
S E 2.33 x 1 1 4.94m 3 / s
N 2 18 2
Columna (12): Error estndar de la distribucin log-normal
SE
Sx
1 C 3
vx
3Cvx K T 1 4 Cvx8 6Cvx6 15Cvx4 16Cvx2 2 K T2
0.5
N
En notacin de columnas
12 Sx
1 C 3
vx
3Cvx 5 1 4 Cvx8 6Cvx6 15Cvx4 16Cvx2 2 (5) 2 0.5
S E 2.33
Sx
1 C 3
vx
3C vx 0.05 1 4 C vx8 6C vx6 15C vx4 16C vx2 2 (0.05) 2
0.5
N
S E 2.33
20

1 0.27 3 3 0.27 0.05 0.25 0.27 8 6 0.27 6 15 0.27 4 16 0.27 2 2 (0.05) 2
0.5
18
S E 2.33 4.8m 3 / s
Columna (13): Error estndar de la distribucin Gumbel
SE
Sx
1 1.1396K T 1.1K T2 0.5
y en notacin de columnas
N
(13)
Sx
N
1 1.13966 1.16 2 0.5
17
S E 2.33
20
18

1 1.13960.00 1.10.00
2

0.5
4.72m 3 / s
Columna (14): Factor W para el error estndar de la distribucin Pearson
W
z T
1 4 g x zT3 6 zT
2
3 g

2 zT 1
2
4 g

3 zT

10 g x4
x x
6 63 63 64 66
En notacin de columnas
(14)
(4) 2
1 4 g (4)
x
3
6 zT 3g (4)
2
2
4 g (4) 10 g
1 3
4
x
x x
6 63 63 64 66
W2.33
0.18 2
1 4 0.410.18 3
6 zT 3 0.41 0.18 2
2
4 0.41 0.18 10 0.41
1 3
4
6 63 63 64 66
W2.33 0.15
Columna (15): Error estndar para la distribucin Pearson Tipo III
SE
Sx
1 g K K 23g
x T
2
T
2
x
4 1 3K T W g x g x3 4 3 W 2 2 3g x2 5 g x4 8
0.5
Utilizando la notacin de columnas
SE
Sx
1 g x
(7) (7) 2 2 3g x2 4 1 37 15 g x g x3 4 3 15 2 2 3g x2 5 g x4 8 0.5
S E 5.06m 3 / s
18
Distribucin Normal Log-Normal Gumbel Pearson
T Q Li Ls Q Li Ls Q Li Ls Q Li Ls
1.5 66.4 56.7 76.1 64.8 56.6 73.0 64.8 57.0 72.5 67.6 56.9 78.3
2.33 78.8 69.5 88.1 76.2 66.8 85.6 75.2 66.0 84.5 80.1 70.2 90.0
5 92.0 81.3 102.8 90.6 77.2 103.9 89.6 75.3 103.9 92.3 82.7 101.9
10 100.8 88.4 113.3 101.6 84.4 118.8 101.3 82.0 120.6 99.8 89.3 110.3
25 110.2 95.5 124.9 114.9 92.7 137.1 116.1 90.1 142.1 107.3 93.9 120.7
50 116.2 100.0 132.5 124.2 98.4 150.1 127.0 95.9 158.1 111.8 95.4 128.2
100 121.8 104.0 139.7 133.7 104.1 163.2 137.9 101.7 174.2 115.8 95.8 135.8
Caudales Maximos quebrada la Concepcin

160
140
Caudal Mximo
120
100
80
60
40
1 10 100
Periodo de retorno T
Normal Log-Normal Gumbel Pearson T III
Q max quebrada la Concepcin -Pearson Q max quebrada la Concepcin -Log- Nomal

160 180
140 160
140
Caudal Mximo
Caudal Mximo
120
120
100
100
80
80
60 60
40 40
1 10 100 1 10 100
Periodo de retorno T Periodo de retorno T
Q max quebrada la Concepcin - Nomal Q max quebrada la Concepcin -Gumbel

