Hidrología Estadística - Maximo Villon Bejar - ICw PDF

Instituto Tecnológico de:
80
70
60
50 I
40 \rl I
30 -
20
10
0
:l§Q.!€a\Nlñ6És¡-eo
!Qto\o€\o€¡--rF-a€-áoi
aaia\aaao\aá6áááá
ÉÉÉÉÉÉÉÉrÉ*-i
Béja
tüüd-u@U@gnúa-
EElsta.d-ústü@4.
Máximo Vil6n Béiar

Contenido
Materia pagma
contenido. .................] .................. 5
PróIogo..... ................ 11
básicos...
1. Conceptos ............... 15
muestral....
1.1 Espacio .......... 15
1.2Eventos .......... 16
l.3Definiciónclásicadeprobabilidad......... .............17
1.4 Definición axiomática de probabilidad......... ....... 18
1.5 Período de retorno ...........21
1.6 Concepto de riesgo:.................. ..........22
1.7 Cálculo de la probabilidad empírica o experimental.............26
1.8 Variables a1eatorias................ -...........28
Variable aleatoria discreta ...................30
Variable aleatoria continua... ...............30
1.9 Distribuciones....... ...........31
Función de de densidad de probabilidad de una variable
aleatoria discreta..... ...........32
Función de densidad de probabilidad de una variable aleatoria
continua ...........33
Hidrologfa Estadística - página (7)
Contenido - Página (6)
a una La media geométrica .........97

Función de distribución acumulada, correspondiente La mediana............... .........98
distribución discreta" """"' 36
a una La moda ......... 100
Función de distribución acumulada, correspondiente Comparación entre la media, la mediana y la moda.............. 101
distribución continua """"'37
3.3 Medidas de dispersión .......... ...........102
1.10 Valor esPerado """""""'44 Rango....... ......L02
1.11 Momentos de una distribución
"""" 40
""""""""46 Yariatza... ......102
Momento respecto al origen Desviación estándar.... ..... 105
Momento ."rrruiton resiecto a la media """"""'46 Coeficientes de variación............ ....... 107
Media de una distribución """""""""'41 3.4 Medida de simetría y asimetría ........107
Nlediana """""'48
"""" 48 Sesgo........ ...... L07
Moda........ 3.5 Medida de achatamiento.......... ........ 110
Varianza de una distribución """""""' """""""""49 Curtosis.... ...... I 10
3.6 Momentos lineales (L-moments).............:................. .......... t 17
Sesgo de una distribución """"""""""49 3.7 Problemas propuestos............ .......... 133
Curtosis """""""" 50
1.12T-¡:ansfbrmaciUlllinealdevariablesaieatorias'..........,..,.,...,62
"""""' 65 4. Estimación de parámetros ....137
1.13 Problemas propuestos """""' 4.1 Definición de parámetros ................. 137
4.2Definición de estimadores............... .................. 138
Distribuciones de frecuencia de una muestra """"""13
_z"|Representacióntabularygraficadelasmuestras,.,.........'.....73
2. 4.3 Métodos de estimación de parámetros ............... 140
Método gráfrco ............,... 140
Z.ZProcedimiento de cálculo' Método de mínimos cuadrados................ ............145
"""""""""'15
""""""""""" 83
,3 R"p*tentación grá1irca Método de momentos ............................... ........... 148
Histograma...........""' """"' 83
84 Método de máxima verosimilitud............. ........... 161
rárfgáro de frecuencia """"""" "":"""""""""""' 4.4 Problemas propuestos............ ..........L67
Función ¿" A"uti¿ud de probabilidad empírica ""' 85
Función¿"¿ist'iuuciónacumuladaoempírica..'................'...86 .5. Pruebasde bondad y ajuste..... ...............171

2.4 Problemas propuestos """""""
""""" 88
5.1 Definición............ ..........171
91 .5.2 Ajuste gráfico ................172
,3. Medidas de las distribuciones"""""" """""""""""" .5.3 Prueba de Chi-cuadrado........ ...........174
3'lMedidaso"scripivasdelasdistribucionesdefrecuencias...:91 ^Á 5.4 Prueba de Smirnov-Kolmogorov............... ........ 181
central
3.2 Medidas de tendencia """""">+ .5.5 Problemas propuestos............ ..........192
La media aritmética """""' 95
oÁ
La media Ponderada'
Contenido - página (8) Hidrologfa Estadfstica - página (9)
teóricas
6. Distribüciones """" 195 8.4 Análisis estadístico............... ...........314
6.1Introducción......... ..........195 Análisis de saltos .............315
gaussiana
6.2 Distribución normal o ""'197 ............
Análisis de tendencias ...........319
8.5 Problemas propuestos.............. ...,....330
9. Completación yextensión ...335

9.1 Definiciones......... ..........335
9.2Técmcas................ .........336
9.3 Proceso .........337
9.4 Criterios para mejorar los estimados de los parámetros ......341
9.5 Problemas propuestos................ ......342
6.7 Distribución log-Gumbel................ """""""""'257
6.8 Problemas propuestos...'.......... """"262 '10. Generación de números aleatorios.. .....347
10.1 Generación de números aleatorios uniformemente
..'.......
7. Correlación y regresión """""""'267 distribuidos ............... ...........347
7.1Covarianza.......-.-.- """"'267 10.2 Generación de números aleatorios normales independientes
............'.
7.2 Correlación .......268 ......... 35 1
correlación'.........'.
7.3 Medidas de """"268 10.3 Generación de números aleatorios log-normales
correlación..'.......
7.4 Análisis de """""269 independientes ........... .......... 353
correlación
7.5 Coeficiente de """""""'269 10.4 Problemas propuestos........... .........355
determinación...""""' """"""""'27O
7.6 Coeficiente de
I l. Intervalos de confianzl.......... ..............359
11.1 Estimación puntual y estimación por intervalos................ 359
ll.2lntervalo de confiatzapata la media de una distribución
normal, cuya varianza es conocida............ ..............361
I1.3 Intervalo de confialzapara la media de una distribución
normal, con varianza desconocida............. .............365
11.4 Intervalo de confianzaparalavaianza de la distribución
normal...... ..........368
consistencia.--........
8. Análisis de """'"""' 307 propuestos...........
I L5 Problemas .........377
8.1Introducción......-.. """"" 307
Bibliografía consu1tada................ ..............373
á.¡ ¡ráriris doble masa.............".".'....... """"""""312
F-
conr.,iiao - página (10)
Anexo A. Transformada de Laplace y función gamma.......,.'.......377

A.1 Justificación ...,.,........,.,.379
A.2Latransformada de Laplace.............. .............'..380
A. 3 Ejercicios propuestos transformada de LapaIce ................. 396
gamma .....'......398
A.4 Función
A.5 Ejercicios propuestos funcidn gamma ....,.........407 Prólogo
Anexo B: Funciones trigonométricas ........409
Apéndice: Tablas estadísticas y papeles probabilísticos .....'.........413 Los estudios hidrológicos requieren del análisis de cuantiosa
información hidrometeológica; esta información puede consistir de
Otras publicaciones..., ..............435 datos de precipitación, caudales, temperatura, evaporación, etc.
Los datos recopilados, solo representan una información en bruto,

pero si éstos se organizan y analizan en forma adecuada,
proporcionan al hidrólogo una herramienta de gran utilidad, que le
permite tomar decisiones en el diseño de estructuras hidráulicas.
úiliza los conceptos

Para el análisis de la información, la hidrología
de probabilidades y estadística, siendo este campo, una de las
I
primeras áreas de la ciencia e ingeniería, en usar los conceptos
l cstadísticos, en un esfuerzo para analtzar los fenómenos naturales.
I
I La presente publicación bajo el nombre de Hidrología Estadística,

3¡tá orientada a ayudar a comprender los principios fundamentales
dc la probabilidad y la estadística, aplicada ala hidrología, así como,
mosffar algunas herramientas estadísticas, que han sido aplicadas
gon éxito, en la solución de problemas hidrológicos.
Prra la simplificación del análisis de la abundante información, se

Fquiere del uso de la computadora digital, es por eso, que el autor
hl desarollando la aplicación HidroEsta, que tiene la finalidad de
Prccesar fácilmente esta información. Ella se utiliza en la solución
d¡ los ejemplos resueltos.
F
Prólogo - página (12) Hidrología Estadística - página (13)
La publicación cubre los siguientes temas:

! capitulo I, conceptos básicos, incluyendo los eventos, . capítulo IX, completación y extensión de series hidrológicas,
probabilidades, variables aleatorias, distribuciones, función utilizando la correlación lineal, para llenar registros con valores
densidad, función acumulada, valor esperado, momentos y incompletos, o para extender registros cortos, con base en otros
transformación lineal de variables aleatorias. registros mas largos.
. capítulo II,
distribuciones de frecuencia de una muestra, su . capítulo X, técnicas de generación de números aleatorios
representación tabular y gráfica, y su procedimiento de cálculo. uniformes, normales y log-normales, y de series sintéticas.
. capítulo III, medidas de las distribuciones, como media, . capítulo XI, la estimación de los intervalos de confianza, parala
mediana, moda, medidas de dispersión, medidas de simetría y media y varianza de la población, a partir de datos muestrales.
asimetría, y medidas de achatamiento, también se incluye el
cálculo de los parámetros estadísticos utilizando la técnica de los Como anexo se incluye la transformada de Laplace y la función
momentos lineales. gamma completa, conceptos matemáticos de gran importancia, que
ayudan a simplificar los cálculos que se realizan en la estimación de
. capítulo IV, estimación de parámetros, mediante método gráfico, parámetros y distribuciones teóricas. También, se incluye un listados
mínimos cuadrados, momentos y máxima verosimilitud. de funciones trigonométricas, que ayudan al lector, en los ejercicios
de transformada de Laplace.
. capítulo V, pruebas de bondad de ajuste, dentro de las cuales se
contemplan el ajuste gráfico, Chi-cuadrado y Smirnov- Por otro lado, se incluye un apéndice con las tablas estadísticas más
Kolmogorov. usuales, las cuales ayudan en los cálculos a realizar, así como los
papeles probabilísticos normal, log-normal, Gumbel y log-Gumbel.
. capítulo VI, distribuciones teóricas más utilizadas en hidrología,
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 elaboración de
enta publicación, como por ejemplo: los estudiantes de la Escuela de
. capítulo VII, conceptos de correlación y regresión, los ,lngeniería Agrícola, quienes utilizaron, como texto la versión
coeficientes de correlación y determinación, las ecuaciones de proliminar de esta publicación, en el curso Estadística Aplicada, el
regresión lineal y no lineal simple, las ecuaciones de regresión dlscñador gráfrco, Rafael Murillo que trabajó con las ilustraciones,
lineal y no lineal múltiple, y la ecuación de regresión polinomial. cl estudiante Gerardo Espinoza, por la dígitalización de parte del
toxto y Alexis Rodríguez del Instituto Costarricense de Electricidad
. capítulo VIII, análisis de consistencia, como el análisis visual, (lCE), por sus acertadas sugerencias.
doble masa, estadístico con los análisis de saltos y tendencias.
,7
Prólogo - página(l4)
Un agradecimiento muy especial, al Comité Regional de Recursos

Hidráulicos (CRRH), por el apoyo económico, pors financiar la
primera edición, y por hacer llegar el libro a todos los países de
Centroamérica.
Máximo Villón Béjar
Conceptos básicos
1.1 Espacio muestral
Es el conjunto de todos los posibles resultados de un experimento.
Aún cuando en un
experimento, no es posible determinar con
seguridad su resultado, si se puede, definir con precisión 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 : número posible de resultados del espacio muestral
7, Si el experimento consiste enlanzar un dado, el espacio muestral

será:
t7
Conceptos básicos - página (16) Hidrologfa Estadística - página (lZ )
S= t 1,2,3,4,5,61 Nc=6
N^s=6
L.3 Definición clásica de probabilidad
3. Si el experimento consiste en lanzar 2 dados, el espacio
muestral, de la suma de los resultados de los dos dados, será: 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 enlarealización

\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 número igual o mayor que 3 es:
4= { escudo }
donde: NA= |
siendo, N¿ : número 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
número 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 colór rojo.
C = { (1,6), (6,1), (2,5), (5,2), (4,3), (3,4) I

Conceptos básicos - página (18) Hidrología Estadfstica - página (19)
De los 10 casos igualmente probables, en 2 casos sucederá el evento l. P(a)=g

que se considera, por lo que se tendrá:
2. P(IC'¡ = 1 - P(A), dohdeACes el complemento deA
I
o-2 -l
----
105 Los axiomas anteriores, permiten la definición de los siguientes
conceptos importantes :
El concepto clásico de probabilidad sólo se puede aplicar en
experimentos en los que hay un número finito de casos igualmente Probabilidad de Ia unión de sucesos
posibles. Pero en la naturaleza, los principales problemas prácticos
no son de este tipo. Si A yB son eventos cualesquiera en un espacio muestral §,
entonces:
1.4 Definición axiomática 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 unión de probabilidades y se lee la
suceso de S (A subconjunto de S). Se dice que P es una función 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 intersección y se lee
mutuamente excluyentes, entonces: probabilidadde Ay B.
P(A1U AZU 43 U...UA¡¡) = P(AD + P(A) +... + P(A¡¿)
Probabilidad condicional
Notá. 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 exéluyentes, cuando la ocurrencia de probabilidad condicional de que ocrrra el suceso B, dado que
imposibilita la ocurrencia del otro. tucedió A, se define por:
De estos axiomas, se deducen los siguientes teoremas:

7
Conceptos básicos - página (20) Hidrología Estadística - página (21)
Sustituyendo valores en la ecuación (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.
Supóngase que el río Turrialba alcanza cada invierno un nivel de 1.5 Período de retorno (T)
creciente con una frecuencia relativa de 0.2. En el río 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 años, 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. Así, 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 años, su probabilidad
puente. de ocurrencia P, es igual a I en Tcasos, es decir:
p(x > *> = l; ... (1.6)

Solución: I
De acuerdo a los datos del problema, se tiene: ó
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 = período de retorno
El puente falla (queda inutilizado), cuando falla en los estribos
cuando hay creciente; esto se representa de acuerdo a Ia L¡ definición anterior, permite indicar que la probabilidad de que x
(L.2), de la siguiente forma: ll0 ocuna en cualquier año; es decir, la probabilidad de ocurrencia
,Ét 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 ecuación (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 básicos - págirc(22)
Hidrología Estadística - págha (231
donde:
donde:
I- período de retorno
P - probabilidad de ocurrencia de un caudal > Q
P(X>x) = probabilidad de excedencia I- período de retorno
P(X <x) = probabilidad de no excedencia
La probabilidad de que Q no ocuna en cualquier año; es decir, la
En la tabla 1.1, se muestran los períodos de retorno recomendados, probabilidad de ocurrencia de un caudal < Q, es:
para el cálculo de caudales de diseño de estructuras menores. P=L-P
1
Tabla 1.1 Período de retorno de diseño 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 año cualquiera,
laños) es independiente de la no ocurencia del mismo, en los años
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 años sucesivos ó 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 duración n factores
r)
Drena¡e de aeropuertos 5 -/-
Drenaie urbano 2-10
La probabilidad de que el evento, oculTa al menos una vez en r¿ años
Drenaie Aqrícola 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 diseño, por ejemplo un caudal de diseño Q, tiene un I- período de retorno
período de retorno de T años, y una probabilidad de excedencia P, n = vida útil del proyecto
de acuerdo al apartado anterior, se cumple:
p=!
T
Conceptor básicos - p&gina (24l- Hidrología Estadfstica - página (25]l
Con el prrámetro riesgo, ee posiHe determinar cuáles son las Despejando T de la ecuación (1.10), se tiene:
implicaciones, de seleccionar un período de retorno dado de una
obra, que tiene una vida útil de n años. 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 períodos de retorno (7) y diferentes valores de T\
vida útil (n) de las obras. 1
1-(1-RÉ =
T
Tabla 1.2 Valores de R, en función 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 úül (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 función 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 años es: 1- (l - lfi)r, que para un peíodo 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 útil de una estructura y el período 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 diseño 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 útil es muy alta. Por lo 0.75 1.3 2 2.7 4.1 7.7 18 37 73 144
tanto, el período de retorno debe rer mucho mayor que la vida útil 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 ningún valor
exceda su capacidad. Sin embargo, para cualquier período de retorno Ejemplo 1.5:
de diseño que se seleccione, siempre hay una probabilidad de que el
valor sea excedido; por supuesto, si se selecciona un período de Determinar el riesgo o falla de una obra que tiene una vida útil de 15
retorno de diseño muy alto en comparaeión con la vida útil de la años, si se diseña para un período de retorno de 10 años.
estructura, la probabilidad de que su eapacidad sea excedida podrá
ser muy b{a, pero siempre existe.
F
Conceptos básicos - página (26)
Hidrología Estadística - página (27 I
Solución:
XlrX2, I3r...,fN
Existen varias fórmulas 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 ecuación (1.10), se tiene:

Tabla 1.4 Fórmulas para determinar la probabilidad experimental
R=1-1,-l)"
[ 10J Fórmula empírica 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 útil. n
Hazen
m-- 1
Ejemplo 1.6: 2
n
Para el diseño de una estructura hidráulica, con vida útil de 25 años, Weibull m
se acepta sólo el IO %o'de riesgo. ¿Qué período de retorno se debe 'i
nll
escoger para el diseño de la estructura? Chegadayev m-0.3
n+0.4
Solución: Blom
De los datos del ejemplo, se tiene:
T=l0Vo=0.Ly n= 25 años
Sustituyendo valores en la ecuación (1.1 1), se tiene:
T= 11
' =1-grno* =237'78 Tukey
l-(l-o.l),5
.'.f=238años Gringorten m-a
n *7- 2a
1.7 Cálculo de la probabilidad empírica o donde :
experimental P -
probabilidad experimental acumulada o frecuencia
relativa empírica
Dado un conjunto de datos ordenados: m= nimeto de orden
n = número de datos
Conceptos básicos - págna (2Bl
Hidrologfa Estadística - págrna (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 fórmulas empíricas, la más 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 va¡iable aleatoria:
probabilidad de no excedencia p(x < x), los datós se ordenan de X = número 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 función 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 también como variable
P(X=O) =ll4=0.25
estocástica, sus valores son números reales, que no pueden
predecirse con certeza antes de ocurrir el fenómeno, es decir, X = l,le corresponde una probabilidad de:
ocurren al azar. El comportamiento de una variable aleatoria está
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)
Hidrología Estadística - página (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 número de días de lruvias ocurridas en

los meses de un año 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 días
variable aleatoria. Figura 1.2 Ejemplo de variable aleatoria continua
Número muyorfa de secuencias de variables hidrológicas son series

de continuas. Sin embargo, para propósitos
de variables
dias 30
de 25 lcos, una variable discreta puede tratarse arbitrariamente como
lluvia 20 ajustándose a una función continua, o bien, una continua
15
discreta, dividiendo éstas en intervalos y agrupándolas 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 más común es mediante [a distribución 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 número entero o decimal.
X + variable aleatoria de la función
Ejemplo: Si Q es una variable aleatoria que denota el valor de I =+ valor particular que toma la variable aleatoria
caudales promedios diarios del río corobicí (figura r.2), entonces flf) + l'unción de densidad (función de probabilidad,
puede asumir cualquier valor y es entonces una variable distribución de probabilidad de x)
F(l) -+ llnción acumulada (función de distribución acumulada)
Conceptos básicos - página (321
Hidrologla Estadlstica - página (33 )
Función de densidad de probabilidad de una variable

aleatoria discreta
f(x)
x36-1
<1 V*i
23456789101112
Figura 1.3 Función de probabilidad de una variable aleatoria discreta
f (x,)
Función de densidad de probabilidad de una variable
aleatoria continua
Ejernplo 1.8 ;
Es una función matemática 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 función
di densidad x;, dentro del rango en el que está 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 función de
su representación gráÉica se muestra en la figura 1.3. Sca X una variable aleatoria continua que tiene la
densidad de probabilidad:
' Hidrología Estadística - página (35 )
f(x)=j
fo.rrr, - x') ,para -1<x<1
lo , para cualquier otro valor de x

Se pide:
1. Elaborar elgráfico de la función de densidad de probabilidad

2. CalcularP(-0.5 < x < 0.5)
)l
Solución:
1. Para elaborar el gráfico, se evalúaf(x), para valores de x, que

estén en el intervalo definido por [-1,1], así 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 representación gráfrca se muestra en la figura 1.4.
f(x)
0.
0 l,'r¡ rrción de distribución acumulada

0
0. 'ir \ t's una variable aleatoria (discreta o continua), se define la
Irrrr rorr rlc distribución o función de distribución 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
r¡rr' r, r's tlccir:
Figura 1.4 Función 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 básicos - página (36) Hidrología Estadística - página (371
Función de distribución acumulada correspondiente a f(x)

una distribución 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 función 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 Función acumulada de una variable discreta
2. Dibujar la función de distribución acumulada
lfunción de distribución acumulada correspondiente a
Solución: r¡na distribución continua
1. p(x <2)=F(2)=ÉnO =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 r1x¡Ax ... (1.1s)
Pñ < 2\=!
8 L;r rclación entre la función de distribución acumulada y la función
rh'rlcnsidad de probabilidad, es:
2. Siguiendo el mismo proceso del punto (1), se puede determinar
F(x) para los diferentes intervalos de x, así 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 gráfico se muestra en Ia figura 1.5.
-
Conceptos básicos - página (38) Hidrología Estadística - página (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 situación es diferente para el caso de una distribución discreta.

Esto significa que la probabilidad del evento a < x 1 b, es igual al
área que hay bajo la curva de la función de densidad de probabilidad
Ejemplo 1.11 :
f(x), enfie x = a y x = b (fi1¡ra 1.6).
Sea X una variable aleatoria continua, que tiene la función de
ab Calcular:
Figura 1.6 Representación de probabilidad l. La función acumulada
2. P(X <2)
También 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 área bajo la curva/(x) en un punto, es cero (figura 5. Dibujar la función de distribución acumulada
r.7).
Solución:
l. Por definición:
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
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 Éunción acumulada de variable continua
1
P(x>l)=1-Ír-Ol
P(x>1)=0.963
5. Para elaborar el sráfico de F(r) =I'n, "" dan valores a x en el

intervalo [0,3], así se tiene: Solución
x 0 0.5 1 1.5 2 2.5 3

por definición, para una variable aleatoria discreta , para que flx),
Flx) 0 0.00463 0.03704 0.12500 0.29630 0.57870 1 sea una función de densidad de probabilidad, se cumple:
La representación gráfrca de la función acumulada, se muestra en la

figura 1.8.
Ejemplo 1.12:
Dado una variable aleatoria discreta X y n un número positivo, cntonces:
donde: n
L"flx)=I
7
Conceptos básicos - página(42) Hidrología Estadística - página (43 )
x=1 Demostración:
n Para que fz) sea una función de densidad de probabilidad, se debe
» C2x=l cumplir que:
x=1
n ll *f {da' =t
¿ \ )x=l
x=1 Comprobación:
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-*
^12ÍI
pero, de la propiedad de los cocientes notables, se tiene: 22
z-z
l+2+Zz +23 +...+ 2,-t ==='-?' =2n -1 ... (1.19)
Î¡o
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 matemáticamente queflz), es una función
Par.
Sabiendo que la variable aleatoria z, tiene la siguiente función de
.'. [!_rrrtor= li rr.,0,
, '"
f (z)= 2 (distribución normal estándar) luego de (1.20), se tiene:
h, 2
psro -oo 1Z 16, comprobar queflz) es una función de densidad de z
probabilidad. 2 dz ... (t.2r)
!I*¡<r¡or=#ff,
püt'ÍI-oo <Z<@
Haciendo: ¡@
z2 Lzdz dy
E(s(X)) = $(xX(xEx parax continua ... (1.23)
=Cly"-dZ=t
222
Se requiere que g(x) esté 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 definición:
Variable continua: Variable discreta:
.€1
)-*f {dar= ñ
E(c) = I]*rf A>* ó E(C) =EC(fx¡¡
E(C) = CJ-- f (x)d,x ó E(C) = c \(fx¡)

Pero:
.,ffi=1 ll*f {ia* =t ó 2,flx¡)= I (definición de tunción densidad)
I LQQD (1o que se quería demostrar)

E(C) = C ó 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 función de
densidad de probabilidad f(x), y si g(x) es otra función 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)

Conceptosbásicos - página (46)
Hidrología Estadística - página (47 )
L.L1 Momentos de una distribución

tty= E((x - p.f) = ) (x - p"fflñ paraXdiscreta ... (1.29)
Momento respecto al origen

tty= E((x - pÉi)= J_1f"-p)^f(x) dx paraXcontinua... (1.30)
Si S(X) - XK, donde K=1,2,3,..., se define el momento k-ésimo, ¡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) ó 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
así:
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) ó 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, así: . Si K = 3, se tiene el 3er momento central:
F'2= E x'f(x) ó /z=!l**2f(x) dx
ü3 =L @ - p)3fl*) ó p3 = J:(x -tr¿)' f(x) dx
Si K = 3, se tiene el momento de 3er orden respecto al origen,

así:
Media de una distribución
F3= L*3f(*) ó lt'3 = J- *'r1*¡ a, El valor medio o media de una distribución p, es el esperado de la
variable X o momento de ler orden con respecto al origen,
proporciona una idea del lugar donde están 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-ésimo, pk, respecto a la media p, como: lt = E(X) = J_: x f(x) dx para X continua
7

Mediana
Varianza de una distribución
Si X es una variable aleatoria y F(x) su función de distribución
acumulada, la solución ¡ de la ecuación: La vaianza de una distribución 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 dispersión que hay alrededor
de
distribución). la media, se representa como:
Se puede representar en forma gráfica 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 raíz cuadrada positiva de la varian u,i" le llama desviación
estándar 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 variación
El coef,rciente.de variaci6n Cu, es una medida relativa de dispersión

Moda
y se define como el cociente entre la desviación estándar y la media
La moda es el valor de ocurrencia más frecuente. Así la moda de la
población, es el valor de X que maximiza f(x) y que satisface la
C, =!p
ecuación: 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 distribución
n
Max f(x¡) paraX discreta EI sesgo de una distribución Y, es una medida de asimetría de las
i=1 distribuciones y se representa por la siguiente relación:
Hidrologfa Estadfstica - página (51)
tt^ E((x - tt)3) = E(*) - 2¡rE(x) + tt"zE(l) pero: E(x) = tt y E(l) = 1

'-ot- 03
= E(f) - 2l.rtt + tt'
. Si y = 0 la distribución es simétrica
= E(*) - 2lt'+ lt'
. y > 0 la distribución tiene cola en el lado derecho, o es
' Si
sesgada ala derccha. = E(f) - tt2
. Si y < 0 la distribución 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 términos de E(x), E(*), E@3¡
grado de llanura de la curva de la función de densidad flx), se
iepresenta por la siguiente relación:
Solución:
l,to n(x- lt)o) E(* - tt)3) = E(x3 - 3fp + 3xp"z - ¡fi¡

o4
= n@3) - E(3ftt") + E(3x¡t2) -E(tt3)
Ejempla 1.14:
= o(x3) - 3p"E(*) + 3¡t2E(x) - n(p3)
Expresar: & = E((x - P)2) en términos de E(x), E(*)
= E(x3) - 3pE(*) + 3¡t"z¡r - ¡¡3
Solución:
= E(x3) - 3ttE(f) + 2¡fi
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) entérminos de E(x), E(*),E(x3), E(A)
Conceptos básicos - página(52)
Solución:
E(x) =2Y a+¡ *Z*+x1+s*!*oxl
36 36 +zx a
E((x-pt') = E(A - +ú p + 6x2p"2 - 4x¡fi + U,4) 36 36 36
= n(A) - E@x3¡¡¡ + E(áxzpz¡ - nf+ití¡ + EQl¡
*sx A +g* !+lox I Z L
= n(A) + 4¡tE(x3¡ + 6tt2E(*) - 4¡t3o1x¡ +
¡/ 36 36 36+11x 36+n, 36
= z(A) - 4¡tE@\+ 6¡t2E(*) - 4p,3p + ¡fi 1
E(x) = (, + 6 + 12 + 20 + 30 +42 +40 +36+ 30 + 22 +t2)
*
= z(#) - 4¡tE(x3¡ + 6¡t2E(f) - 3t 4
:. tL4= E((x-pf) = E(#) - 4E(x)EQ¡3) + 6(E(x))2E(*) - 3qzqx¡¡4

Ek\=252 -7
36
Ejemplo 1.17:
E(x) =7
sea X la variable aleatoria que representa el resultado que
se obtiene 2. Cálculo de V(x):
ellanzat dos dados. Calcular E(x),V(x).
Del ejemplo 1.14, se tiene que:
Solución:
V(x) = E(*) " (E(x))" .... (1,31)
CáIculo 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.Cálculo 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) + x¡fl4)+ ... + x¡fxtt)
Conceptosbásicos - página (54)
- página (55
Hidrología Estadística )
=!g+18
36'
+ 48 +100 + r80 + 294 + 320 + 324+ 300 + 242 + ra¿i) Solución:
1) Cálculo 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 función de densidad de ,, -
n- rt
probabilidad:
(_,
Para x > o
f (x\ =.1* "-^ E(x) = l! =2
L0 para cualquier otro valor de x
2) Cálculo de la varianza:
Calcular:
. Media V(x)= o2=E(*)-(E(x))'
. Yarianza
. Mediana
. Moda E(x2) = dx
lix'xe--
. Coeficiente de variación
. Coeficiente de sesgo
. Coeficiente de curtosis E(xz) =J-x3e-* dx
. Dibujar la función densidad e indicar la posición de la media, aplicando la transformada de Laplace, se tiene:
mediana y moda E(xz) = 3t
Conceptos básicos - Página (56) Hidrología Estadística - página (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-x¡ax
I=-xe-x+fe-xdx
también: x
o=Ji .... (1.3s) I = -xe-x - e-x I
,0
3) Cálculo de Ia mediana: I=-xe-x-e-x-(-0-e0¡
Se debe calcular el valor de x que cumpla con la condición: 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
lí(.)
(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 básicos - página (58) Hidrología Estadística - página (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) Cálculo de la moda: 1o cual cumple con la condición (b)
La moda es el valor de x que maximizaflx), y matemáticamente se
debe cumplir: 5) Cálculo del coeficiente de variación:
q1ñ d'!:ñ .0
ü'úcJ'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
úc dx'1¡1e-x) = 6) Cálculo 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 É 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 Cálculo de E(x3):
de (b), se tiene: E(*3)=

fx'fix¡dx
t!9= 41"-*1r-x)) = e-x(-r) + (l-x)(-e-x)
E(*3)
al@
= dx
dx' dx' J;-x3xe-*
E(*3)= dx
rxae-*
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 función:
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) Crálculo 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(*) - 3¡o1x¡¡4 ... (1.4s) ploteando los pares de valores, se obtiene la figura 1.9.
Cálculo de E(A):
E(xa¡=l;*4*.-*d*
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 Función de densidad de probabilidad De otro lado, de (1.47) - (1.48), se tiene:
De la figura 1.9, se observa que la función de densidad de X*- p* = (a1X + a2) - @1¡t + a2)
probabilidad no es simétrica, 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-ésimos momentos centrales se relacionan como

sigue:
l.lzTransformación lineal de las variables
E( lY* - p*lk) = E(la(X- p )lk)
con mucha frecuencia, a fin de realizar simplificaciones con la
funcién densidad, se requiere la transformación 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
'transformación lineal (1.47). o*2 = ay262
Se desea calcular la media ¡t,*, y la vananza ox2, de la variable

Si se haóe la transformación 1.47 los parámetros 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)
1
at=- Si z = (x - tt)/o, se tendrá:
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 ,'ción normal estándar.

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 automóyiles recibe cada día de
Ejemplo 1.19: regreso O, t,2,3, 4,6 5 automóviles, con probabilidades de 1/6,
116, ll3, lll2, 116 y lll2, respectivamente. Obtener la media y
La función de'densidad de probabilidad de la distribución normal o v aftanza correspondientes al número de automóviles 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".
. ¿Cuál es el espacio muestral de X?
con media p"y vaianzao2 . ¿Cuáles son las probabilidades de cada evento?
Conceptos básicos' página (66) Hidrología Estadística - página (67 )
. ¿Cuáles son la media y la varianza de la distribución para l< x<2

probabilística de X?
para 2<x<3
4. Una variable aleatoria X tiene como función 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, ó 4 con 8. Una variable aleatoria X, tiene como función de densidad de
probabilidades (1+3ft)/4, (L-2k)14, (l+5kY4 y (l-6k)14, respec- probabilidad:
(
tivamente.
t k es esta una función de densidad lbu-u' para x2o
¿Para qué valores de de
f(x)=1
probabilidad? I
. l0 en otros casos
Dibujar la función acumulada.
. Hallar su función acumulada F(x)
6. Dada una variable aleatoria X, donde la función de distribución
. 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 función 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 función de densidad de probabilidad de X:
7, Una variable aleatoria X, tiene como función de densidad de
probabilidad:
. Obtener el valor de k para el cual flx) es una función de

densidad de probabilidad.
, Calcular la media y Yarianza de X Indicar cuál es la media de la distribución.

