I.

INTRODUCCIÓN
Los datos usados en la hidrología están basados en la función de probabilidad de que un
dato pueda repetirse con cierta frecuencia, la muestra para los datos hidrológicos es
considerada infinita de donde esta serie de datos es considerada infinita, esta variabilidad
de los datos hace que sea necesario realizar diferentes ajustes de distribución con diversos
modelos conocidos y así saber la frecuencia de necesitada de un dato para cierta
probabilidad. Las distribuciones asociadas a las series infinitas son diferentes a las series
muestras discretas.
 II. OBJETIVO GENERAL
 Desarrollar las diferentes distribuciones de datos para los datos de la estación
hidrométrica de Casacancha.

III. OBJETIVOS ESPECÍFICOS

 Realizar la distribución de datos para el tipo de distribución normal y respectivo
gráfico.
 Realizar la distribución de datos para el tipo de distribución log-normal y respectivo
gráfico.
 Realizar la distribución de datos para el tipo de distribución Gumbel y respectivo
gráfico.
 Realizar la distribución de datos para el tipo de distribución log-Gumbel y respectivo
gráfico.

IV. MARCO TEÓRICO

FUNCIÓN DE DISTRIBUCIÓN
En la teoría de la probabilidad y en estadística, la Función de Distribución
Acumulada (FDA, designada también a veces simplemente como FD) o función de
probabilidad acumulada asociada a una variable aleatoria real: X (mayúscula) sujeta a cierta
ley de distribución de probabilidad, es una función matemática de la variable
real: x (minúscula); que describe la probabilidad de que X tenga un valor menor o igual
que x . Intuitivamente, asumiendo la función f como la ley de distribución de probabilidad, la
FDA sería la función con la recta real como dominio, con imagen del área hasta aquí de la
función f, siendo aquí el valor x para la variable aleatoria real X. La FDA asocia a cada
valor x, la probabilidad del evento: "la variable X toma valores menores o iguales a x".El
concepto de FDA puede generalizarse para modelar variables
aleatorias multivariantes definidas en R.

DISTRIBUCIÓN NORMAL
En estadística y probabilidad se llama distribución normal, distribución de Gauss, distribución
gaussiana o distribución de Laplace-Gauss, a una de las distribuciones de probabilidad de continua
que con más frecuencia aparece en estadística y en la teoría de probabilidades.1

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de un

determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el gráfico
de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos fenómenos

naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte de este
tipo de fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observación se
obtiene como la suma de unas pocas causas independientes.
De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin explicación alguna. Para
la explicación causal es preciso el diseño experimental, de ahí que al uso de la estadística en
psicología y sociología sea conocido como método correlacional.

La distribución normal también es importante por su relación con la estimación por mínimos
cuadrados, uno de los métodos de estimación más simples y antiguos.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de la normal
son:

 caracteres morfológicos de individuos como la estatura;

 caracteres fisiológicos como el efecto de un fármaco;

 caracteres sociológicos como el consumo de cierto producto por un mismo grupo de

individuos;

 caracteres psicológicos como el cociente intelectual;

 nivel de ruido en telecomunicaciones;

 errores cometidos al medir ciertas magnitudes;

 etc.

La línea verde corresponde a la distribución normal estándar

Función de densidad de probabilidad
Función de distribución de probabilidad

La función de distribución de la distribución normal está definida como sigue:

De donde se puede estandarizar:

Aproximaciones numéricas de la distribución normal y su función de
distribución
La función de distribución normal se usa extensamente en computación científica y
estadística. Por consiguiente, ha sido implementada de varias formas.
Abramowitz y Stegun (1964) dan la conocida como "mejor aproximación de Hastings" para
Φ(x) con x > 0 con un error absoluto |ε(x)| < 7.5·10−8

y las constantes son b0 = 0.2316419, b1 = 0.319381530, b2 = −0.356563782, b3 =

1.781477937, b4 = −1.821255978, b5 = 1.330274429.

DISTRIBUCIÓN LOG-NORMAL
En probabilidades y estadísticas, la distribución normal logarítmica es
una distribución de probabilidad de una variable
aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable
aleatoria con una distribución normal, entonces exp(X) tiene una distribución log-
normal.
La base de una función logarítmica no es importante, ya que loga X está distribuida
normalmente si y solo si logb X está distribuida normalmente, solo se diferencian en
un factor constante.
Log-normal también se escribe log normal o lognormal o distribución de Tinaut.
Una variable puede ser modelada como log-normal si puede ser considerada como
un producto multiplicativo de muchos pequeños factores independientes. Un
ejemplo típico es un retorno a largo plazo de una inversión: puede considerarse
como un producto de muchos retornos diarios.
La distribución log-normal tiende a la función densidad de probabilidad
Estimación de parámetros
Para determinar los estimadores que más se aproximan a los parámetros μ y σ de la
distribución log-normal, podemos utilizar los mismos procedimientos que para
la distribución normal. Para no repetirlo, obsérvese que