160 160
140 140
Caudal Mximo
Caudal Mximo
120 120
100 100
80 80
60 60
40 40
1 10 100 1 10 100
Periodo de retorno T Periodo de retorno T
19
Ejemplo 3.3:Se dese a conocer el caudal mnimo con periodo de retorno de 10
aos utilizando las distribuciones de probabilidad Normal, Lognormal, Gumbel y
Pearson tipo III, con sus respectivos intervalos de confianza. Para ello considere
los datos de Caudales mnimos mensuales de la estacin Los Siprs (Figura 2).
Figura 2: Caudales mnimos Qda la Concepcin estacin Sipres-Los
Paso 1: siguiendo las ecuaciones de los estimadores insesgados para los

principales momentos estadsticos de una muestra aleatoria de datos se tiene que:
Media: X 2.9m 3 / s
Desviacin estndar: S x 0.79m 3 / s
Paso 2: por ser un estudio de caudales mnimos, la probabilidad de inters

corresponde a la probabilidad de no excedencia de un evento de referencia X 0
que corresponde al valor del caudal mnimos de inters, as entonces:
P X X 0
1 1
0.1 10%
T 10
20
Paso 3: estimar la probabilidad acumulada asociada a X 0
F X 0 P X X 0 P 0.1
Paso 4: Estimar los factores de frecuencia para cada una de las distribuciones de
probabilidad usando las expresiones de clculo del numeral 3.3:
Distribucin normal: el factor de frecuencia corresponde a la variable tipificada

z T de la distribucin normal estndar asociada a la probabilidad acumulada F(X).
Utilizando la tabla de la distribucin normal estndar del anexo.
SI F X 0.5 zT 0
Luego zT z 0
Utilizando las propiedades de simetra de la distribucin normal estndar.
F ( zT ) P( z zT ) P( z z 0 ) P( z z 0 ) 1 P( z z 0 ) 1 0.1 0.9
F ( X ) 0.9 z 0 1.28
zT z 0
zT 1.28
Por tanto para la distribucin Normal
KT zT 1.28
El caudal mnimo con periodo de retorno de 10 aos, utilizando la distribucin

normal, est dado por:
X 10 X K NormalS x 2.9 1.280.79 1.91m 3 / s
21
El error estndar para la distribucin normal est dado por:
0.5
S z2
S E x 1 T
N 2
0.5
0.79 (1.28)
2
SE 1
18 2

S E 0.25m 3 / s
Finalmente las bandas de confianza para el caudal estimado mediante la

distribucin Normal sern:
Li X T 1.96S E
Li 1.42m 3 / s
Li X T 1.96S E
Para el lmite superior: Li 1.91 1.96 0.25
Li 2.4m 3 / s
Intervalo de 95% de confiabilidad: 2.41,3.39
Distribucin Log-Normal: el factor de frecuencia depende de la variable normal

tipificada zT y el coeficiente de variacin C vx , utilizando dicho factor no se requiere
aplicar el logaritmo natural de los datos:
KT

exp zT ln 1 C vx2 0.5

0.5 ln 1 C vx2 1
C vx
KT

exp 1.28 ln 1 0.27 2
0.5

0.5 ln 1 0.27 2 1
0.27
K T 1.16
Por tanto, El caudal mnimo para un periodo de retorno de 10 aos, utilizando la

distribucin log-normal, est dado por:
22
X 10 X K LogNormS x 2.93 1.160.79 2.01m 3 / s
El error estndar para la distribucin log-normal est dado por:
SE
Sx
1 C 3
vx
3C vx K T 1 4 C vx8 6C vx6 15C vx4 16C vx2 2 K T2
0.5
N
SE
0.79
18

1 0.27 3 3 0.27 1.16 1 4 0.27 8 6 0.27 6 15 0.27 4 16 0.27 2 2 1.16
2

0.5
S E 0.2m 3 / s
las bandas de confianza para el caudal estimado mediante la distribucin Normal

sern:
Li X T 1.96S E
Li 1.62m 3 / s
Ls X T 1.96S E
Ls 2.4m 3 / s
Intervalo de 95% de confiabilidad: 1.62.2.4
Distribucin Gumbel (GEV tipo I): En dicha distribucin el factor de frecuencia

solo depende de frecuencia acumulada F(x):
K T - 0.45 - 0.7797 ln- lnFX

K T - 0.45 - 0.7797 ln- ln0.1
K T 1.1

distribucin Gumbel, est dado por:
X 10 X K Gumbel S x 2.9 1.10.79 2.05m3 / s
El error estndar para la distribucin Gumbel se estima como:
23
SE
Sx
1 1.1396K T 1.1K T2
0.5
N
SE
0.79
18

1 1.1396 1.1 1.1 1.1
2

0.5
S E 0.19m 3 / s
Las bandas de confianza para el caudal mnimo estimado mediante la distribucin

Gumbel sern:
Li X T 1.96S E
Li 1.68m 3 / s
Ls X T 1.96S E
Ls 2.42m 3 / s
Distribucin Pearson Tipo III: En dicha distribucin el factor de frecuencia

depende de la variable normal tipificada zT y el coeficiente de asimetra g x
2 3 4 5

g 1
2
T g
g

g 1 g
K T zT z 1 x zT3 6 zT x zT2 1 x zT x x
6 3 6 6 6 3 6
K T 1.17
distribucin Pearson tipo III, est dado por:
X 10 X K PearsonS x 2.9 1.940.79 2m 3 / s
El error estndar para la distribucin Pearson Tipo III se estima como:

S E x 1 g x K T K T2 23g x2 4 1 3K T W g x g x3 4 3W 2 2 3g x2 5 g x4 8
S

0.5
Donde
24
W
z 2
T

1 4 g x zT3 6 zT

3 g 2 zT 1
2

4 g

3 zT

10 g x4
x x
6 63 63 64 66
S E 0.18m 3 / s

sern:
Li X T 1.96S E
Para el lmite inferior: Li 2 1.96 0.18
Li 1.64m 3 / s
Ls X T 1.96S E
Para el lmite superior: Ls 2 1.96 0.18
Ls 2.35m 3 / s
Ejemplo 3.4: Determinar los caudales mnimos, con sus respectivas bandas de
confianza para la quebrada La Concepcin, para los periodos de retorno de 1.5,
2.33, 5, 10, 25, 50 y 100 aos utilizando las distribuciones de probabilidad Normal,
Lognormal, Gumbel y Pearson tipo III, Utilice los datos de caudales mnimos
mensuales de la estacin Los Siprs.
(1) (2) (3) (4) (5) (6) (7)

TR P F(x) z normal (K) K lognormal K gumbel k Pearson
1.5 0.67 0.67 0.43 0.30 0.25 0.31
2.33 0.43 0.43 -0.18 -0.29 -0.32 -0.30
5 0.20 0.20 -0.84 -0.84 -0.82 -0.85
10 0.10 0.10 -1.28 -1.16 -1.10 -1.17
25 0.04 0.04 -1.75 -1.46 -1.36 -1.45
50 0.02 0.02 -2.05 -1.63 -1.51 -1.61
100 0.01 0.01 -2.33 -1.77 -1.64 -1.75
Columna (1): Periodo de retorno
25
Columna (2): Probabilidad de ocurrencia que para eventos extremos mximos
representa probabilidad de excedencia P estimada como:
1 1
P , utilizando la notacin de columnas (2)
T (1)
1
Para el periodo de retorno de 2.33: P 0.43
2.33
Columna (3): representa la probabilidad de no excedencia F (x) estimada como

F ( x) P Para caudales mnimos
Utilizando la notacin de columnas (3) (2) .
F ( x) P 0.43
Columna (4): Variable normal estandarizada asociada a una probabilidad de no

excedencia F (x) se estimada mediante el uso de la tabla de distribucin normal.
Dicha columna tambin representa el factor de frecuencia asociado a la
distribucin normal.
Para el periodo de retorno de 2.33 F ( x) 0.43 zT 0.18 usando la tabla y la

propiedad de simetra de la distribucin normal estndar.
Columna (5): Factor de frecuencia de la distribucin log-normal. Estimado como:
KT

exp zT ln 1 Cvx2
0.5

0.5 ln 1 Cvx2 1
o en la notacin de columnas:
Cvx
(4)

exp (3) ln 1 Cvx2
0.5

0.5 ln 1 Cvx2 1
Cvx
K 2.33

exp 0.18 ln 1 0.27 2
0.5

0.5 ln 1 0.27 2 1
0.29
0.27
Columna (6): Factor de frecuencia de la distribucin Gumbel, estimado como:
26
KT - 0.45 - 0.7797 ln- lnFX o en la notacin de columnas:
(6) - 0.45 - 0.7797 ln- ln(3)
K 2.33 - 0.45 - 0.7797 ln- ln0.43 0.32
Columna (7): Factor de frecuencia de la distribucin Pearson tipo III, estimado

como:
2 3 4 5
g 1 g g g 1 g

K T z T z 1 x z T3 6 z T x z T2 1 x z T x x
2
T
6 3 6 6 6 3 6
2 3 4 5
g 1 g g g 1 g

(7) z T (4) 1 x (7) 3 6(7) x (7) 2 1 x 7 x x
2

6 3 6 6 6 3 6
K 2.33 0.30
Se contina el procedimiento como en el ejercicio 3.2 para llegar a los siguientes

resultados.
Distribucion NORMAL Log-Normal Gumbel Pearson

Tr Q Li Ls Q Li Ls Q Li Ls Q Li Ls
1.5 3.3 2.9 3.7 3.2 2.8 3.6 3.1 2.7 3.6 3.2 2.7 3.6
2.33 2.8 2.4 3.2 2.7 2.4 3.0 2.7 2.4 3.0 2.7 2.3 3.1
5 2.3 1.8 2.7 2.3 1.9 2.6 2.3 1.9 2.6 2.2 1.9 2.6
10 1.9 1.4 2.4 2.0 1.6 2.4 2.1 1.7 2.4 2.0 1.7 2.3
25 1.5 1.0 2.1 1.8 1.3 2.2 1.8 1.4 2.3 1.8 1.3 2.3
50 1.3 0.7 1.9 1.6 1.1 2.1 1.7 1.2 2.2 1.6 1.0 2.3
100 1.1 0.4 1.8 1.5 1.0 2.0 1.6 1.1 2.2 1.5 0.7 2.3
Caudales Minimos quebrada la Concepcin Q min quebrada la Concepcin - Nomal