. Determinar P(x S 3)
. Determinar P(1 < x < 3.5) 14. Una variable continua X, tiene como función de densidad de
probabilidad:
11. Si X tiene la siguiente distribución:
f(x) =B ,-0' , 0, 0 > 0 y fijo (es un parámetro), y cero

para x >
para cualquier otro caso.
Calcular:
Calcular:
. La media
¡ La media de la distribución . La mediana
. Lavarianza de la distribución.
15. Si X tiene la función 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 función 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 distribución
36 . La varianza de la distribución
13-x
f(x) - 36
para x=7,8,...,12 16. Suponga que X tiene la función 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 función de . Y=2X-2
(
. Z=5X+6
Itx'(t-x) para 0<x<l
f(x) = 17. Sea X una variable aleatoria que tiene como función de densidad
i
[O para otro valor de x de probabilidad:
20. Se dice que una variable aleatoria X, tiene una distribución

xtt 2'r-I2
-o-Yt
-
Gamma de 2 parámetros si su función 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 Lr¡i., . La media de la distribución
de probabilidad: . Lavarianza de la distribución
. La moda
Hallar la mediana.
19. Sea X una variable aleatoria que tiene como función de densidad
de probabilidad:
Determinar la mediana.
Distribución de
frecuencias de una
mErestra
2.L Representación tabular y gráfica de las
muestras
En hidrología se trabaja con informaciones hidrometeorológicas;
estas informaciones pueden consistir de datos de precipitación,
caudales, temperatura, evaporación, etc.
Por lo general, se cuenta solo con una muestra de los datos de esa
población, es decir, nunca se puede disponer de la totalidad de los
datos. Pero cuando éstos datos se organizan en forma compacta y
fácil de utilizar, los hidrólogos pueden disponer de una herramienta
de gran utilidad, para las decisiones a tomar.
Distribución de frecuencias de una muestra - págha (74) Hidrología Estadística - púginfl 05)
Existenmuchasformasdeclasificarlosdatos'unamaneraútil'es 2.2 Procedimiento de cáIculo

el núrnero
dividirlo en categorías similares o clases, y luego contar
de observaciones que caen en cada categoía'
lo que constituye una A continuación se indica un procedimiento práctico, para el cálculo
tabla de frecuenciai o una distribución de frecuencias' de las frecuencias y frecuencias acumuladas, la misma que s€ usará
más adelante para eI cálculo de la distribución de probabilidades
Para una muestra dada, se escoge tt ranSo R, que contenga a todos empíricas 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 cálculos resulta conveniente conta¡ con una
número
relativa de
división entre el tamaño N de la muestra eslafrecuencia aplicación que permita el ordenamiento de los datos.
ciase.Estafrecuenciaconsideradacomofuncióndelasmarcasde Por ejemplo, si se ordenan los datos en forma creciente, se tiene:
clase,sedenominafuncióndefrecuenciasdelamuestra'ysedenota
de la muestra' se fnÍn, x2, X3,... , fmáX
como flx). Lafuni¡A, cle frecuencias acumuladas ...(2.1)
denota como F(x),Y se define como:
donde:
F(x) = 2 ¡fr>
t1x rmín = x1 es el valor mínimo de los datos
xmáx= rI{ es el valor máximo de los datos
v xmáx
x1 =xmin x2 13 {4 xI 2. Calcula¡ el rango R de la muestra:
-.-/ +-f t-f *máx- rmín
intervalo marcas llmltes R= ...(2.2)
de clase de clase de clase
de clase l. ,Seleccionar el número de intervalos de clase NC:

Figura 2.1 Clasificación de datos, en intervalos N(' depende del tamaño de la muestra N. En aplicaciones de
lrrrlrología el número de intervalos de clase puede estar entre 6y 25.
Ycv.icvich sugiere para seleccionar NC, las siguientes relaciones
trrr¡ríricas:
(¡r) NC = l.33lnN+ I ...(2.3)

Distribución de frecuencias de una muestra - página (761 Hidrología Estadística - pá,gina (77 |
(b) siN<30 NC<5 Como se manifestó en el punto 4, con el artificio de dividir entre
=
+ 8<NC<10 NC-t, se logra que xmín y xmáx queden centrados y representan las
si30<N<75
marcas de clase de la primera y última clase, entonces los límites de
si N >75
= l0<NC<30
clase inferior y superior del primer intervalo de clase, son:
donde:
= tamaño de la muestra
|y' LCII = xrlrin- Lxl2 ...(2.s)
lnN = logaritmo natural o neperiano del tamaño muestral. LCSI =xmín * LxlZ = LCII + Lx ...(2.6)
4. Calcular la amplitud de cada intervalo de clase Ax, según la Los otros límites de clase, se obtienen sumando la amplitud Lx, al
ecuación: límite de clase anterior.
- rmín
^^--***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 límites de clase.
Así 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 más, 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 rnún Y xmáx sean respectivamente, las
marcas de clase de la primera y última clase. Esto se aprecia en la
Con el artificio realizado anteriormente la marca de clase del primer
frgtsra2.2,
intervalo es igual al valor mínimo, de igual forma la marca de clase
marca límites del último intervalo es igual al valor máximo es decir:
de MCI = xmín
xm¡n clase MCn = xmáx
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 Representación del total de la muestra en intervalos de llsta es igual al número de observaciones, que caen dentro de cada
clase igualmente espaciados intervalo definido por sus límites de clases respectivos, la misma
(lue se obtiene por conteo, así se obtiene:
5. Calcular los límites de clase de cada uno de los intervalos:
Hidrología Estadística - página (791
Distri6o"¡6n de frecuencias de una muestra - página (78 )
fabi= ni ...(2.8) f = función densidad empírica para el intervalo i

ni = número de observaciones en el intervalo d
N= número total de observaciones
donde:
Ax = amplitud del intervalo de clases
fabi= frecuencia absoluta del intervalo i
ni = rlúmero de observaciones en el intervalo i
11. Calcular la función de distribución acumulada empírica usando
8. Calcular la frecuencia relativa/ry, de cada intervalo:
la fórmula:
Esta es iguat ¿ la frecuencia absoluta del mismo, dividido entre el
número total de observaciones, es decir: ... (2.12)
fú. n. donde:
fri= ---1=
NN
I ...(2.e)
4 = función de distribución acumulada
donde: f= función densidad empírica para el intervalo j
¿ = frssuencia relativa del intervalo i Ax = amplitud del intervalo de clase
ni = nú¡ns¡s de observaciones en el intervalo i
N = número 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 fórmula:
Ejemplo 2.1:
",=,frfr¡=f-ft=iá
n j ,.. (2.10) Dada Ia serie histórica de caudales medios anuales en m3ls (tabla
2.1), de la estación Salinar del Río Chicama (Perú), para el perfodo
donde: 1911-1980, calcule las frecuencias absolutas, relativa, acumulada,
Fri = ftecuencia relativa acumulada hasta el'intervalo i función densidad, función acumulada.
j = 1,2,..., i acumulación de los intervalos hasta i
ni = iliÍ¡s¡t de observaciones en el intervalo i Solución:
1. Ordenando los datos de la tabla 2.1, se obtiene latabla2.2.

10. Calcular lo función densidad empíricafi,para cada intervalo:
Esta función según Yevjevich, se calcula usando la fórmula: 2. Cálculo 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:
Distribución de frecuencias de una muestra - página (80 ) Hidrología Estadística - página (81)
Tabla 2.1. Serie histórica de caudales medios anuales en m3ls del ío Tabla 2.2 Seriede caudales en -3/s, del río Chicama, ordenado
Chicama, estación Salinar (1911 - 1980) ascendentemente
3.14 4.58 4.76 7.91 8.01 9.67 10.05
Año Caudal Año Caudal Año 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. Cálculo 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 c¡ue los límites y las marcas de clase
1926 51.26 1 950 9.67 1974 18.91 resulten númeroS más simples, podría ser:
1927 33.48 1 951 10.42 1 975 34.99 Lx=13 ó 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 límites 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. Cálculo de NC: .5.Cálculo de los límites de clase:

De (2.3), resulta: l)o (2.5), el límite de clase inferior del primer intervalo sería:
NC = 1.33 1n70 + I LCII =3.t4 - 1212= -2.86
NC = 6.65
Redondeando:
¡rcro físicamente los caudales nb pueden ser negativos, por lo que el
NC =7 nrcnor valor es 0.
Distribución de frecuencias de una muestra - página (82 ) Hidrología Estadística - página (83 )
LCII =O 9. Cálculo de la función densidad empírica y la función de

distribución 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 límites, se calculan sumando a¡ al límite de clase que Ie Tabla 2.3. Cálculo de la frecuencia relativa, absoluta, función
antecede; los resultados se muestran en la columna 1 de la tabLa2.3' densidad y acumulada del río Chicama, proceso manual.
clase es negativo, su valor' por lntervalo Marca de Frecuenci Frecuenci Función Función
Nrrr. Cr*d" el límite de de clase clase a absoluta a relativa densidad acumulad
condiciones físicas será cero. (r) (21 (3) (4) (s) a
16t
6. Cálcuio 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.
Número total de datos: 70
¡frr¿- O¡r"*u. qo"-"oundo el límite de clase es inferior a cero, la

2.3 Representación gráfica
Existen varias formas de representar las muestras en forma gráfica,
7. Cálc.ulo de la frecuencia absoluta
clentro de las cuales se pueden mencionar:
A partir de los datos ordenados de la tabla 2.2, es fácil determinar el
primer
número de valores comprendidos en cada intervalo, así en el
intervalo entre 0-12, hay g valores y así sucesivamente, los Histograma
resultados se muestran en la columna 3 de la tabla2'3'
[Jn histograma es la representación gráfrca de las frecuencias, en
8. Cálculo de la frecuencia relativa Iorma de rectángulos, siendo la base de cada rectángulo el intervalo
usando la ecuación (2.9), se obtienen los valores que se muestran
en tle clase y la altura la frecuencia absoluta, fabl ó la frecuencia
la columna 4 de la tabla2.3- rclativa fr¡.
I
Distribución de frecuencias de una muestra - página (84) Hidrologla Estadística - página (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.Polígono de frecuencia de los caudales del río Chicama
Figura 2.3. Histograma o distribución de frecuencias relativas de los
caudales del ío Chicama Función de densidad de probabilidad empírica
Polígono de frecuencia El histograma o el polígono de frecuencia, son dependientes del
tamaño del intervalo de clase y la posición del límite de clase. para
Un polígono de frecuencia es la representación grffica de las evitar esta dependencia el histograma o el polígono de frecuencia
frecuencias, se obtiene uniendo con líneas rectas, los puntos puede transformarse en una función de densidad de probabilidad
formados por las marcas de clase vs. la frecuencia absoluta o empírica, usando la ecuación (2.11) propuesta por yevjevich. En
relativa. Para que el polígono alcance al eje horizontal, a ambos esta ecuación el intervalo de clase tiende a cero, con lo que el
lados de la distribución, se le agtega un intervalo de clase con número de intervalos tiende a infinito.
frecuencia igual a cero. El gráfico es parecido al polígono de frecuencia, pero con la variante
r:n la escala vertical, que se hace pequeña y la unión de los puntos se
En forma práctsca, un polígono de frecuencia se obtiene, uniendo hace mediante líneas curvas.
con líneas rectas los puntos medios de todas las ba:ras de un
histograma. lin la figura 2.5, se muestra la función 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.
Distribución de frecuencias de una muestra - página (86 ) Hidrología Estadística - página (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 0Í0
Figura 2.5. Función de densidad de probabilidad empírica de los -6 6 18 30 42 54 66 Ig g0 marca Cc cli:sc

caudales del río Chicama
Figura 2.6. Función de distribución acumulada de los caudales
clel
Este gráfico de Ia función de densidad de probabilidad; es muy útil r'ío Chicama
para comparar los resultados empíricos, con la función 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 tabi¿r
tlc la figura 2.7,Ia frecuencia relativa y la función de densicl:rri
Función de distribución acumulada o empírica ¡rc'urnulada se expresan en Vo.
Permite ver el porcentaje de las observaciones que quedan por LC MEL LCS F¡eAbsoluta 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
gráfico 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 función 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 función 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 Ftnciónde densidad de probabilidad empírica y función

, r (' u nt u lada, proceso computacional con HidroEsta
Distribución de frecuencias de una muestra - página (88 )
Tabla 2.5 Caudales medios anuales del río Corobicí

2.4 Problemas Propuestos
Año Caudal Año Caudal
1. Dada la serie histórica de caudales medios anuales "n m3/s del hidrolóoico fmslst hidrolóoico (m3lsl
río 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 Seriehistórica de caudales medios anuales del río 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 gráfico de: 69-70 10.54 85-86 44.73
. Histográma de distribución de frecuencias relativas
. Polígono de frecuencias
. Función densidad emPírica
' Función acumulada
Dada la serie histórica de caudales medios anuales .n *3/,
de la
2.
estación 76-20-0l del río Corobicí, que se muestra en la tabla
2.5,realizar el gráfico de:
. Histograma de distribución de frecuencias relativas
, Polígono de frecuencias
'. Función densidad emPírica
Función acumulada
Medidas de las
distribuciones
3.1 Medidas descriptivas de las distribuciones
de frecuencias
Para describir ciertas características de un conjunto de datos, se

pueden usar números simples, llamados estadísticos. De ellos se
puede obtener un conocimiento más preciso de los datos, que el que
se obtiene a partir de las tablas y los gráficos.
Las caracteísticas más importantes de este conjunto de datos son:
Medida de tendencia central o medidas de localización
Indican cual será el punto medio o localización 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 localizaciún central.
Hidrología Estadística - página (92) Medidas de las distribuciones - página (93)
Figura. 3.1 Comparación de la localización central de tres curvas Figura. 3.3 Curva simétrica
Medidas de dispersión Las curvas asimétricas o sesgadas, como las que se muestran en la
figura 3.4, son aquellas en las cuales la distribución 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 sobré el eje horizontal. Los valores no se distribuyen
mayor separación o dispersión 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 Comparación de la dispersión de dos curvas

Figura 3.4 Curvas sesgadas, A: sesgo a la derecha o positivo,
Medidas de simetría y asimetría B: sesgo a la izquierda o negativo
Las curvas que representan los datos puntuales de un conjunto Medidas de achatamiento o curtosis
pueden ser simétricas o asimétricas. Las curvas simétricas, como la
que se muestra en la figura 3.3, son las que al ttazar una línea 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 área en las curvas A y B tienen la misma localización central, pero difieren
dos partes iguales, cada una idéntica a la otra. por el hecho que una es más puntiaguda que la otra, por 1o que
tienen diferente grado de curtosis.
Hidrologla Estadística - página (94) Medidas de las distribuciones - página (95)
La media aritmética
Dada la muestra compuesta de n datos, xL, x2, ..., xn,la media, se

define como la suma algebraica de ellas, dividida entre el número de
datos. Cuando se calcula la media para una población, esta se
denota pof l.L, y cuando se trata de una muestra, por .r.
Media aritmética de datos no agrupados

Figura. 3.5 Curvas con diferente curtosis
Matemáticamente la media de los datos no agrupados, se representa
De acuerdo al grado de achatamiento, las curvas pueden ser por:
mesocúrtica (curva A, figura 3.6), leptocúrtica (curva B) y
platicúrtica (curva C)
,, _
f*,
i=t
B (leptocúrtica) ...(3.1)
n
Curva A (mesocúrtica
I Curva C (platicúrtica) _ i*,
!
I
x- i-s - ...(3.2)
n
I
donde:
l¿ = media poblacional
x = media muestral
ri = valor i-ésimo de la muestra
Figura 3.6. Grados de achatamiento n = número de datos de la muestra o población
3.2 Medidas de tendencia central Media aritmética de datos agrupados
Se define una medida de tendencia central, como un índice de Para el caso de datos agrupados, la fórmula es:
localización central, empleado en la descripción de las
K
distribuciones de frecuencias.
Dr' x¡
En términos generales se tienen tres medidas: la media, la mediana y ...(3.3)
n
la moda-
I
donde:
' fi= frecuencia absoluta (número de observaciones) en el
intervalo i
ri = marca de clase del intervalo i
k = número de intervalos de clase
¿ = número de observaciones de la muestra
donde:
P - precipitación promedio
Pi = valor de la precipitación en la estación í
La media ponderada
Ai= áoeu de influencia de la estación i
n = número de estaciones
El promedio ponderado permite calcular un promedio que toma en
cuenta la pOnderación de los datos con respecto a un factor, es un
Otro ejemplo del uso de la media ponderada, es el cálculo del
caso particular de ta fórmüla del cálculo de la media para los datos
promedio de la nota de los estudiantes en el TEC, donde para cada
agrupados, su fórmula es:
n nota obtenida en un curso, el factor de ponderación es el número de
)¿
L¿J I
xi créditos, así:
-
i=1
x, = n
2,¡,
i=l
donde:
donde:
rp = media Ponderada
N = nota promedio
ri = valor i-ésimo de la muestra
de la N¡ -nota del curso i
.ñ = valor del factor de ponderación del i-ésimo valor
muestra. C = número de créditos del curso i
¡¿ = número de cursos
n = número de observaciones de la muestra.
La media ponderada, se utiliza por ejemplo para el cálculo de la La media geométrica

precipitación promedio de una cuenca, donde para cada valor de
precipitación de una estación, el factor de ponderación es el área, Dada la muestra compuesta de n datos, xlt x2, ..., xn, la media
así: geométrica se define como la raíz n-ésima, de la productoria de los
datos, es decir:
Medidas de las distribuciones - página (99)
Med =x il2
+
! ilZ+t, para npat ...(3.2)
xG ...(3.5) 2
donde: Ejemplo 3.1:

xG = media geométrica
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-ésimo valor de la muestra
Ejemplo 3.2:
n= número 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 único de un conjunto de datos que mide al elemento Med=8+14=11

central en los datos. Este único elemento de los datos ordenados, es ?
el más cercano a la mitad, o el más central en el conjunto de
Mediana de datos agruPados
números. La mitad de los elementos quedan por encima de ese
punto, y la otra mitad por debajo de é1.
Siendo la mediana el valor de la observación central de un arreglo,
Mediana de los datos no agrupados
y como no se conocen los valores de cada observación en datos
agrupados, la mediana se suele aproximar, después de localizar el
intervalo de clase de la mediana, por la siguiente ecuación:
Sean x7, x2, x3, ..., xn datos ordenados por magnitud creciente o
decreciente y n el número 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 números centrales, es
n= número total de elementos de la muestra
p= suma de todas las frecuencias hasta la clase de la
decir:
mediana pero sin incluirla
tu-frecuencia únicamente de la clase de Ia mediana
w= amplitud del intervalo de clase
Lm= límite inferior de la clase de la mediana
Medidas de las distribuciones - página (101)
En general la clase donde se encuentra la mediana, es aquella que

Comparación entre la media,la mediana y la moda
tiene al elemento situado en la porción (n + l)12.
La media, la mediana y la moda de una distribución de frecuencias,
La moda son consideradas como los tres promedios más importantes. Sin
embargo, no son igualmente aplicables y representativos a todas las
Es aquel valor que se repite más 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 asimetría de la
distribución.
Ejemplo 3.3: Si la distribución es simétrica (figura 3.7a), las tres medidas de
tendencia central tienen valores idénticos.
Para el conjunto de datos: 2,3, 4, 4, 4,8,9, la moda es:
' Mo=4 Si la distribución es asimétrica (figura 3.7b y 3.7c),los tres valores
divergen, aunque siempre para una distribución unimodal, la moda
Pma datos agrupados en intervalos de clase, la moda, una vez está localizada en su punto más alto y la mediana está entre la media
determinada la clase modal, se calcula con la siguiente ecuación: y la moda.
Mo=L** dl * ...(3.e) media

mediana
dl+ d2
moda
donde: I
Mo = moda t
Lm= límite inferior de la clase modal
dl = difercncia entre la frecuencia de la clase modal y la
premodal (clase anterior) simétrica con sesgo a la derecha
d2= üferencia 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 máxima frecuencia.
con sesgo a la izquierda

(c)
Figura 3.7 Localizaciínde la media, mediana y moda
I
Hidrología Estadística - página (102) Medidhs de las distribuciones - página (103)
3.3 Medidas de dispersión

02= ... (3.1 1)
Las medidas de dispersión o variabilidad permiten observar como se
reparten o dispersan los datos a uno y otro lado del centro. Si la
dispersión es poca, indica gran uniformidad de los datos en la La vananza muestral (óP), se obtiene dividiendo la suma de
distribución. Por el contrario, gran dispersión indica poca cuadrados de las observaciones de los datos con respecto a la media,
uniformidad. entre el número 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=Xmáx-Xmín ... (3.10)
Para el cálculo computacional es útil expresar la sumatoria de la
siguiente forma:
dondp:
= rango
R ){x, -i)'= ) (*i2-2ixr+*')
Xmáx = valor máximo de los datos
Xmín = valor mínimo de los datos
= » x? -2*) *i +nx' ,.. (3.13)
El rango o la amplitud es una manera conveniente de describir la pero:
1
dispersión, sin embargo, no da rnedida alguna de la dispersión 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 número total de datos, es decir:
Hidrología Estadística - página (lM) Medidas de las distribuciones - página (105)
-x=xip = valor de la i-ésima marca de clase
-rr') ... (3.16) = media

f = valor de la i-ésima frecuencia absoluta, es decir, número
de datos en el intervalo i
/< = número de intervalos de clase
n = número total de datos
-r'-.,'f ... (3.17)

Pa¡a el cálculo 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-ésimo de la muestra
= p = media muestral o poblacional
Datos agrupadés 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 Desviación estándar
desviaciones de las marcas de clase con respecto a la media, por la
frecuencia absoluta, dividido entre eI número total de datos, es decir: La desviación estándar, se define como la rufz cuadrada posiüva 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
Hidrología Estadística - página (106) Medidas de las distribuciones - página (tO7)
Coeficiente de variación
o- ... (3.22)
Es una medida relativa de dispersión, que relaciona la desviación
estándar y la media, es decir:
§= ;') ... (3.23) C, ={x ... (3.28)
Generalmente en Hidrología se suele trabajar con datos muestrales.

siendo:
ln
x=p= -)*, ... (3.24)
n i=l 3.4 Medida de simetría y asimetría
Para datos agrupados: Sesgo
,=^ff91,,-;A
ijn[á,",
... (3.2s) El sesgo es el estadístico que mide Ia simetría y asimetría.
)
Datos no agrupados:
_2
2- . ... (3.26)
rlf -nx El sesgo (y ) para datos poblacionales, se obtiene con la siguiente
ecuación:
4r-L u3
I- 2 ... (3.2e)
siendo: o'
tk donde:
ls
x =tL=;L*rr, ... (3.27) n,
xi = valor de la i-ésima marca de clase 2G,-
:_1
PY
,12-l-L ... (3.30)
x= F = media n
es decir, número
f = valor de la i-ésima frecuencia absoluta,
de datos en el intervalo i
ft= número de intervalos de clase _D2
n = número total de datos " = l:2o¡
', = 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-ésima frecuencia
fr = número deintervalos de clase
donde: n = número 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-ésima frecuencia
ft = número de intervalos de clase
Ll.,- tY r,
i=l n = número total de datos
U3= ... (3.33)
r-
Hidrología Estadística - página (l l0) Medidas de las distribuciones - página (111)
3.5 Medida de achatamiento
El grado de achatamiento se mide con el estadístico 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 ecuación:
*, ¡t4
=;o ... (3.36) Datos agrupados:
El coeficiente de curtosis (ft), para datos poblacionales se define

donde: mediante la siguiente ecuación:
i,6, - pY , ¡14
P4 =i=l ... (3.37) o4
donde:
-t')'
"=i;){*, fû,-
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
Hidrología Estadística - página (ll2) Medidas de las distribuciones - página (113)
,fi = valor de la i-ésima frecuencia realice estos cálculos. El autor en la aplicación HidroEsta, presenta
k = número de intervalos de clase una opción para éstos cálculos,
Ejemplo 3.4:
El coeficiente de curtosis para datos muestrales, se define como:
,'*o Dado los datos de precipitación anual, en mm de la estación El
Coyol, para el período 1974-1986, los mismos que se muestran en la
ck= ... (3.41)
(n - lXn - 2)(n- 3) 54 tabla 3.1. Calcular su media, varíanza, desviación estándar, coefi-
ciente de variación, coeficiente de sesgo y el coeficiente de curtosis.
donde:
Tabla 3.1 Precipitación anual de la estación El Coyol
k
)(*, -i)4 ri
Año Prec¡p¡tac¡ón Año Precipitación
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.-xl¿f.
?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 ,*,
Solución:
ri = marca de clase del intervalo ¿
.ñ = valor de la i-ésima frecuencia En la tabla 3.2 se muestran los resultados parciales de las potencias
ft = número de intervalos de clase
X2, X3, x4, 1x-xm¡3, 1x-xm¡a y sus sumatorias.
. Cálculo de la media:
Los cálculos de los estadísticos de una serie de datos son por sí
laboriosos. Para la simplificación de los cálculos, donde se requieren De la ecuación (3.2), se tiene:
la determinación de la media, varianza, desviación estándar, el n
coeficiente de variación, 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 aplicación que n

Hidrología Estadística - página (l 14) Medidas de las distribuciones - página (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 . Cálculo de la varianza:
x ocf)
cr)
(f) §¡
(f)
lo
F-
r.(-)
rf) lO
$ t rO .l
ro §t t+ sl sf GI De la ecuación (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)
(Ú
x (Y)
q, (f)
(o o) t F-
$ o (0 @
o t- t §T o) I-
(f)
$ a) lo oi
(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 Aciñ .
$
.+ 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 Cálculo de la desviación estándar:
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 Cálculo del coeficiente de variación:
X (o $ F- @ o) (o @ + + iltlN
o o
úú
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 ecuación (3.28), se tiene:
x
I
§t $ o) §t
o §¡ @ !ü @ o, eit
ü
$ t
t t\
.A @ (o (f) a) o) (f) lo
q) rü (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 cÉ
(o o) (o \t (o o
rr) $ t tJ: (o \
E \o
ch q §l o) q q q q §l c! q §l \ u?
Í1 _ 195.3184
€o(! rr) rO Íi o) §,t
§t $ o) @ @
(o cr) §t §t
!+ N N $ @
a
§]
N
§]
o §t üE
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
ú,
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
ú C\I
NI
cl q q §lg? F o? fs r¡? §l q q u? q \
N
§E§
ioN§| nl
* . Cálculo del coeficiente del sesgo:
@ t- o § o;
ca¡
$ (f) o, §t (o I
(É
x * §llO o @o orr) O) C') $ cr)
F
O) §l st
s §t r^" De la ecuación (3.32), se tiene:
.o
(€
cr) CY) $
r F
@ e)
(o XXX-"
NNN X
F
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 opción Parámetros
Mt = -3637808.38 Estadísticos/Datos no agrupados de HidroEsta, se obtienen los
resultados que se muestran en Ia figura 3.8.
De la ecuación (3.31), se üene:
n'M, Parámetros 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
Desviación Estándar: 1
132 x(-3637808.38) Coef iciente Variación: 0.1518 0.1458

t § =--- -0.8251 -0.5505
12x11x195.31843 Coeficiente de Sesgo:
Coeficiente de Eu¡tosis: 3.1172 2.1S81
Cs = -0.625t
. Cálculo del coeficiente de curtosis: Figura 3.8 Cálculo de los parámetros estadísticos para datos no
De la ecuación (3.39), se tiene: agrupados
n
§ rx. - il4
?-' I 3.6 Momentos Lineales (L-moments)
fu[ . =t=l
4n
Introducción
Los momentos lineales (L - momerzrs), constituyen una metodología
35434771791.03
M4= moderna que permite estimar los parámetros estadísticos de una
l3 población o de una muestra. Son similares a los momentos
M+=272575L676.23 ordinarios pues proporcionan las medidas de localización,
De la ecuación (3.38), se tiene: dispersión, asimetría, curtosis, pero se calculan de las
n3 M4 combinaciones lineales de los datos (de aquí el nombre de momento
ck= lineal). Los parámetros estadísticos estimados con esta metodología,
(n-lXn -2)(n-3)54 son menos sensibles a los valores extremos, por 1o que permite
l' Hidrología Estadística - página (l l8) Medidas de las distribuciones - página (l 19)
determinar la distribución teórica de probabilidad que mejor ajusta a

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

o'
Por el método tradicional la media aritmética, la varianza, la
desviación estándar, el coeficiente de variación, el coeficiente de Coeficiente de curtosis, CK:
asimetía y el coeficiente de curtosis de una población, constituida
pon n valores de la variable aleatoria X, se definen de la siguiente L(*,-
i=1
il'
manera:
CK=
. Media aitmética; ¡t: o'
I
Ex, Es conveniente recordar que en el caso de una distribución

i=l simétrica, como la normal, el coeficiente de asimetría es cero. Las
P= distribuciones con coeficiente de asimetría positivo están sesgadas
hacia la derecha (cola larga hacia la derecha), mientras que las que
tienen coeficiente de asimetría negativo están sesgadas hacia la
Yaianza, o' izquierda (cola larga hacia la izquierda). Además, la distribución
- p)' normal tiene un coeficiente de curtosis igual a 3 y se le llama
L(*,
i=l mesocúrtica; las distribuciones con curtosis mayor de 3 se llaman
o2
n leptocúrticas ("picudas"), las que tienen curtosis menor de tres se
llaman platicúrtica s (" achat adas" ).
' Desviación estándar, o
En este método tradicional la dispersión de los datos se calcula con
o =J7 respecto a un valor central, la media aritmética; es decir, se calculan
las diferencias de cada uno de los datos con respecto a la media
. Coeficiente de variación, CV aritmética, elevándose luego estas diferencias a una potencia según
el parámetro estadístico por calcular (por ejemplo, para el cálculo de
CV =!p la vaÁanza la potencia es 2; para el coeficiente de asimetría es 3,
etc.). En consecuencia, los parámetros así calculados son muy
. sensibles a los valores extremos, puesto que si la diferencia de
Coeficiente de asimetría 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 parámetros
obtenidos. Puesto que los parámetros estadísticos citados
Hidrología Estadística - página (120) Medidas de las distribuciones - página (l2l)
constituyen la base E = valor esperado

'teóricas de
Probabilid
los datos, también se El primer momento lineal l,r (ecuación 3.43) representa la media
teórica aProPiada. En ocasione aritmética de Ia muestra, es una medida de localización y su valor es
diferente de la media aritmétic el mismo que el calculado por el método tradicional. El segundo
distribución teórica de probabilid momento lineal l,z (ecuación 3.44) es equivalente a la desviación
analizados.
estándar pero calculada mediante las diferencias de todos los datos
se calcula con entre sí, no con respecto a un valor central; es un parámetro de
Por ei método de momentos
r"tp""á u un valor central, diferencias de escala o dispersión de la variable aleatoria X.
todos los datos entre s las posibles
.o-uiru.iones. Además, las diferencias nunca se elevan a ninguna Dividiendo el segundo momento lineal entre el primer momento
lineales, por 1o cual los parámetros estimados lineal (desviación estándar entre la media), se obtiene el coeficiente
ñ;;;i;;;tmantienen
porestemétodoSonmenossensiblesalosvaloresextremos. lineal de variación (CLV), es decir:
... (3.47)
Definición de los momentos lineales
que toma valores entre 0 y 1.
Jonathan R. M. Hosking rrqgol desarrolló lafeoríade los momentos
de los
lineales basada en el oidenamiento estadístico, a diferencia Dividiendo el momento lineal de orden r, entre la medida de
pesados'
cálculos indirectos usando la probabilidad de los momentos dispersión, se obtiene la relación de momentos, es decir:
Hosking definió 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 asimetría y t4 es una medida de curtosis,
'2=lolxz,z-xn)
7, ..(3.44) éstas son respectivamente el coeficiente lineal de asimetría o sesgo
(C¿S) 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-ésimo valor de la variable aleatoria X' de un
es
g*po de tamaño m' ctyos valores han sido ordenados en Ellos toman valores entre -1 y +1 (existe excepción para algunas
forma ascendente muestras muy pequeñas, las cuales pueden tener valores menores de
Hidrología Estadística - página (122) Medidas de Ias distribuciones - página (123)
-1). Si es casi seguro que X ) 0, entonces 0 < CLV < 1. En el caso Cuando la población es reemplazadapor una muestra, los momentos
de una distribución simétrica, como es el caso de la distribución lineales dan sus respectivos estimados.
normal, f3 es igual a cero, mientras que para esta misma distribución,
t¿ = 0.1226. Dado que los resultados de los posibles números 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 cálculos de los momentos
lineales sea un poco laborioso. En este caso, a fin de simplificar los
Existe una manera indirecta para el cálculo de los momentos cálculos, Hosking muestra el conjunto de ecuaciones equivalentes de
lineales, la cual es utilizar los momentos pesados por probabilidad, estimación directa de los momentos lineales, las cuales resultan más
definido por Greenwood et al. Sin embargo una forma directa de sencillas para implementar cálculos computacionales, las ecuaciones
estimar los momentos lineales, es siguiendo la definición misma de simplificadas, son:
los momentos lineales desarrollada por Hosking.
El cálculo de )uz (ecuación 3.44), para una población finita de
tamaño n, se realiza con la combinación 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 cálculo de 1.¡ (ecuación 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 está dado por el valor mayor (Xt,z), menos 2 veces el
valor intermedio (Xz.:), más 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 cálculo de l.a (ecuaciót 3.46), se obtiene de las CÍ = 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 está compuesto del ^n =[n
valor mayor (Xq,+), menos 3 veces el valor inmediato inferior del
'o )= k,l"-fr)!= kI
grupo (Xt,q), más 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
Medidas de las distribuciones - página (L25)
Si fr>ry+Cí=0 complejo. Con el fin de simplificar éstos cálculos, en la tabla 3.3 se

Por propiedad de los números combinatorios, se tiene: presenta el código fuente en Basic, de Ia subrutina que calcula estos
Ci = CX-n momentos, también se incluyen los cálculos de los parámetros
estadísticos lineales. En el código: Ll= Lt, L2= ),r, L3= )"r, L4= ha,
:. c: 'c:-, = c[ =l y xxordQ) es la serie ordenada en forma ascendente.
La derivación de las ecuaciones (3.51) - (3.54), se explica detallada-

Ejemplo 3.5:
mente tomando como ejemplo el estimador de i,: (ecuación 3.53).
En una muestra de tamaño n, ordenada ascendentemente, hay (l -l) Para una muestra de 6 datos que se indica:
valores iguales o más pequeños Y @ - i) valores iguales o más 56,81, 89,33,79y 6l
grandes que el valor de la muestra Xi. Para que Xi sea un valor más
Calcular:
grande de una combinación de tres valores de la muestra, los otros . Los momentos lineales: Lt,)"z,Lzy )"q
dos tiene que venir de los (, -1) valores más pequeños y hay un total . La relación de momentos: media = Ir, desviación estándar =)uz,
de Cit de tales combinaciones. Para que X sea el segundo más CLV, CLS, CLK
grande se una combinación de tres valores de una muestra, los otros
dos tienen que venir de los (, -1) valores más pequeños y de (n - i\ Solución:
valores más grandes, y hay un total de Cl'Ci-'de tales
combinaciones. Para que Xi sea el valor más pequeño de una 1. Ordenando los valores ascendentemente, se tiene: 33, 56,61,78,
combinación de tres valores de una muestra, los otros dos tienen que 81 y 89.
venir de los (n - i) valores más grandes, y hay un total de Ci-' de
tales combinaciones.
2. Cálculo de,).r:
La ecuación (3.53), es derivada de la ecuación (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 ecuación (3.43), se tiene:
luego dividiéndolo entre el número de todas las posibles 6
combinaciones de tres valores de la muestra de tamaño 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 cálculos de los momentos lineales L, lr, 13, 14, con el uso de 3. Cálculo de l.z:
Las combinaciones de 6 elementos en grupos de2, es
calculadoras e incluso con la computadora, resulta bastante
Tabla 3.3 Código de la subrutina para el cálculo de los parámetros y 6x5

a6 -_-15
momentos lineales " lx2
c'."
'Cálculo de los parámetros 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) xxordÜ) 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
'Cálculo de los momentos lineales 61 33 28
6¡¡¡sfli¿ = L1 56 33 23
ClDesEstandar = L2 \=372
ClVarianza =L2^2
ClVariacion =L2lL1
ClSesgo =L3lL2
De acuerdo a la ecuación (3.44), se tiene:
ClKurtosis =L4lL2
L, =;Elxr,r- x,,rf
I @i¡emcia 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. Cálculo 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 ecuación (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. Cálculo 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 ecuación (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),
Tabla 3.6 Combinaciones de 6 elementos en grupos de 4 en 4 De la ecuación (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. Cálculo del coeficiente lineal de sesgo:
89 81 61 33
-19
De la ecuación (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. Cálculo del coeficiente lineal de curtosis:
81 61 56 33 33 De la ecuación (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 ü 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 opción Parámetros
Estadísticos/Datos no agrupados de HidroEsta, se obtienen los
resultados que se muestran en la figura 3.9.
6. Cálculo de la media:
Media=l.r=66.3333 De los resultados obtenidos con HidroEsta, puede observarse que
los valores de los parámetros estadísticos calculados por el método
7. Cálculo de la desviación estándar: de los momentos lineales, son en todos los casos menores que los
Desviación estándar =Xz= 12.4 calculados por el método tradicional, por supuesto, exceptuando el
valor de la media que por los dos procesos, tiene la misma fórmula
8. Cálculo del coeficiente lineal de variación: de cálculo. De los resultados de los parámetros estadísticos, se
- página (132) Medidas de las distribuciones - página (133)
Hidrología Estadística
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 método Y otro, es evidente'
1. Dado los caudales medios del mes de Mayo, ¿" u, ío, en m3/s:
lngreso. de -
Año o Año 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: Fz¿¡oo-- 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
Parámetros Muestrales
66.3333 66.3333
Media: 68.3333
153.76
Varianza: 42?:.2867 351.8883 Calcular la media, varianza, coeficiente de variación, coeficiente
12.4000
Desviación Estándar: 20.5491 18.7587
de asimetría o sesgo y coeficiente de curtosis, usando tanto los
ú 2828 0.186S
Coeficiente Variación: 0.30s8 momentos tradicionales, como los momentos lineales.
-0.5530 -0.2231
-0.7573
CoeIiciente de Ses¡1o:
2.1206 0.09s5
Coeficiente de Cu¡tosts 5.3016
2. Si los datos del problema L, se agrupan en los siguientes
intervalos de clase:
estadísticos para datos no
Figura 3.9 Cálculo de los parámetros
;;ñ;"t utilizando los Áomentos ordinarios y lineales !ntervalos de clase Marca de clase
1-2 1.5
buenos resultados' para el
Esta metodología es usada con muy en el Instituto
2-3 2.5
nrocesamiento de la información hidrometeorológica' 3-4 3.5
ilr"¡'u.j1.il;" áá 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 variación, coeficiente

de asimetría o sesgo y coeficiente de curtosis.
\--
Medidas de las distribuciones página (135)
3. Se tiene una cuenca en la que se han instalado 8 pluviómetros.