donde por f(L) de probabilidad de distribución log-normal, y por f(N) a la de la distribución

normal. Por lo tanto, utilizando los mismos índices para denotar las distribuciones
Ya que el primer término es constante respecto a μ y σ, ambas funciones logarítmica,
obtienen su máximo con el mismo μ y σ. Por tanto, utilizando las fórmulas para los
estimadores de parámetros de la distribución normal, y la igualdad de arriba, deducimos
que para la distribución log-normal se cumple:

DISTRIBUCIÓN DE GUMBEL
En teoría de probabilidad y estadística la 'distribución de Gumbel(1891-1966) es utilizada
para modelar la distribución del máximo (o el mínimo), por lo que se usa para calcular
valores extremos. Por ejemplo, sería muy útil para representar la distribución del máximo
nivel de un río a partir de los datos de niveles máximos durante 10 años. Es por esto que
resulta muy útil para predecir terremotos, inundaciones o cualquier otro desastre natural
que pueda ocurrir.
La aplicabilidad potencial de la distribución de Gumbel para representar los máximos se
debe a la extremos que indica que es probable que sea útil si la muestra de datos tiene una
distribución normal o exponencial.
Función de densidad de probabilidad

Función de distribución de probabilidad

La distribución estándar de Gumbel es el caso donde μ = 0 y β = 1 con la función acumulada

Sea una variable aleatoria U extraía de una distribución uniforme y continua, en el intervalo
[0, 1], entonces la variable:

DISTRIBUCIÓN DE LOG-GUMBEL
El procedimiento de cálculo es el mismo para la distribución Gumbel, excepto que se
trabajara con el logaritmo natural de los datos a justas, con todo el procedimiento igual ya
con los datos logarítmicos.
V. MATERIALES Y MÉTODOS
Para la realización de los diferentes cálculos se utilizó la herramienta computacional de
Excel (hojas de cálculo brindadas por el docente del curso) para las distintas ecuaciones y
análisis estadísticos usados, así como l incorporación de cuadros.
El método usado para dicha práctica fue el tipo experimental y comparativo.
VI. PROCEDIMIENTO
 REGISTRO DE CAUDALES MAXIMAS MENSUALES (m3/seg)
: PUENTE
ESTACION CASACANCHA ALTITUD : 3290 msnm
:
RIO CACHI LATITUD : 13º18'47" S
: 74º21'04"
CODIGO : 114 LONGITUD W
:
AÑO : 2003 CUENCA (Km2) 1016.4

AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC MÁXIMOS
1988 S/D S/D S/D S/D S/D S/D 3.98 2.98 3.22 4.91 3.25 8.86 8.86
1989 34.99 33.83 40.58 36.07 10.02 7.74 5.50 6.00 5.02 6.28 5.73 3.87 40.58
1990 21.59 0.00 0.00 0.00 6.75 8.47 4.33 4.07 3.56 3.63 12.39 8.94 21.59
1991 39.50 41.34 59.03 16.29 15.05 8.12 4.04 3.67 3.41 5.13 6.84 6.51 59.03
1992 15.14 44.84 30.81 4.97 3.32 4.18 4.25 6.09 3.61 12.87 7.43 5.74 44.84
1993 60.16 64.11 52.02 26.19 23.65 6.98 4.31 3.29 4.05 12.01 19.70 32.30 64.11
1994 162.31 144.23 114.56 61.16 16.44 5.29 4.58 3.16 3.07 3.40 7.99 13.65 162.31
1995 24.75 90.51 157.59 20.03 5.41 2.77 2.69 2.25 7.21 2.69 15.23 37.62 157.59
1996 66.23 59.45 70.33 58.56 12.04 5.32 3.42 5.06 3.54 2.94 6.62 58.73 70.33
1997 28.64 32.92 26.31 13.55 6.72 2.63 2.44 5.27 16.10 11.39 17.46 21.36 32.92
1998 38.33 31.57 30.97 33.30 14.13 4.32 2.42 2.37 1.96 3.39 30.20 22.04 38.33
1999 30.07 37.73 31.94 27.67 21.88 4.32 3.49 2.47 4.15 10.70 4.19 16.55 37.73
2000 51.21 99.55 99.58 35.40 8.88 8.14 3.89 4.62 3.02 12.47 5.33 141.68 141.68
2001 41.10 36.60 34.05 28.31 14.96 14.59 5.32 4.67 3.99 S/D S/D S/D 41.10
2002
2003 34.72 33.60 37.80 23.31 11.67 10.70
MED 47.23 55.13 57.52 27.81 12.25 6.37 3.90 4.00 4.71 7.06 10.95 29.07
Los datos usados corresponden para los caudales máximos de los distintos años
medidos en la estación de Casacancha.
para cada distribución se realizó los respectivos ajustes, observando la variación
del delta teórico con respecto al, máximo calculado.