4 4
3 4
Caudal Mximo
3 3
Caudal Mximo
2 3
2 2
1 2
1 1
0
1
1 10 100
Periodo de retorno T 0
1 10 100
Normal Log-Normal Gumbel Pearson T III Periodo de retorno T
27
3.4 PRUEBAS DE BONDAD DE AJUSTE
Luego de analizar y aplicar las diferentes distribuciones de probabilidad a una

muestra de datos hidrolgicos para estimar eventos extremos asociados a
diferentes periodos de retorno surge la pregunta de cul es la mejor funcin de
distribucin de probabilidad para reproducir adecuadamente las leyes de
probabilidad asociadas a la muestra de datos y obtener medidas ms confiables
de los caudales de diseo. Realmente no existe an un consenso entre hidrlogos
sobre cual distribucin debera usarse. Es por ello que se vuelve necesaria la
aplicacin de pruebas de bondad de ajuste a fin de seleccionar la ms adecuada
fdp entre varias distribuciones.
As pues, la bondad de ajuste de una distribucin de probabilidad puede probarse

comparando los valores tericos y mustrales de las funciones de frecuencia
relativa o acumulada de los datos. Una prueba adicional puede hacerse
calculando la suma de los cuadrados de las diferencias entre los valores
observados y los calculados, o el coeficiente de correlacin de Pearson entre
ambos datos.
5.4.1 Prueba de bondad de ajuste 2
El estadstico 2 estima el porcentaje de diferencia entre la funcin de frecuencia

relativa asociada a la muestra de datos y la distribucin de probabilidades terica.
El valor muestra del histograma de frecuencias asociada al intervalo i (frecuencia
relativa) ser f xi ni n donde ni representa el nmero de ocurrencias
observadas en el intervalo i y n corresponde al nmero total de datos presentes
en la muestra. El valor terico de la distribucin de probabilidades est dado por
pxi F ( xi ) F ( xi 1 ) . El estadstico de la prueba 2 est dado por
n f ( xi ) p( xi )
m 2
i 1 p ( xi )
Donde m representa el nmero de intervalos del histograma de frecuencias. La

funcin de distribucin de probabilidades 2 se encuentra tabulada en muchos
textos de estadstica, y depende del nmero de grados de libertad y es igual a
m p 1
Siendo p el nmero de parmetros que posee la funcin de distribucin de

probabilidades que se desea ajustar a la muestra de datos, adems se debe
seleccionar un nivel de significancia para seleccionar el valor de 2
28
Ejemplo: Para los datos de caudales mximos de la estacin Pte. Real sobre el rio
Negro estimar la bondad de ajuste de las distribuciones Normal, Log-Normal,
Gumbel, Log-Gumbel. Pearson y log-Pearson.
29
BONDAD DE AJUSTE A LA DISTRIBUCION NORMAL
Previo al anlisis se deben estimar los caudales mximos anuales a fin de

construir la muestra de caudales para el anlisis de bondad de ajuste. Adems se
requiere estimar los principales momentos estadsticos de la muestra de datos,
para el caso de los caudales mximos anuales del Rio Negro en la estacin
Puente Real se tiene que:
Coeficiente de asimetra: g x 1.45m 3 / s
Paso 1: Construir el histograma de frecuencias de los datos, para ello se

identifican los valores mximo y mnimo de la muestra y define el ancho y numero
de intervalos del histograma. Para los 38 datos de caudales mximos ( n 38 ) de
la estacin Pte. Real el valor mximo de caudal es de 113 m3/s y el valor mnimo
es de 21, lo que permite definir por comodidad 9 intervalos que se presentan en la
Figura , para cada uno de los intervalos se identifica el nmero de datos ubicado
en el rango asociado ( ni ).
Paso 2: Estimar la frecuencia relativa asociada a cada intervalo f xi ni n donde

ni representa el nmero de ocurrencias observadas en el intervalo i y n
corresponde al nmero total de datos presentes en la muestra. Para el presente
ejemplo, con n 38 f xi Representa el valor emprico de funcin de distribucin
de probabilidades.
30
INTERVALO RANGO ni f xi ni n
1 < 30 8 0.211
2 30-40 9 0.237
3 40-50 8 0.211
4 50-60 7 0.184
5 60-70 1 0.026
6 70-80 2 0.053
7 80-90 1 0.026
8 90-100 0 0.000
9 > 100 2 0.053
Paso 3: Estimar la frecuencia emprica acumula FE ( xi ) asociada a cada intervalo:

corresponde a la sumatoria de la frecuencias relativas hasta el intervalo i .
i
f xi ni n FE ( xi ) f ( xi )
INTERVALO
RANGO ni
i k 1
1 < 30 8 0.211 0.211