1 980 1390 993
Las precipitaciones promedios anuales registradas, en mm, para 1 549
981 2230
el período l97O - 1991, y las áreas 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
Estación Precipitación 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 estación tiene un registro de caudales
medios anuales de20
4 600 4017
años, en m3/s, los misáos 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 precipitación promedio.
4. En la tabla 3.7, se muestran los caudales picos, en m3/s,

en cada año, del periodo 1915-2000, de una estación.
Calcular:
. Lamedia de los caudales picos
. La desviación estándar
. El coeficiente de variación
Tabla 3.7 Catdales picos para el periodo 1975-2000
Año o Año 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
Estimación de
,
parámetros
4.L Definición de parámetros
Los parámetros de una distribución teórica, son variables que para

cada conjunto de datos tienen un valor definido. Una vez que los
parámetros quedan definidos, también queda definida la distribución
teórica.
Por lo general, una función de densidad de probabilidaes o una

función de distribución acumulada, puede escribirse como una
función de la variable aleatoria y en general como una función de
sus parámetros, así por ejemplo, la función de densidad de
probabilidad de la distribución normal, de variable aleatoria X, es:
t-
Estimación de parámetros - página (138) Hidrología Estadística - página (139)
donde: estadísticos de la muestra, que se supone pertenece a la población

U" - ParáLmetro delocalización. que se pretende caracterizar.
o2- paútmetro de escala.
La bondad de estos estimadores está dado por las diferencias ( a -
Para que la función flx), quede definida, debe calcularse los a), (B - b), (y - c), etc., pero como es fácil intuir, hay infinitas
2
parámetros
-Co*o PYo posibilidades para a, b, c, por lo tanto se consideran como mejores
normalmente, no se conoce la población de la variable estimadores aquellos, que se aproximan más a los valores
aleatoria, la estimación de los parámetros, 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,....., x¡1 -
y si éstos se ajustan a una distribución normal los parámetros 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 (ü) = E(a) - q, es el sesgo
) (r¡ - r)2
62 =52 =
. Eficiente si:
n-l El estimador es insesgado y además:
donde:
ü 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 tamaño muestral N es largo.
estimador de los parámetros poblacionales'.
En hidrología, se requiere principalmente que los estimadores sean
4.2 Definición de estimadores insesgados y eficientes, cuando se requiere extraer la máxima
información, desde los datos muestrales.
Dada una función de distribución con parámetros a, P , T , "'' sa
llaman estimadores a los valores a, b, c,"', obtenidos a partir de los
Estimación de parámetros - página (140) Hidrología Estadística - página (l4l )
1. Plotear los valores de la distribución empírica de la muestra.

4.3 Métodos de estimación de parámetros 2. Dibujar una recta que se aproxime a los puntos, tanto como sea
posible.
Para determinar los valores numéricos de los pariámetros de la 3. Calcular el valor correspondiente para una probabilidad del50Vo,
distribución teórica, a partir de los datos muestrales, se utilizan
este valor es x , el cual es un estimador de ¡r (figura 4.1).
varios métodos de estimación, siendo en orden ascendente de menor
a mayor eficiencia, los siguientes:
. Gráfico
. Mínimos Cuadrados X+S=K2
. Momentos X=K1
. Máxima Verosimilitud
X-S=K3
Método gráfico 15.87 o/o 50 0,6 84.13 o/D
Este método, consiste en plotear los valores de la distribución Figura 4.1 Probabilidades en una distribución normal
empírica sobre un papel especial, donde la distribución teórica
asignada a priori, se puedé representar como una línea recta, y de 4. Calcular el valor para una probahilidad del 84.137o, el mismo
allí estimar los parámetros buscados. que corresponde a X +,S, es decir:
Así:
X+S=KZ + S=KZ-X
. El papel de probabilidades normal, representa la distribución
es un estimador de o .
normal como una línea recta. ^S
. El papel de probabilidades log-normal, representa la distribución

Otra forma de calcular ,S, es para una probabilidad del 15.87 7o, el
log-normal como una línea recta.
. EI papel de probabilidades Gumbel, representa la distribución mismo que corresponde a X - S, es decir:
Gumbel como una línea recta. X -S=K3 =+ S=X-K3
. El papel de probabilidades log-Gumbel, representa la
distribución log-Gumbel como una línea recta. Ejemplo 4.1:
En el apéndice, 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 años:
de una muestra dada correspondiente a una población 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
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 distribución normal, estimar los

2. Ploteando los valores de las columnas (2) V Q) de la tabla 4.1, en
parámetros X y S, usando el método gráfrco. papel probabilístico normal, se obtiene la distribución empírica
que se muestra enlafiglura4.2.
Solución:
a
J. Trazando una línea 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 distribución empírica,
probabilidad empírica acumulada, mediante el método de se obtiene la distribución teórica 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 método 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 línea
m o D- m m o D- m
I T_ de distribución teórica.
--
n*L n*I . Por la intersecciín, frazar una línea 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 desviación estándar,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 línea de
8 52.5 0.2051 27 112.2 0.6923 distribución teórica.
9 57.4 0.2308 28 114.5 0.7179 . Por la intersección, trazat una línea 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
Hidrología Estadfstica - página (144)
,S= 135 -X
S=135-92
S = 34 m3ls
Método de mínimos cuadrados
Este método es más aplicable para la estimación de los parámetros

de una ecuación de regresión.
Por ejemplo, dada la recta de regresión lineal:
!=a*bx
donde ay b son los parámetros.
El error entre el valor observado I y el teórico 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 función 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
oü 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
Estimación de parámetros - página (146) Hidrología Estadística - págína (147l'
Solución:
...(4.3)
1. Cálculo de la sumatorias:
Los cálculos se muestran en la tabla 4.3
...(4.4)
2. Estimación de á:
Ejemplo 4.2: ,!r.v.
L) l"t -)x.) r.
Se cuenta con 13 pares de datos de caudales picos para el año 2000,
- ü*r'-Eü
L_ L¿ 1.t-t¿7
en m3/s, de las estaciones La Bomba y Asunción, cuyos valores se

Tabla 4.3 Cálculo de sumatorias
muestran en la tabla 4.2. Considerando que los caudales de la
estación La Bomba, son las variables independientes (x), y que los
x v xv x'
caudales de la estación Asunción, son las variables dependientes (y),
2e 1t 42C 784
y que estas variables se relacionan con la ecuación lineal:
178 142 2527C 31 681
!=a*bx 9( 5C 450C 810C
estimar los parámetros ¿ y b, qlue defina la ecuación lineal.
9( 7l 720C 921e
122 8€ 1073e 14884
Tabla 4.2 Caudales picos en m3/s para el año 2000 de las estaciones
5( 41 205C 250C
La Bomba y Asunción QC
La Bomba Asunción 62 241t 3844
lx) lvl 82 7Í 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
3. Estimaciúnde a: se obtiene será a, b, c, ó a,6,e, como estimadores sesgados o

insesgados de los parámetros.
2r, ).,,'b
a=--u
nn Cuando la distribución de probabilidad, a la que se estiman los
Sustituyendo valores, resulta: parámetros por este método es simétrica y particularmente si es
1104 normal, se puede demostrar que este es un método muy eficiente,
o=8* - 0.7875 pero cuando las distribuciones son asimétricas y por lo tanto
13 13
sesgadas, como sucede muy a menudo con la mayoría de las
a = -1.952
.'. La ecuación que relaciona las variable r e y es: variables hidrológicas, el utilizar este método representa una pérdida
y = -1.952 + 0-7875 x de eficiencia en la estimación.
Ejemplo 4.3:
Método de los momentos
1. Dada la función de densidad de probabilidad de la distribución
El método de los momentos fue desa¡rollado por KarI Pearson en
normal:
1902. El principio básico de la estimación por este método, es
establecer para cada función de distribución, la relación entre los
parámetros y los momentos centrales, de tal manera que:
pafa - oo< X < oo
d, =Íi(lti, tti+I,...)
estimar los parámetros 0 y 0 2, por el método de momentos.
A =fZ (lt i, ¡+t,
tt ...) ...(4.s)
Solución:
y =f3 (ttk, lt k+l, ...)
Sabemos que:
donde:
1. La media poblacional es igual al ler momento con respecto al
ü,0 ,T son los parámetros de la función de distribución
origen, es decir:
Iti, lti, llk són los momentos con respecto a la media, o
momentos centrales de la población 'Ó
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
Estimación de pariímetros - página (150) Hidrología Estadística - página (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-¡r¡2r1x¡ax ... (4.7) ' 'l2nor t-"" |
Sustituyendo/(x) en (4:6), resulta:

v2
roo I
l- ye 2 ¿y
.I-€
... (4.10)
P= J-**' lzoer' A.
Cálculo de:
-F-
2 ) 2
v v' v
ll=-l 1r- t-* x'e
- -n-
-f r0 e ' + l? e 2
fÉ^
^lznor
...(4.8) A=l J-ó
e " dy
J-É
¿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 á)/-)-oo f(-y)=e =e =f(y)
.
límites:
Si x -++"" á)-)*oo dado que: f(-y) = f(y) , f(y) matemáticamente, es una función 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
Estimación de parámetros - página (152)
Hiclrología Estadística - página (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 Cálculo de:
2vl
' 2t2
roo -l^ y2
límites: B= i- ye 2' dy
"-Ó
)=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=zÍ* l pero:
2tz -V'(-Y)2 -/'Y2
f(-y)=(-y)e =-!e =-ÍU)
, _L,
2e 2 ,lt puesto que: fl-y) = -Ky), fly) matemáticamente, es una función
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 función Gamma, se tiene: a=-liw 2" at+liw
f
dy
| (Y2)=\,fr "
B=0 ... (4.15)

.t, .tr -+ -ó - 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 parámetro 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 (función 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 límites:
02
si )=0 + t=0
límites: Y-+- =+ t)6
se tiene:
I
Estimación de parámetros - página (156) Hidrología Estadística - página (157 )
_t I o2 = 0 22 (el parámetro 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 Ét)k,
Ejemplo 4.4:
Aplicando la transformada de Laplace, se tiene:
Dada la función de densidad de probabilidad de la distribución de
Poisson:
o2=
o2= Calcular usando el método de momentos:

o El parámetro a
" Lavaríanza
Solución:
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
- página (159
Hidrología Estadística )
t,-ifr o2=E(*)-(E(x)),
o2=E(*)-Qt')
oor-o + ?ax"-d
tr=Tll ¿-rT:ú o2 =E(x2) - a2 ... (4.16)
pero: (-1)! -f(0)=". Cálculo de E(*):

. oor-ü -"-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, ='-&tár5.á?f]
,..d= ll
="-d § 11]-. +r-d
-c §-4--
2. Cálculo de o2
Sabemos que:
?t!-l)! '" !1!-z}
----r*
Se observa que la media y varianza de la distribución Poisson es

E(*)= ¡t + e igual a d, es decir:
)
fi=o- =q
Método de máxima verosimilitud
E(*)= tt+e "
F_rr* El método de máxima verosimilitud, fue desarrollado por R.A.
Fisher (1922).
Dada una función 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 parámetros que deben ser estimados
)
-s- Se define
productoria:
la función 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,ü, §,T,...). .... f (x
) fr.,T,...). N,ü, 4,T,...)
Luego: siendo N el tamaño de la muestra
E(tZ) = lt + r- ao2ra'
El método de máxima verosimilitud, consiste en estimard, §, T ,...
E(*2) = p+a2
a partir de la muestra, de tal manera que Z sea máxima. Esto se
Pero: ¡r,=d,entonces: obtiene por la diferenciación parcial de L, con respecto a cada
E (*2) =q, + q2 ... (4.17) parámetro e igualando a cero.
Sustituyendo (4.17) en (4.16), resulta: Puesto que flx) es no negativa, un valor máximo de L será, en
general positivo. Como el logaritmo natural lnL es una función
o2 =o*o2 -o2 monotómicamente creciente de L, ésta tiene un máximo,
o2 =d
r
Estimación de parrímefros - página (162)
precisamente en los puntos en que L tiene un máximo. Por lo tanto, Solución:

se puede ttsar lnL en lugar de L, es decir:
N N Sea la función 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 máxima verosimilitud es: ¿ =fI le
EtnZ }lnL 0ln/
#=o:
da
#=o;
db #=o; i=l
N ( _)x.\
tnL=\t"l l* 'î
dc
el mismo que tiene tantas ecuaciones como incógnitas.
i=l\.
¡
/
N¡
tnL= )l t, )"+tn,-tu.\
'"'i
Las propiedades de los estimadores calculados por el método de
máxima verosimilitud, son; I
. Usualmente insesgado
i=l\ )
. Si la eficiencia de estimadores existe para los parámetros U, B,
Nt \
T ,..., el método puede producirlos. 7nL=Itr^ -tu,)
. La solución de la ecuación de verosimilitud, proporciona un i=l
estimador que converge al valor poblacional, cuando el tamaño
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 función de densidad de probabilidad de la distribución
§( !-,.)=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 parámetro2, usando el método de máxima verosimilitud.
t
nl
1r¿=)tnl
¡=1
I
,l
Ejemplo 4.6:
tnL= »l-
,=1L
Dada la función de densidad de probabilidad de la distribución

normal:
rnL=I "1' ]
3. , resulta:
Fstimar los parámetros

verosimilitud.
el e2, por el método de máxima
a) üJ]=.
Solución:
1. La función de verosimilitud es:
2. Tomando ln:
r
nn
E*,=Eo,
i=l i=l -
0,2
'
i6,
=lnF.t -e1)2 =12
n
\x¡
t=l
-- no,
Nota. El método de máxima verosimilitud, teóricamente es el más
correcto para el cálculo de los parámetros de las distribuciones, en el
sentido que produce menos errores, en la estimación de los
,=)L*, =, parámetros de la población. Pero, para algunas distribuciones de
probabilidad, no existe solución analítica para todos los parámetros,
en términos de los estadísticos de la muestra, lo cual lleva a calcular
éstos parámetros por métodos numéricos. En general, el método de
trY(-zor-3)]=t los momentos es más fácil de aplicar que el método de máxima
'(,¿ - verosimilitud, y resulta más apropiado para análisis práctico en
hidrología.
á[ ;.ry)=' 4.4 Problemas propuestos

tf"l,.+I]=, uniforme:
1
para o(<rS p
f(x) =
Lb4:-=o
ÉF,)* i=l
i=l 02'
B-cr
Estimar sus parámetros o y B, utilizando el método de momentos.

=n
,;-vr6'-01)2 2. Dada la función de densidad de probabilidad de la distribución
exponencial:
-l.x
:V=,6,-trY -e2 flx) =)" e Para x> 0, ¡, > 0
Estimar su parámetro 1,, utilizando el método de momentos.

I
Estimación de pariámetros - página (168) Hidrología Estadística - página (169)

de Poisson:
v
Calcular los parámetros pty, or, utilizando el método de máxima
Calcular el parámetroa, usando el método de máxima verosimilitud.
verosimilitud.
4. Dada la función de densidad de probabilidad de la distribución gamma de parámetros y y B:
exponencial de dos parámetros: x
-1.(x - e)
*Y -1, P
f(x)=)"e para x)E, ¡,>0 f(x)-
PY r<v)
Estimar sus parámetros l, y g utilizando el método de momentos. para: 0(x<""
0<Y<""
0 < 0<""
exponencial de dos parámetros:
-i.(x - e)
Calcular los parámetros utilizando el método de momentos.
f(x)=)"e para x)8, I>0
Estimar sus parámetros l, y e, utilizando el método de máxima
verosimilitud.

log-normal de dos parámetros:
Pruebas de bondad
de ajuste
5.1 Definición
Las pruebas de bondad de ajuste, en compro bar gráfica y

"orrir*n de la serie analizada, se
estadísticamente, si la frecuencia empírica
ajusta a una determinada función de probabilidades teórica
seleccionada a priori, con los parámetros estimados con base en los
valores muestrales.
Las pruebas estadísticas, tienen por objeto medir la certidumbre que

se obtiene al hacer una hipótesis estadfstica sobre una población, es
decir, calificar el hecho de suponer que una variable aleatoria, se
distribuya según una cierta función de probabilidades.
Las pruebas de bondad de ajuste más utilizadas son:
. Ajuste gráfico
Pruebas de bondad de ajuste - págtna (172) Hidrología Estadística - página (173)
lctri - cuadrado función acumulada

. Ajuste estadístico i- empfri
[Smirnov - Kolmogorov probabilidad
(%)
función acumulada
5.2 Ajuste grafico teórica
El ajuste grráfico se puede realizar de las siguientes formas:
. Comparar gráficamente eI histograma ó función densidad

empírica de la serie de datos, con la función densidad teórica y
decidir visualmente, si hay o no ajuste de acuerdo a la similitud
o diferencia de ambos (figura 5.1).
Figura 5.2 Ajuste gráfrcocon la función acu.rruladaln papel
milimétrico
frecuencia
relaüva función densidad Se puede también comparar gráficamente la función acumulada
teórica función densidad de la serie de datos, con Ia función acumulada teórica, ploteada
emplrica en un papel probabilístico adecuado (figura 5.3), donde la
distribución teórica seleccionada, se pueda representar como una
línea recta (por lo general, sólo se pueden representar por una
línea recta las distribuciones de 2 parámetros). Así se tienen
marca de dase disponibles los papeles probabilísticos normal, log-normal,
gumbel, etc. El procedimiento consiste en plotear los valores de
Figura 5.1 Ajuste gráfico con la función densidad
la variable hidrológica (caudal, precipitación, temperatura, etc.),
versus la probabilidad empírica en el papel de probabilidad
Comparar gráficamente la función acumulada de la serie de
correspondiente. Si los puntos ploteados se agrupan alrededor
datos, con la función acumulada teóica seleccionada, dibujada
de una línea recta, que es la representación de la distribución
en papel milimétrico (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 distribución deseada.
Pruebas de bondad de ajuste - págha (174) Hidrología Estadística - página (175)
,|
y.o
,"c = valor calculado de Chi-cuadrado, a partir de los datos
variable
aleatoria distribución
0 i = número de valores observados en el intervalo de clase i
empirica
ei = número de valores esperados en el intervalo de clase i
ibucién |¡ = número de intervalos de clase
teórica
Asignando probabilidades a la ecuación (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 gráfico con la función acumulada en papel Ni número de observaciones que caen dentro de los límites
=
especial de clases ajustadas del intervalo i.
N = tamaño muestral
5.3 Prueba Chi-cuadrado U2 ) P¡ = probabilidad igual pala todos los intervalos de clases
La prueba Chi-cuadrado se basa en el cálculo de frecuencias, tanto Pi= llk ó ei= PiN ... (5.3)
de valores observados, como valores esperados, para un número
determinado de intervalos. Esta prueba es comúnmente usada, para Simplificando la ecuación (5.2), se obtiene la fórmula
verificar la bondad de ajuste de la distribución empírica a una computacional desarrollada por Markovic ( 1965):
distribución teórica conocida, fue propuesta por Karl Pearson en
1900. x? =#frl? -- ...(5.4)
.)
La expresión general de la prueba Chi-cuadrado está dada por: El valor d" X,; obtenido por la ecuación (5.4) se compara con el x7
de la tabla A.8 del apéndice, cuyo valor se determina con:
nivel de significación: a= 0.05 ó 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 - página (176) Hidrologfa Estadfstica - páeina (177)
h = as el número de parámetros a estimarse, así: 5. Es de fácil aplicación.

h = 2, para la distribución normal
h = 3, para la disribución log-normal de 3 parámetros njem)to s.I:
Criterio de decisión: Dada la serie histórica de caudales medios anuales en m3/s, que
corresponde a un registro de 38 años:
El criterio de decisión se fundamenta en la comparación 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 hipótesis que eI ajuste es bueno al nivel de
significación seleccionado Realizar la prueba de bondad de ajuste Chi-cuadrado para ver si se
ajustan a una distribución nornul.
Si el Chi-cuadrado calculado es mayor que el valor tabular, es
decir: SOLUCION:
'))
x;, x; 1. La hipótesis será:
entonces, el ajuste es malo yse rechaza la hipótesis, siendo Ho : frecuencia observada = frecuerlcia esperada
necesario probar con otra distribución teórica. 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 sólo para ajustes a la distribución 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 función densidad de clatos agrupados en 162.1 165,5 205.8
intervalos de clases.
3. Cálculo de la frecuencia
para datos agrupados
3. Requiere un conocimiento a priori, de la función de distribución
3.1. Cálculo del número de intervalos de clase, según Yevjevich:
teórica utilizada en el ajuste.
NC=1+1.33 ln(M)
4. En la práctica se usa para cualquier modelo de ajuste, pero
NC=1+1.33 ln(38)
estrictamente es válido sólo para la normal.
Pruebas de bondad de ajuste - página (178) Hidrología Estadística - página (179)
NC=5.84 = 6 Columna (5): acumular valores dq la columna (4)
3.2. Cálculo de la amplitud de cada intervalo: 3.4 Cálculo de la media y desviación estándar 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. Cálculo 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
-ñ = frecuencia relativa
Tabla 5.1 Cálculo de la frecuencia acumulada
!ntervalos Marcas Frecuencia Frecuencia Frecuencia Cálculo de la frecuencia esperada, utilizando la distribución
de clase de clase absotuta (0 relativa )
acumulada teórica 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 distribución normal paru x = límites 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): área bajo la curva normal, puede usar la tabla A.1 del
apéndice.
donde:
(3): número de valores comprendido en el intervalo de la
Columna (5): áreap 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
Tabla 5.2 Cálculo de la frecuencia absoluta x? = 0.2 + 2.5 + 0.75 +0 + 0.33 + 0

intervalo de Iímite á¡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. Cálculo 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 significación: 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 apéndice, 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 (ó): columna (5) x N = 38, se redondea en forma
adecuada, de,tal manera que la suma de las 7. Criterio de decisión:
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 hipótesis nula Ho
Columna
5.1.
.'. Los datos se ajustan a la distribución normal, con un nivel
) de significación del 5Vo ó 95Vo de probabilidad.
5. Cálculo de 7':
De (5.1), se tiene: Nota. En la aplicación Cestadis, existe una opción para el cáIculo 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 empírica de los datos
5 10 12 7 1
de la muestra y la probabilidad teórica, tomando el valor máximo
r
del valor absoluto, de la diferencia entre el valor observado y el M = nimeto de orden

valor de la recta teórica del modelo, es decir: N = número de datos
A = máx 2o Calcular la probabilidad teórica F(x):

lnlx¡ - e1x¡l "'(s's)
. Para el caso de utilizar el procedimiento de los modelos teóricos,
donde:
usar la
la ecuación de función acumulada F(x), tablas o
A = estadístico de Smirnov-Kolmogorov, cuyo valor es igual
elaboradas para tal f,rn.
a la diferencia máxima existente entre la probabilidad
ajustada y la probabilidad empírica.
F(x) = probabilidad de la distribución teórica
' Si se quiere aplicar el procedimiento gráfico, se utiliza un papel
probabilístico especial donde F(x), puede representarse como
P(x) = probabilidad experimental o empírica de los datos, una línea recta, por 1o cual, se puede trazat con solo 2 puntos,
denominada también frecuencia acumulada. pero si se quiere chequear que es una recta, se pueden plotear 3
puntos, por ejemplo para el caso de una distribución normal, los
El estadístico A tiene su función de distribución de probabilidades. puntos:
Valor Probabilidad
Si A o es un valor crítico para un nivel de significación 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
también: 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 estadístico de 4" Seleccionar la máxima diferencia:
Smirnov-Kolmogorov, es el siguiente: a= máx ]nqx¡-e1x¡l
1o Calcular la probabilidad empírica o experimental P(x) de los
datos, para esto usar la fórmula de Weibull: 5'Calcular el valor crítico del estadístico A, es decir Ao, para un
M a = 0.05 y N igual al número de datos. Los valores de Ao, se
P(.r) = ...(s.8)
N+1 muestran en la tabla 5.3.
donde:
P(x) = probabilidad empírica o experimental
6o Comparar el valor del estadístico A, con el valor crítico A o de la Tabla 5.3 Valores críticos de L,o del estadístico Smirnov-
tabla 5.3, con los siguientes criterios de decisión deducidos de la Kolmogorov a, para varios valores de N y niveles de significación
ecuación (5.6): a
Si A < Ao + el ajuste es bueno, al nivel de significación Tamaño Nivel de siqnificación *

seleccionado. muestral 0.20 0.15 0.10 0.05 0.01
N
A)Ao= el ajuste no es bueno, al nivel de significación 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
distribución 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 función de 9 0,339 0,360
0.411 0.457 0.543
0.388 0.432 0.514
distribución teórica. 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 aplicáble a cualquier distribución teórica.
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 función de distribución acumulada y no en la 18 o.244 0.259 0.278 0.309 0.371
función 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. Comparándola 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
Ejemplo 5.2: Tabla 5.4 Cálculo 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
distribución normal, usando :
lnlz¡ -r1x¡l
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 cálculo 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 gráfico. 10 58.8 0.2564 -0.78 0.2177 0.0387
11 59.6 0.2821 -o.76 0.2236 0.0585
Solución:
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. Cálculo 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 empírica P(x), usando la fórmula 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. Cálculo 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 - página (188) Hidrología Estadísrica - página (189)
Tabla 5.4 Continuación ... 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¡ -e1x¡l
6. Cálculo del A - Amáx:
(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. Cálculo de Ao crírico:
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 decisión
Como:
Cálculo de la variable estandarizada Z: A = 0.1089 < Ao =0.22
Usando la..ecuación: Se concluye que los datos de caudales se ajustan a la distribución
normal, con un nivel de significación del 5vo o una probabilidad
X_X 95Vo.
del
s
se obtiene la columna (a) de la tabla 5'4'
La aplicación cestadis, permite rearizar la prueba de bondad de
ajuste, para varias distribuciones teóricas, entre ellas la normal.
4. Cálculo de F(D = F(X):
Usando la tabla A.2 del apéndice, 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. Gráfico de P(X) y F(Z) en papel de probabilidad normal.
obtienen de: 1 - valor tabla A.2
1.1. Gráfico de disrribución ernpírica p(.tr):
5. Cálculo de A - lrlz¡ - e1x¡l Plotear en un papel de probabilidad normal los valores de las
columnas (2)V Q) de la tabla5.4.
1.2. Gráfico de la distribución teórica F(4 = F(X):
Pruebas de bondad de ajuste - página (190)
Hidrologfa Estadísrica - página (191)
Plotear los puntos:
Valor de caudal Probabilidad

(m3/s) Vo
€c
X = 92.32 50 9'5
X +S =135.12 84.73
.i«t"tr
-o
(l)-o
X -S = 49.52 15.87 v,o
E-
(É!!
1.3. Con los procesos 1.1. y 1.2 se obtiene lafigwa5.4. O«l

-o
o.¡ I
.1, g
do
2. Cála¡lode A =max F(z)-P(x) 300
0)o
Observando la figura 5.4, se tiene: o.z
A = 0.10 -cY
h>
ñ=Rt
=.= b
.99E
ts
3. Cálculo 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-
ô - -]3s O
t\
I E-
^[n
'd '§
)e
Ao = 0.4
il
4. Criterio de decisión:
Como:
A =0.10<Ao=0.22
Se concluye que los datos de caudales se ajustan a una distribución
normal, con un nivel de significación del57o, o una probabilidad del
95 7o.
op o
o
N
o
ro oo
5
Pruebas de bondad de ajuste - página (192)
5.5 Problemas propuestos Tabla 5.5 Caudales máximos anuales de la estación Tacares
1. Dado el registro de caudales, e, -3/s, de una serie histórica,la 37 62 90 s61 49

misma que coffesponde a un registro de 50 años: 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 estación
Corobicí, m3ls de 2O años, que se muestran en la tabla 5.6,
rcalizar la",prueba de bondad de ajuste smirnov-Kolmogorov,
ajustan a una distribución normal.
con un nivel de significación del 5 7o, pzrz ver si los datos se

Utilizar:
. Prueba Chi-cuadrado
ajustan a una distribución gamma de 2 parámetros.
. Prueba Smirnov-Kolmogorov, para este caso realizar:
Tabla 5.6 Registro de caudales del río Corobicí, en m3ls
o Cálculo 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 milimétrico, a
207.0
fin" de representar la función acumulada teórica y 386.2 424.0 236.t 706.1
empírica. 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 probabilístico.
2. Dado el registro de caudales máximos anuales para la estación

Tacares, en m3/s, de 25 años, que se muestran en la tabla 5.5,
realizar la prueba de bondad de ajuste, para ver si los datos se
ajustan a una distribución normal.
Distribuciones
teóricas
6.1 Introducción
El hidrólogo generalmente tendrá disponible un registro de datos

hidrometeorológico (precipitación, . caudales, evapotranspiración,
temperaturas,,etc.), a través de su conocimiento del problema físico,
escogerá un modelo probabilístico a usar, que represente en forma
satisfactoria el comportamiento de la variable.
Para úilizar estos modelos probabilísticos, se deben calcular sus

parámetros 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 úilizar la distribución elegida, una

vez encontrada la ley de distribución que rige a las variables
aleatorias, además, se podrá predecir con determinada probabilidad,
la ocurrencia de una determinada magnitud, de un fenómeno
Distribuciones teóricas - página (196) Hidrología Estadística - página (197)
hidrometeorológico. También se podrá determinar Ia magnitud de un Las distribuciones teóricas comúnmente utilizadas en Hidrología,
fenómeno para un determinado periodo de retorno. son entre otras:
. Distribución normal
. Distribución log-normal de 2 ó 3 parámetros
. Distribución gammade2 ó 3 parámetros
. Distribución log-Pearson tipo III
. Distribución Gumbel
. Distribuciónlog-Gumbel
Estas distribuciones se estudian en este capítulo.