VII. RESULTADOS
DISTRIBUCIÓN NORMAL:

Ppmax=x P (x) = |𝐹(𝑋) − 𝑃(𝑋)|

m Pp max Z F(Z)
(mm) m/n+1
1 8.86 8.86 0.066667 -1.129 0.129512913 0.06285
2 40.58 21.59 0.133333 -0.876 0.190478778 0.05715
3 21.59 32.92 0.2 -0.652 0.257334834 0.05733
4 59.03 37.73 0.266667 -0.556 0.288996159 0.02233
5 44.84 38.33 0.333333 -0.544 0.293081661 0.04025
6 64.11 40.58 0.4 -0.500 0.30865836 0.09134
7 162.31 41.10 0.466667 -0.489 0.312304936 0.15436
8 157.59 44.84 0.533333 -0.415 0.338984015 0.19435
9 70.33 59.03 0.6 -0.134 0.446699079 0.15330
10 32.92 64.11 0.666667 -0.033 0.486745598 0.17992
11 38.33 70.33 0.733333 0.090 0.535867801 0.19747
12 37.73 141.68 0.8 1.505 0.93380886 0.13381
13 141.68 157.59 0.866667 1.820 0.9656317 0.09897
14 41.10 162.31 0.933333 1.914 0.972167361 0.03883

Media= 65.79 max 0.1975

Desv.Esta= 50.43876 0.349 okk
N= 14 Ns 5%

Se concuye que los datos se ajustan a una distribucion normal , con nivel de significacion
del 5%.

DISTRIBUCIONES PROBABILISTICAS -
1.2000
ESTACION CASACHANCHA
1.0000

0.8000
F(X)

0.6000

0.4000

0.2000

0.0000
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00
QMAX POR MESES
EMPIRICA NORMAL
DISTRIBUCIÓN LOG-NORMAL:

Ppmax=x P (x)
m Pp max ln(x) Z F(Z) = |𝐹(𝑋) − 𝑃(𝑋)|
(mm) m/n+1
1 8.86 8.86 0.066667 2.1810 -2.20 0.013987 0.052679
2 40.58 21.59 0.133333 3.0724 -1.07 0.142463 0.009130
3 21.59 32.92 0.2 3.4941 -0.54 0.296117 0.096117
4 59.03 37.73 0.266667 3.6303 -0.36 0.358244 0.091578
5 44.84 38.33 0.333333 3.6461 -0.34 0.365743 0.032410
6 64.11 40.58 0.4 3.7033 -0.27 0.393302 0.006698
7 162.31 41.10 0.466667 3.7161 -0.25 0.399525 0.067142
8 157.59 44.84 0.533333 3.8031 -0.14 0.442578 0.090756
9 70.33 59.03 0.6 4.0780 0.20 0.580611 0.019389
10 32.92 64.11 0.666667 4.1606 0.31 0.620964 0.045702
11 38.33 70.33 0.733333 4.2531 0.43 0.664643 0.068691
12 37.73 141.68 0.8 4.9536 1.31 0.905199 0.105199
13 141.68 157.59 0.866667 5.0600 1.45 0.925973 0.059306
14 41.10 162.31 0.933333 5.0895 1.48 0.931064 0.002269

Media= 3.92 max 0.1052

Desv.Esta= 0.790055 0.349 okk
N= 14 Ns 5%

Se concuye que los datos se ajustan a una distribucion log-normal dos parametros, con nivel
de significacion del 5%.

DISTRIBUCIONES PROBABILISTICAS -
1.0000 ESTACION CASACHANCHA
0.9000

0.8000

0.7000

0.6000
F(X)

0.5000

0.4000

0.3000

0.2000

0.1000

0.0000
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00
QMAX POR MESES
EMPIRICA LOG-NORMAL
DISTRIBUCIÓN GUMBEL:

Ppmax=x P (x) 𝑋 𝜇
m Pp max y= G(y)=F(X)
(mm) m/n+1 𝛼 = |𝐹(𝑋) − 𝑃(𝑋)|

1 8.86 8.86 0.07 -0.8701 0.09189 0.025219

2 40.58 21.59 0.13 -0.5463 0.17784 0.044503
3 21.59 32.92 0.20 -0.2584 0.27392 0.073923
4 59.03 37.73 0.27 -0.1363 0.31790 0.051228
5 44.84 38.33 0.33 -0.1210 0.32347 -0.009867
6 64.11 40.58 0.40 -0.0637 0.34448 -0.055525
7 162.31 41.10 0.47 -0.0504 0.34934 -0.117328
8 157.59 44.84 0.53 0.0446 0.38427 -0.149064
9 70.33 59.03 0.60 0.4051 0.51330 -0.086701
10 32.92 64.11 0.67 0.5343 0.55651 -0.110155
11 38.33 70.33 0.73 0.6923 0.60629 -0.127046
12 37.73 141.68 0.80 2.5061 0.92166 0.121655
13 141.68 157.59 0.87 2.9104 0.94700 0.080338
14 41.10 162.31 0.93 3.0303 0.95285 0.019514

Media 65.79 max 0.1217 Okkk

Desv. Est. 50.44 0.349
n 14.00 Ns 5%
43.09
39.34 𝐹 = ( )=

= − =

Se concuye que los datos se ajustan a una distribucion Gumbel, con nivel de significacion
del 5%.

DISTRIBUCIONES PROBABILISTICAS -
1.2000
ESTACION CASACHANCHA
1.0000

0.8000
F(X)

0.6000

0.4000

0.2000

0.0000
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00
QMAX POR MESES
EMPIRICA GUMBEL
DISTRIBUCIÓN LOG-GUMBEL

Ppmax=x P (x) 𝐿 𝑋 𝜇
m Pp max Ln(x) y= G(y)=F(X) = |𝐹(𝑋) − 𝑃(𝑋)|
(mm) m/n+1 𝛼

1 8.86 8.86 0.07 2.18 -2.2406 0.0001 0.06658

2 40.58 21.59 0.13 3.07 -0.7940 0.1095 0.02388
3 21.59 32.92 0.20 3.49 -0.1097 0.3276 0.12759
4 59.03 37.73 0.27 3.63 0.1113 0.4088 0.14209
5 44.84 38.33 0.33 3.65 0.1370 0.4181 0.08479
6 64.11 40.58 0.40 3.70 0.2298 0.4517 0.05173
7 162.31 41.10 0.47 3.72 0.2505 0.4591 0.00752
8 157.59 44.84 0.53 3.80 0.3917 0.5087 0.02462
9 70.33 59.03 0.60 4.08 0.8378 0.6488 0.04877
10 32.92 64.11 0.67 4.16 0.9718 0.6850 0.01829
11 38.33 70.33 0.73 4.25 1.1220 0.7221 0.01126
12 37.73 141.68 0.80 4.95 2.2587 0.9008 0.10078
13 141.68 157.59 0.87 5.06 2.4313 0.9158 0.04917
14 41.10 162.31 0.93 5.09 2.4792 0.9196 0.01373

Media 3.92 max 0.1421

Desv. Est. 0.79 0.349 okk
n 14.00 Ns 5%
3.56
0.62 ( )=

= = −

Se concuye que los datos se ajustan a una distribucion Log-Gumbel, con nivel de
significacion del 5%.

DISTRIBUCIONES PROBABILISTICAS -
1.0000
ESTACION CASACHANCHA
0.9000
0.8000
0.7000
0.6000
F(X)

0.5000
0.4000
0.3000
0.2000
0.1000
0.0000
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00
QMAX POR MESES
EMPIRICA LOG-GUMBEL
 VIII. CONCLUSIONES
 Se realizó la distribución de datos para el tipo de distribución normal y respectivo
gráfico. De donde la distribución normal se ajusta los datos con un 5% de
significación.
 Se realizó la distribución de datos para el tipo de distribución log-normal y respectivo
gráfico. De donde la distribución normal se ajusta los datos con un 5% de
significación.
 Se realizó la distribución de datos para el tipo de distribución Gumbel y respectivo
gráfico. De donde la distribución normal se ajusta los datos con un 5% de
significación.
 Se realizó la distribución de datos para el tipo de distribución log-Gumbel y
respectivo gráfico. De donde la distribución normal se ajusta los datos con un 5% de
significación.

IX. DISCUCIONES Y RECOMENDACIONES

De lo resultados obtenidos se observó que el tipo de distribución con mejor ajuste para los datos es
la distribución Log-normal con un Δ de 0.1052 con respecto al Δ de tabla de 0.349. además todos
los ajustes cumplen con el ajuste de datos.

X. BIBLIOGRAFIA
- Burke, Eleanor J.; Perry, Richard H.J.; Brown, Simon J. (2010). «An extreme value
analysis of UK drought and projections of change in the future». Journal of Hydrology 388
- Hidrología Estadística- Villón Máximo,

- diapositivas y apuntes de clase otorgados por los docentes del curso (teoría y práctica)