2 30-40 9 0.237 0.447
3 40-50 8 0.211 0.658
4 50-60 7 0.184 0.842
5 60-70 1 0.026 0.868
6 70-80 2 0.053 0.921
7 80-90 1 0.026 0.947
8 90-100 0 0.000 0.947
9 > 100 2 0.053 1.000
Paso 4: Estimar la variable normal estandarizada asociada al lmite superior de

cada rango ( LSR ):
LSR X
Para cada caso: z i Por ejemplo, para el intervalo 1
Sx
LSR X 30 46.35
z1 0.78
Sx 21.34
31
i
INTERVALO f xi ni n FE ( xi ) f ( xi )
RANGO ni k 1
LSR z
i
1 < 30 8 0.211 0.211 30 -0.78

2 30-40 9 0.237 0.447 40 -0.30
3 40-50 8 0.211 0.658 50 0.17
4 50-60 7 0.184 0.842 60 0.65
5 60-70 1 0.026 0.868 70 1.12
6 70-80 2 0.053 0.921 80 1.60
7 80-90 1 0.026 0.947 90 2.07
8 90-100 0 0.000 0.947 100 2.55
9 > 100 2 0.053 1.000
Paso 5: Para cada zi obtenido en el paso anterior se estima la probabilidad

acumulada terica F ( z i ) utilizando la tabla de la distribucin Normal o cualquier
otra aproximacin, por ejemplo, Excel posee la funcin DISTR.NORM.ESTAND( z )
para estimar la probabilidad acumulada de z i usando la distribucin normal
estndar.
f xi ni n
INTERVALO
RANGO ni FE ( xi ) LSR z F ( zi )
i
1 < 30 8 0.211 0.211 30 -0.78 0.22
2 30-40 9 0.237 0.447 40 -0.30 0.38
3 40-50 8 0.211 0.658 50 0.17 0.57
4 50-60 7 0.184 0.842 60 0.65 0.74
5 60-70 1 0.026 0.868 70 1.12 0.87
6 70-80 2 0.053 0.921 80 1.60 0.95
7 80-90 1 0.026 0.947 90 2.07 0.98
8 90-100 0 0.000 0.947 100 2.55 0.99
9 > 100 2 0.053 1.000 1.00
Paso 6: Para cada intervalo se debe estimar la probabilidad terica p( xi ) donde:

pxi F ( xi ) F ( xi 1 )
Por ejemplo, para i=1:
30 46.35
px1 P( x 30) P z Pz 0.78 F (0.78) 0.22
21.34
Para i=2
32
px2 P(30 x 40) Px 40 Px 30 F (0.78) F (0.78) 0.38 0.22 0.16
y as sucesivamente
f xi ni n FE ( xi )
INTERVALO
i
RANGO ni LSR z F ( zi ) p xi
1 < 30 8 0.211 0.211 30 -0.78 0.22 0.22
2 30-40 9 0.237 0.447 40 -0.30 0.38 0.16
3 40-50 8 0.211 0.658 50 0.17 0.57 0.19
4 50-60 7 0.184 0.842 60 0.65 0.74 0.17
5 60-70 1 0.026 0.868 70 1.12 0.87 0.13
6 70-80 2 0.053 0.921 80 1.60 0.95 0.08
7 80-90 1 0.026 0.947 90 2.07 0.98 0.04
8 90-100 0 0.000 0.947 100 2.55 0.99 0.01
9 > 100 2 0.053 1.000 1.00 0.01
Paso 7 : Estimar el estadstico 2 como:
n f ( xi ) p( xi )
m 2
2
i 1 p ( xi )
f xi ni n FE ( xi )
INTERVALO
i
RANGO ni LSR z F ( zi ) p xi 2
1 < 30 8 0.211 0.211 30 -0.78 0.22 0.22 0.01
2 30-40 9 0.237 0.447 40 -0.30 0.38 0.16 1.28
3 40-50 8 0.211 0.658 50 0.17 0.57 0.19 0.11
4 50-60 7 0.184 0.842 60 0.65 0.74 0.17 0.03
5 60-70 1 0.026 0.868 70 1.12 0.87 0.13 3.06
6 70-80 2 0.053 0.921 80 1.60 0.95 0.08 0.27
7 80-90 1 0.026 0.947 90 2.07 0.98 0.04 0.10
8 90-100 0 0.000 0.947 100 2.55 0.99 0.01 0.52
9 > 100 2 0.053 1.000 1.00 0.01 15.73
Suma 21.10
n f ( xi ) p( xi )
m 2