Elegir una
distribución teórica
6.2 Distribución normal o gaussiana
1. Función densidad
Se dice que una variable aleatoria X, tiene una distribución normal,

si su función densidad, es:
:1._:)rl
r (x) = ___L EXpl _
Jzns Lrt sl] ..\--l
.. (6. r)
Utilizar distribución
teórica elegida
pAfA -@ <.tr< oo
donde:
f(x) = función densidad normal de la variable x
x = variable independiente
Figura 6.1 Proceso de selección de una distribución teórica
Distribuciones teóricas - página (198) Hidrologfa Estadlstica - página (199)
X- parámetro de localización, igual a la media aritmética

dex
S -
parámetro de escala, igual a la desviación estándar de x
EXP = función 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 fácihnente evaluados para un
o
valor dado de )c o de Z por las ecuaciones (6.2) ó (6.5),
respectivamente.
El gráfico de la función densidad de la distribución nonnal estándar,
El gráfico de la función densidad de la distribución normal se se muestra en la figura 6.3.
muestra en la figura 6.2, y es como se observa en la figura, una
función continua y simétrica con respecto a X .
- u) +rfi
X
-co fm
l"rz = 0
Figura 6.2 Función densidad de la distribución normal Figura 6.3 Función densidad de la distribución normal estándar
-_Y Una característica fundamental de la distribución normal estándar es

Si: Z-n " ...(6.3)
s que tiene Fz = 0 ! O 2z = 1, es decir:
z - N (0,1)
La función densidad de Z, §d -llama función densidad de la
distribución normal estándar y tiene la siguiente expresión: 2. Función de distribución acumulada (F.D.A.)
...(6.4) La función de distribución acumulada de la distribución normal, es
Ia integral de las ecuaciones (6.I) 6 (6.2):
3. Cálculo de la función de distribución acumulada

F(x)=#lr- ... (6.6)
Existen tablas, por ejemplo las tablas 4.1 y A.2 del apéndice, que
permiten calailar F(Z).
,
llx-Xl'-')
__t__l Pararealizar cálculos computacionales de F(Q, se utilizan funciones
F(x)=.r+ll- u2l s )d, ...(6.7) de aproximación, dentro de las cuales se pueden mencionar:
a) Abramowitz y Stegun (1965), han dado varias aproximaciones

o su equivalent aciones (6.4) ó (6.5) para la ormal estandarizada Z. Una aproxi-
mación menor que 10-5 es:
F(z) = h, ... (6.8) F(4 = 1201676 P + 0.9372980 ,3) ... (6.10)
l donde:
ó
F(4 = es la función de distribución acumulada
flZ) = es la función 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 función de distribución acumulada de la
distribución para la variable original X, según la ecuación (6.6), o
también parala variable estandarizada Z, segin la ecuación (6.8), es b) Masting (1955), ha dado una aproximación polinomial que ha
decir F()) = F(4. sido utilizado por la IBM (1968). Esta aproximación con un error
menor que 7.5 * 1g-8, es:
Esta función de distribución, 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 teóricas - pági¡a (202) Hidrología Estadística - página (203)
b3 = 1.781477937 b4 = -1.821255978 5. Estimación de parámetros, métodos de momentos y

b5 = t,330274429 máxima verosimilitud
En las aproximaciones (6.10) y (6.t2), si Z < 0, la F.D.A. se calcula Para estimar los parámetros de la distribución teórica se pueden usar
como: el método de momentos ó el método de máxima verosimilitud.
t - F(z),
Cabe mencionar que la distribución normal, es la rinica función de
4. Cálculo de la inversa de la distribución normal distribución, que produce los mismos resultados de los parámetros,
estándar estimados por el método de momentos y máxima verosimilitud, los
parámetros obtenidos son 1o§ siguientes:
Una aproximación para el cálculo de la inversa de la distribución ,N
normal estándar, 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 también parámetro
donde: de posición
w= para 0 <FZ<0,5 ... (6.16) §= es el estimado insesgado de la desviación estándar o
parámetro de escala
6. Estimación de parámetros, método de los momentos
^(,ártJ ,*'
w= o's<FZ<t "'(6'17) lineales
c0= 2.515517: c1 = 0.802853: c2 = 0.010328 Los parámetros de la distribución normal, estimados por el método
dl= 1,432788: d2 = 0,189269: d3 = 0.001308 de momentos lineales son:
FZ = fu¡cién acumulada de la distibución normal estándar X=lt=lt ,.. (2.20)
Z = ordenada inversa de la distribución normal estándar
s = J-Ir2, ,.. (2.21)
donde: Ejemplo 6.1:

,1,,= primer momento lineal que se calcula con la ecuación
(3.51) Dada la serie histórica de caudales medios anuales, en m3ls, que
trz = segundo momento lineal que se calcula con la ecuación corresponde a un registro de 50 años para el río Santa (Perú):
(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 hidrología 108.75 110.77 114.3',1 1 16.69 1 19.52
123.00 123.22 124.31 127.82 128.15
La distribución normal tiene gran utilidad en hidrología, 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 empíricas de variables 193.78 193.88 197.58 207.78 208.18
hidrológicas 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, precipitación, entre otros. l. Averiguar si se ajustan a una distribución normal.
. Análisis de los effores aleatorios en las observaciones o
mediciones hidrológicas. 2. Si se ajusta a una distribución normal, calcular:
2.1. P (0 < 180 rn3ls)
¡ Como referencia para -comparar varias distribuciones teóricas de 2.2. P (Q > lOO m3/s)
ajuste en una distribución empírica. 2.3. P(50m3/s <Q< 200m3/s)
2.4. El período de retorno para un caudal de 2IO m3ls.
. Para hacer procesos de inferencia estadística. 2.5. El caudal para un período de retorno de 50 años.
, Para generación de datos por el método de Monte Carlos. Fl Solución:

inconveniente en la generación de datos, es que se obtienen
valores negativos, lo cual físicamente no es justificado. 1. Ajuste a la distribución normal:
1.1. Cálculo de los parámetros:
8. Ajuste .N
O= :-l,a¡
N
=t52.2476m3h
El ajuste puede realizarse gráfrcamente utilizando papel
-:
t=I
probabilístico normal ó analíticamente, mediante los estadísticos
§= 2@,-o)'
Chi-cuadrado ó Smirnov-Kolmogorov.
a
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 aplicación HidroEsta, se tiene: Sustituyendo en (6.22), se tiene:
P(Q > 100) = 1 - (1 - 0.8849)
a = max lr«xl - P(x) | = 0.1019
Lo=0.1923, paraa =0.05 > 100) = 0.884
b) Criterio de.decisión: Para los datos indicados, utilizando la opción 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 distribución 6.4; enesta figura, se observa que P (0 < 180 -3is) =73.77 7o y la
normal, con un nivel de significación del 0.05, o una P(Q > 100 mr/s) = 88.45 7o
probabilidad del95Vo.
Caudal de diseño: - Caudal de diseño:
Cálculo de probabilidades: ¡
2,1. Cálctlo de: caudal (Q); [i --oE-¡1p*r
P(Q<180)=F(0=.180)
Cálculo 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. Cálctlo 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
Cálculo deZpara 0= 100
100 - t52.2476 F(Q= 200) = F(Z= 1.095) =0.8632 (valor interpolado)
L--
43.6124
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 años el caudal de2l0 m3ls será igualado
86.327o,por lo queP (50 < Q < 200) = 86.32-0.95 =85.37 %o
o excedido.
- Cauy'al de diseño: -- -- -- I Caudal de diseño:

CaudalfQJ: 2.5 Caudal para un período de retorno de 50 años
IEE--mg/s
--
I
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 Período de retorno para un caudal de 210 m3/s:
pero: Z =9+
s
+ e= e+ S Z
Q= 152.2476 + 43.6L24x2.055
l- ... (6.23) Q=24L 87 m3/s

r- p(O<2to)
pero: un período de retorno de 50 años es 241.87 m
P(Q<210)=F(Q=2r0)
En la figura 6.6, se observa que el período 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 años; mientras que el
43.6124 caudal para un período de retorno de 50 ".
años, es 241.84 m3/s.
r
Distribuciones teóricas - página (210) Hidrología Estadística - página (2ll)
La variable aleatoria: Y = lnX, es normalmente distribuida con

media tt y y varran u o2
,
Se usan estos parámetros para especificar que la distribución es
logarítmica, puesto que también puede usarse la media y la vananza
de X.
Figura 6,6 Caudales y períodos de retorno

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

6.3 Distribución log-normal normal de 2 paúmetros, si su función de densidad de probabilidad,
ES:
Las distribuciones logarítmicas más conocidas en hidrología son la
log-normal, log-Pearson tipo III y log-Gumbel. Por ejemplo, si la
variable aleatoria X, tiene una distribución log-normal, esto significa
que I = lnX, tiene una distribución normal. Análogamente, si X es
... (6.24)
una variable aleatoria log-Pearson tipo III, f - lnX, es una variable
aleatoria Pearson tipo III. También, si la variable aleatoria X, tiene v
una distribución log-Gumbel, Y = lnX, es una variable aleatoria para0<r< oo
Gumbel. Es posible una generalización, en el caso que se introduzca

x -tog *(u
un límite inferior .16, on cuyo caso el lnX, anteriores, es sustituido ,,o'r)
por ln(X - xs).
Donde Fy, o y, son la media y desviación estándar de los logaritmos
En este capítulo, se estudian las distribuciones log-normal. Hay una naturales de x, es decir de lnx, y representan respectivamente, el
distribución log-normal de 2 parámetros y otra de 3 parámetros, en parámetro de escala y el parámetro de forma de la distribución.
la de 3 parámetros, el tercer parámetro es el límite inferior xe,
denominado parámetro de posición.
2. Función de distribución en términos de ! = lnx
Distribución log-normal de 2 parámetros Puesto que:
La variable aleatoria X, es positiva y el límite inferior.ro no aparece. !=lnx- dy= !¿, - dx

= x ... (6.25)
x dy
también, por las distribuciones acumuladas, se tiene:
r
Distribuciones teór{cas - página (212) Hidrología Estadística - página (213)
fly) dy =fix) dx 3. Función de la distribución acumulada

ó
Í(y) = fv)!
dy
... (6.26) La función de distribución acumulada de la distribución log-normal
de 2 parámeffos, 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 también: ó
v v
finalmehte, reemplazando y = lnx, se tiene: v-u
"vv lnx-u
/,-
yv
Entonces se obtiene, la distrib ción normal estándar:
... (6.27)
2
F(z)= L=|',
J- e 2 dz ... (6.30)
v2fI -
siertdo: z - N(o,t)
¡r, - parámetro de escala
o, = parámetro de forma Nota. Para el cálculo de la distribución acumulada de la normal o la
log-normal, una vez conocido sus parámetros, hacer la transforma-
ción a la distribución normal estándar y usar las tablas o las
ecuaciones de aproximación, elaboradas para su cálculo.
r
4. Estimación de parámetros, método de momentos

oY=./tr(t
V +c2\v' ... (6.34)
utilizando el método de los momentos, las relaciones entre la media Tomando logaritmos a (6.31), resulta:
y la varianza de la variable X y los parámetros 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')
desviaciónestándar: -rl"' \
) u =!(2[,n¡2 -n{ t* c2"/)')
'Y \ '))
)r/2
coeficiente de variación: Cu - 1
... (6.36)
I
02
C2 =e v_l
v Luego, dado un conjunto de valores xb xz, x3, ...,.trn, con parámetros
o2 Í, 'v',o!.v',de la distribución log-normal
,S, 52, Cy,los parámetros /r-.
L+C2 =e v ... (6.32)
v de 2 parámetros, obtenidos por el método de/momentos, se calculan
con las ecuaciones (6.36) y (6.33), respectivamente.
Tomando logaritmos a(6.32), se tiene:
tnfl' + c2l--o2 También se obtiene del método de momentos, la siguiente ecuación:
v' y
o?' =n6+ c2)
y'v ... (6.33)
r
Distribuciones teóricas - página (216) Hidrología Estadística - págha (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 prácticos de o2,'.0.1 < o2, < 0.6, la relación es casi
lineal y puede ser aproximada por: 6. Estimación de parámetros, método de momentos
lineales
Cs=8=0.52+4.85 o2t ... (6.38)
Utilizando el método 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 ecuación (3.31),
se tiene:
o, = ^f-fÚ, ... (6.42)
t1 n'M ,
(--
-J - donde:
@-D(ü-2)5', Lr, tr, = primer y segundo momento lineal calculados con
siendo:
n los y¡ - ln-ri
_
\(x, x),
Mr=E Nota. Muchos registros hidrometeorológicos, tienen como valores
n de sus variables un valor igual a 0 (ejemplo, sino llueve la
y que de acuerdo a la ecuación (3.23), se tiene: precipitación será 0). Al úilizar la distribución log-normal, cuando
se toma logaritmos a éstos valores, el resultado es -
"". para dar
solución a este problema, se pueden hacer cualquiera de los
siguientes artificios :
1. Sumar 1 a todos los datos
5. Estimación de parámetros, método de máximá 2. Sumar un valor pequeño a todos los datos ( por ejemplo: 0.1,
verosimilitud 0.01,0.001, etc.)
3. Sustituir los ceros por un I
Utilizando el método de máxima verosimilitud, los parámetros ¡r,, y 4. Sustituir los ceros por un valor positivo pequeño
o2y, s€ obtienen, con las siguientes relaciones: 5. Ignorar todos los ceros del registro
r
Todas éstas soluciones, afectan los parámetros de Ia distribución

log-normal; la solución 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 función densidad de la distribución f(x)= (x-x ... (6.43)
log-normal de2.parátmetros, para varios valores de p" y o2. \o ^m
o'y
r(x) para .ro I x< ""
1.0 donde:
xol parámetro de posición en el dominio x
0.8
Fy: parámetro de escala en el dominio x
0.5 o'y parámetro de forma en el dominio x
'
o.4
o.:2
0
0 1 2 3 4 5 6
x 7 Utilizando el método de los momentos, las relaciones entre la media,
Figura 6.7 Distribución log-normal de 2 parámetros, con varios la vaianza y el coeficiente de sesgo, de la variable X y los
valores de p" y o parámetros *o, lty y o ry , que se obtiene, son:
Distribución log-normal de 3 parámetros

u *"32
Esta difiere de la distribución log-normal de 2 parámetros por la nredia: X:E(x)=xo+e Y ... (6.44)
introducción de un límite 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. Función üensidad = -1
La función de densidad de probabilidad, ds la distribución log- coeficiente de sesgo:
normal de 3 parámetros, es:
Distribuciones teóricas - pág¡na (220) Hidrología Estadística - página (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 parámetros
donde:
X, ,s, §, Cu, Cs los parámetros Xo, lt
y,o2 ,de la distribución log-
M3=
Z@¡-,o3 ... (6.49) normal de 3 parámetros, obtenidos por el método de momentos, se
calculan con las ecuaciones (6.54), (6.53) y (6.52), respectivamente.
Nota limitante
... (6.s0) De la ecuación (6.52), se observa que para que exista un valor real
deo Cs debe ser mayor que 0.52, en caso contrario, su valor será
r,
vL¿l
!x. imaginario.
... (6.s1)
N 3. Estimación de parámetros, método de máxima
luego:
verosimilitud
de(6.47): oy= ...(6.s2) Los parámetros de la distribución log-normal de 3 parrámetros,

estimados por el método de máxima verosimilitud son:
tty=*á-0,-ro) ... (6.5s)

l-
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"d¡ona = x1n+t¡t2 ... (6.60)
donde:
n = número de datos de la serie
Fy = parámetro de escala, igual al promedio de los ln(x - xo)
o y = parámeffo de forma, igual a la desviación estándar de los
Cuando xt + xn -2x*",tiono ) 0, xs representa el límite inferior y ¡r,
ln(x - xc))
y oj se estiman como la media y vaianzade y¡ = tn(xi- xú.
xo - parámetro de posición
Cuando xt + xn - 2x^"d¡ono < 0 , xo representa el límite superior y ¡r,
El parámetro de posición se calcula, mediante un proceso iterativo y ol se estiman como la media y varanza d. y, - ln(xo - x).
como solución de la siguiente expresión resumida:
5. Función de distribución acumulada
La función de distribución acumulada, se calcula haciendo la

transformación, a una distribución normal estándar, siendo su
La ecuación (6.57), solo es posible resolverla por un proceso ecuación:
computacional, la aplicación HidroEsta, permite el cálculo de estos _22
parámetros por el método de máxima verosimilitud. leZ e2
F(Z) = I dz ... (6,61)
"FzIrJ--
4. Estimación de parámetros, método simplificado donde:
Una forma simple y eficiente de estimar el parámetro de posición xo z- ln(x- ay

xO)- tty
... (6.62)
de la distribución log-normal, es mediante el estimado del cuantil
del límite inferior, con la siguiente ecuación: y: Fy, o y ¡.16 son los parámetros de la distribución log-normal
... (6.58) de 3 parámetros
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 distribución log-normal de
rn = último valor de la serie ordenada ascendentemente dos parámetros.
r
Ejemplo 6.2: 2. Cálculo del caudal para un período de retorno de 75 años:

Dada la serie histórica de caudales medios anuales, en m3/s, qre
corresponde a un registro de 50 años para el río Santa (Perú):
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 apéndice, para F(D 0.9866666, se obüene por
146.08 153.64 153.97 154.80 156.80
interpolación:
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 distribución log-normal de 2 parámetros, la variable
estandarizada es:
Averiguar si se ajustan a una distribución log-normal de dos
v lnQ- uy
1.
parámetros ... (6.63)
oy
2. Si el ajuste es bueno, calcular el caudal para un período de HidroEsta, permite calcular también los parámetros lry y o y,por el
retorno de 75 años.
método de máxima verosimilitud, siendo los valores obtenidos para
este caso:
Solución:
ItY = 4'9872
I. Ajuste a la distribución log-normal de dos parámetros: o
Y =0'277
Utilizando la aplicación HidroEsta, se encuentra que los datos, se Sustituyendo valores en la ecuación (6.63), se tiene:
ajustan a la distribución lóg-normal de 2 parámetros, con un nivel de
significación 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 significacióndel5 7o
Como: A= 0.0791 < Ao = 0.1923, se concluye que los datos se
lnQ - 0.277 x2.215 + 4.9872
ajustan a la distribución log-normal de 2 parámetros, con un nivel de lnQ=J.666755

significación del5 Vo. luego:
r
Q = e5.600155 x
p
=270.63 xy-le
f(x)= ... (6.64)
El cqq4al para un período de retorno de 75 años, es: PY r(y)
e=W: thrrc' para:
(
0 X< ""
Utilizando la opción Distribuciones/l.ogNormnl 2 parámetros de 0< 1z < ""
HidroEsta, se obtienen los resultados de la figura 6.8, se observa que 0<B< ""
el caudal para un período de retorno de 75 años, es 270.16 m3ls. siendo:
y- parámetro de forma (+)
B- parámetro de escala (+)
f(f ) = función gaÍrma completa, definida como:
r(r)= t- xT-le-xd:c que converge si y > 0

La función garnma tiene las siguientes propiedades:
Figura 6.8 Caudal para un período de retorno de 75 años

I r(r) =e-t)l paray =1,2,3,...
¡ r(y+t)= yxt(y) paruy >0
6.4 Distribución gamma
¡ f (l)= f(2)=l
T f (ltz) = "tfr
Otra distribución que juega un papel importante en Hidrología es la
I f (0) = ""
distribución Gamma. Su aplicación es tan común, como el uso de la
distribución log-normal.
Si 1, > 0 pero no entero, l(y)
puede ser calculado por expansión de
series e integración numérica por:
Distribución gamma de dos parámetros
f(/) = TT e-T
Se dice que una variable aleatoria X, tiene una distribución gamma Para más detallss sobre las propiedades de la función gamma
de 2 pañmetros si su función densidad de probabilidad es: completa, su forma de cálculo y la transformada de Laplace, se
puede consultar en el anexo A.
r
2. Función acumulada la cual reduce la función de densidad de probabilidad a:

-lr- I
La función de distribución acumulada, de la función gamma 8U) ='nT ,(r) (6.6e)
incompleta de 2 parámetros es :
x
y la función de distribución acumulada a:
*T -1, B v-l
-v
F(x) =
f pY re)
úc ... (6.6s)
G(y)=lJ ,_OO' d, ... (6.70)
La integral de la ecuación (6.65) puede evaluarse para valores dados Las funciones reducidas contienen el parámetroy , por lo cual, cada
de B y y, usando la tabla A.7 del apéndice, en la cual se ha tabulado
valor positivo de y, determina una función diferente. Un extracto
Ia función 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 solución de la integral de la función gamma reducida de la
ecuación (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 función de distribución gamma acumulada, según
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 parámetros,
En la ecuación (6.71) o (6.72), con un par de valores de y, f , se
está
por: determina G(y), siendo:
x x
'p
v- ... (6.68) "p
\7=-
r
Distribuciones teóricas - pígina (230) Hidrología Estadística - página (231)
Tabla 6.1. Función acumulada de variables aleatorias reducidas f(x) r(x )

Gamma, G§), en función 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 función densidad función 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 Función densidad y función acumulada de la
distribución gaÍrma de dos parámetros
f(/) = TT e-T
2TT
l+-+11 t39
v t2y 288y2 5t84}y3
Utilizando el método de los.momentos, las relaciones entre la media
La aplicación HidroEsta, permite calcular la función gaÍrma
X,lavaianza 52 y el coeficiente de sesgo Cs, de la variable X, y
acumulada F(x) = G§), utilizando la transformación a la variable
los parámetros B y y de la distribución gamma, que se obtiene,
reducida y.
son:
La representación de la función densidad y la función de

gráÉrca media: X =E(x)- By ... (6.73)
distribución acumulada, pata una variable aleatoria X, que sigue una
distribución 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 teóricas - página (232) Hidrología Estadística - págha (233)
4'
X') ... (6.76)
a
P
_x
- ... (6.81)
t.l - v
S. Greenwood y Durand (1960), establecieron que el máximo error de
De las ecuaciones (6.73) y (6.76), se tiene:
' o2 la ecuación (6.69) es de 0.00887o y en la ecuación (6.79) es
B=!
,X ... (6.77) 0.005470,
5. Estimación de parámetros, método de rnomentos

4. Estimación de parámetros, método de máxima lineales
verosimilitud
Los 2 parámetros de la distribución gatnma, por el método de los
Thom (1958), estableció que para y < I0, el método de momentos momentos lineales se encuentras con las siguientes ecuaciones:
produce una estimación inaceptable de los parámetros B y y. Thom
manifiesta qrle para y cerca de 1, el método de momentos usa Si cyl > 0.5 á tl=l- cvl
tl(b|+b2xtl)
solamente el 507o, de la información 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 estimación de parámetros por el método de máxima 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 teóricas - página (234) Hidrología Estadística - págira (235)
Distribución gamma de 3 parámetros o Pearson tipo B -parámetro de escala

UI y = parámetro de forma
f (f ) = función gammacornpleta
1. Función densidad La integral de la ecuación (6.87) puede evaluarse para valores dados
de B y y, usando la tabla A.1 del apéndice, en la cual se ha tabulado
Se dice que una variable aleatoria X, tiene una distribución garnma la función gamma incompleta. En esta tabla, se ingresa con los
de 3 parámetros o distribución Pearson tipo III, si su función 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 representación gráfica de la función densidad y de la función de
0<B< "" distribución acumulada, pararo = 10, B = 5 y T = 3, se muestra en
0< 1, < o" Ia figura 6.10.
f(x)
2. Función acumulada r(x)
1.0
La función de distribución acumulada de la distribución gamma de 3 0,8
parámetros 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:
función densidad función acumulada
x = variable aleatoria garnma de 3 parámetros o pearson tipo
u Figura 6.10 Función densidad y función acumulada de la
ro = origen de la variable x, parámetro de posición distribución gamma de 3 parámetros
Distibuciones teóricas - página (236) Hidrología Estadística - página (237)
La variable reducida y gamma de 3 parámetros o Pearson tipo III, es: Para el cálculo de Cs, para datos muestrales, usar la ecuación:
y=4 N2twz
'p ... (6.90) Cs--8=
(N-lXN -2)53
donde:
La función acumulada Pearson tipo III reducida es:
v-l -v Z@¡-x)3
M3=
c(y)=fJ
+* ...(6.er)
la cual tiene como parátmetroy, y cuya variable aleatoria tienen

N
origenony=Oóx=xo, 2@,-x)'
La ecuación (6.91), como es similar que la ecuación (6.70), se
calcula de la misma forma.
u
§r.
,) I
A -2
--
3. Estimación de parámetros, método de momentos N
Nota limitante: Si Cs (
0, de la ecuación (6.96), B sería negativo,
Aplicando el método de momentos, se obtienen las siguientes
por 1o que no cumple con la condición que B>0.
relaciones:
media: X =xo+By ... (6.e2)
vaianza; ... (6.e3) lineales
Sz = [JzT
sesgo: Cs =8 =+ ... (6.e4) Los 3 parámetros de la distribución gaÍtma, por el método 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 teórichs - página (238) Hidrología Estadística - página (239)
1. Las razones que convalidan la utilización de ésta distribución de

Si 13 < entonces r1= 3f7t32 probabilidad, son las mismas que lo hacen en la distribución 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 población de la ribera del río
1" Turrialba, se desea construir muros de encauzamiento. Para esto, se
0l -
"
A2
cuenta con un registro de 25 años de caudales máximos e, m3/s, d"
una estación aguas arclba de la población, los mismos que se
muestran en la tabla 6.2.
al = 0.2906: a2 = 0.1882: a3 = 0.0442
Determinar el caudal de diseño para un período de retorno de 50
bl = 0.36067:b2= -0.59567: b3 = 0.25361
años. Usar la distribución gamma de 2 parámetros.
b4 = -2.78861: b5 = 2.56096: b6 = -0.77045
12, 13 = segundo y tercer momento lineal
Tabla 6.2 Registro de caudales del río 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 hidrología
Solución:
Su uso en hidrología está casi tan difundido, como el uso de la
1. Ajuste de los datos de la serie a la distribución gamma de dos
distribución log-normal de 3 parárrrctros, con la desventaja, que
parámetros
tiene mayor complicación al estimar sus parámetros y calcular los
valores de la función de distribución acumulada.
1.1 Cálculo de parámetros
, Calculo de los parámetros de la serie de caudales:
La práctica ha demostrado que los resultados entre la distribución
Para los datos indicados, utilizando la opción Parámetros
log-normal y la distribución Pearson tipo III, para el ajuste de series
Estadísticos/Datos no agrupados de HidroEsta, se obtienen los
de precipitaciones anuales, rnódulos anuales, precipitaciones resultados que se muestran en la figura 6.1 1.
mensuales, etc. no difieren.
Distribuciones teóricas - página (240) Hidrología Estadística - página (Ul)
a = máx 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
Desviación Estándar: 80.31 32
Coeficiente Variación: 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 distribución gammade2 parámetros.
Figura 6.11 Parámetros de la serie de caudales 2. Cálculo del caudal de diseño, paraT = 50 años
F(O=a)=1- r-1-
11
' =0.98
Además del cálculo 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
. Cálculo de los parámetros de la distribución gamma De la ecuación (6.66):

Utilizando la ecuación (6.80), se tiene: v =2y =2x3.4280
1, = ln X -Ñ = h 157.0480 - 4.9037 = 0.15285
v =6.856=7
como: y = 015285 < 0.5772, se utiliza para el cálculo dey ,la
ecuación (6.78), es decir: De la tabla A.7 del apéndice:
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 ecuación (6.66):

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 Cálc;¡lo de los estadíasticos A y Ao .'. El caudal de diseño, para un período de retorno de 50 años es:
De la prueba de Smirnov-Kolmogorov, con HidroEsta, se obtiene: Q = 377.96 m3h
r
Para los datos indicados, utilizando la opción Distribuciones donde:

/Gamma 2 parámetros de HidroEsta, se obtienen.los resultados que xo= parámetro de posición
se muestran en la figura 6.12. En la figura se observa que el caudal B- parámetro de escala
para un período de retorno de 50 años, es 375.45 m3ts. y - parámetro de forma
2. Proceso de cálculo
Para el cálculo de los parámetros de la serie de datos:

XL, X2, f3, ..., .ÍN
se convierte a sus logaritmos, luego se calcula la media, desviación
estándar y coeficiente de sesgo, con las siguientes ecuaciones:
! ln,
media: Xlnx ... (6.103)
Figura 6.12 Catdal para un período de retorno de 50 años
desviación estándar: S.= »(r, *-Xn*)z ... (6.104)

6.5 Distribución log-p.urson tipo III lnx N-1
1.. Función densidad N)(rr r-Vn*P
sesgo: ¡1
-Sln¡ ... (6.105)
Se dice que una variable aleatoria X, tiene una distribución log- (N-lXN-Z)Sr3n,
Pearson tipo III, si su función de densidad de probabilidad es:
lnx-xO
(tnx- *o)T-1, P
f(x) = ... (6.102) Aplicando el método 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 teóricas - págtrrl (244) Hidrología Estadística - página (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
lineales 5. Función acumulada
Los 3 parámetros de la distribución log-Pearson tipo III, por el
La función de distribución acumulada de la distribución log-Pearson
método 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+b6xü *§T ru)
en la cual:
xo = parámetro de posición
Si 13 < l. erton""s fl = 3Í1t32 B - parámetro de escala
3'
l+ aLxtl y - parámetro de forma
v- tl(I+tl(a2+ a3xtl) ... (6.r13)
La integral de la ecuación (6.116) puede evaluarse para valores
donde:
dados de B y y, usando la tabla A.7 del apéndice, en la cual se ha
B =lt3l
tabulado la función 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
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)
Solución:
y v=27 ... (6.118)
1. Cálculo de parámetros
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 función acumulada log-pearson tipo III reducida: Tabla 6.4 Ln de los caudales máximos, de la estación 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 parámetroy, y cuya variable aleatoria tienen 6.775366 6,606650 7.021084 6,413459 7 .047517
origenery=Oóx=xo. 6.333280 6.253829 5.886104 5.905362 6,489205
6.714171 6.71417',t 7.114769 6.257668 6.364751
La ecuación (6.120), como es similar que la ecuación (6.61), 6,322s65 6.706862 6.937314 6.035481
calcula de la misma forma.
Los parámetros estadísticos de los LnQ, se obtienen con HidroEsta,
Ejemplo 6.4: utilizando la opción Parámetros Estadísticos/Datos no agrupados,
los mismos que se muestran en la figura 6.13
se tiene el registro de caudales máximos de 29 años, para la estación
9-3 Angostura, como se muestra en la tabla 6.3.
ParÉmetros Muestrales
En este río se desea construir una presa de armacenamiento, calcular
,Yh x Media: 8.7116
el caudal de diseño para el vertedor de demasías, con un período de
Varianza: 0.2688
retorno de 50 años. Usar la distribución log-pearson tipo III. .S.
lnx Desviación Estándar: 0.5184
Coef iciente Variación: 0.0772
c-slo
Tabla 6.3 Caudales máximos, en m3/s, de la estación Angostura , Coeficiente de Sesgo: 0.9629
Coeficiente de f,urtosis: 4.8883
1 660 917 3800 1410 2280

618 683 934 779 921 Figura 6.13Parámetros estadísticos delos LnQ
876 740 1120 610 1 150
r
Distribuciones teóricas - página (248) Hidrología Estadística - página(249)

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 ecuación (6.118):
v=2y =2x4.3142
o
-C sln, x sln, v =8.6284=9
. 0.9629¡0.5§a De la tabla A.l del apéndice:

u=-z =0.2496
parav =9,y | - F(x)=0.02126, se obtienei )(2 = 19.5
De la ecuación (6.11 1), se tiene:
25. Pero de la ecuación (6.117), se tiene:
*o=*lnx - lnx -
c,sl* _, _ 2(lnx- ro) _ z(lnq xo)
'L- p p
Despejando q, se tiene:
xo =6.6116-219é184 = 5.6349
0.9629
tnq-É{-**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
(
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 distribución log-Pearson tipo III. 2
Q=e
3. Cálculo del caudal de diseño para T = 50 años
q= 3192.3098 m3ls
.'. El caudal de diseño, p¿ra un período de retorno de 50 años es:

Q=3192.3098 mr/s
r
Para los datos indicados, utilizando la opción 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 ñgura 6.14. En la f,rgura se observa que el caudal
para un período de retorno de 50 años, es 3042.02 m3ls.
G-p)
a
F(x) = ¿-e ... (6.122)
pafa: -oo <I < oo
donde:
tE(u¡ttuttt.
0<o<- , es el parámetro de escala
Probabilidad[PJ:l Z i
-oo<lr<oo , es el parámetro de posición, llamado también
valor central o moda
Figura 6.14 Caudal para un período de retorno de 50 años
Derivando la función de distribución acumulada, ecuación (6.121),
con respecto a x, se obtiene la función 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 cálculo, por la f(x)=
interpolación 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 más aproximados, además
r(x)=*^\* ,.\t d-) o;)
que éste proceso usa todos los decimales en los cálculos.
x-p
6.6 Distribución Gumbel , -*-F -e a
f(x)= d, '" d, ... (6.124)
La distribución Gumbel, es una de las distribuciones de valor
extremo, es llamada también Valor Extremo Tipo I, Fisher-Tippett para:
tipo I ó distribución doble exponencial. -oo <.f < oo
1. Función acumulada La variable aleatoria reducida Gumbel, se define como:

La función de distribución acumulada de la distribución Gumbel,
tiene la forma:
v - x-p
----
d
... (6.r2s)
I
con lo cual, la función 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 función 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, estánrelacionados por: $= X-0.57721566490153286061 a. = X -0.45S ...(6.132)
F@) = 6r¿¡ Los parámetros de la distribución Gumbel cr y p, se calculan con las

y la relación: ecuaciones (6.131) y (6.732), en función de los parámetros XyS
de la muestra.
,=+ u a= pta-!
La distribución Gumbel, tiene un coeficiente de sesgo fijo, igual a
r.1396.
3. Estimación de pará.metros, método de momentos
utilizando el método de mornentos, se obtienen las siguientes 4. Estimación de parámetros, método de momentos
relaciones: lineales
. Moda: xmoda = F
. Media: Los parámetros de la distribución Gumbel, por el método 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 ecuación (6.128), se tiene:
X = tL + 0.57721566490153286061 cr ... (6.129)
Distribuciones teóricas - página(254) Hidrología Estadística - págha (255)
5. Aplicación en hidrología 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 expresión matemática, las distribuciones Solución:
empíricas de frecuencia de caudales máximos anuales,
precipitaciones máximas anuales, etc. L Ajuste de los datos de la serie a la distribución Gumbel
Es importante verificar, antes de aplicar esta distribución de

. Procesando los datos de la tabla 6.5, se obtienen de los
probabilidad, que los coeficientes de asimetría y curtosis de la parámetros de la serie de caudales, los cuales son:
distribución empírica sean del mismo orden que los valores Media: X =957.59
poblacionales. Desviaciónestándar: S=682.72
Uno de los inconvenientes del uso de esta distribución, es que en

, Cálculo de los parámetros de la distribución Gumbel:
una distribución doble exponencial, la variable puede tomar De la ecuación (6.131), se tiene:
D
cualquier valor, por lo que se puede asignar probalidades a valores
d=ao,s
negativos de la variable aJeatoria, cuestión que resta significación II
física a la aplicación, debido a que las variables hidrológicas toman t
a9 x682J2=532.3182
solamente valores positivos o cero. a=
II
Ejemplo 6.5:
Se tiene el registro de caudales máximos de 29 años, para la estación

p= X - 0.45 S =957.59 -0.45 x682.72 = 650.3238
Prueba de bondad de ajuste
En este río se desea construir una presa de almacenamiento, calcular
Los resultados que se obtienen de la aplicación HidroEsta, son:
retorno de 50 años. Usar la distribución Gumbel. A =0.1454
Lo= 0.2525 , para un nivel de significación del5 %o
Tabla 6.5 caudales máximos, en m3/s, de la estacón Angostura

Decisión
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 distribución Gumbel,
876 740 1120 610 1 150
con un nivel de significación del 5 Vo
563 520 360 367 658
Distribuciones teóricas - págil;a (256) Hidrología Estadística - página (257)
2. Cálcllo del caudal de diseño, para un período de retorno de 50

años.
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 período de retorno de 50 años, utilizando
=0.98
la distribución Gumbel
-e-Y = 1n 0'98
e-Y = 9'929202707 6.7 Distribución log-Gumbel
-) = ln (0.020202707)
y = 39019 1. Función acumulada
pero de la ecuación (6.L25): La función de distribución acumulada de la distribución Gumbel,
Q- l.t
y=-__, ^
tiene la forma:
=3.9019
d,
Q=ü+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 parámetro de escala
"o
.'. El caudal de diseño,para un periodo de retorno de 50 años es: -oo < lr < oo , es el parámetro de posición, llamado también
Q=2,727.38 mJ/s valor central o moda
si en la ecuación (6.135), la variable -r se reemplaza por lnx, se
Para los datos indicados, utilizando la opción Distribuciones/ obtiene la función acumulada de la distribución log-Gumbel, o
Gt¿mbel de HidroEslo, se obtienen los resultados que se muestran en distribución de Fréchet.
la figura 6.15. En la figura se observa que el caudal para un período
de retorno de 50 años, es 2127.40 m'ls. 2. Variable reducida
La variable aleatoria reducida de la distribución log-Gumbel, se
define como:
a
Distribuciones teóricas - página (258) Hidrologfa Estadística - págtt^ (259)
lnx - ¡t 5. Estimaciép de parámetros, método de momentos

y= ... (6.136)
a lineales
con 1o cual, la función acumulada reducida log-Gumbel es: Los parámetros de la distribución log-Gumbel, por el método de los
-v momentos lineales se encuentras con las sigüentes ecuaciones:
G(y) = ExP(-ExP(-y)) = e- e .. (6.137) 1.'
d= ... (é.142)
3. Proceso de cálculo
l¡2
lt = 7, -0.577215664901532861a ... (6.143)
donde:
Para el cálculo de los parámetros 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 desviación Nota: para calcular los momentos lineales 7r, A, trabajar con los
estándar, con las siguientes ecuaciones: yi= lnxi
I In, Ejemplo 6.6:

media: xlnx = "i ... (6.138)
Se tiene el registro de caudales máximos de 29 años, para la estación
desviación estándar: En este río se desea construir una presa de almacenamiento, calcular
retorno de 50.años. Usar la distribución log-Gumbel.
Tabla 6.6 Caudales máximos, en m3/s, de la estación Angostura
Aplicando el método de momentos, se obtienen los valores de los
parámetros c y p de la distribución 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
Solución:
l. Cálculo de parámetros
r
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 aplicación HidroEsta, son:
A = 0.0666
Tabla 6.1 Ln de los caudales máximos, de la estación Angostura Lo= 0.2525 , para un nivel de significación 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 distribución log-Gumbel, con un nivel de
6.775366 6.606650 7.021084 6.413459 7.047517
significación 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. Cálculo del caudal de diseño, para un período de retorno de 50
años.
Los parámetros estadísticos de los LnQ, se obtienen con HidroEsta, F(Q=q)=P(Q<q)=r-
utilizando la opción Parámetros Estadísticos/Datos no agrupados, +
los mismos que se muestran en la figura 6.16
F(Q=q)=r- L
50
Parámekos Muestlales
xln x Media: 6.7116
F(Q=4)=0.98=F(y)
Varianz¡: 0.2688
F(y)=e '
_--v
.s.
lrr x Desviación Estándar: 0.5184 =0.98
Coeficiente Variación: 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.L6Parámetros estadísticos delos LnQ -/ = ln (0.020202707) = -3.9019
De la ecuación (6.140), se tiene: y = 3.9019
T;
a={o^s-tnx ¡rcro de la ecuación (6.136):
II lnQ- p
o =&x0.5184 =o.4o4z
v- a
= 3.9019
II lnQ= ¡t + 3.9019 xa
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 teóricas - página (262) flidrología Estadística - página (263)
Q = 3150.9637 m3ls Si se ajustan a esa distribución, determinar la probabilidad de

que un^caudal medio máximo diario, esté comprendido entre
Para los datos indicados, utilizando la opción 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 diseño Realizar la prueba de bondad de ajuste, para ver si se ajustan a
para un período de retorno de 50 años, es: 3135.15 m3ls. una distribución garnma de tres parámetros, si el ajuste es bueno,
determinar el caudal medio diario máximo para un peíodo de
retorno de 100 años.
2. Dada la serie de caudales medios anuales, en -3ls,

correspondientes a un registro de 40 años, los mismos que se
muestran en la tabla 6.9.
6.9 Regrstro de caudales medios máximos

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 período de retorno de 50 años, obtenido s40 400 250 420 750 780 360 530
con la distribución 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
máximos correspondientes a 28 años, en m3/s.
o Normal
Realizar la prueba de bondad de ajuste, para ver si se ajustan a o Log-normal de2 parámetros
una distribución gamma de dos parámetros. o Log-normal de 3 parámetros
o Gamma de 2 parámetros
Tabla 6.8 Registro de caudales medios diarios máximos o Gamma de 3 parámetros
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 teóricas
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, esté com-
prendido entre 350 *3/s y 800 m3ls.
Distribuciones teóricas - página (264) Hidrologla Estadística - página (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 período de retorno de
80 años. . Indicar si la serie de volúmenes anuales, se ajusta a la
distribución log-normal de 3 parámetros.
3. A partir de un registro de 70 años, de volúmenes anuales en
MM3 (millones de metros cúbicos), se desea realízar el ajuste a . Hallar en forma gráfrca (en papel de disribución log-normal), el
una distribución log-normal de tres parámetros, usando la valor del caudal que satisface la siguiente relación:
prueba Smirnov-Kolmogorov. P(Q<0=0'9
En este sentido se calculó la función de distribución empírica, 4. En la tabla 6.11, se muestra el registro de los caudales máximos
utilizando la fórmula de Weibull, de los cuales en la tabla 6.10, se instantáneos anuales, en -3/r, de la estación Gua¡dia, de la
muestran 12 puntos. cuenca del Río Tempisque.
Tabla 6.10 Caudal y su distribución empírica . Determina¡ estadfsticamente, si éstos caudales máximo anuales,
se distribuyen según la distribución Gumbel. Si así fuera,
o P(x) = m(n+l) determina¡ el caudal máximo anual, con un período de retorno
IMM3}
de 50 años.
292.696
33.036
0.056
0.098
. Determinar estadfsticamente, si éstos caudales máximo anuales,
382.376 0.155 se distribuyen según 1a distribución log-Gumbel. Si así fuera,
493.536 0.197 determinar el caudal máximo anual, con un período de retorno
644.736 0.310 de 50 años.
709.546 0.409
80s.966 0.507
Tabla 6.11 Caudales máximos anuales de la Estación Guardia
923.456 0.606
1058.286 0.704
Año Gaudal máximo Año
1132.276 0.803
anual
1386.224 0.901
1700.716 0.944 -3/"
1 962 273 1977 734
1963 1045 1 978 134
Además, mediante un proceso computacional y utilizando el método 1 964 1875 1 979 1706
de máxima verosimilitud, se estimaron sus parámetros, resultando: 1 965. 2876 1 980 2409
parámetro de posición ; 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 teóricas - página (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
Correlación 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+ ü,Fr)
= E(XY)- ltrE(x¡- lt,E(Y)+ lt,lt,
= E(xY)- ltylt,- lt,lty* lt,lty
=E(xy)- ltylt*
r
Correlación y regresión - página (268) Hidrología Estadística - página (269)
cov(x, Y) = E(xY) - E(Y).E(D ...(7.2) r¡rás utilizados son los coeficientes de correlación y determinación y
l¡r desviación típica de los residuos.
Casos:
1. Si X e I son independientes, se cumple que: 7.4 Análisis de correlación
E(xn = E Q).E(X)
y de (7 .2), se tiene: ('onsiste en el cálculo de una medida del grado de correlación y la
COV(X, Y) = E(XY) - E(XY) = 0 rcalización de pruebas, p&rá determinar si es aceptable el grado de
.'. Si X e y son independientes -> COV (X,I0 = 0 irsociación correlativa.
2. Si X = Y, de (7 .2), se tiene: lil análisis de correlación está estrechamente relacionado con el

rrnálisis de regresión, puesto que.la fórmula utilizada en el cálculo
C)V(X, X) = E(*) - E(X).¿(D
CoV(x,x)=E(f)-(E(n)2 rlo la medida de correlación, depende del modelo de regresión
cov(x, x) = vAR(x) irrloptado. Por ejemplo, cuando se selecciona un modelo lineal
sirnple, se habla de correlación lineal simple.
.'. Si X = Y -) COV (X, Y) = VAR(X)
7.2 Correlación
7.5 Coeficiente de correlación
lil coeficientede correlación, es el estadístico que permite medir el
La correlación, se define como la asociación entre dos o más
¡1rado de asociación de dos variables linealmente relacionadas.
variables aleatorias, que explica sólo parcialmente la variación total
de una variable aleatoria, por la variación de otras variables l)ara el caso de una población se define como:
aleatorias involucradas en la ecuación de asociación.
COV(x,y) O, nltx-tt*)(y-tD)
p(*,v) = ..(7.3)
La parte de la variación total que queda sin explicar, o sea, la oro,
variación 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 correlación.
l)ara una muestra:
sry »(, -;Xy - y) Zry - "iy ... (7.4)
S,S, rS,S, nS*S,
7.3 Medidas de correlación
donde:
Se necesita un estadístico para medir el
grado de asociación
correlativa entre las variables bajo consideración. Los estadísticos ; Sr=
»6-i'
Correlación y regresión - página (270) Hidrología Estadística - págtna (271)
; y= 2,
2,* Pasos para el análisis de regresión
^- n n
también:
I. Selección de una función de relación correlativa, simple o
múltiple,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 asociación. Y = ax'b
etc
2. Estimación de los parámetros que miden el grado de asociación
7.6 Coeficiente de determinación correlativa
r2
Es la proporción o porcentaje, de la variación 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 significación de los estadísticos que miden la
independiente dentro del modelo. asociación correlativa, para lo cual se aplica la prueba f.
Por ejemplo, si para la ecuación: I'roceso:

!=a*bx 3.1. Se plantea la hipótesis
se tiene: = 0.85, esto quiere decir que el85Vo de la variación dey,
12 Ho : p = 0 (p es el coeficiente de correlación poblacional y su
es explicada poru y el l57o restante es debido a los errores y a otras
' valor varía entre -l y 1)
variables no consideradas. Ha:p*0
3.2. Cálculo del r calculado (fc)
7.7 ,A.nálisis de regresión
Se utiliza la ecuación
Es una técnica determinística, que permite determinar Ia naluxaleza rJnl
de la relación funcional entre dos o más variables, permite predecir ' 4l- r'
t_ -
los valores de y = flx) con un cierto grado de aproximación. donde:

r = coeficiente de correlación
n = número de pares de valores
3.3. Cálculo del, tabular (rr)

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

de significación s o una probabilidad (l-cx ), y con grado de $- "2*y- Ir), ...(7.6)
libertad (v = n - 2), donde n es el número de pares de valores. nZ*' -(»r'
Por ejemplo la tabla ,4.5 del apéndice, 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 significación de los parámetros de la ecuación de
regresión, encontrando los límites de confianza de su variación
Así: (se usa el análisis de varianza).
para n=15 -) v=15-2=13
a '7.8 Regresión lineal simple
para957o de probabilidad ->
i = o'ozs
En hidrología el modelo más simple y común, está basado en la
entonces, de la tabla ,4.5 del apéndice: ) t¡ = 2J60
suposición de que dos variables se relacionan en forma lineal.
3.4 Criterios de decisión: Como ejemplo se puede mencionar:
. Si lt"l< h, se acepta la hipótesis nula, por lo que p =O,y por lo . Caudales y precipitación de una misma cuenca
tanto no hay correlación significativa.
. Precipitaciín de una estación, con precipitación de otra estación
. Si lr"l , /¡, se rechaza Ia hipótesis nula, por lo que p I 0, . Caudal de una estación con caudal de otra estación
indicándose que es significativo y por lo tanto existe correlación
. Precipitación con la altitud de una cuenca
entre las variables.
Este hecho, permite correlacionar estas variables para completar
datos o extender un registro.
4. Estimación de los parámetros de la ecuación o función de
regresión
Por ejemplo para la ecuación de regresión lineal: Ecuación de regresión
!=a+bx
Los parámetros ¿ y b,lutllizando mínimos cuadrados son: La ecuación general de la ecuación de regresión lineal es:
!= a*bx ...(7.8)
a
as
donde:
x =variable independiente, variable conocida ===0
da
ó ff=-rá(r,-a-bx,)=s ... (7.10)
) = variable dependiente, variable que se trata de predecir

as
a = intercepto, punto donde la línea de regresión cruza el eje
ab=
0 ó #= r}*,(t,-a-bx,)=o ... (7.r1)
J, es decir valor dey cuando ¡ = 0
b - pendiente de la línea o coeficiente de regresión, 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 ó na*bE*,- )r, - 0 ... (7.12)
Estimación de parámetros I)e (7.11) , se tiene:
E*,y, -oE*, -b»x? =o
Dada la ecuación de regresión lineal: o oEx, +b\x! -),*,y, =o ... (7.13)
l=albx
donde a y b son los parámetros de la ecuación. [-as ecuaciones (7.12) y (7.13) se denominan ecuaciones normales,
El método más utilizado para la estimación de los parámetros a y b,
las cuales resueltas dan para a y b:
es el de mínimos cuadrados.
... (7.14)
Procedimiento:
1. Cálculo del error ei entre el valor observado h y el teórico !, : ... (7.1s)

e¡=!¡-i¡
tin los cálculos resulta más cómodo calcular b con la ecuación (7.15)
ei= U -@:.)=ii-a-bx¡ y calcular c como:
observado tuórico )v, ' )', ... (1.16)
2. Cálculo 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 mínimo: En una cuenca, como se muestra en la figura 7.1 se tienen dos
Para que S sea mínimo, 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
ecuación (7.9), con respecto a cada parámetro sea igual a cero, es medios mensuales, en n para el año 1995, los que se muestran en
decir: la tabla 7.1. Considerando que los caudales de la estación A, son las
Correlación y regresión - pítgina (276) Hidrología Estadística - página (277)
variables independientes (r) y que los caudales de la estación B, son §r¡lución:

las variables dependientes (y):
1. Probar si los datos de ambas estaciones se correlacionan l, Sea la ecuación que correlaciona a las variables
linealmente. !=a+bx ...(7.17)
2. Calcúar el caudal en la estación B, para un caudal de 800 m3/s donde:
en la estación A. x = caudales de la estación A
) = caudales de la estación B
Tabla 7.1 Caudales promedios mensuales de las estaciones A y B 2, De acuerdo a los datos se tiene n = 12 (número de pares de
tlatos); los cálculos de sus sumatorias, se muestran en la tabla7.2.
Mes Estación A Estación 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, Cálculo de r:
l)c la ecuación (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:
- 8222x3384
12x4151378 5. Cálculo de los parámetros a y b:
' De la ecuació¡ (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 significación a = - 13.4590
4.t IJipótesis:
Ifo: r=0 De la ecuación (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. Ecuación de regresión:
4.3 Cálculo del rt: Sustituyendo valores en la ecuación (7.17), se tiene:
De la tabla ,4.5 del apéndice, para:
! = -13.4590 + 0.4312 x ... (7.18)
v=n-2=12-2=10
a 0.05 . Cálculo del caudal en la estaci ón A, para un caudal de 800 m3/s
y unaprobabilidaddel95To U, = Z =0.OZS 7
en la estación B.
se tiene: h=2.228 Sustituyendo valores en la ecuación (7.18), resulta:
y = -13.459O + O.4312 x 800
4.4 Criterio de decisión:
y = 331.5010 m3/s
Como: I r. I = lg.47l3 ) t¡ = 2.228 se rechaza la hipótesis nula,
siendo r + 0
.'. existe correlación entre las variables x e y.
a
Proceso computacional
7.9 Regresión no lineal simple
Para los datos indicados, utilizando la opción Regresión/Regresión
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
Correlación Ecuación y= ... (7.te)
a+bx
Lineal Y = 13.4590'lü7 + 0.4312221 .H 0.38703 0.37434
Exponencial Y = 77.s880355. [ 1.001 3237 J ^X 4
0.9ü1 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 Regresión entre los caudales de las estaciones de aforo
Ay B deunacuenca y=axb (potencial) .." (1.22)
J = 0x*bx2 ... (1.23)

Observar que la ecuación lineal, es la que tiene un coeficiente de
correlación R = 0.98709 más alto que las otras ecuaciones I)ara el uso de estas ecuaciones, en todos los casos, el proceso es
como sigue:
Con la ecuación lineal, para un caudal de 800 m3/s en la estación A, l. Realizar la transformación de variables a fin de obtener una
se obtiene un caudal 331.52 m3ls en Ia estación.8, este resultado se regresión lineal.
muestra en la figura 7 .3. 2. En la ecuación lineal obtenida, aplicar el método de mínimos
cuadrados para estimar los nuevos parámetros at y br
AplicarecuaciÉn: , .1. Restituir los cambios de variables, a fin de obtener los parámetros
Ecuación Line¡l
iniciales ay b.
4. Utllizar la ecuación siempre y cuando exista correlación
i
',1_"ro'*'
dey: jtBi
Vator
i adecuada entre las variables.
lmt ;
A continuación, para las ecuaciones de la (7.19) a la (7.23), se

f. :con e rndican el proceso de linealización.
c áón ecuación Exponencial
C con ecuación Potencial
Ecuación:
Figura. 7.3 Resultado obtenido con ecuación lineal

l)e la ecuación (7.19), invirtiendo los miembros se tiene:
1
-=a+bx
¿ x 1
v
w w= -v
1
haciendo: -v = w, se tiene la ecuación linealizada:
w= a+bx ... (7.24)
Para aplicar el método de mínimos cuadrados y estimar a y b se Ecuación: ! =ab*

trabajan con las variables:
1
x Y W=- Tomando logaritmos neperianos en la ecuación (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)
Ecuación: y=a+b! Para aplicar el método de mínimos cuadrados y estimar at y bt,

x trabajan con las variables:
1
x y w=lny
De la ecuaciín (7 .20), haciendo
; = *, se tiene:
!=a*bw ... (7.2s)
x v w =lnv
Para aplicar el método de mínimos cuadrados y estimar ¿ Yó,se
trabajan con las variables:
1
w=-x a !
Correlación y regresión - página (284)
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 ecuación (7.22) toma la forma:
Por lo tanto, la ecuación (7 .21) para estos valores toma la forma:
y = eal .xb ... (7.3r)
y = uol .{rbt ¡*
y= ,or 'rut' ... (7.2e) Ecuación: v=ax+ bxz
Dividiendo ambos miembros de la ecuación (1.23) entre r, resulta:

Ecuación: y=axb ! -a+bx
4
w
Tomando ln a la ecuación (7.22), se tiene:
lny-lna+blnx
!J
haciendo !- w se tiene:
worz x
w=a+bx
haciendo:
Para aplicar el método de mínimos 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 método de mínimos 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
Correlación y regtesión - página (286) Hidrología Estadística - página (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 línea 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 aplicación permite calcular: "' '33)
. donde: n = número de grupos de elementos de la muestra.
Los parámetros a y ó
. Loscoeficientet,y,2 [,a solución 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 número de ecuaciones normales, deben ser tantas como
incógnitas se tienen, a fin de que se tenga un sistema resoluble y así
oncontrar: ao, al, a2, - .,, am
7.L0 Ecuación de regresión lineal múltiple
Hl conjunto de ecuaciones normales (7.33) son fáciles de recordar,
Esta técnica de análisis, se utiliza cuando la variable dependiente y, observar que la primera se obtiene aplicando la sumatoria a ambos
es función de dos o más variables independientes ,r1, x2, x3,. . ., rm, rniembros de la ecuación (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 = número de variables independientes La segunda se obtiene multiplicando ambos miembros de la
ao, a\, a2, . . , am= parámetlos a estimar
p = m+ 1 = número de parámetros ccuación (7.32) por .r¡ y luego aplicando la sumatoria, es decir:
Z*ry =Z*r(ao + arx, + azx2 + a3x3 +..... + a^x*)
Estimación de parámetros
E*ry = o"Z*, + ar\xl + ar)xrx, * arZ*r*, +..... + a^\xrx^
Extendiendo el método de mínimos cuadrados, para el caso de una
Análogamente, la tercara se obtiene multiplicando ambos miembros
regresión lineal múltiple, las ecuaciones normales que se obtienen
de la ecuación (7.32) por x2, ! luego aplicando la sumatoria, es
son:
decir:
E*r, --Err(ao + arx, + a2xz + a3x3+.....+ a^x^) La ecuación (7.34) es muy tediosa de calcular, pü [o que los
estadísticos han derivado una fórmula más corta de calcular por el
Z*r, = oo2*, + ar\x, x2 + azZ*3 * ar\*rx, + ..... + a*\*rx* método computacional, la cual se muestra en la ecuación (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 líneas precedentes, no es una

deducción de las ecuaciones normales, sino sólo una forma de Las variables definidas en la ecuación (7.35), son las ya indicadas
recordarlas. anteriormente.
Error estándar del estimado para regresión múttiple Coeficiente de determinación múltiple
(Se)
Representa la proporción de la variación total de y que es
explicada por las variables involucradas en la ecuación de regresión
Es la medida de dispersión que se calcula con la siguiente ecuación:
múltiple, se puede calcular a partir de la ecuación (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 estándar 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 determinación
ecuación de regresión Se = effor estándar del estimado, calculado con las
e = ! - Í = 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 = número de grupos de la muestra s'y=*(»t, -(t)')) =*(» y'-n(y)') . rz.rsl
p = m+l = número de parámetros a estimar a partir de la
muestra
p grados
, =:)r= media de la variable dependiente
n - = de libertad
n = número de grupos de la muestra
r
Coeficiente de correlación múltiple (r, Calcular los coeficientes de determinación y correlación múltiple
7. Estimar el valor de Q, si A = 4 km2 e I = 1.5 cmt}4h
El coeficiente de correlación múltiple, se puede calcular a partir de
las ecuaciones (7.39) ó (1.40). 'l'rrtrla 7.3 Valores de A, I y Qpara 14 subcuencas
... (7.39)
A I o
Estación (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 re§ión de Costa Rica, se ha obtenido para 14 I o.297 2.90 8.75
subcuencas, el caudal promedio anual (de los caudales máximos 10 o.322 2.90 8.25
11 0.178 2.80 3.56
anuales) Q, en m3/s, el área de la cuenca A, enkmz, y la intensidad
12 0.148 2.70 1.90
máxima de precipitación 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 éstas variables se correlacionan linealmente, es Solución:

decir, si se puede establecer el siguiente modelo:
Q = ao+ arA + a2I ... (1 .4t) l. Cálculo de los parámetros
Se pide : l.l. Para el ejemplo, utilizando las ecuaciones normales (7.33), se
1. Calcular el intercepto a6, los coeficientes de regresión at, a2, y tiene:
definir la ecuación de regresión lineal múltiple.
Ee= aon+ atZl* orZI
2. Calcular Q, caudal estimado con la ecuación (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=ao»I *or\exI +ar\I'
4. Calcular el error estándar del estimado (S¿) rlruttle n = 14
5. Calcular lavarianza de la variable dependiente
1.2. En la tabla 1.4 se encuentra tabulado los valores de las )s, que 1.4 Multiplicando la ecuación (7.43) por -34.3 y la ecuación
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 cáIculo de los parámetros -1642.116 = - l24.9Ota1 + 41.37 a2 Q.47)
A I o AxI AxQ IxQ A" lz Q, 1..5. Multiplicando la ecuación (7.46) por 124.901 y la ecuación
(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 ecuación (7.43) por -21.332 y la ecuación 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
Correlación y regresión - página (294) Hidrologfa Estadística - página (295)
Siendo la ecuación de regresión múltiple: 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 , número de grupos de la muestra
2. Uttlizando la ecuación (7.51) para los valores experimentales, se p =3 , número de parámetros 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 ecuación (7.51), representa el error, estos valores se
.5. De la ecuación (7.38), se tiene:
muestran en la columna (5) de la tabla 7.5.
Tabla 7.5 Cálculo 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 ecuación (7.36), se tiene:
R'^= 1
Sez
------
Sí,
tklnde:
Se2 = 3.9439072 = 15 .5544
S'a= lo2l -209152
» 171.0984
4. De la ecuación (7.34), se tiene: lucgo:
J¿=-
»7 ^
R-=l
155544
1027.209152
\n- p R2 = 0.984858
Correlación y regresión - página (296)
R = 0.9924 De la figura 7.4, se observa que el modelo de correlación lineal

rnúltiple de la forma:
7 .
En la ecuación (7.51):
Q = 1.6570+ 13. 15 104 + 0.0ll2l
Q = 1.656991 + 13. 151048 A + 0.01 Il94 I tiene un coeficiente de correlación y determinación mayor. Con esta
para:
A_Á ccuación 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 ecuación:
¡
A = 1.656991 + 13.151048 x 4 + 0.01 Il94 x 1.5
Eorrelación lineal múltiple
0 = 54.28 m3/s
Valor deXl; l¡-
Proceso cornputacional Valor deX2: ILS
L -
HidroEsta permite resolver el problema de la ecuación de regresión I
I
lineal múltiple, la aplicación perrnite calcular:

. Parámetros: do, aj, dz, . . .
. Coeficiente de determinación múltiple'. R2 I
{^ con corelación potencialmúltiple

. Coeficiente de correlación múltiple:
. Effor estándar estimado: ,S¿ t i
J
. Valor de la variable dependiente para conjuntos de valores

Figura 7.5 Uso de la ecuación de regresión lineal múltiple
de las variables independientes
Los resultados obtenidos con la aplicación, permiten una mayor
aproximación en los decimales. 7.ll Ecuación de regresión no lineal múltiple
Para los datos indicados, utilizando la opción Regresión/Regresión l,u forma general de una ecuación de regresión no iineal múltiple es:
múltiple 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
u¡la ecuación de regresión lineal múltiple, de la siguiente forma:
E cuEciúrr ln H^2
l. Tomando Iz a ambos miembros de Ia ecuación (7.52), se tiene:
Y = 1.ris7ll +13.151 U i(l
+0 ü112 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 comelación múltiple ).. Haciendo:

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

lnxl - y¡, de las variables independientes.
lnx2= Y¡.-
,*t..*, 7.12 Ecuación de regresión polinomial
l,n ecuación 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
tnetodología descrita para el caso de una ecuación de regresión
La ecuación (7.53) es una ecuación de regresión lineal múltiple, li¡real múltiple, siendo las ecuaciones normales:
similar a la de la ecuación (7.32).
Por ejemplo, en hidrología existe una fórmula utilizada para el X, = aon+at)r* orZ*' +or\*'+....+a^x^
cálculo de la intensidad máxima: 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 parámetros K, a y á se pueden determinar a partir de una
correlación múltiple entre las variables, donde:
Z- período de retorno L*^y = aoEx^ + ar\x^*' + ar\x^*' *or}*^*t+....+a^x2^
D = duración de la lluvia ... (7.ss)
I máx = intensidad máxima
Proceso computacional 7. [3 Problemas propuestos
HidroEsta, permite resolver el problema de la ecuación de regresión I De una prueba de infiltración, con cilindros infiltrómetros, se
potencial múltiple, el programa permite calcular: obtuviel ln los ssl
leron n de datos:
. Parámetros ao, ab a2,.... T 4
(cm)
T
(min)
De
lmin) lcm)
. Coeficiente de determinación múltiple: 5 1.0 75 3.8
. Coeficiente de correlación múltiple: R R2 10 1.2 200 8.0
. Error estándar estimado: .§¿ 15 1.4 255 9.6
20 1.6 300 11.0
25 1.8 450 14.5
donde: . Usando un polinomio de segundo grado:

T : tiempo en min. Q=aota.th+a2h2
D": láminaacumulada en cm. . Usando un polinomio de tercer grado:
Se pide:
Q,=aotath+a2h2+a3h3
1.1. Realizar los cálculos, para ajustar por el método de mínimos
cuadrados a la curva potencial: 2.3. En un papel milimétrico plotear:
D^=at' ¡ Datos empíricos de la tabla
' calcular los parámetros ¿ y á y los coeficientes de correlación y . Ecuación potencial teórica ajustada
determinación. . Ecuación polinomial de 2" orden ajustada
Graficar los datos en papel milimétrico, en papel semilogarít- . Ecuación polinomial de 3"' orden ajustada
mico y en papel log-log.
calcular con la ecuación ajustada los valores de Da q'e 2.4. Calcular su coeficiente de correlación
corresponden a los T dados y graficar los puntos obtenidos en
los mismos papeles. Tabla 7.6. Valores de altura en el limnímeho y sus caudales
correspondientes
1.2. Realizar los cálculos para ajustar los datos:
. alaecuaciónlineal : 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 correlación, cual sería 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 milimétrico los datos experimentales z y 6 6.00 1705 18 2.O2 449
Dr, y las curvas teóricas: lineal, exponencial y potencial. 7 4.16 1089 19 1.72 369
8 5.58 1560 20 1.92 422
2. En una estación de aforo de un úo, se han medido las alturas de 9 3.80 937 21 1.35 266
escala en el limnímetro 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 ecuación de calibración que relacione la lectura en el

3. En la tabla 7.7 se muestran las intensidades máximas I en mm/hr,
limnímetro (escala), con el caudal.
. para duraciones de 5, 15, 30, 60, 120, 240 y 480 min, y para
Usando un modelo de la forma:
períodos de retorno 7 de 50, 30,20,10 y 5 años.
Q=ahb
3.1. Encontrar la ecuación de regresión: ¡ Hallar la ecuación de la forma:

Y =173- abx
I=m:
DO
r¡ue relaciona estas variables, así como su coef,rciente de correlación.
que relacione estas variables

. Calcular Y,paraX= 14
3.2. Encontrar la intensidad máxima I, para un período de retorno .5. La tabla 7.9 muestra los valores correspondientes a 3 variables
T = l0 años y una duración D = 45 min. X], X2, Y.
Tabla 7.7 Yalorcs de intensidad máxima 1, duración D,y período de

'l'i¡hla 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
(años) 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 ecuación:
4.La tabla 7.8, muestra los valores correspondientes a las variablee

Y - a"Xi'X;'
r¡rrr: r'elaciona estas variables, así como su coeficiente de correlación.
X, Y.
(lalcular Y paraXt = 35 y Xz= 3

Tabla 7.8 Variables X, f
lin el laboratorio de hidráulica del ITCR, se trató de encontrar la
x Y
ccuación de calibración de un vertedero triangular con ángulo 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 ccuación lineal, exponencial y potencial, cual es la ecuación de
14.3 165 calibración, que relaciona mejor los pares de datos de carga vs
14.8 166
caudal.
13.6 16-2
Tabla 7.10 Datos de carga h, en cm, y caudal e, en lps Considerando los modelos de regresión lineal múltiple y
potencial múltiple (la que mejor se ajuste), se desea completar
Carga h Caudal Q los datos faltantes para la estación D, para los años 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 área sembrada de banano se tiene instalado un sistema de
2.15 0.115118
drenaje subterráneo. En una sección de ésta se hicieron las
3.15 0.292397 mediciones de los parámetros h (carga en el centro del dren) y Q
(caudal descargado por el dren), cuyos resultados se muestran en
7. se desea conocer la relación existente entre los caudares latabla7.l2.
máximos de la estación D en función de sus afluentes principales Se sabe que las variables h y Q se relacionan con la siguiente
A, B y C.Para obtener la relación deseada, se eligieron sobre las ecuación:
corrientes afectadas, las
estaciones hidrométricas más 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 parámetros de la ecuación
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 máximo de las estaciones A, B, C, D
Año 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
Análisis de
consistencia
tl. I Introduccion
lil hidrólogo o especialista que desea desarroilar un estudio
lridrológico, debe buscar la infonnación de la cuenca en estudio, en
It¡s instituciones encargadas de su recopilación, pero una vez que
dstu se ha obtenido, una de las interrogantes que se debe hacer es:
¿,1,)s
confiable la información disponible?
l,rr respuesta a esta pregunta, se obtiene realizando un análisis de

consistencia de la información disponible, mediante criterios físicos
y métodos estadísticos que permitan identificar, evaluar y eliminar
kls posibles errores sistemáticos que han podido ocurrir, sea por
t'nusas naturales u ocasionados por la intervención de Ia mano del
Itombre.
l,¡r no homogeneidad e inconsistencia, son los causales del cambio a

r¡ue están expuestas las informaciones hidrológicas, por lo cual su
Análisis de consistencia - página (308) Hidrología Estadística - página (309)
xt
estudio, es de mucha importancia para determinar los errores
sistemáticos que puedan afectarlas. información
lridrometeorológica
Inconsistencia es sinónimo de error sistemático y se presenta como

saltos y tendencias, y no homogeneidad es definido como los
cambios de datos vírgenes con el tiempo.
La no homogeneidad en una serie de tiempo hidrológica, se debe a

factores humanos (tala indiscriminada de una cuenca, construcción
de estructuras hidráulicas, etc.) o a factores naturales de gran
significancia, como los desastres naturales (inundaciones,
derrumbes, etc.) ocasionados en Costa Rica tanto por el huracán Irigura 8.1 Serie con componente transitoria en la forma de salto
Joan como por el huracán César.
xt
ínformación
La inconsistencia de una serie de tiempo, está dada por la hidrometeorológica
producción de errores sistemáticos (déficit en la toma de datos,
cambio de estación de registro, etc.).
Esta inconsistencia y no homogeneidad se pone de manifiesto con la

presencia de saltos y/o tendencias en las series hidrológicas (las
cuales se muestran en las figuras 8.1 y 8.2 ), afectando las
características estadísticas de dichas series, tales como la media,
desviación estándar y correlación serial .
T
El análisis de consistencia de la información, es el proceso que Figura 8.2 Serie con componenre rransitoria 1" f"JiIá:
tendencia "r
consiste en la identificación o detección, descripción y remoción de
la no homogeneidad e inconsistencia de una serie de tiempo
hidrológica . lrl análisis de consistencia de la información hidrológica, se realiza
rr rcdiante los siguientes procesos:
Antes de utilizar la serie histórica para el
modelamiento, es
. Análisis visual gráfico
necesario efectuar el análisis de consistencia respectivo, a fin de
. Análisis doble masa
obtener una serie confiable, es decir, homogénea y consistente.
. Análisis estadístico
8.2 Anátlisis visual grafico l. Cuando se tienen estaciones vecinas, se comparan los gráficos de
las series históricas, y se observa cuál período va¡ía notoriamente
uno con respecto al otro.
En coordenadas cartesianas se plotea la información hidrológica
histórica, ubicándose en las ordenadas, los valores de la serie y en 2. Cuando se tiene una sola estación, ésta se divide en varios
periodos y se compara con la información de campo obtenida.
las abscisas el tiempo (años , meses , días , etc).
Un ejemplo de una serie de caudales promedio anuales se muestra 3. Cuando se tienen datos de precipitación y escorrentía, se
en la figura 8.3. Este gráfico sirve para analizar la consistencia de la
comparan los diagramas, los cuales deben ser similares en su
información hidrológica en forma visual, e indicar el período o comportamiento.
períodos en los cuales la información es dudosa, lo cual se puede
l,a interpretación de estas comparaciones, se efectúa conjuntamente
reflejar como " picos" muy altos o valores muy bajos, saltos ylo
con el análisis doble masa.
tendencias, los mismos que deberán comprobarse, si son fenómenos
naturales que efectivamente han ocurrido, o si son producto de
errores sistemáticos .
lijemplo 8.1:
80 I)ada la serie de caudales promedios de la estaci6n0762001 del río

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 río Bebedero,
/ A ¡
a 50
(f)
I \ r / V J \^ A ¡rcríodo 1954-1993.
40
E
t A o Año o Año o Año o
o 30
Año
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
.ü (O O) N lJ) @ r
r.r) F*
rr) O
(o CA (o F.- t- t- @ §ó 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 años 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 histórica 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 fenómeno detectado, se puede analizar de
diversas formas:
Análisis de consistencia - págita (312)
relacionado a errores, que pueden producirse durante la obtención de

Solución:
los mismos, y no para una corrección 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 años, y en el eje de
abscisas los acumulados, por ejemplo, de los promedios de los
ordenadas el caudal en m3/s.
80 volúmenes anuales en millones de m31MM), de todas las estaciones
rle la cuenca y, en el eje de las ordenadas los acumulados de los
7A
volúmenes 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 estación
ogo hidro"
3 qurebres
rneteolológica
20
2 qurebres
10 se eligs conÉ
estacrón 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 años
Figura 8.4 Serie histórica del ío Bebedero.
Realizando el análisis visual de la serie histórica, se observa que a ff tlixrtr sñ l:;3r3ffi IJSL
Figura 8.5 Análisis doble masa para determinar la estación "base
partir del año l9l9 se produce un salto, esto se explica físicamente,
ya que en ese año existe un trasvase al río Bebedero, al entrar a
l)c estos doble masas se selecciona como la estación más confiable,
operar el proyecto hidroeléctrico Arenal-Tempisque.
lir que presenta el menor número de quiebres, en el ejemplo de la
ligura 8.5, corresponde a la estación C, la cual se usa como estación
lrirse para el nuevo diagrama doble masa, es decir, se vuelve a
8.3 Análisis doble masa t'onstruir el diagrama de doble masa colocando en el eje de las
¡rbscisas la estación base y en el de las ordenadas la estación en
Este análisis se utiliza pata tener una cierta confiabilidad en la cstudio, como se muestra en la figura 8.6.
información, así como también, para analizar la consistencia en lo
Anrálisis de consistencia - página (314) Hidrología Estadística - página (315)
AcumularJo de se procede al análisis estadístico de saltos, tanto en la media como

la ostaeión 1 9i6
sn osturiio en la desviación estándar.
Análisis de Saltos
1. Consistencia de la Media
El análisis estadístico consiste en probar, mediante la prueba t

(prueba de hipótesis), si los valores medios (\,i) de las
submuestras, son estadísticamente iguales o diferentes con una
probabilidad del 95Vo o con 57o de nivel de significación, de Ia
siguiente manera:
n1'n2'n3 Acr¡mulado de la
estacíón base@ a ) Cálculo de la media y de la desviación estándar para las
Figura 8.6 Análisis doble masa para obtener los períodos de estudio submuestras, según:
(en este c&So fl1, Ilz, n¡)
El análisis 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 fenómenos naturales, o si estos han sido ocasionados
por effores sistemáticos. En este último caso, permite determinar el
rango de los periodos dudosos y confiables para cada estación en
, = ;2., ; Sz(x) =l#Í¿G, -iY11'
estudio, la cual se deberá corregir utilizando ciertos criterios
estadísticos. Para el caso de la figura 8.6, el análisis de doble masa, donde:
permite obtener los períodos, h1, h2, tg, e\a deben estudiarse, con el xi = valores de la serie del período 1
análisis estadístico. xj = valores de la serie del período 2

xt , x2 = media de los períodos I y 2 respectivamente
8.4 Análisis estadístico Sr(x) , ,Sz(x) = desviación estándar de los períodos 1 y 2
respectivamente
Después de obtener de los gráficos construidos para el análisis n = tamaño de la muestra
visual y de los de doble masa, los períodos de posible comección, y nt, hz = tamaño de las submuestras
los períodos de datos que se rnantendrán con sus valores originales, n=nt + n2
b) Cálculo del I calculado (f") según: d) Comparación del f, con el fr:

. (f -ü-(p,- p,) ' Si I t, I <h (95Vo) ) Ít :7, (estadísticamente)
,a- ...(8.2) En este caso, siendo las medias .tr-, = x, estadísticamente, no se
E debe realizar proceso de corrección.
donde: Ff[tz=0 (por hipótesis, la hipótesis es que las medias son
iguales) . Si I r" I , tt (95Vo) J i, * x, (estadísticamente)
quedando:
En este caso, siendo las medias 7, É x, estadísticamente, se debe
...(8.3) corregir la información.
además: 2 . Consistencia de la Desviación Estándar

Ir
t, = s,L;;.irl,
t
El análisis estadístico consiste en probar, mediante la prueba F, si

) Ios valores de las desviaciones estándar de las submuestras son
...(8.4) estadísticamente iguales o diferentes, con w 95Vo de probabilidad o
1
con un 57o de nivel de significación, de la siguiente forma:
(,, - r)si +( n2-- r)sj 1¡
a) Cálculo de la» variaozas de ambos períodos:
,, =[ a
nt+nz -L l s,'zr,r=[-+ll(,,
t)i=t
-l)'
siendo: ¡nr_
S; = desviación de las diferencias de los promedios
Sp = desviación estándar ponderada ...(8.s)
c) Cálculo del t tabular t,:

s|(*)=[#)t G,-i)'
El valor crítico de / se obtiene de la tabla / de Student (tabla 4.5 del
apéndice), con una probabilidad al 95Vo, ó con un nivel de
b) Cálculo del F calculado (F"), según:
significación 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)
c) Cálculo del F tabular (valor crítico de F ó 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 significación 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 = válor a ser corregido
La ecuación (8.7), se utiliza cuando se deben corregir los valores de
G.L.N =nz-11 , si Sr2(x)> sf (x)
la submuestra de tamaño ry,y la ecuación (8.8), si se deben corregir
G.L.D = nrl)
la submuestra de tamafio n2 .
donde:
G.L.N = grados de libertad del numerador Análisis de Tendencias
G.L.D - grados de libertad del denominador
Antes de realizar el análisis de tendencias, se realiza el análisis de
d) Comparación 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) (estadísticamente) tendencias en la media y en la desviación estándar.
Si Fc > Ft (95Vo) + [. Tendencia en Ia Media

' ,Sr(x) + Sz@) (estadísticamente), por 1o
que se debe corregir
La tendencia en la media Tm, puede ser expresada en forma general
3. Corrección de los datos por la ecuación polinomial:
Tm = A^+ Bmt + C^t2 + D.t3 +.......
... (8.9)
En los casos en que los parámetros media y desviación estándar de y en forma particular por la ecuación de regresión lineal simple:
las submuestras de las series de tiempo, resultan estadísticamente
' Tm =,4'n + B-t ... (8.10)
iguales, la información original no se corrige, por ser consistente donde:
con 957o de probabilidad, aun cuando en el doble masa se observe I = tiempo en años, tomado como la variable independiente
pequeños 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 cálculo de los parámetros
A*, B^, C^, D^,..' = coeficientes de los polinomios de

1
regresión, que deben ser estimados con

t- l;
los datos sr =l
I
Z(r--.)' I
n-l I
Los parámetros de regresión de estas ecuaciones, pueden ser t l

estimados por el método de mínimos cuadrados, o por el método de
regresión lineal múltiple.
Ilz
I
El cálcuIo de la tendencia en la media, haciendo uso de la ecuación

(8.10), se realiza mediante el siguiente proceso: s,= llL]
a) Cálculo de los parámetros de la ecuación de regresión lineal además:
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. = desviación estándar de la tendencia de la media Tm
§t = desviación estándar del tiempo r
... (8.13)
b) Evaluación de la tendencia I-
Para averiguar si la tendencia es signiñcativa, se analiza el coefi-
donde: ciente de regresión Btn o también el coeficiente de correlación R.
\=:2'* =i2*,,, El análisis de R según el estadístico f, es como sigue:

l. Cálculo del estadístico /" según:
nJn-z
¡=i2,, ' J1- R'
... (8.1s)
1« .r* donde:
t .T^ = ... (8.14) = valor del estadístico r calculado.
i lt, fc
R = coeficiente de correlación
Anrálisis de consistencia - página (322) Hidrología Estadística - págha (323)
2. Cálcúo det¡ donde T^ es el promedio de la tendencia en la media o promedio de

El valor crítico de /, se obtiene de la tabla de / de Student (tabla ,4.5 los valores corregidos de saltos.
del apéndice), con 95Vo de probabilidad o con un nivel de
significación del 5 Vo, es decfu:
2. Tendencia en Ia desviación estríndar
! = o.ozs
2 Según Salas "la tendencia en la desviación estándar, generalmente
G.L. = n-2 se presenta en los datos semanales o mensuales, no así en datos
anuales". Por lo que, cuando se trabajan con datos anuales, no hay
3. Comparación del t" con el t¡ necesidad de realizar el análisis de la tendencia en la desviación
. Si lhl<tr(95Vo)+ R no es significativo estándar.
En este caso, la tendencia no es significativa y no hay que corregir.
La tendencia en la desviación estándar Ts, se expresa en forma
. Si lr"l,hQ5Vo) + R si es significativo. general por la ecuación polinomial:
En este caso, la tendencia es significativa y hay necesidad de T, = A, + B,t + C,t' + D,t3 + ... (8.r8)
corregir la información de tendencia en la media. y en forma particular, por la ecuación de regresión lineal simple:
T,=4"+B,t ... (8.re)
c) Corrección de la información: donde :
La tendencia en la media se elimina haciendo uso de la ecuación:
y, = Xrr,., _T^ ... (8.16)
4 = tendencia en la desviación estándar
T, = Y, valor corregido de tendencia en la media, es decir,
ó
datos a usarse para el cálculo de los parámetros
Y, = x(,¡ -(,q* + B^t) ... (8.17) r = tiempo en años
donde: t=I,2,3,....,fl
X'<¡ = serie corregida de saltos 4", 8", C", Dr,.. = coeficientes de los polinomios de regresión
T^ = tendencias en la media, obtenida de la ecuación (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 desviación estándar es
Xt preserve la media constante, se devuelve el
Para que el proceso significativa, se sigue el siguiente proceso:
promedio de las X't ó Q, luego las ecuaciones (8.16) y (8.17),
rr) La información ya sin tendencia en la media Y¡, se divide en
toman la forma: peíodos de datos anuales.
Y, = X(,¡ -T^ +T^ .,.. (8.18)
Y, = X(o -(o* * 8,,.r) * r- ... (8.1e)
b) Se calcula las desviaciones estándar paru cadaperíodo de toda la

información: ,,=T'1*T ... (8.22)
donde T,,T^ son los promedios de la tendencia en la desviación

,,=[+á {,,-r)'f; ... (8.20) estándar y media respectivamente.
donde:
La seie Z, es una serie homogénea y consistente al 95Vo de
§p = desviación estándar del año p, es decir de los datos
probabilidad.
mensuales del año p
Yp = serie sin tendencia en la media
Ejemplo 8.1:
fp = promedio de datos mensuales del año p
p =1,2,3,..,.,12 Con el registro de volúmenes anuales de caudales en MIVÍ3, que se
muestra en la tabla 8.2, se realizó el análisis de doble masa, y se
c) Se calculan los parámetros de la ecuación (8.19), a partir de las obtuvo un quiebre que permitió separar los datos en los peúodos
desviaciones estándar anuales y el tiempo r (en años ), utilizando
1964-1985 y 1986-1999.
las ecuaciones de la (8.11) a la (8.14), dadas para la tendencia en
Realizar el análisis estadístico de saltos en la media y desviación
la media
estándar para ambos períodos. Si obtiene diferencia significativa (al
95 Vo de probabilidad), rcalizar la corrección del primer período.
d) Se realiza la evaluación de Zs siguiendo el mismo proceso
descrito paraTm.
Tabla 8.2 Volúmenes anuales de caudales en MM3
Si en la prueba R resulta significativo, la tendencia en la desviación

Año xt Año xt
estándar es significativa, por 1o que se debe eliminar de la serie, 1964 534.509 1982 318.882
aplicando la siguiente ecuación:
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 desviación 1 968 842.122 1 986 668.201
estándar. Las demás variables han sido definidas en piárrafos 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 desviación estándar 1972 436.716 1 990 569.369
constante, la ecuación toma la forma:
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 ecuación (8.25), resulta:
1 981 362.1 99 1 999 640.843
ztxr166o.3os7 + 13x 4657t.$181:

Solución: " -f
"n-L 3¡ -l
. SP= 1694542
Períodos
De acuerdo a la condición del problema, se tienen los períodos:
Peúodo I 1964 1985: nt=22
- 1
-
Período 2 L986 1999: nz= 14
s.=169.45+Zlt*l-l'
. " 122 t4)
Cálculo de los parámetros de cada período
S¿ = 57 '9333
Utilizando el conjunto de fórmulas (8.1), se obtiene los parámetros
de cada período:
Srrstituyendo valores en la ecuación (8.23), resulta:
Xt = 467.8782 Xz = 606.1381
t-
467.8782- 606.1381
S2t = 17660.3057 S2z= 46571.8378 Úc
- 51.9333
St = 132.8921 Sz = 215.8051
t"= -2.3865
. Evaluación de la consistencia en la media
.1. Cálculo del t tabular t,:
1.Cálculo del /, Irl valor crítico de / se obtiene de la tablaA.5 del apéndice, con una
De la ecuación (83), se tiene: ¡rrobabilidad al 957o, ó con un nivel de significación 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 - página (328)
3. Criterio de decisión
Como ld=2.3965> tr= 1.960 -+ xl+x, (estadísticamente)
( 'omo
\ + 72 y Sr(x) * S2(x), para corregir los datos del 1"' período
En este caso, siendo las medias xr* x-, estadísticamente, se debe
(1964 - 1985), se usa la ecuación (8.7):
corregir la información. 1/' _ x,' -.x,:.Sr 1x) + x,
^(¡) S,(r/
. Evaluación de la consistencia en la desviación estándar
S rrstituyendo valores, resulta:
1. Cálculo de F" x' - 467.!782
xi., = xzt5.go5t + 606.1381
(¿
' 132.8921
,s^2lx) X', =1.6239x, - 153.6550 ... (8.26)
F' =# , si,Sr2(x)> S,,(x)
§'" (x) llsando la ecuación (8.26) se corrige el período (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 análisis de saltos
F"=2.6371
Año xt Año 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 significación 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 decisión 1971 600.8544 1 989 573.582
Como F"=2.6371> Ft=2.25 -+ §r(x) t Sz@) (estadísticamente). 1972 555.s281 1 990 569.369
En este caso, siendo las desviaciones estándar ,S1(x) + Sz(x) 1973 648.5321 1 991 330.482
estadísticamente, se debe corregir la información.
1974 452.4337 1992 949.436
1975 388.2973 993 260.183
' Corrección de la información 1
1 976 894.0560 1 994 430.169

Anrálisis de consistencia - página(330) Hidrología Estadística - página (331)
1977 840.6s09 1 995 577.293 Tabla 8.4 Serie histórica de caudales medios anuales, en m3/s, del río
1978 854.3972 1 996 502.513 Chancay-Huaral, estación Santo Domingo, Penú (1939 - 1981)
1979 752.2896 1997 1055.812
Año Caudal Año Gauda! Año 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, Análisis de saltos 1 945 8.373 I 960 12.270 1 975 r3.632
Dada la información 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 año 1955 de la tabla 8.4, 1 949 11.827 1 964 1 8.1 88 1 979 11.300
haciendo la correlación 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
años comunes.
1952 19.416 1 967 30.1 06
1 953 19.684 1 968 8.250
2. Graficar la serie histórica de la tabla 8.4 en papel milimétrico,
hacer un análisis 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
estación en estudio
T (años)
J. Para estar seguro de que se presenta salto, con los datos de las Caudales acumulados
tablas 8.4 y 8.5 rcalizar el análisis de doble masa, considerando estación base
como estación base los datos de la tabla 8.5.
Tabla 8.5 Serie histórica de caudales medios anuales, en m3/s, del río Graficar nuevamente la serie una vez corregida, con líneas
Jequetepeque, estación Ventanilla, Perú (1939 - 1980) punteadas.
Año Caudal Año Caudal Año Caudal Notas:

mtls mtls m3ls Si tlel análisis de doble masa obtiene:
1939 22.802 1954 20.793 1 969 21.972 . Solo dos períodos, siga la metodología indicada
1940 22.386 1955 23.s95 1970 22.O73 . 3 ó más períodos, tomar los dos primeros peíodos y aplicar la
1941 28.268 1956 30.560 1971 38.698
metodología indicada, luego considerando éstos 2 períodos como
1942 13.736 1957 34.191 1972 24.518
uno solo y el 3er período; aplicar la metodología indicada, y así
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 .' Análisis de tendencias
1947 22.960 1962 29.O43 1977 29.701 l)rrtla la información 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 milimétrico, 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 análisis estadístico de tendencias y las correcciones
1952 28.123 19.67 34.778 tle los datos si fuera el caso. Debe rcalizar solo el análisis de
1953 72.637 1968 6.695 tcndencia en la media (para datos anuales no se presenta
tcndencia en la desviación estándar).
¡ 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 años donde posiblemente se presentan los saltos.
4. Realizar el análisis estadístico de saltos y las correcciones de los

datos si fuera el caso, para perfodos obtenidos del anáIisis de
doble masa.
Para este análisis de saltos debe realizar:
I Consistencia de la media
I Consistencia en las desviación estándar
I Corrección de los datos
Análisis de consistencia - página(334)
Tabla 8.6 Serie histórica de caudales medios anuales, en m3/s, del río
Chicama, estación Salinar, Perú (1911 - 1980)
Año Gaudal Año Caudal Año 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 Completación 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
extensión
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 extensión de información, es el proceso de transferencia de
1926 51.26 1 950 9.67 1974 18.91 rnlirrmación desde una estación con nn "largo" registro histórico 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 completación 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 completación es un
1 931 16.15 1 955 22.78 1979 12.46
1932
clso particular de la extensión.
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 extensión de datos, es más importante que la completación, por
r'r¡anto modifican sustancialmente a los estimadores de los
¡»rrámetros poblacionales, por ejemplo, la media de una rnuestra
corta, será diferente a la media de una muestra extendida.
Completación y extensión - página (336) Hidrología Estadística - página (337)
En forma general, el modelo matemático más usado para transferir

La completación y extensión de la información hidrometéorológica
información hidrológica, entre estaciones medidas, es el modelo de
faltante, se efectúa para tener en lo posible series completas, más
regresión lineal simple.
confiable y de un período uniforme.
9.2 Técnicas 9.3 Proceso
Las técnicas que se utilizan para la completación, en orden de El proceso a seguir para la completación o extensión, es como se
indica:
prioridad son:
. Regresión lineal simple, entre éstas: , Obtener la serie de tamaño N1, á cornpletar o extender (figura
o más estaciones, 9.2):
o Correlación cruzada entre dos
situación (1) sin defasaje de la figura 9.1 !t,!2,!3,.,...,! ¡¡,
o Autocorrelación, situación (2) de la figura 9.1

. Relleno con criterios prácticos. Seleccionar la estación, que guarde una buena relación con la
Parala extensión se usan modelos de: estación con la que se está trabajando, y cuya longitud de la
. Regresión lineal simple serie sea mayor, como por ejemplo: N = Nr+ Nz.
. Regresiónlinealmúlíiple Xl, XZ, X3 r...., XN
t, X N t+1 r,,..., X N,* N,
o
(m3ls)
tiempo T
(1) Correlación cruzada sin defasaje (correlación espacial)
(2) Conelación serial con defasaje (correlación temporal o
autocorrelación)
(3) Conelación cruzada con defasaje (correlación espacial y Figura 9.2 Series de tamaños & y N= Nr+ Af2
temporal) donde:
Figura 9.1 Serie histórica de caudales de las cuencas Ay B
Completación y extensión - página (338)
)¡ =serie de registro "corto" xl _D*,

rr = serie de registro "largo" Nr
Nr =tamaño del registro común a ambas series o tamaños -L*,Ey,
N,» x¡!¡
...(e.4)
del registro corto
Nz =tamaño del registro no común ry,» *i -(\*,)'\N ,Zv? -Er,)'
N = N, * N, = tamaño del registro largo
. Seleccionar el modelo de correlación, en este caso, la ecuación

de regresión lineal:
y, = a*bx, ... (9.1)
s,(r) =
,Er;
donde: S,,,)
)r = variable hidrológica dependiente

xt = vzriable hidrológica independiente
tlonde:
ay b = parámetros de la ecuación de regresión lineal simple
f t Y xt= son los estimados de las medias, de los períodos
¡ Estimar los parámetros: comunes, de tamaño Nr de las variables yté 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 estándar, de yt y x¡de los períodos

,
D= f-
s,,,, comunes de tamaño Nr
§,,,,
ó . Ecuación de completación o extensión:
...(e.2)
...(e.s)
a= yr-bx, ...(e.3)
l)ara mejorar la información, a la ecuación (9.5) se le agrega otra
componente, que es una variable aleatoria, que tiene por objeto dar
lt= >¿ tuna mejor representatividad de la serie hidrológica, especialmente
Nr t:uando se quiere extender la información a un periodo largo (por
Completación y extensión - página (340) HidrologíaEstadística - página (341)
ejemplo incrementar el registro en 20 ó 30 años), por lo cual, la ir) Cálculo del estadístico t", según:
ecuación (9.5) se puede expresar de la siguiente forma: ,^Ñ,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 estadístico / calculado
Nr = tamaño del registro común dó las series
lt Y xt= son los estimados de las medias, de los períodos
comunes de tamaño, Nr de las variables !¡ é xt
S,,r, , S,,,, = son los estimados no sesgados de las
b) Cálculo de r¡
desviaciones estándar, de yt y x¡ de los períodos
El valor crítico de t (t,), se obtiene de las tablas r de Student (tabla
comunes de tamaño N1
,21.5 del apéndice), con 95Vo de probabilidad, o con un nivel de
r = coeficiente de correlación significación 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 completación, en este caso el ruido aleatorio c) Comparación del /" con el /,
no es considerado
0= I se usa en extensión, en este caso el ruido o factor
aleatorio si es considerado correlación 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 sí existe correlación
*-
u-T ...(e.7) significativa entre las variables )1 ] /1, y se puede hacer uso de la
(r, -0(r, -l)(r'r, -z) ecuación (9.5) ó (9.6), para la completación y extensión.
. Criterios de confiabilidad. Si r resulta no significativo se puede aplicar el proceso de

rrutocorrelación o probar con o[ra serie.
La ecuación (9.5) ó (9.6), sólo se podrá usar si hay una correlación
significativa entre las variables )t y x¡, es decir, si el coeficiente de
9.4 Criterios para mejorar los estimados de los
correlación r de la ecuación (9.4), es estadísticamente significativo
con un cierto nivel de confiabilidad, utilizando el estadístico t, para parámetros
esto se procede de la siguiente forma:
Usando el análisis de correlación, para extender el registro corto de
l¿r serie y, de una estación con tamaño Nr, utilizando otro registro
largo de la serie x, de otra estación con tamaño N = Nr* N2, surge la Con este registro, completar los datos faltantes de los años 1990 y
pregunta, ¿si la extensión de Nz valores mejora o no, los parámetros 1998, de la estación San Antonio, a partir de su correlación con la
requeridos de la serie y?. cstación Cachí.
Es muy posible, que la adición de Nz valores, puede dar un estimado
peor (más malo), de los parámetros 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 período 7g5g-lgg8, de las estacione A y
parámetros estimados, antes y después de la extensión. B.
"n -'ls,
Se puede ltilizar La varianza, para medir la precisión de los 'l'abla 9.2 Catdales medios anuales de las estaciones A y B
estimados, así se tiene:
. Si la VAR(serie y reconstituida) > VAR(serie y histórica), Año A B Año A B
entonces el estimado es menos preciso, por lo cual no se (m3/s) rm3lsl rm3lst lm3/s)
recomienda la extensión de los datos. 1 959 26.26 34.25 1979 22.14 25.89
. Si la VAR(serie y reconsrituida) < VAR(serie y histórica), 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 más preciso, por lo cual se puede usar la
1962 21.15 12.54 1982 26.51 34.85
extensión 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 precipitación anual,
1
'1968 25.97 30.35 1 988 13.62 9.25
rnm, de las estaciones San Antonio y Cachí. 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 Precipitación anual de las estaciones San Antonio y Cachí 1971 17.28 11.72 199'1 35.84 35.57
1972 18.86 25.67 1 992 24,11 36.'19
Año San Cachí Año 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 estación A, elperiodo 1989-1998 no tiene
1 992 3474.4 1799.0 1 999 2918.8 2083.5 información, realizat el proceso de extensión de esta información
2000 31 1 6.1 1621.7
para este período, a partir de la serie de la estación B.
. Indicar las ecuaciones de extensión, para e = 0 y 0 = 1.

Se desea extender los datos para los meses Enero-Junio, del año
. Comparar los valores registrados, con los resultados obtenidos 2000 de la estación B,para lo cual se pide:
de la extensión, con ambas ecuaciones y obtener la diferencia en
cada caso. Indicar cual sería la ecuación de extensión, 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 año donde: sr - NI (0,1)
1999, y algunos caudales medios mensuales"npara la estación A, Extender los datos para los meses Enero-Junio del año 2000 de
para el año 2000. Los resultados se muestran en la tabla 9.3. la estación B. Explicar todo el proceso seguido para la extensión.
Tabla 9.3 Caudales medios mensuales de las estaciones A y B, en

*3/.
Año Mes Estación A Estación 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
Generación de
números aleatorios
L0.L Generación de números aleatorios
uniformemente distribuidos
El método más aceptable, para generar números aleatorios es aquel
que produce números que sean:
. uniformemente distribuidos
. estadísticamenteindependientes
. reproducibles
, sin repetición dentro de una longitud determinada de la
sección
De igual manera, tal método deberá ser capaz de:
¡ generar números aleatorios a grandes velocidades

. requerir un mínimo de la capacidad de almacenamiento de la
computadora
Generación de números aleatorios - página (34g) Hidrología Estadística - págrna (349)
Los métodos de congruencia, se diseñaron específicamente para

la cual permite calcular una sucesió" {r,} de enteros no negativos.
satisfacer los requerimientos antes mencionados y se basan
en una
relación fundamental de la congruencia, que puede expresarse por
medio de la siguiente fórmula recursiva: Este método adaptado para computadora, emplea un módulo m=pb
que representa el tamaño de la palabra de la computadora, donde p
U¡*t=aF¡*c(modm) ... (10.1)
es el número de guarismos, del sistema de números que usa la
donde: Lti, a, c y mson enteros no negativos.
computadora, por ejemplo , p = 2 para el sistema binario y á denota
el número de dígitos en una palabra, por ejemplo 32.Elvalor óptimo
Desarrollando la ecuación (10.1), para, i 0,1,2,..., se obtiene:
= de ¿, está dado por la siguiente relación:
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 ecuación (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 relación En forma práctica, la generación de números uniformemente
de
congruencia, para todo valor de i en la sucesión: distribuidos entre 0 y 1, se puede hacer con una calculadora manual,
ellas tienen incorporada la función RAN#, que genera estos números.
{F,, ilr, r1r,.,.}
También, todos los lenguajes de computación, tienen incorporado
se han desarrollado tres métodos básicos para generar números subrutinas para la generación de números uniformemente
pseudoaleatorios, mediante el empleo de las diferentes
versiones de distribuidos comprendidos entre 0 y 1. Por ejemplo Basic y Visual
la ecuación (10.1): el aditivo, el murtiplicativo y er mixto, sin
Basic, tienen la función de biblioteca Rnd,la que genera números
embargo, existe evidencia empírica de que tás métodos
de uniformemente distribuidos, comprendidos entre 0 y 1.
congruencia multiplicativos, producen números pseudoaleatorios
aceptables que pasan toda prueba estadísticá que permite
El listado 10.1 permite generar la cantidad de números aleatorios
considerarlos como verdaQeros números aleatorios. La ecuación
de uniformemente distribuidos, indicado por el usuario.
este método es:
ui*t = au, (mod m) ... (10.3)

Generación de números aleatorios - página (350) Hidrología Estadística - página (351)
Listado l0.l; Generación de números uniformemente distribuidos . En computación, permite la simulación de juegos.
entre 0 y l.
lNPUT "lngresar la cantidad de números aleatorios a generar" ; n

10.2 Generación de números aleatorios
RANDOMIZE TIMER normales independientes
CLS
PRINT n ; " Números uniformemente distribuidos entre 0 y 1"
l,lxisten varios métodos para generar números aleatorios normales, a
FORI=1TOn
PRINT USING " #.####### " ; RND partir de los números aleatorios uniformemente distribuidos, entre
;
NEXT I cllos se tiene:

PRINT
END
l)rocedimiento del límite central
El listado 7O.2, permite generar números aleatorios enteros,
comprendidos entre dos valores a y b, esto resulta de interés cuando l)rra el cálculo de números aleatorios normales, se usa la siguiente
se desea realizar ejemplos de simulación de juegos. ccuación:
Listado 10.2: Generación de números aleatorios enteros entre a y b

fl=uttur*...*ut -L2
ó ... (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 números aleatorios a generar" ; n
tlonde: ai = número aleatorio uniformemente distribuido (0< ui<l).
RANDOMIZE TIMER
CLS Si fr =12, la distribución de valores n se aproximan a una
PRINT n ; " Números uniformemente distribuidos entre" ;A ; "y" ; B tlistribución normal, con media cero y varianza unitaria, es decir, en
FOR l=1 TO n oste caso n es un número aleatorio normal.
PRINT A+lNT ((B-A+1).RND) ;
NEXT I
Para obtener los números aleatorios normales e independientes, con
PRINT
END rnedia i y desviación estándar S, se emplea la siguiente ecuación:
I
El uso de la generación de números aleatorios, es de suma ... (10.7)

importancia en diferentes actividades, por ejemplo: '= {?)ulr.",-i).0
. En hidrología, permite la generación de series sintéticas.
. En trabajos de experimentos, permite la selección de
muestras en forma aleatoria.
Procedimiento rápido l-istado 10.3: Generación de números normalmente distribuidos
CLS
Pata el cálculo de los números normales, se utiliza un polinomio do pi= 4 * Atn(1)
5o grado que tiene como variable, a los números uniformemento lNPUT "lngresar la cantidad de números aleatorios a generar"; n
distribuidos. nn=nl2
RANDOMIZE TIMER
Se afirma que esta técnica es la más rápida, aunque se le imputa, quo
CLS
emplea varios cientos de ubicaciones de memoria para almacenar en S=0
la computadora ciertas constantes específicas. f)RINT n; "Números normalmente distribuidos "
FOR i= 1 TO nn
u'l = RND
Procedimiento directo u2 = RND
nx1 = SQR((-2. LOG(u1))) . COS(2 " pi* u2)
El método de Box y Muller es el más práctico, requiere de dos nx2 = SQR((-2. LOG(u1))) . SIN(2 . pi* u2)
números 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
números 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 números aleatorios normalmentc PRINT: PRINT
distribuidos, utilizando el método de Box y Muller. t:ND
Para obtener números aleatorios normales, con medra xy

desviación estándar S, se realiza la siguiente transformación: 10.3 Generación de números aleatorios log-
N' = x* Sn' normales independientes
... (10.e)
N,*, = x*Snr*, l'nlr generar números aleatorios log-normales, se utiliza la siguiente
I r¡¡ rr sformación exponencial:
donde, M, M+r son dos números normales independientes, con Ln,=EXP(n,)=e'' ... (10.10)
x y desviación estándar S. r klncle:
Generación de números aleatorios - página (354)
/¿i= número normal independiente (0,1) 10.4 Problemas propuestos

Lni = ¡¡¡i¡¡r"ro lo g - normal independiente (0, I )
L Se desarrolló un experimento en celdas, ubicadas en una tabla
Para generar números log-normales con 2 parámetros, que tiene 10 filas y 20 columnas.
parámetros Fy y Sy, se usa la ecuación:
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 parámetros p, , ,S, f)

10
lr, , S y = Son los 2 parámetros de la distribución log
ni, tti+r = son dors números aleatorios N(0,1), obtenidos da
la ecuación (10.8) l'nra el análisis de los resultados, de esta tabla se deben elegir 6
ilruestras, seleccionando en forma aleatoria sufila y columna.
Para generar números log-normales con tres parámetros,
parámetros py, §y, X6 se usa la ecuación: l'¡ra realizar este proceso, generar 6 pares de números; para las filas
z -lS n.t Irlnerar números del 1 al 10; para las columnas generar números 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 parámetros p, , ,Sy, Xo b
It, , S y, Xo = son los 3 parámetros de la distribución lo¡.
normal Nr¡ta. La función de biblioteca INT(x), extrae el mayor número
hi ,tti+t = son dos números aleatorios N(0,1), obtenido¡ tlrloro que algebraicamente no excede a x.
la ecuación (10.8)
Í
Explicar detalladamente como se generaron los números 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 Hidrología del ICE, existe una sr'r'ie generada, mostrar todos los resultados parciales.
metodología, para calcular valores máximos de caudales y
precipitaciones, utilizando valores índices. Los valores índices, 1. Una estación tiene un registro de caudales anuales de20 años, 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 distribución normal. Si el ajuste fuera bueno, generat 20
3 58.8 datos normales con parámetros 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 distribución log-normal de 2 parámetros (py, oy). Si el ajuste
9 30.9 fuera bueno, generar 20 datos log-normales con parámetros
10 44.0 [ty, oy de la serie.
11 43.4
12 45.5 . Realizar un análisis estadístico para probar si los datos de la
48.5
tabla lO.2 (Í,, §',) 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 únicamente Nota: Mostrar todos los resultados parciales y explicar como se
valores de caudales de la tabla 10.1, éstos pueden ser repetidos. obtuvieron.
r-
Intervalos de
confianza
11.1 Estimación puntual y estimación por
intervalos
Dada una muestra de20 datos de caudales anuales, e, *3/r, de una
¡roblación (estación de aforo), que se indican en la tabla 11.1, al
calcular sus parámetros estadísticos, se obtiene:
Media: 55.82
Varianza'. 666.84
Desviación estándar: 25.82
Coeficiente de sesgo: 0.42
Coeficiente de variación: 0.46
Coeficiente de curtosis: 2.27
Población
(rr,"2)
Muestra
(x,s2,cv)
Intervalos de confianza - página (360) Estadística Aplicada - página (361)
Tabla 11.1 Muestra de 20 datos de caudales, en m3ls, de una ll.zlntervalos de confianza para la media de
población
una distribución 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 extraída de una población
100.1 85.3 95.2 40.2 60.8 clistribuida normalmente, y cuya vaianzao2 es conocida.
Estimación 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 estimación del parámetro 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 estimación puntual para la media
p de la población correspondiente.
X = media muestral
c = valor de la tabla normal estándar que refleja el nivel de
conftanza \ (9 57o, 99 Vo, etc.)
o = desviación estándar de la población
Estimación por irrt..orlo y nivel de confianza n = tamaño de la muestra
La estimación por intervalo, establece un intervalo dentro del cual es

El proceso de cálculo es como sigue:
mu¡r probable que se encuentre el parámetro poblacional. El
coeficiente de confianza., se usa para indicar la probabilidad de que
.una estimación por intervalo contenga el parámetro 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 cálculos correspondientes, la media de

la población 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 página(362) Estadística Aplicada - página (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. Cálculo 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. Cálculo de:
"Jn
X -k=5-0.588=4.412
X +k=5+0.588=5.588
5. El intervalo de confianzapara la media ¡t delapoblación 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 también crece. por lo
tanto, mientras más cercano a r se escoja y, se debe esperar Iijemplo 11.2:
intervalos de confianza más grandes.
¿,Qué 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 É un intervalo de confianza del 957o de probabilidad y de longitud L =
disminuye, al aumentar "",.ru.ió,
el tamaño n delamuestra. Ésto implica que, 0.4?
en general, las muestras más grandes darán intervalos detonfranza
más cortos, es decir, información más precisa. Solución:
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 distribución 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"
Solución: donde:
- 2co
1. ValordeX=5(dato) ^Jn =
L
2. Valor de y = 0.95 (dato) 4c2o2
ü
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 cómo decrece z cuando ¿,

n crece.cuanto más -r n=200:
cortas deseamos que sean los intervalos
de confiunru,..ra, grande se n=1 000
debe escoger el tamañ 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 múltiplo
\ \ tlc o, como una función del tamaño n dela muestra
o.2
\
Y=99%
'!=95Yo
11.3 Intervalo de confianza para la media de
0 una distribución normal, con varianza
0 500 rooo desconocida
Figura l l.r Longirud der intervalo de confianzu,
,1"ároo en múlriplo
de o, como una función del tamañ o n dela
muestra
lilproceso para el cálculo 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 cómo 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 solución c de la ecuación:
F(c)=)O. rl .... (1 1.3)
t
rr partir de la tabla de la distribución con n-l grados de libertad
(tabla 4.6 del apéndice, donde n = tamaio de la muestra)
(lon el valor de c calculado, determinar:

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&rá y
0.95 y \ = 0.99, para algunos valores de n.
= probabilidad del 95Vo, para la media de la población
correspondiente. Suponer que la población se distribuye
Tabla 11.3 Valores de normalmente.
!^ln , en función de nyy
C Solución:
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 cálculo d" f- , se puede también realizar utilizando la
^Jn
10 0.715 103
15 0.554 0.769 tabla 4.6 del apéndice, para esto hacer:
20 0.468 0.640 . 1+ 0.95
25
De la ecuación (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 ecuación (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 ecuación (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 límites del intervalo, utilizando la ecuación (11.6), son:
Estadística Aplicada - página (369)
Intervalos de confianza - página (368)
yy
X + k = 55.82+ 12.0838 = 67.9038 Tabla 11.4 Valores de ct, cz en función 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 población 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 cálculos anteriores se puede concluir, que al 95Vo de 6 0.83 12.8 0.41 167
confranza,la media poblacional de los caudales, se encontrará 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 distribución 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 cálculo 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 dél
es:
apéndice, siendo n = tamaño 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.
Ejemplo 11.4: cz=32'85

4. Los valores de k de la ecuación (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
población, suponiendo que la población se distribuye normalmente. o,
'- g.8l = 1421.9933
19x666.84
Solución:
' -:':::::::'
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:
población 02, de la ecuación (1 1.9), es:
52 = 666.84
luego:
(n-I)52 = 19 x 666.84=12669.96 385.1052 < d <142t.9933
2. Por condición 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 cálculos de c1 ! c2, sa pueden realizar también utilizando
la tabla A.9 del apéndice, para esto hacer: Tabla 11.5 Caudales medios anuales en m3ls
. De la ecuación (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 distribución 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 población correspondiente'
cr = 8'91
Intervalos de confianza - página (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

Bibliografía
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 población correspondiente.
Aliaga, Segundo. Tratamiento de Datos Hidrometeorológicos.
Editorial Horizonte Latinoamericano, Lima, Perú, 1983.
Aliaga, Segundo. Hidrología Estadística. Editorial Horizonte

Latinoamericano, Lima - Perú, 1985.
Amisial, Roger. Distribuciones Teóricas Comúnmente Utilizadas.
Centro Interamericano de Desarrollo Integral de Aguas y
Tierras (CIDIAT), Mérida - Venezuela,1978.
Benjamín, Jack - Cornell, A1lin. Probabilidad y Estadística en

Ingeniería Civil. Editorial McGraw-Hill, Bogotá, 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 función gamma
B. Funciones trigonométricas
Transformada de
Laplace y función
gamma
4.1 Justificación
Hrr Hidrologla es de uso frecuente las distribuciones normal, log-
nrrrmal, gamma de 2 parámetros, de 3 parámetros o Pearson tipo III,
krg-Pearson tipo III, Chi-cuadrado, / de Student, F, y otras.
Lu evaluación de los parámetros de algunas de estas distribuciones,