2
21.1
i 1 p ( xi )
33
Paso 8 : Estimar el valor crtico del estadstico , Critico utilizando un nivel de
2 2
significancia de 0.05 y el nmero de grados de libertad asociado al tipo de

distribucin:
El nmero de grados de libertad est dado por:
m p 1
Siendo p el nmero de parmetros que posee la funcin de distribucin de

probabilidades, que para el caso de la distribucin normal solo posee dos
parmetros (la media y la desviacin estndar), y m el nmero de intervalos que
para el presente ejemplo corresponde a 9.
9 2 1 6
Utilizando la tabla de la distribucin 2 , Critico

2
2, 62,0.05 12.59
Finalmente para probar que los datos se ajustan a la distribucin Normal el valor
2 estimado mediante la muestra de datos debe ser inferior al Critico
2
, para el
presente caso 21.10 12.59 , por tanto los datos No se ajustan a la distribucin
normal.
Comentarios:
Para el anlisis de bondad de ajuste de las diversas distribuciones de
frecuencia siempre siguen los pasos 1,2,3, 6, 7, 8 de la misma forma que
en el presente ejemplo de la distribucin normal.
El paso 4 es un paso intermedio necesario para efectuar los clculos en la
distribucin normal
El paso 5 depende del tipo de funcin terica de probabilidades y sus
parmetros.
5.4.1.2 Bondad de ajuste para la distribucin Log-Normal
Probar la bondad de ajuste de los datos a la distribucin log normal significa que
una nueva variable, que equivale al logaritmo en base 10 de los datos de caudales
mximos se distribuye siguiendo la fdp Normal. Es por ello que inicialmente se
deben trasformar los datos estimando su logaritmo en base 10 y luego estimarse
los principales momentos estadsticos de los datos.
34
Media: X 1.63
Desviacin estndar: S x 0.18
Para el caso de la distribucin Log-Normal se siguen los pasos del 1 al 8 del

ejemplo anterior pero con los datos transformados en el espacio logartmico:
f xi ni n FE ( xi ) p xi
INTERVALO
RANGO ni LSR z F ( zi ) 2
i
1 < 1.4 4 0.105 0.105 1.4 -1.27 0.10 0.10 0.0037
2 1.4-1.5 5 0.132 0.237 1.5 -0.71 0.24 0.14 0.0046
3 1.5-1.6 8 0.211 0.447 1.6 -0.16 0.44 0.20 0.0224
4 1.6-1.7 8 0.211 0.658 1.7 0.40 0.65 0.22 0.0084
5 1.7-1.8 8 0.211 0.868 1.8 0.95 0.83 0.18 0.2702
6 1.8-1.9 2 0.053 0.921 1.9 1.51 0.93 0.10 0.9769
7 1.9-2.0 1 0.026 0.947 2 2.07 0.98 0.05 0.3215
8 > 2.0 2 0.053 1.000 1.00 0.02 2.1680
suma 3.78
En este caso 8 2 1 5 .Utilizando la tabla de la distribucin 2 :

Critico
2
2, 52,0.05 11.07
Para probar que los datos se ajustan a la distribucin Log-Normal el valor 2

estimado mediante la muestra de datos debe ser inferior al Critico
2
, para el presente
caso 3.78 11.07 , por tanto los datos Si se ajustan a la distribucin Log-normal.
PRUEBA DE BONDAD DE AJUSTE PARA LA DISTRIBUCIN GUMBEL
Con respecto a la distribucin normal solo cambia el paso 5 para la estimacin de

la funcin de distribucin de probabilidades acumulada terica. Para este caso se
utilizan las ecuaciones de la distribucin Gumbel.
35
Para el caso de los caudales mximos anuales del Rio Negro en la estacin
Puente Real se tiene que:
Coeficiente de asimetra: g x 1.45m 3 / s
Para la distribucin Gumbel la funcin de probabilidades acumulada est dada

por:
F (c) exp exp c
Donde
c a x b
Siendo
Y Y
a bX
Sx Sx
Donde Y , Y dependen de la cantidad de datos presentes en la muestra y se
puede consultar en tablas o mediante el uso de algunas ecuaciones de ajuste
como las estimadas por Rojo (2013):
Y 0.0262 lnN 0.4436 0.0262 ln38 0.4436 0.54