¡xlr el método de los momentos, se simplifica enormemente, si se hace
uso del concepto de la transformada de Laplace. Esta también se usa
¡tnra resolver ciertas ecuaciones diferenciales ordinarias y parciales.
l{n las distribuciones mencionadas y otras, el uso de la función garnma

os irnprescindible.
A l'in de simplificar los cálculos posteriores, y así contar con una

Itcrramienta matemática adecuada, es que en esta sección, se realiza
Transformada de Laplace y función gamma - página (380)
l.,a transformada inversa de Laplace

un estudio breve de la transformada de Laplace y de la
gamma. l)cfinición:
A¡.2 Latransformada de LaPlace §i la transformada de Laplace de una funciónflr), es F(s), es decir, si

* 1./(/))= F(s), entonces flr) se llama la transformada inversa de
Definición l.l¡rlace de F(s) y se denota por:
una función de valores reales, deirnida para t

>0. =á -,{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,rr¡llace.
ll u-" f (t)dt l,n tlefinición anterior se puede expresar matemátícamente cofno:
y si esta integral converge, entonces es una función de sl' F(s)'

* ''{F(s)} = * -'{ Í{flt)}} =flt
F(s) - !; r-" f dt)dt
hrtcgral impropia
F(s) se define como la transformada de Laplace deflr)' siendo
función original y F(s) la función imagen' Dcl'inición:
tftrn de las formas particulares de las integrales impropias de límites

Notación
htl'irritos es:
La transformada de Laplace de la función original flt) 6 f, lc

por F(s) o por .t {f:t)l,a lfl,"t ffir)}(s) ó "e [fl(s), es decir:
li rr'v'
It cual es similar a la definición de Ia transformada de Laplace.
f t/(r)) = F(s) = f,'-" f (t)dt lrlrr integral se evalúa de acuerdo con la regla:
Donde of es llamado el operador de la transformada de Lapltol, !í ¡a¡0,=, T".ff rQ)dt

cl límite de la derecha existe y es finito, se dice que la integral
I
En general, .§ es una variable compleja, pero para lo
que aquí se ocupa' tl lpiá converge, de lo contrario, se dice que la integral diverge.
considerar como variable r':al.
Transformada de Laplace y función gamma - página (382)
Ejemplos de la evaluación de la transformada de .'. d {"u'}= I ,sis>a

s-a
Laplace
l,o que indica que la transformada de Laplace de la función eut, es la
Solo a medida de ejemplo, del uso de la definición de la transf' lirrrción:
de Laplace, se plantean 1« s siguientes ejemplos:
F(s)= '- paras){t
1
Ejemplo 4.1:
s-a
'lirrnbién se puede concluir que:
Hallar la transformada de Laplace de la función:
f(t) = eo', donde a s con tante. 'er{r(s)}-r {ls-a)
' I=r^ -r
Solución:
lljcntplo A.2:
De acuerdo a la definici n:
(lrrlcular la transformada de Laplace de la función:
I {uo'} - lr*
e-" e"'dt
,llt) = sen at, donde a es constante
á {ro'} - l,* e-$-a' dt türlución:
(s-a)t
= lim l- ¿- ¿r= tirnl- 'I
r-t'-"" t") l,
S-a-
Aplicando la definición:
i---Jo ,-{ -1 '
=_ ,
á {sen at}=J* e-" sen at dt
,r*qr_r,_ru_uo)
s-ab-
I lr*b^'-''á - 1)/
2, Cálculo de:
§-4á+-\ I
e-" sen at dt ...(a.2)
't {."} =- s-a' r^'-û -r) ... (a.1)

"l-(l,g Ittlcgrando por partes, se tiene:
t:- --(s-a\b _ 1"=O ,Sis_a>0ós>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 función gamma _ página (3g4) Hidrología Estadística - página (385)
3. Cálculo de:
Ie-" sen at dt = -! cos at - cos at dt ... (a .3)
"-,, IIu,, t = I, senat at =¡y1J! e-" senat dt
Cálculo de:
Je-" cos at dt , at + !,,*,)'uo]

...(a.4) =
l,S{- ;+,-"[.o,
Integrando por partes, se tiene:
u = e-tt
=+ du = -s e-tt dÍ
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 ¿'á -) oo
=_
I ot_ !_r_,,sen
b-+
e-", cos * _ st
senat dt se tiene:
S¡r_
(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#, *
.'. Í{sen o*= para s > o
?+t
Observar que:
Transformada de Laplace y función gamma - página (386) Hidrología Estadlstica - página (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
Fórmulas elementales
(0 r de (0 t t(ol de
t(t)l deflnlclón definición
La forma de calcular la transformada de Laplace, se puede observar en
los dos ejemplos anteriores. Pero el cálculo 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¡
propósitos prácticos 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 propiédades de la transformada de Laplace, quo
pueden demostrarse. Para efectos prácticos, solo se enuncian 0 f(r + l)
continuación: , 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+l¡l
ü (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
Transformada de Laplace y función gaÍrma

- pfoina (388)
li.jamplo 4.3:
(7) )dt ( 'rrlcular: a br' - 4t -3ea' + senZt]

Solución:
(8) (f)) llsando la propiedad (1) de la trar,lsf-ormada de Lapl¡ce_, se tiene:

e {sr' - 4; -3ro' + sen2t}= s * l'}- o* {,}- :* ko'}** {sen 2r}
...(a.6)
():
I('t
2l 2,
(e) 'e ¡,1=
(. J
,,
=
.,
(Fórmula 4)
"e Lj= +
.t
(Fórmula 3)
(10
"e {ro'}=
L r s-4 (Fórmula 2)
4 {f t, - a)H (t - d}= e-o' A {ff'l}

(11)
e zr}= (Fórmula 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 convolución:

lijuuplo A.4:
(.t I
* *a(r)}= - f G -u)s@)d"l "t t/}* {g}=n1s¡G(s) (';rlcular:
{.r
lf e pe'' cos4t-5e4't5 +8senh3r)
l'"- st
f(t)¿t §olr¡ción:
(13) "e UOI=Jo-'-
l- e- ws llr¡urdo la propiedad (1) de la transformada de Laplace, se tiene:
---con período w > 0' es decir:
donde:flr) es periódica,
f(t)= F(t+w)
Transformada de Laplace
y función gamma _ página Hidrología Estadística - página (391)
(390)
* brr, cos4t - 5eo, f+ gsenh3r]

=2Á p'' cos+t|-s; bour']*8 .o
* {senhar}=** k-}-)* b--}
-
pero: {senh zt} ...qa.t¡
a pt, --" '"J- _-_s -3
t cos4r)= Aplicando la fórmula 2 delatablaA.l, resulta:
(Fórmula 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' Górmula 12)
* 2 s'-a'
{senh3r}=
s'-3- (Fórmuta 7) l2a
-9 n * -"'
luego, remplazando
valores en (a.7),se obüene: .'. 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'
Demostración: (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 función gamma _ -
página (392) Hidrología Estadísticu ¡rl¡lttrt 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=
á, 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
''*6áj=s-3'l Aplic 1, se tiene:
Djemplo A.7:
Calcular:
I z-l
*'l(;il,-l Ejemplo A.8:
(ae)
Calcular:
Solución:
ñ.-rl s3+3s2+l
+zt +i)l
I
... (a.12)
Descomponiendo en fracciones parciales,
se tiene:
tr'(,'
Transformada de Laplace y función gamma - página (394) Hidrología Estadística - página (395)
Solución: 1 37
s3 +3s2 +1 2 .2 -s+-
2 2
f
Descomponiendo en fracciones parciales, se tiene: s'1s' + 2s +2) s s'^t s'+2s+2
^
-
... (a.13) s3 +3s2 +1 1 11113s+7
_J-_._r ...(a.18)
2
s'1s' + 2s +2) s' 2 s' ' 2 s2 +2s+2
+2s+2 + s2(Cs + D)
2
+2s+2 Sustituyendo (a.18) en (a.12), se tiene:
de donde: s3 +3s2 +1
J= *,f-1 1* 11 t 3s + 7
ar(r' + 2s +2)+rG' * 2s +2)+s'1cs + D) =s3 + 3s2 + 1 s'1s' + 2s +2) j t2 2s' 2 s .§
2
+ 2s + 2
Igualando los coeficientes de las potencias iguales, se tiene: Aplic ando la propiedad (1), resulta:
s3:A+C=I
s2 2A+B+D=3
...(a.14)
.. . (a.15)
3
s + 3s2 + 1
) ,
^§-1 s +2s + , ) ¡=-;",{:}
*;*'{i}.
s :2A+28 =O ...(a.16) *;"'{;X*} @te)
so :28 =l ...(a.r7)
(fórmula I de la tabla 4,1)
de (a.17) a=!2
(fórmula 2 de la tabla A. 1)
de (a.16) ,q. = -!2
de (a.15) *D=31 p=7
-t+122 a-,f 3s+z l= *.,f¡(s+t)++J
lsz +2s +2) l(s + t)' + t J
de (a.14) -!+C=1= C =1
3(s + 1)
Luego, sustituyendo en (a.13), resulta: (s+1)2 +1

Transformada de Laplace y función garnma - página (396) Hidrología Estadística - página (397)
='jrr
i;+-)*o*'i#-i y
s2 +4s+10
=3e-'cosf + 4e-' sent (fórmulas 13 12

12.
s2 -2s +3
(s + l)3
Remprazando valores en (a. 1 9), s" outi"rJelspectivamente)
4-,J s' +3s' +l I=-1 *L*1r-, 6s2 -lls + 15

[r'(r' +2s +2)) 2 2 2 "o"r+2e-,sent s(s2 - 2s +3)
s+2
A.3 Ejercicios proPuestos s2 +2s +13
Calcular la transformada de Laplace de las siguientes fuaciones: +42s-34

-10s2
"" (r'+l)(s2 -6s+13)
l. t' -7t'+8
2. (t +Z)te'
.. 8s3 -z3sz +39s -12
3. e3'cos3,t:cos4f t rr¡ -----
(s' +2)(s" - 4s + 5)-
^----_
4. e'' sen'2t
5. e3' 7t + cosh r)
6. cos', t1 2s3 +8s2 -14s+109
"' 15'-+ájqr, -+"+zq
7. sen'2t
8. (senr + 1)3
§trbiendo que:
=!p, y coshx=
Hallar la transformada inversa de Laplace, de las funcioneg
2' -e-,)
¡errlrx +
siguientes:
){". "-')
('ttlcular:
5s+l
9.
(s+1)(s2 +s-2) ¡¡, * $"n3ar.(senh ot)o\
llcnrostrar que:
Trunslbrmada de Lapluce y función garn¡no _ página (39g) Hidrologíir list¡rrltnlh ¡t lrrl!llil | tttUl
19. ., {e"'senh or}=;, llsando la fórmula 4 dela tabla 21.1. st t[,r¡0,

_to:, +2Aa2 (x--l)!=
I-(x) = (x-I)!
a $enh' l'
20.
--4' oj}=
s1s2 -4a2)
f(x) = Ii u-'r''a* = (x - l)! tl Jll
2r. e{cosh' a}= L!o'--
s7s2 -4az) !'ropiedades
22. e {senh ar .cosh a}=
;;! oo; f ',rr (a.20), si se reemplazax porx +1, se tienc:
23. e{coshar.cosar}= f(x + t) = li e-'t'' clx , (rt ,rl¡

' t4 " =
-4aa
f '.vrrluando, usando la fórmula 4 dela tabla A.1, resull¡r:
4.4 Fun ión gamma f(x + 1) = ¡! ... (¡t,2,1 )
Definición ('on.ro se observa de (a.22) y (a.24),la función gamma l)r'()tx)r(,lr)nl

uur extensión útil del factorial, es por eso que se le llanl¡r l¡¡rrrlrrr,rr
La función gamma, denotada porf(x), I rr rción factorial generalizada.
se define mediante rr lntr¡t{ r
impropia:
l,rr lbrma recurrente para la función gamma, se obtiene de (a.24):
f(x) = I; nt,x-7¿* ... (¡,20) f(x + 1) = x!- x'(x - l)! ... (a.25)
la cual converge parax> O.
¡rt'ro de (a.22): f(x) = (x-1)!
Se observa que la función gamma, es una forma particulrr
transforma da de Laplace:
th
lrrt'go (a.25), se puede escribir:
l(x+1)=xf(x) ... (a.26)
e {¡¡t¡l=
I; u', f O)a* ... (a.2t)
rlr' lrr ecuación (a.24):
en donde, de (a.20) y (a.21), se tiene:
J-_l-L para x=0 =f(1)=0!=1
f (t) = t'-t para x =l =r f(2) = 1!= 1
frurrfo.-u¿a de Laplace y función gamma - página (400) Hidrología Estadística - página (401)
Resumiendo, algunas de las propiedades de la función gamma son: 't'abla A.2.Yalores de la función gamma, para 1< x<-2
1. f(x) = ti r-'t*'a*= (x-1)! I-(x)=fr-t,x-T*
2.
J. (x) x f(x) x f(x) x r(x) x f(x)
4. 1
00 1.00000 1.25 0.90640 1.50 0.88623 1.75 0.91906
5.
01 0.99433 1.26 0.90440 1.51 0.88659 1.76 0.92't38
02 0.98885 1.27 0.90250 1.52 0.88704 1.77 0.92376
03 0.98355 1.28 0.90072 1.53 0.88757 1.78 0.92623
6.
o4 0.97844 1.29 0.89904 1.54 0.88818 1.79 0.92877
05 0.97351 1.30 0.89747 1.55 0.88887 1.80 0.93138
Evaluación 06 0.96874 1.31 0.89600 1.56 0.88964 1.81 0.93408
07 0.96415 1.32 0.89464 1.57 0.89049 1.82 0.93685
Para calcular el valor numérico de f(X), se puede utilizar: 08 0.95973 1.33 0.89338 1.58 o.89142 't.83 0.93969
09 0.95546 1.34 0.89222 1.59 0.89243 1.84 0.94261
1. Las propiedades anteriores 10 0.95135 1.35 0.891 15 1.60 0.89352 1.85 0.94561
11 0.94740 1.36 0.89019 1.61 0.89468 1.86 0.94869
2. Los valores que se muestran en la tabla A.2 para l< x < 2 12 0.94359 1.37 0.88931 1.62 0.89592 1.87 0.95'184
.13 0.93993 1.38 0.88854 1.63 0.89725 1.88 0.95507
3. La aproximación factorial de Stirling (para x grande) .14 0.93642 1.39 0.88785 1.64 0.89864 1.89 0.95838
15 0.93304 1.40 0.88726 1.65 0.90012 1.90 0.96177
f(x + l) = ^L2tux' e-* = x! 16 0.92980 1.41 0.88677 1.66 0.90167 1.91 0.96523
.17 0.92670 1.42 0.88636 1.67 0.90330 1.92 0.96878
4. La serie asintótica de Stirling .18 0.92373 1.43 0,88604 1.68 0.90500 1.93 o.97240
r.r;; (1+ I + I
.19 0.92089 1.44 0.88581 1.69 0.90678 1.94 0.97610
t39 57t
f(x) = ,x ,- - ^: ,
^^ 288x'
2! 0.91817 1.45 0.88s66 1.70 0.90864 1.95 0.97988
\ x -lZx
^,1,'"
51840x3 2488320.x'l 21 0.91558 1.46 0.88560 1.7'l 0.91057 1.96 0.98374
163819+____
5246819 534703531
+)
22 0.91311
0.91076
1.47 0.88563 1.72 0.91258 1.97 0.98769
23 1.48 0.88575 1.73 0.91467 1.98 0.99171
209018880x5 75246796800x" 902961561600x7 24 0.90852 1.49 0.88595 1.74 0.91683 1.99 0.99581
2.00 1.00000
5. La aproximación polinomial de 5" grado, para 0 < x < I
f(x+1)=x!-l+arx+arxz +árx3 +aoxa +arxs +g(x)
donde:
Transformada de Laplace y función gamma _ página Hidrología Estadísrica - página (403)
(402)
le(r)l < o.oooos f(5) = 4!=4.3.2.1

l(5) = 24
at = -0.5748648 az = 0.9512363
az = -0.6998588 a4 =0.4245549 E
as = -0.10L0678 I
6. La aproximación polinomial de go grado I
V
A
a
T
, paÍa 0 < x <
I
I
I I
I
\)
f(x+1) = ¡!= I+brx+brxz +...+ brxT +e(x) ¡
I
donde: 2
iJ
lt(r)l< o.oooooo3 \ /-\
4 = -0.577191652 bz = 0.988205891
V ft.
r-1 'r-0
1
{ \..-
4 -3 t-)
l4 1 2 3 4
bt = -0.897056937 bq = 0.918206857 t-r¡
bs = -0.756704078
bt = -0.193527818
be = 0.482199394 n -1
-l
ás = 0.035868343
Representación gráfica -3
/\
En la figuraA.l, se muestra el gráfico de la
función gamnllt, T
Ejemplo A.9:
Calcular: f(5) Figura A.l Función gamma completa

Solución:
lijcmplo A.l0:
Usando la propiedad 1 de la función gamma,
se tiene:
('¡rlcular: f(3.5)
Transformada de Laplace y función garnma - p6gúa(404)
Solución:
usando la propiedad recurrente 3 de la función gamma, se tiene: 1_,

f(3.5) =l(2.5 +1) = 2.5x1(2.5) = 2.5xf(t.S+t) = 2.5xl.5xl(l ¿¡=rx 'd!
f(3.5) = 2.5 xl.5x 0.88623
r-J
f(3.5) =3.32336 dx=1v 2dy
2'
Ejemplo A.l1:
Calcular f(-1.2)
Solución:
De la propiedad recurrente 3 de la función gamma, se tieno: r- 1

/ = i I y2e-Ydy
f(x)=f(x+1) 2r"
x
luego: rlonde los limites de integración son:
f(-1.2)=\?= (=1.2)(-0.2)
f(0.8) f(r.8) l)ura x=0 ?.y=0
(-r.2)(-0.2x0.8)
o'e3138
,r_r€___) y)@
r(-1.2) - 1.2x0.2x0.8
Irrego, la integral se puede expresar, como:
f(-1.2) = 4.85094 ,ll.ó
,= y'e-'dy
Ejemplo A.l2: )Jo
Calcular:
A¡rlicando la fórmula 4 delatabla A.l, de la transformada de Laplace,
Ii *'"-" a* Irr tiene:
Solución:
Haciendo el siguiente cambio de variables:

Transformada de Laplace y función garnma - página (406)
donde los límites de integración son:

t =!2 lt *r) para:x=0=+y--)-
[2 )
pero: x =l'= y =O
.(;.,)= , por propiedad (3) de ra runción salrlma

I {;) luego la integral toma la forma:
1=
f (- y)' (- ,-' ay)= [o f ,-' ay = -f f e-v dy
además:
li) = JfI , por propie dad (2)de la función garlrma Aplicando la propiedad (a) de la tabla .4.1 de la transformada
12) Laplace, se tiene:
luego: I = -f(4)
I l*,)=@ 6
[2 )
2 pero: f(4) = 3!= , por propiedad (1) de la función galnma
luego:
finalmente: I=-6
lfi
I-- -._
22 Nota: el signo (-) indica que el área de la función está en el 4"
cuadrante.
¡=Jn
,4
4.5 Ejercicios propuestos
Ejemplo A.13:
Calcular: Calcular:
1t
lo(t") a'
Solución:
Haciendo el siguiente cambio de variables:
2. I; .r"-2,' *
Transformada de Laplace y frrnción gamma - página (408)
3.
!; n,3 d*
d*
4.
I;r&n"li
5.
!;.'"-'*t d*
fton*>a
a* Funciones
7.
lj«,,n ñ3 a* trigonométricas
8 fi,F(*J *
s lá# Fórmulas de ángulo doble
rc. li **"-*n d* donde m,n,a>o sen2x = Zsenx. cos.r

cos 2x = cos2 x - sen' x =l- 2 sen' x =2cos2 x -l
11. Calcular con 5 decimales de aproximación, la integral:
,= o, Fórmulas de ángulos múltiples

fZr-"^
12. Calcular con 5 decimales de aproximación, la integral:
- 4srn3 *
sen3x =3senx
, = !í o-3*5 * cos3¡=4cos3 x-3cosx
sen4x = 4senx. cos x -8sen3 *cos *
cos4x = 8cos4 x - 8cos2 ¡ + 1
sen5x = 5 senx - 2Osen3 x + l6sen5 x

cos5x = 16cos5 x - 20 cos3 x + 5 cosx
Funciones trigonométricas - página (410)
. Potencias de las funciones trigonométricas cos.r - cos y = r,"{+) -{+)

sen211
*=r__cos¿x serrx. s€/\ =1t"*t, - y)- cos(, + y)]
*= 1- * !"or2* cos.r. cos y = ] ["or(,
'2' - y)* cos(, + y)]
"or2 22
,"n3*-1rr*-l ,rn3* senx.cos y =
'2'!lr"n(*- y)+ sen(x + y)l
44
44
"or3r=3"orx+icos3x I Fórmulas de adición
,"n4*-3 -!"o"2*+ 1cos4x s"n(rt y)= senx.cos y * cosx. seny
82 8
4 1* 1 cos2x+ 1cos4x cos(x t y)= cos.r'cos y t senx' seny
cos'x=g
.z g
. Funcioneshiperbólicas
,"r5 * =5 ,r* - -5 ,"n3* + ! sen5x
81616
5 x-x
r= 5 cos * + Lcos5x senlx-e -e
"or5 81616
"orr+ 2
Suma, diferencia y producto de las funciones cosh¡ =4-14

2
trigonométricas
. Relaciones entre las funciones trigonométricas
senx + s€ny -
^,,{?)*'[";' ) tanx=
senx
senx - seny - z"or( rJ2) */-'l

' t 2j t 2)
cos -r
1
Cotx =
cos.r + cos y = r*'(,7) *'(u r)
;
tanx
- 1
secx=
cos x
Funciones trigonométric as - página (412)
1
CSCX =
senx
-
sen2 xt cos2 x = I
sec2 x-tan2 x=l
csc2 x-cot2 x=L
Apéndice
. Tablas esteilísticas
' Papelesprobabilísticos
o normal
o log-normal
o Gumbel
o log-Gumbel
r
Tabla A.l Áreas de la dist¡ibución normal entre 0 y Z
0.0 0.00000 0.00399 0.00796 0.0t 197 0.01595 0 01994 0.02392 0 02790 0 03188 0.03586
0.t 0.03983 0.04380 0.04776 0.051 72 0.05567 0.05962 0 06356 0 06749 0.07 r 42 0.07s35
o.2 0.07926 0.08317 0.08706 0.09095 0.09483 0.09871 0.10257 0.10642 0 r 1026 0.r r409
0.3 0.1r791 0.12r720 125520.129300.133070.136830.r40580.14¿131 0 r48030.rs173
0.4 0_15542 0.15910 0 16276 0.166400,17003 0.17364 0 r77240.18082 0 r8€9 0.r8793
0.5 o 19146 0.1 9,t97 0. 1 9847 0,201 94 0 .20540 0 20444 0.21226 0 21566 0.21904 0.22240
0.6 o.22575 0.22907 0.23237 0.205A5 0.23891 0.24215 0 24537 0-24857 0.25175 0.25490
o.7 0.25804 0.26 r I 5 0.26424 0.26730 0 .27035 0.27337 0.27637 0.27935 0.28230 0.28524
0.8 o 28a14 0.29103 0 2s389 0.29673 0 29955 0.30234 0.3051 1 0 30785 0.31057 0 31 327
0.9 0 31594 0.31859 0 32121 0.32381 0.32639 0.32894 0.33147 0 $39a 0 $645 0.3389i
1.0 0 34134 0 34375 0.34614 0 34849 0 35083 0 35314 0 35543 0 35769 0.35993 0 35214
1.1 0.35433 0.36650 0.35864 0 37076 0.37286 0 37493 0 37698 0 37900 0.38100 0 38298
1,2 0.38493 0 38686 0 38877 0.39065 0.39251 0.39435 0.39617 0 39796 0.39973 0 40147
1.3 0 40320 0 404s0 0,40658 0,40824 0.40988 0.41149 0.41308 0 41466 0.41621 0 41774
1.4 0.41924 o 42Of3 O 42220 O 42364 0.42507 O 426/7 0_42785 0_42922 0 43055 0.431 E9
1.5 0.433r9 0_434480 43574 0 436990 438220 439430 440620.44179 0_442950 44408
't.6 o 44520 0 44630 0.44738 0.44845 0 44950 0 45053 0.45154 0.45254 0.45352 0,45449
1.7 0..15543 0.45837 0.45728 0 458t8 0.45907 0 45994 0 46080 0.46164 0.46246 0 46327
t.8 046407 0.46485 0.46562 0 46ma 0.467r2 o 46784 0 46856 0.46926 0 46995 0 47062
t.9 o 47124 o 47193 0.47257 0.47320 0 47341 0 47441 0 475ñ O.4755A O 47615 0.47670
2.O o.47725 0.477740.478310 478820.47932 0 47982 0 48030 0.48077 0.4a124 0.48r69
2-l 0 48214 0 48257 0 483000 4834r 0.48382 0 484220 48461 0.485m 0.4a537 0.48574
2.2 o 48510 0.486450.48679 0.487r3 0 48745 0.4828 0.48809 0.48840 0 4a870 0.48899
2.3 o 48928 0,489560.48983 0,490100.490360 4906r 0.49086 0 49fi 1 0.491340.49158
2,4 0 49180 0,49202 0,49224 0.49245 0 49256 0 49286 0 49305 0 49324 0.49343 0 4936r
2.5 o_49379 0 49395 0.4941 3 0 49430 0.49446 0 49461 0 4942 0 49492 0 49506 0 49520
2.6 o 49534 0 49547 0 49560 0 495730 495850 49598 0 496090.4962t O 49632049543
2.7 0 49653 0.49664 0 49674 0 49663 0 49693 0 49702 0 49711 0.49720 0 49728 0 49736
2.8 0.49744 0 49752 0.49760 0 49767 0 49774 0 497A10 4978e O 49795 0 49801 0 49807
2.9 0.49813 0 49619 0.49825 0 4983r 0 49835 0 49841 0 49E46 0.49A51 0 49856 0 49861
3.0 0.49865 0.49869 0.49874 0 49878 0.49882 0.498a6 0.498890.49893 0 49896 0 49900
3.'l 0 49903 0.49908 0.49910 0.49913 0 499160 49918 0 49921 0_49924 0.49926 0 49929
3.2 0.49931 0.49934 0 49936 0 49938 0 499400 49942 0 49944 0_49946 0.49948 O 49950
3.3 0.49952 0.499530 499550 49957 0 49958 0 49960 0.49961 0.49962 0.49981 0 4996s
3.4 0.49966 0.49e68 0,4996S 0,499700 4997r 0.49972 0.49S730.49974 0.49975 0.49976
o.49en 0.49070 0,49s790.409790.499800,49981 0.49981 0.49982 0 4998i] 0.49983
3¡ 0.49S84 0.49985 0.4S€85 0,49986 0.49986 0.49987 0.49987 0.49988 0.499Ea 0.49989
3.7 0.49999 o.4gogo o,4gdgoo,4og9oo.49g9't 0,49991 0.49992 o 49992 o 498)2 0.49992
3.8 0.49903 0.40093 0.4s993 0.4S094 0.49994 0.49994 0.49994 0,49995 0.49995 0.49995
v
Tablas estadísticas - páEi,na (416) IlirhologÍa Estadísrrca - página (417)
Tabla A.3 Núnrcros ¿llcalorios unilb¡mes

Tabla A-2 Distribución normal acumulada
r.i06 I189 l,7ill 31r(is 5{rxi 508.t 8cl7 3897 1636 i7810
r?:¿ t3l 0(i¡!) lt¡)s5 5053 4722 65§8
nrz»=f-t-:"-t[a, 50r.r 0040 5l2r
..¿
0
0597 .20?"1 0 tfis t0(i0 Il05{i (i733 6361 7619 1871 432t
= | F(4 -^ Z
7965 6ó.
7095 0937
Srnl¡ 0:,13
l)tori 8lt0l
70.i,8 6003 C91I
0.141 8135 9797
5?,10 ?824 8520
7185 5905 953S
^-A 5160 7Sr-,I rl llit 07111t 30.ts 4t97 rii'il1 0107 0239 2232
t06l 05t11 0r.)ir1r tt I{i 7.17u 751i5 5581 571t 5{{2 8761
1+!3 4lsir ,tilllr l, ¡4t, .¡n5.t 0157 9158 5218 1,l6il 3634
00 0 50om 0 50399 O 50798 051197 051595 05199¡l o 52392 o 5279 053laa 0$536 :lü06 fni,l-l 'l..lu l,rit 7i1l1r 75,!o .517 0756 1206 2033
0 t 0 5396 0 543¡0 0 51176 055172 055567 0 55962 0 56356 056749 057142 057535 01 (iiJ3 ü?99 'I lltt 1¡01,1r rniulr l9 ¡o 237,1 9386 030{ 79,tá
02 0 t/s26 054317 0 53706 0 59095 0 s9¡183 059871 060257 0606¡2 061026 061409 02 907á ü01i0 tt'.,t i 7l, t)3 n (i951 6519 8287 ii9S4 5532
03 061791 062172 062552 63307 o 63683 0-64058 064431 064803 065r73
0 62930 0 03 1S(i6 095ri 'li,tt i t !"r s0ll5 {rlll ?2?s 9á83 ,1{15 7065
04 0 65542 065910 0 66276 0 666rt0 0 67003 067364 067724 0 64042 064¿39 068793
§139 70(il1 (nilil Ltrs itl 17 l5s(i 0..t37 6160 9585 1133
ritl2 l¡I¡¡ il]liri :t,t,¡tr lrrt ¡is6 4150 ll'r,1 020.1 0937
05 o69146 0 69.497 069347 070t9. 070540 0 7OAa4 O11226 O71566 O 71901 A 12244 05 lJ30 9lrr li/¡1, r( ll(r :'1¡lr iolJ9 3109 6?.! ! :163 ?025
06 0 7¿5¡5 072907 073237 0 73565 073391 074215 074531 0T1A5T 075175 075490 06
::06 '.11)t,t, l'/rll tnr'¡t tiifil; 1111)2 ,1019 0613 '2219 1109
0_7 0 75€04 076rr5 016,124 0 76134 077035 077337 O t1631 O7t935 074230 073524 li¡s:l 70i,11 itl l' ¡1,11¡ 1),1,r) tls{l 0s30 sl;? 2160 70.16
03 073a14 079103 079339 o 79673 079955 0¡0234 090511 0 A07A5 0A1057 031327 5S7l l):1r / 'i ',".' li,llrl rilr?il il5 lf) (illtl7 s 190 5116.1 9821
09 031594 0A1359 0a2t2r 0A23at 0 A2639 0¡2694 08314? O S3398 0 A3646 033891 I131 ü t:'l (i 1)l t71t" Lril,l 0l,tts ,l{i7li :06,t 0ás{ 700G
1 ioli I i t1) i 1r (r0I ri",itlr l.t 1(; s0l:l :'Ji{ 1365 ,15:t9
r0 084134 0A4375 034614 0 S4849 o 85083 0.85314 08513 0 45769 045993 036214 t0
¡:i9l '/0 ,r, l lt :ll,i, t ,t ,li to,l g:l¡3 (i113 5lt',1 8533
r I 036433 0 A6650 0 A6964 0 97076 0.87286 087493 087693 037900 0Aal00 043293 11
ilürt rfxi(l ;ritn) '/ri|tii l|s¡t 0Jri5 l:00 0ll0
12 03A493 0aA636 0 Aa077 0 89065 089251 0-89435 039617 0 89796 049973 090147 12 ;; \7 51lli ll/,,' lllr'¡' li,r/ ('sil -r70i) i9!r 73S3 l07l
t 3 0 90320 090490 0 9065S 0 9082,1 0 9093€ 091149 091304 091466 091621 091774 13 sril us 1l Itlrl/ /iIl 1ll,t (nt7:i tjti5li r"2s0 s0.13 7761
,4 091924 0 92073 092220 092ú4 0 92507 0 926.17 092785 0 92922 0 930s6 093189 §iigs i,l'l'l :,r'rr r"lll r,r,tr tt'irl 7lj:ti li¡ J3 3S00 4553
l5 093319 0 93,148 0 93574 0 93699 O 93822 093943 i 9¡t062 09¡179 094295 0 9¿1403 15 099i Slrilr' l',lr1ll lr¡r:, ,¡lr(i 0it¡1) (]3ts .1ü97 71S1 1035
t6 0 94520 0 94630 0 9473a 09aA45 0 9,4950 0 95053 095!54 o 9525¿ 0 95352 0 95449 16 Oüá7 l)?i,r, lrrlrr ' ,ll)1,' ll'ril t.'t-t: IlilS 50¡i1 Il{: 1!S7
tJ 0.95!§ 095637 o 95728 095810 0 95907 0 95994 0 9mA0 09616{ 096246 096327 ss7ó Sitlilr ¡rrr ri 0l1r ) 't,,it trl)9 t..153 !3 tti ,1J3ó 37u0
s3g9 ri'lf:, lrl,¡ri rit'r, /'1)Itr '.\_t'|J tStit r070 1939 3r.05
ta 0 96407 0 96485 0 96562 0.96633 096712 0 9€704 0 96a56 096926 0 96995 0 97062 1e ü:03 t0:,r lLx,l r)11¡l i|, sn)t l37f u71 G!70 120I
19 097128 097193 097257 097320 097331 097441 09?500 097553 097615 097670 r9 1730 Ilil,l 1[rl ' lx(,] r)1|,r' 7tíni 0J!t-, 5178 7959 537I
20 0977á 09777A O-97As1 097A32 0 97932 0 979S2 0 98030 0 98077 09812¿ 093169 2A st00 r)nir ¡ illl,¡ )tlilll] llr/1, llso ti77t\ 9ESS 7¡S5 99gS
2,r 0 9&2r¡t 098257 094300 093341 093382 0 98422 098¡61 0 98500 094537 093574 21 30{7 ¡I)l[' rir"rl r,li,' |,1,, l:,31J itt2 7S0.1 3933 9175
22 0 9a610 0 93615 0 94679 0 98713 0987¡15 093774 0 93409 094340 094370 093499 Ü739 r., r lr/ tk 1,' r,!,1 lr 1,, 1,11t/ 0005 3,JS6 1707 79S1
'1630 :1 .'l :'r l0 t,llli, r,l" l itt,tt) t9i 33JlJ 0(10, 3ó06
23 09892A 093956 09A933 0990t0 099036 09906r 099036 099r11 09913,1 099153 23
2¿ 0.99tAO 0 99202 0 992?¡ 099245 0 99266 099236 099305 099324 0 993¡3 0 99361 24 ri7.t sri 'r, ll ll ,! ll lirli, o¡li:l (,Lli)7 sr)ll :066 37;9
liTl 7ri1:, lrll0 IlflLr ll ¡it1r '/r)¡lt il |l5 ¡;37 2'150 72!2
2.5 O 99379 099396 099413 0 99430 099,t46 099¡61 099477 0§9492 o99506 009520 25 !Li7s :'s, i tlllr lrl t¡r l l11¡ rl)ljlt ils3 titT t7l0
26 0.99534 0 99547 0 99560 099573 099535 099598 099609 099621 099632 0 99643 oSSl riii r lrlr "11,1, ¡01ll I I Lrl lr!-q¡ tn)(lf
27 0 99653 0 99664 09967,1 0996a3 0 99693 0 99?02 0 99711 099720 09§723 0 99736 2T 0ll0{l l'1i, : lr lrr,r, l¡r ,l r l,)i 'r'llil tl!¡(j :lS 11 56trij
2A A99744 099152 099760 099767 099774 099781 099788 099795 099301 099407 lijil 1rril,I ¡1rl , 1r¡ I |lli:, liiil lsrT !rgs 3!;1
29 099813 099319 0 99325 099A31 099e36 0998-11 099846 099351 099356 099361 29 l09rl ],rr I r'l L ri ,,rlr '." s¡s t (]¡31 7t9 t
3;i? 1 lr l, llllr,¡r,,L,l "1 rirrii ¡0li rlir\
30 0 99a65 099369 099374 099873 09C332 0993A6 099339 099393 099396 099900
3rií0 ll , ll,t ,lri ¡.t7li rr , ii (i; 1:
1r(, r, 2\i l
3' O99903 099906 099910 099913 099916 099913 099921 099924 099926 099929 ;i1)j l',l'l IL,t1) :]ltst) 1,rii7 i23 2:U0
.l
3.2 099931 09993¡ 099936 099933 099940 099942 0999.44 099946 0999,13 099950 32 l;i¡3 s í,1 tlÚ t,, ti .]!ts ir) i t3:: t!0j
33 099952 0 99953 099955 099957 0 99954 0 99960 0 99961 0 99962 099964 099S65 I09l ilr ,l lllrlLr r,ri,¡! ¡,,1 llll, 1r(itl 7! t5 Sl0i ti30ü
3¡ 099966 099963 0999{19 099970 099971 099972 099973 099974 099975 099976 0;0S r r)(r:' lllrlr, tlt, llrll ,(xli ¡ l 01r10 .lJrit t55{
35 099S77 0 9997A O99973 099979 0 99930 0 99931 099931 099932 0 9S933 099983 35 ód06 lrf, rr n,tl |rtlr ril.tI 1,r,1¡¡ i701t ;srr I 3!;3 9t5S
llrrl -'llrl, r,,Il lirll¡], I(i:t7 ]:t72 195: 30rS
36 0 9993,1 0 99935 0999A5 0999A6 0 99936 0 99987 0 99937 099933 0 9993€ 099939
37 0999A9 0 99990 0 99990 0 99990 0 99991 o 99991 0 99992 099992 099992 099992
33 099993 0 99993 099993 099994 099994 0 99994 09999 099995 0 99995 099995 3A
Tabla A.4 Valores de fl para nivel de significación de 5 %
q - D¡o*¿t o¡ h..tton Iot ntîdtú