Y 0.133 ln N 0.7467 0.133 ln 38 0.7467 1.23
Y 1.23 Y 0.54
Luego: a 0.0585 bX 46.35 37.14
Sx 21.34 a 0.0585
En este caso el paso 4 de ejemplos anteriores se reemplaza por el clculo de la

variable c para el lmite superior de cada intervalo.
Para i=1: c aLSR1 b 0.058530 37.14 0.42

Para i=2: c aLSR2 b 0.058540 37.14 0.17
36
i
INTERVALO f xi ni n FE ( xi ) f ( xi )
RANGO ni k 1
LSR c
i
1 < 30 8 0.211 0.211 30 -0.42

2 30-40 9 0.237 0.447 40 0.17
3 40-50 8 0.211 0.658 50 0.75
4 50-60 7 0.184 0.842 60 1.34
5 60-70 1 0.026 0.868 70 1.92
6 70-80 2 0.053 0.921 80 2.51
7 80-90 1 0.026 0.947 90 3.09
8 90-100 0 0.000 0.947 100 3.68
9 > 100 2 0.053 1.000
Finalmente para cada ci se estima el valor de probabilidad acumulada F (c) como:

F (c) exp exp c y se continua con los pasos sugeridos ejemplos anteriores.
f xi ni n FE ( xi ) F (c i ) p x i
INTERVALO
RANGO ni LSR c 2
i
1 < 30 8 0.211 0.211 30 -0.42 0.22 0.22 0.0128
2 30-40 9 0.237 0.447 40 0.17 0.43 0.21 0.1299
3 40-50 8 0.211 0.658 50 0.75 0.62 0.20 0.0470
4 50-60 7 0.184 0.842 60 1.34 0.77 0.14 0.4061
5 60-70 1 0.026 0.868 70 1.92 0.86 0.09 1.8815
6 70-80 2 0.053 0.921 80 2.51 0.92 0.06 0.0178
7 80-90 1 0.026 0.947 90 3.09 0.96 0.03 0.0643
8 90-100 0 0.000 0.947 100 3.68 0.98 0.02 0.7380
9 > 100 2 0.053 1.000 1.00 0.02 1.1607
suma 4.46
En este caso 9 2 1 6 .Utilizando la tabla de la distribucin 2 :

Critico
2
2, 62,0.05 12.59
Para probar que los datos se ajustan a la distribucin Log-Normal el valor 2

estimado mediante la muestra de datos debe ser inferior al Critico
2
, para el presente
caso 44.6 12.59 , por tanto los datos Si se ajustan a la distribucin Gumbel.
37
Caso de la distribucin Log-Gumbel
Probar la bondad de ajuste de los datos a la distribucin log Gumbel significa que
una nueva variable, que equivale al logaritmo en base 10 de los datos de caudales
mximos se distribuye siguiendo la fdp Gumbel. Es por ello que inicialmente se
deben trasformar los datos estimando su logaritmo en base 10 y luego estimarse
los principales momentos estadsticos de los datos.
Media: X 1.63
Desviacin estndar: S x 0.18
Y 0.0262 lnN 0.4436 0.0262 ln38 0.4436 0.54

Y 0.133 ln N 0.7467 0.133 ln 38 0.7467 1.23
Y 1.23 Y 0.54
Luego: a 6.84 bX 1.63 1.55
Sx 0.18 a 6.84
Como en el caso anterior se procede al clculo de la variable c para el lmite
superior de cada intervalo.
Para i=1: c aLSR1 b 6.841.4 1.55 1.02

Para i=2: c aLSR2 b 6.841.5 1.55 0.34
f xi ni n FE ( xi ) F (c i ) p x i
INTERVALO
RANGO ni LSR c 2
i
1 < 1.4 4 0.105 0.105 1.4 -1.02 0.06 0.06 1.1560
2 1.4-1.5 5 0.132 0.237 1.5 -0.34 0.25 0.18 0.5637
3 1.5-1.6 8 0.211 0.447 1.6 0.35 0.49 0.25 0.2034
4 1.6-1.7 8 0.211 0.658 1.7 1.03 0.70 0.21 0.0022
5 1.7-1.8 8 0.211 0.868 1.8 1.71 0.84 0.14 1.5793
6 1.8-1.9 2 0.053 0.921 1.9 2.40 0.91 0.08 0.3137
7 1.9-2.0 1 0.026 0.947 2 3.08 0.96 0.04 0.2244
8 > 2.0 2 0.053 1.000 1.00 0.04 0.0516
suma 4.09
38
Tabla distribucin Normal
39

Notas Analisis de Frecuencias

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas Analisis de Frecuencias

Cargado por

Copyright:

Formatos disponibles

ANLISIS DE FRECUENCIAS

EXPRESIONES PARA EL CLCULO DE LOS EVENTOS PARA EL PERODO

JULIAN DAVID ROJO HERNNDEZ

3.1 EXPRESIN GENERAL PARA EL CLCULO DEL ESTIMADO DEL VALOR

Sea la serie de tiempo X:

X = {x1, x2, x3, .., xN}

la muestra observada de los N valores medidos de un fenmeno o evento

SX : estimado (muestral) de la desviacin tpica (desviacin estndar) muestral

gX : estimado del coeficiente de asimetra muestral (raz cuadrada de la varianza),

Debido a la incertidumbre en los estimados de parmetros estadsticos muestrales

Donde Kp es un nmero adimensional, aleatorio, obtenido de la funcin de

Como es sabido, en el manejo ingenieril tradicional de las probabilidades de

As, cuando se habla de eventos extremos mximos, la probabilidad de inters es

De esta forma, en la prctica, cuando se habla de perodos de retorno para el caso

T = 1/G(x) = 1/[1 - F(x)]

mientras que si se trata de perodos de retorno para el caso de eventos mnimos,

Con estas advertencias, la forma ms popular de la expresin de Ven T. Chow

3.2 INTERVALO DE CONFIANZA PARA EL ESTIMADO DE XT

Como se ha dicho en clase, XT de la expresin (1) es solo el valor esperado del

En trminos generales, SE(T) es funcin de SX, T, N y la f(x; a la que

De esta forma, conocidos XT y el correspondiente valor de SE(T) (para el mismo

( XT + SE(T)) < XT < ( XT + SE(T)) (2)

donde son respectivamente los valores (adimensionales)

Estrictamente hablando, para calcular los valores se debe conocer la

Lmite inferior del intervalo = XT + zSE(T)

Donde z y z corresponden a los valores de la variable Normal estandarizada

Si se adopta un nivel de significancia del 5% ( =0,05) normalmente utilizado en

Lmite inferior del intervalo = XT - 1,96SE(T)

3.3 EXPRESIONES PARA EL CLCULO DE KT Y SE(T) PARA DIFERENTES

Se utilizan las expresiones derivadas en diferentes textos de estadstica aplicada a

exp{zT ln(1 + CvX2)]1/2 - 0,5 . ln(1 + CvX2) } 1

Eventos Extremos KT = - 0,45 - 0,7797 ln { - ln[F(x)]} (**)

KT = zT + (zT2 - 1) (gX/6) + (1/3) (zT3 - 6zT)(gX/6)2 -

(*) zT : Variable normal tipificada asociada a una probabilidad p = 1/T

En el caso de las distribucin de probabilidades lognormal de dos parmetros, en

El caso de la popular distribucin de probabilidades Log Pearson Tipo III es similar

Ejemplo 3.1: Se desea canalizar la quebrada La Concepcin, y para ello se

Figura 1: Caudales mximos mensuales de la estacin Liminigrfica Siprs-Los

1354.1 6803.7 -49312.6

Sea X la muestra observada de los N 18 caudales mximos de la estacin Los

Paso 1: siguiendo las ecuaciones de los estimadores insesgados para los

De donde se obtiene que T 72.6aos

Paso 3, por ser un diseo para caudales mximos, la probabilidad de inters

Paso 4: Estimar la probabilidad acumulada asociada a X 0

Por tanto para la distribucin Normal

El caudal para un periodo de retorno de 72.6 aos, utilizando la distribucin

X 72.6 X K NormalS x 75.23 2.220 119.2m 3 / s

El error estndar para la distribucin se calcula como:

Finalmente las bandas de confianza para el caudal estimado mediante la

Intervalo de 95% de confiabilidad: 102.1,136.3

Por tanto, El caudal para un periodo de retorno de 72.6 aos, utilizando la

X 72.6 X K LogNormS x 75.23 2.6920 129.2m 3 / s

El error estndar para la distribucin log-normal se estima como:

Las bandas de confianza para el caudal estimado mediante la distribucin Normal

Intervalo de 95% de confiabilidad: 101.33.157.1

K T - 0.45 - 0.7797 ln- lnFX

Por tanto, El caudal para un periodo de retorno de 72.6 aos, utilizando la

X 72.6 X K Gumbel S x 75.23 2.8820 132.9m3 / s

El error estndar para la distribucin Gumbel se estima como:

Las bandas de confianza para el caudal estimado mediante la distribucin Gumbel

Intervalo de 95% de confiabilidad: 99.1;166.7

Por tanto, El caudal para un periodo de retorno de 72.6 aos, utilizando la

X 72.6 X K PearsonS x 75.23 1.9420 114.03m3 / s