t 2 3 n 5 7 a I l0 12 l5 20 24 30 6t) 120
1 r0r 200 2¡0 2iJ0 2J4 )4t 248 240 250 ?53 ?ól
2 16.50 19.00 r9.20 1s.20 rs.30 19,30 t9,40 1e.40 ¡9 40 19.40 19,40 r0.40 19.40 ¡9.50 r9.50 t0.ó0 ¡9.n0 ¡0.1) rs.50
3 ¡0.10 9,2E 9.12 s.0r E,€4 E.E9 8.86 a.al 4,79 4.74 8.70 8.66 8.Ol a.o2 E.58 8.57 6.55
4 7.? I 0 9,r 659 6.39 0.20 0.¡6 6,09 0.ot 6.00 5,06 5,91 5.60 5.60 5.f7 5.75 5,72 á.6S 5,06 5li3 ,J
0,61 !,,79 5,{r 5.19 5.O'i 4,05 4.8E 4,42 4,77 ,1,74 a.66 4.A2 ,t.56 a.53 ,r.50 t,4a a.¡13 4,t0 l.ll7
6 5,90 5, t,¡ :t,70 4.a¡ ,t :19 4.2E 4.2r {, t5 4.10 {.c6 4.00 3.9a 3.At 3.E4 3.81 4.71 3,74 3.70 3,67
7 s59 4.74 4,35 4.12 3.97 3-A1 3,70 3.68 3.0a 3.57 3.5¡ 3.44 3.a1 438 3-34 3.30 4,27 3,23
8 ñ,x2 4.44 ,1,07 3,8,t 3.rE 3,50 3..¡4 3.39 3.3ó x.28 3,12 3,08 3.tN 3,01 2.97 2,93
! 4.2$ ir,60 3.liJ 3,4A 3.J7 3,20 3,18 :t. ¡4 3.0? 3.0r 2,94 2,00 2.86 2,79 2,7; 2,7t
IO 4.00 4.10 J.7l 3.48 3,14 3.07 2.08 2.01 2.E5 2.77 2.aa 2.A2 2,5.1
tl a.8¡t 3.OE 3.59 3.20 3.09 3.0¡ 2.C3 2.90 2.t5 2.7e 2.72 2.65 2.6r 2,49 2,¡5 2.10
12 4.75 3.80 3.a9 3,26 3,1I 3.@ 2.0t 2.&5 2.80 2.7b 2.4¡) 2.62 2-b4 2.5t 2.17 2-4X 2.XE 2.31 2,:ro
13 Ltt? 3.al 341 3.r8 3.0| 2,92 2.77 2,7 t 2.47 2-@ 2.íit 2.16 2.12 ,.3E 2.31 2.30 2.2t
14 4.00 3.74 3,3' 3.)l 2.0n 2,7A 2.10 2.65 2.Í)O 2.5X 2.16 2.80 2.3t 2,27 2,lE 2,l3
16 a,¡{ 3.68 3,20 3,0G 2.00 2,70 2,7L 2.64 2,s0 2.a1 2.48 2.10 2.2C 2.25 2,20 216 2,rt 207
l6 4.49 3.03 3. 3.01 2.E5 2.71 2.60 2.50 2.54 2.19 2.42 2,35 2.24 2,21 2.t9 2.tt 2.ú 2,Ol
77 4,10 3,59 'J,20 2.96 2.8r 2.70 2,0r 2.40 2.45 2.3E 2.31 2.te 2.t5 2,10 2.06 2,O1 l.c0
l8 4,1t 3,¡6 2,0x 2.17 2.(r( 2.54 2,tt 2.4t1 2.11 2.11 2.t9 2.15 2.rl 2,OA t.0? ¡.92
19 ,,38 3,13 2,90 2.t!3 2,54 2.49 2.42 2.3E 2.8 2.16 2.ll 2.07 r,98 l.sB ¡.88
20 t,35 3.{9 3.r0 2,ü 2,71 2.@ 2.15 2.35 2.35 2.28 2.20 2.L2 2.t§ 2.04 1.09 t.o5 1,90 ¡.&r
2l 8.47 3.07 2U 2,na 2,49 2.42 2.X7 2.la 2.10 2.05 ,,01 ¡,90 l a7 ,.Er
4,J0 3.44 J,05 2,00 2.55 2.4Í 2.40 2.34 2,30 2.15 2,qt 2.03 1,08 ¡.04 ¡,as r.8r ¡.78
2t 4.28 :t.42 3,03 2,ta 2,41 2.37 2.:12 2.20 2.t3 2.05 2.01 r.00 t.0t 1.86 l,8I 1.16
24 4.20 3,r0 30r 2,74 2,12 230 2.18 2.ll 2.03 ¡.cE ¡.e4 l,8c r.8¡ t.70
124 3.39 2.99 2.76 2.OO 2.49 2.40 2.X4 2.28 2,24 2.t6 2.09 2.0\ r.96 t.92 l.E7 1.82 7.77 ¡.7¡
30 411 3.32 !69 253 2.42 2.t13 2,21 2.t0 2.09 2.01 r.D3 r.89 t.u 1.70 t.74 t.6E r.G2
.t0 4,0E 2,U 2Gt 245 2,44 2,I8 2.08 2,@ t.02 I.84 t,70 t.74 ¡,69 1.64 1.54 t,5t
60 2,á3 2,1? 2, t0 2,O4 1,0t 1,92 ¡.E4 1.?5 1,70 1.65 1.ó9 t,47 r.3É
t20 3.92 3.07 2,6E 2,45 2,29 2,18 2,09 1,96 l,8t 1,83 1.06 l,6r 1.66 r.50 t.43 t.35 1.25
3.00 2,00 210 2,0r t,04 t.E3 1,75 1.67 1.57 1.62 1.40 1,3S t.22 1.00
'l'abla A.4 Valores de

fl para ¡ivel de significación de l%
n - D.e q ól h«¡lñ lG ^!@tG

, ¡ 9 l0 't7 ¡5 21 3¡) ao tm
6 7 E
s¡t2
^
6JÚ 6,9t5 6.t¡a
0()
6.t57 4,261 a3¡0 6346

¡
,rJ,(¡, E-?ú ¡c,x) IE¡O
6.Cl¡t
¡9.a0 m.ao
G@1
9t-ao gc¡o le l¡t
6,2E1
¡c.lo 0o.ro f
Á-zft 2&20 2r.10 ,t.s '¿7.Xt 2? to 2G.CO !6,70 2t¡.4¡¡ 26.@ ú.to nr-§ 26.m 20.ro 4
,t.!l ta_@ l¡, io t¡i_@ r5.54, tli.4 t5-ú ta-g) t{.ifo ¡{lo 1{-a0 ra.20 t{,(p ¡3-ff) ¡3.4) 13.?o t3.?0 13.6() ¡3.50 6
6 t3-'io t1 :0 It..t0 ll.i¡ ¡0.m ¡0,50 ¡0-I} to.t0 s-49 0.72 t5 0.17 9.34 e -dt 9-20 9,ll 0.ol o
a 1J.70 ,0 00 9iE 9t5 t.75 E,?ú l.lo ?.c6 ?16 ?.io i.3l i.tE a¡a F
f t2.á e.55 a,a5 7-&5 7.te 6,e9 6Jrt 6.77 6.62 6,a7 631 ó.r6 6.Ol 5_ta 5.et 5¡2 5.11 ¡.6r il
t I1.30 E.65 ?.50 7.O' 6.G¡ 6.¡t 0.lB 53r 5-6¡ Já9 5,2t 5.20 5.t2 5.(B .r-g§ a8
o 10,@ 8.O2 6.0e 6.12 6¡r ó-EO 5.61 5.17 5,26 5.Il a.06 i|At a,?a 4.65 at? L1A a,ao a3l d
t0 ¡0.@ 6¡5 5.99 5.6{ 5.3t E.m 5.0G ,{,9{ 4.a5 t.7t a.56 a.a3 1.25 1.17 {.(E r.(p 1.01
ll 0.65 7.2r 6.2? 5.6? 5¡2 5.0; r¡o {,03 ,1.4,¡t a{0 1.25 ,,t0 +42 3.0{ 3.86 3.76 l.6e z.@
12 033 6,03 a,05 5.at 5.f¡6 a8 a.u t50 4.3t a,30 {t6 {.0¡ 3.86 3.7a s.70 ¡.@ 3.5. 3.a5 t¡6
9.q¿ 6-70 674 {.Et 4.8:¡ 4.1,1 4.30 ,f.t0 a.r0 3.06 38 3,66 8.50 3.51 t.t¡ ?.u ?.25 ?.17
l{ 8.66 651 5t6 5,Ol a.70 a.r0 a.2a 1.11 ¡.ot 3.9t 3.80 3.66 3.5r 3.a3 ¡.35 3.¡8 3.0e 3.@
I6 8.64 G3t 6,12 ,r.89 4.60 1.?2 a,ta a.@ 3.60 3.a0 a.n7 3.52 3.n 3.29 3.21 3.1¡ 3.05 2.e0 2,81
¡6 6.ó3 6.23 tm 4,71 1,11 1N 4.(B 3.89 3,78 3.09 355 3,al 3.16 3.10 3.02 2.&i 2.tA 2.75
l? a.{0 0.t ¡ 5.t0 1,67 1.?1 a.l0 8.03 3-79 3.04 3.59 3_r6 3.31 3-16 3.08 3.@ 2.C¿ 2.4 2.05
IE 8.2e 6.0t 509 1.25 {,0t 3.11 3.71 3,60 337 8.08 3.m 2.C2 2.U 2.6 2.57
,9 8,¡0 s_03 5.01 '¡.58
a,5¡) 1,t7 3.0i¡ 3.n 3.¡¡3 7.52 3,a3 3.30 3.¡5 3-m 2.C2 2_U 2,70 2-tt 2.54 2.19
20 8,¡O 5.85 {_9.1 ,t,.13 a,l0 zg, 3.?0 3.56 3.,r6 x,23 3.0! 2.C,I 2.86 2.74 2.09 2,01 2.42
2\ a.u2 5_75 Lx7 ,r.0,1 3.81 3,64 3.61 3.40 317 3.03 2.84 2,80 2.72 2,6{ 2.t5 2.10 2.30
7.05 5,?2 4.82 .¡.3¡ 4.09 3,7G 3.69 3.45 3.35 3.20 312 2.86 2.83 2.15 2.ü 2.¡l 2.@ 2,10
2i 7.88 b_06 ¡,?0 1.24 3,et 3.8¡ 3.41 3.30 3.21 3,0? 2.9X 2.18 2,70 2.02 2,§4 2,15 2.20
21 1,82 56I 172 3.go x.67 3.50 3.36 3.26 3,17 3.03 2.89 2.74 2,N 2.119 2,10 2.31
7.7? 557 4 C,9 4.18 3.86 t.03 3,t6 2.ee 2,85 2.70 2.50 !.a6 2.46 2,/t ,,17
80 7.60 5.39 t,5l a.o2 4.70 3,17 a.a0 a,t7 3.O7 2.08 2,&t 2.17 2.dg 2.2t ,.lt 2.OL
¡10 6l8 a,3r 3,83 a,5t 4,20 a.t2 2,C0 2.AO 2.W 2na 2.X7 2.2e 2-20 2.lt 2.n2 r.02 ¡.&)
6t) 7,04 4.0E 4.ta 3.65 a3a tr,t2 2.06 2.V 2,03 2,50 2.20 2,t2 2.N t.9¡ l.8l r.78 1.60
t20 6.&5 1.10 J,05 ¡,aa 3.17 2.en 4,10 2,66 2.66 2.t 0 2.03 t.05 1.60 r.70 l.@ t.5s 1.3E
6.63 t.6t 3,7a 4.32 3.fn 2,@ 2.ü 2-5I 2-1t 2,32 2,rE 2.Or 1.88 r.7g r.?0 l.Eo 1.17 1.32 t.m
Tablas esudísticas - página (420) Flidrología Estadística - página (421)
Tabla A.5 Valores de f Tabla A.6 Distribución , de Student

F(¿)
o:0.10 o c:0.0.11'r a:001 ¿7c,rplo. Para 9 8r¡dos dc ¡ibcIlüd F(,) = 0.9, cuando z: l.8l
-0.05 n:0.(X)5
F(-4-l-F(.).
I 3.07S 6.31-1 r2.700 03.657 1 tr/.rr2lo. l'u3 9 trrdos ds Il,crlxd F(-1.81) : r - F(r 83) : r - 0e5 = 0.05.
2 r.&3(i 2.0:¿0 4.J0:l ü.9(;f) 9.025 Núo¡cro de grrdos d€ libe(rd
ll
4
l.{;:lft
L5:t:t
::|.lSj
2.77\i
,1 5ll 5.&11
4.00,1 { ,l,ll 5 I 6 I 7 I 8 I 9 I t0
5 1.1?e 2.01ii 2 i' t'I 1.032 5 0.5 000 000 0-00 0.00 000 000 000
0.6 0.1l 0.21 0.21 026 o.26 0.26 o.26
6 1.4{0 1.9.r3 2.4,t7 :J 143 071 0.56 0.55 0.55 0.55 0.54 0.54
3.?O7 6 0.7
1.415 r.895 ll 99s 0.8 t.l8 0.92 09t 0.90 089 0.88 088
3.409 7 t48 L44 t42 l 40 l 38 l.37
0.9 108
8 1.397 1.860 2 300 .r s96 3.355 8
I 1.383 1.833 2.'16.1 :t 8.21 3.250 I 095 ó.1I 202 191 i90 186 l8l I 8l
t0 L37'2 l;812 3.169 IO 0 975 121 251 145 211 I3t 216 273
099 3r8 331 I 1,1 100 290 r8l ?16
lt 1.363 r:790 2.10r r 718 0.9r5 61 7 403 lll 150 316 I2t I 17
3.106 11 589 J lr 419 450 110 4 t4
t2 0 9r9 lr8:1
1.356 I 6EL i1.055 l2
r3 t.:]50 t.77r 2.I(l) :l 050 3.012 13
N'1,',r,,, Jc tr.¡dos dc LLeri¡d
14 1.315 1.761 2.14; I ül+ ).9 t-7 l4
I5 1.34r I i53 2.602 2.947 r5 ll It r¡ I L5 i i5
0l 000 000 000 0.00 000 0.00 000 0.00 000

r,337 1.746 2.120 2.583 2.921 0.6 020 0 -16 026 026 0.26 026 016 0.16 o_26 026
t7 I.740 2.110 2.507 2.808 t7 0.1 0 5l 05{ 054 054 0.54 054 051 053 051 053
08 088 087 087 0.87 087 086 08ó 0.86 086
18 1.330 1.734 2.101 2.8 r-8 l3 0 87
l.l3 l13
r9 1.328 r.729 2.093 2.530 2.86 r 19
o9 l16 t.lri Il5 t15 t.l4 134 t.33 t.l3
1.325 1.725 2.036 2.528 2.845 20 r80 1.78 t11 |.76 1.75 tt3 1.13
x20 2lE 716 2 15 2.tl 2to 2.09
2l |.721 2.080 2.5r8 2,831 2t 212 268 765 !.62 2.60 2.55 2.54
r.321 t.7 t7 2.074 2.508 2.819 22 3ll 106 I0l 298 295 2.88 286
1.3r9 1.711 2.069 2.500 2.807
403 l9l l85 !19 1.73 3 6l 3.58
24 r.3 r8 LTll 2.004 2.492 '2.?57 24

r.316 1.70S 2.060 2.485
liinrcro dc tr¡dos dú lib.rtad
40
20 1.315 1.706 2.056 2.479 2.779 26
05 000 000 000 o00 0.00 000 000
27 r.314 1.703 2.O52 2.473 27 0.6 0.1ó oz6 0.26 026 026 0.25 02J
28 r.3r3 1-70r 2.048 2.4Ít7 2-?f.t? 0? 0Jl 0 5.] 0.51 0.Jl 051 0.Jl 0.51
20 1.311 r-699 2.0.15 2.4A2 2.756 08 086 086 08ó 0.85 0.8J 08J 0.E4
inf. L282 1.645 1.960 2.5 t-6 inf, 09 rll t.J2 r 3l l.l I 1.30 t29 ¡.29
095 112 I?I |.10 l.70 r.68 r.6ó 165

0 975 201 2.0ó 2.0J 2.04 2_01 r.98 L96
0.99 zSt 2..r8 2.47 246 2.40 2.31 2r3
0 995 282 2.18 2.16 2.15 26¡ 2.63 2.58
0.999 3.Jl 3.44 3.41 339 1.26 3.17 3.O9
HidroloSf! Esl8dfsric¡ - páglna @Zl)
Tablas estadísricas - página (422)
Tabla A.7 FDA de las dist¡ibuciones 72 , gamma y Poison

Tabla A,7 FDA de las distribuciones 72 , gu Poison
ûy
l¿ t.l r, t.0 ¡¡ lt lc ¡¡ at
0.m, 0@3 0,005 o 007 0 006 0,010 t.l t.l t,a t, t-a t-7 t¡ t.e l¡
0.@10 0 mt5 0,mro 0.m2J 0.q130 0 m35 000t0 0 00rt 0.0050
0.¡l¡l o,r¡[a 0. roata 0,04t¡! O E'? 0.qr¡oa 0 oat¡D 0,0¡77t 0_G 2¡ o.ü¡o
o 03820 0 c3¡32 0,92¡?3 0,tzt12 0 02¡¡t 2 0.¡¡¡t? 0.lolre 0,lt¡¡ 0 ¡aao o.rnD o,Dte0 0. llt¡l 0. rú'l0 0. ¡ttlt o. r¡¡tr¡
0,07{L 0 96{3¡ 0 e5032
0 09&50
0 er9¡7
0.9t8¡D
o 01333
0 00750 0 9§7ü' 0 t005¡ 0 09n01 0 0!551 0 0050r I 0.t¡l9l 0.ae$l 0,tlro 0t t0 0 ¡9rt¡ 0,¡a¡l¡ 0. a$7 o-3¡,aB 0.28¡l 0.¡cHl
0 ¡99r¡ 0 99000
0 0!!77 0, ¡¡sll 0 tclo 0.l¡43 0.flrat 0 6¡r§ ú óillGl 0 aB2l o a62E{ 0 {337t 0.4{¡ot
0 09990 0 q!99¡ 0.e990! 0,09t03 0.m091 0 9998E 0.9008t 0,¡oeEr 0 e99?l
0 lul o,re¡4, 0, ra¡¡' 0, ?$rt 0 @e¡e 0.iEerg o. ütEú? o 0@r 0 ú7Eta o.ó.¡ar
0 01999 0 ce900 0 ¡e!9! 0 999t0
0.9@{! 0.t e.¡ 0.1! ¡ 0.oto 0 uat 0 ,§¡a 0 ¡5?rl 0.I¡0ó2 0_ ?lB¡l 0..?!aa
I 0,0arll 0 ¡¡aat 0 el$¡ 0 90t4, 0 88ü! o L6oo l, Etlsm 0.8!{s1 0,Ir¡tt
0 !ol!0
0@ 0.03 0.0{ 0,05 0,06 0.ot 0.08 0¡0
0.o¡li
0,r0
0l¡50
I o.9ral0 0.¡.arl 0 9úa0l 0 o.a¡¡ 0 e¡a¡a 0.olre o 681 o. ¡ 2l 0.t!?ll
0.8¡t?!
00t0 0.0t5 0.020 0.01{, 0.tx¡5 0.0{o ¡ 0.tt7t0 0.9aat 0 97ó' 0 e?rm 0,efllo 0 e5¡e¡ o ctoll o e35r, 0.er6 o-iua¡
r0 o,00t¡, 0. e9et 0 elra 0 91r?! 0 ell¡, 0.070t, o, r¡89 0 ca35l 0 e.tti4 0.eí!¡
¡ 0,s28{ 0 68?f o 8¿2tl 0,útr¡8 0, !¿30¡ 0 E065) 0.7el3l 0,111W 0 16{¡8 0,?¡18 tl 0.e9rca 0 t00t! 0_oao 0 til¡ I o 0e0D 0 e8?8r o @§t 0.efl,Ú 0 ,?5{¡ 0,eaogt
0,9950t o $not 0,olur 0,0804) 0 97t! t 0 070{5 0 0656r 0,96a?c 0.05640 o 05t23 t, 0.egl(! 0 es& 0.9t?r, 0. ¡'¡io 0, eeút 0,¡&le6 o.¡t4 0 ¡446, 0.§a?6 0_e@at
3 0_m973 0 9t0rt 0 80663 0.09790 0 99?07 0 99610 0 09518 0 0t 2 0 80301 0,0018a I¡ 0.mcr 0 ¡e00! 0 e9E 0 9tt¡a 0 ger¡! 0 re?l l 0 ll!04 0 er¡?! 0.cc¡lt 0_e,lll
t 0 99!99 0 9s995 0 úl8e 0 00980 0 9c009 0 909t4 0 90010 0,9t 22 0 s9902 0,99979 t( 0.¡¡eu 0 m?l 0.$ll0 0. oliqtt 0.9Ü0? 0,$t¡ó 0,eeEt! 0,at?{¡ 0,eaé¡ 0.eetr,
5 0 e$$ 0 0!9c8 0 00!0, 0.!!995 0,tlt03 0.00lfr 0 00087 0.0906¡l ll 0.eo9l 0 0ee00 0 9t6t 0.m¡a 0. loto 0,9¡9«¡ 0.mlt 0.¡tit?E 0:901t2 0,er?t
§
0 c§000 0 !09!9 0-9!990 0 09098 IE 0.¡¡tot 0,emo 0 tc¡04 0 0e9Ec 0 e998¡ 0 0r¡?{ 0,¡c9úr 0.t¡D{l 0-0¡q2¡ 0.e$eo
t1 0 ¡eloe 0. ¡ce¡o 0.eeot o ettlc 0.9e98 o.c$8e 0.0e0qt 0 $eru 0- 0r96,t 0-e${E
IE 0.9e0ce 0 e$!t 0,mfl 0 m!ó 0. c90(l o úe089 0. rloE¡ 0.m?a
02 03 0,{ 05 0.6 0.7 08 00 1,0 l¡ 0 oeecc 0 c¡tcc 0.¡eee8 0 ¡4ee, 0.toe05 o !o'! o,0908e
0m 0«) 04t ,0 0.9m¡ 0.9cef¡ 0,ü¿c8 0.e¡e{? 0 ¡olet
0r0 0ló 021 0.30 0,35 0.50
2t o 9ee!0 0.t99¡¡ 0. e0¡e0
0 3t278 0.3¡ ¡Jr
0. tú9
¡ 0_ 75la3 0 63{72 O 5Eü8 o 5210.9 o {?950 0 4385E 0 rd2t8 0 37toc
2 0.0it23 0-tot8¡ 0 8007¡ o 8llr3 0- ¡¡880 0 7t08¡ 0.?0{69 0 6?tB2 0 03701 0- do653
o 82t3 0 It t¡
3 0 99lgr 0,9ir¡e o.c@3 0 t{02( 0 91880 0 E§6a3 0 87321' 0 8t9{7 8{,125
a.t a¡ ú0 at ta ó¡ !¡
I 0 998?9 0 99512 0 9808r 0 0E-2,¡8 o.o?¡50
0.t92Ú
0,96:t4¡ 0 05131 0 0tar5 0 t2{56
0.91022
o 9oq8¡¡
0.9ó257
l¡ rl t-a L' tt ,.7 ,u ,.0 ¡¡
t 0,9$a{ 0.909u 0,9970a 0,00533 0 088@ 0.e62¡7 0,07¡ü¡
0 ct8E! 0 !9?8:r 0,!0a(o 0 01207 0 c89t2 0 98561

0,00t 0.oll, o.eÍt 0.o¡¡t
0 90993 o 99985 0 eoc50 0-996a0 I 0.otoa¡ o@¡¡ 0.@t¡ 0 or7t0 0.0¡6 0.0¡§l
1 0 9t!9? 0 €t9s 0 o9t7{ 0.909t5 0 99800 0 0083( 0.0t t 0 c0628 0 99rgl a 0.l t 0.lrú 0lu O,ETt o.ú ootn 0 oal O.OG¡ O,(l¡¡@ 0 otm
I 0 c0998 0 clo€l 0.9!98? 0 09t7J 0.00053 0 99S22 0 908¡0 0 00815
I 0.L80 0,rallr c. [!a 0. rfig 0.r,l¡ 0.!¡t 0. ¡ll7a 0. l¡m 0.lur! 0.t¡¡ar
0.t9c99 0-00907 0 90993 0 t0987 0 t0976 0.909M 0 909{ a 0.tiL¡ 0.tf¡7 0.r 0.§aa o.lrt 0.¡?¡t 0.ttLa 0-rtoa 0. ¡¡t¡ o te¡¡
l0 o 0e909 0 mom 0 09007 0,loeq 0 9t089 0.890&l t 0,tü0¡ 0,4§, o.{¡aa o.út c.al¡t¡ 0.¡at¡t 0,tor 0.¡a?lr 0.!¡ct? 0.t0t2,
0 009s8 0 0 09s95
ll 0 0000! 99e97
a 0...tat 0,4ür¡ a.na 0,43t 0.Í¡¡t 0.a08 0.to¡¡ o,tt¡a, 0-{a¡eo 0.tE¡e
l2 0-0!9§9 7 0. aat 0.tG a.rü{ 0.4¡¡r o.aa¡a 0.4¡ll? 0.üll7 0.68?¡t
tI?! 0.¡6, 0
¡ 0.¡¡a o.l¡I .r¡a 0.''rt 0,r.'t¡ 0.t¡ao 0 @at 0.fta
0.rltllt 0.ot¡a
o.rt t
e
I 0.It I.TI a.¡o¡ 0.¡§r 0 núa 0.Irla 0.?a¡¡ 0."bro 0.?¡últ
t2 1,3 l t l5 1.6 1.7 1.8
0s
1., 2,O ¡0 c.r?, a,!o c,art o.Ill 0.4¡r¡ 0.liro 0.Et 0.8a?6 0-Eltl 0.lrü6
0ñ 0.7L 0?5 0_@ 08t 0,sl t.o0
¡¡ 0,¡a& 0.Ill !.cI a.m 0.¡¡tl¡ 0.6tr 0.e¡64 0.884 0, ELif¡ 0.ot¡7
It o,tira 0.ra 0.ll¡ a.aa¡r 0.ta¡I o,E 0.!{rt 0-ftal¡ O.¡¡¡C¡ 0_¡taQ
u 0.8 c,-L c.c c.llüa c.l?ln 0.ltD 0.tt¡o o.e¡sr 0.¡sr¡ 0 taaE
0.¡ral o.r 0.m§ o.gao 0.¡¡¡r8 0.¡aai
0 r922t 0 ¡6t08 0 r5fi0
I o-29121 o
0 5¡l!l
!1332 0 25¡,r 0,z¡n?2
0 4ru9
0.24,61
0 ttBT
0 2050
0.,n9¡3 0 t27
0,1¡071
0.1t 657 0.!a6r{ 0 36781¡ ¡a 0.oaL a.L
a.I[ 0.L
a.tÍ 0.:ar
3
0.57695
0 t?i07 0 i¡i1(§
0_522'5
0,?2913 0 7(¡553 o ñ.27 0 t§939 0_63691 0 6L{91 0 59312 0 5?2I 1¡ 0.aror 0.D o.cEu 0.8 0.ltl 0.$Éa O.E¡¡ 0.trl?t
0 tú72 0 1nt8 0
0 89127 o 6?810 0 116118 0-8,1120
!2(¡l
0.8266{
0 9r4?
0,6¡tE?0
0 a1ta7
0-75t14
0 66230
?35tG
0 8t9r5 tl 0.rat a.ü 0,rat O.I¡ 0.rr¡ a.m 0.8 0.tolt o.ls¡z 0.0t0
5 o.05rr0 0 9116g 0 93{93 0 0 t0r25 0 !6890
tl 0.5 a,m a.I 0.ü o.r¡rl 0.r¡¡ 0.3 0,at.o 0-¡tLt 0,Ble
üír r¡ o.Ér 0.r CT c.rlt 0.r o,tar¡ 0.m 0.¡r§ 0.¡úa o.to
0,m c.r
0 03?l{ 0 02866 0 919i0
6 0 0§t51
0 st30¡
0
0
9i6t!
990!t
0
0
97¡66
98!¡¡
0 96586
0-0E557
o 950{0
0 08231
0 05158
c 97E0t
o
0 97$7 0 !rq,8 0 s65¡7 0 0508{ tl 0.ñ¡
o.m
c,t !.r 0.m 0.lleD 0,-l
a.na c.na¡ 0.0r 0.¡n¡ 0.el8t ó.Ét6
0.8 0.0 o.ml 0..¡tla 0.m
7
I 0 c9i53 0 99ó6{ 0 00t55 0 09{15 0 992?r 0 990!, 0.086¡7 0 e86t{ 0 t8393 0 9El0l n
0.¡ara 0.r 0.ml 0.fr1, O,E 0.n t 0.ru 0.¡e$a 0,na¡
0 m782 0 90715 0 9s633 0 00537 0.00{25 0.9s205 0 991,I?
0 §9s¡2 0 90&38
ll o,rl,
0 99973 0 9996t 0 90t{( 0,9m2r 0,0989,t 0 9t85C 0 00817 0_0t766 0 9!705 0 0965t
¡¡ o.m c.¡l¡ on 0.lra 0.na 0,nr 0.m 0-Ear 0,¡o!¡ 0-gr¡
A o.nae 0.ñ 0.r 0.r 0,m, c.m 0.na 0,m 0.m c,m
l¡
t2
o 99992
0 s9908
0.99est
0 999§6
0 0998¡
o g§s}|
o.el973
0_tt89t
0 09062
0 ¡9987
0 99S.13
0 09962
0 00930
0.10015
0 09908
0,et066
0 998Er
0 9995,1
0.90&t0
0.090{r ,l
15
0,r a.n c.mc,n 0.r
0.r? 0.m 0.ma a.I
0.r 0.¡b 0.m 0.m O.T¡I?
t3 0 99999 0 9999§ 0 99!98 0 09097 0 9§996 0 99991 0 99!9t 0 o&Ea 0.cmar 0 99977
0 909!{
l(
l5
0,r§999 0,1909! 0 99e9! 0 999!8
D S9909
0 99!!7
0,0090!
o e09!6
0 90990 0.99998
0.09992
0.099!7 a
a o.ú o.ú 0.m 0,m
0.r
o 99S99 0 99C90
t6
V
Tabtas esradísricas - página (,124) llirhokrgft Iisturlfslicn - phginu (425)
Tabla A.7 FDA de las distribuciones X2 , gurot',uy Poison Tabla A.7 IiDA tlc lus rtistribucioncs XZ , gammay Poison
64 00 6.3 71 70 ?8 80
3) 3-¡ 3-5 3G x7 33 3.9 {0 l¡0 r¡0 ¡15
675
I 0 ltxia 0 0l I{l 0 01020 0 009t 2 0 003t5 0 mir9 0 00d52 0 00s0r

0 0t217
0 m592
0 0202{
0 00¡68
0 01332 0,o0lt9 0 000¡l 0 oo02l 0 000r8
0 036&9 0 0333? 0 01090 o 02732 0 02172 0 (fttet 0 00¡17 0 m00l 0
0 05033 0 N60r 0 @525 @055
I 010228 0 00t69 0 0s530 0 0?&55
0 l¡651
0 07190 0 065?0
0
0 00018
011010
0 05501
0 r0?3§ 0 0!sr0 0 00158 0 01176 0 0rl¡ 0 00367 0 002er 0 00182
{ 0I7120 0 15860 013589 12509
0 0 0¡¡m 0 u¡oál 0 0r l¡8 0 c0co7 0 00730 0 @r?o
5 o 2Éi2l 0 26022 o 25213 0 23506 0 2200{ 0 20dl! 0 ,9255 r?070 016761 0,5r¡21
0 0¡rJd 0 02trr0 0 0
0,002¡! 0¡012 01531 0 0103a
0 {0 6 0 371t00 0 35913 0 330r{ 0 32¡85 0 30275 0 28t3
0 3gsl5
0 208m 0 253)3 0 238t0
0 3325q 010úu 0 0317t 0,0200{ 0 02t52 0.020rn
017,68 0 r50!o 0 {23a!
8
0 51660
0 6¿rs{ 0 6025! 0 58¡3{ 0 558¡6 0 5¡663 0 51522 0 471{9 0 r532i 0 r33r? 0 ¡0tc0 0 0€082 0 0¡8 0,01207 0 03e@
0 0 0 17{90 0 55{{2 0 5¡115 0 23107 0 0c¡?7 0 01177 0 00063 0 0§9É
0
l0
0 7¡ci5 0 609¡l
0 7§06t
0 67809
0 76259
0 6s703
0 ¡{{18
0 03712 61631
O
59555
l,S7r, 0 6678¡ 0 6{83i 0 o!¡ar 0 3tll.t 0 tt ¡ 0 ¡¡¡il o rrólr I o 0l{126 0122¡3 0,10562 0.otoo¡
,0 0 ¡97t7 010701 o l7n9 0,¡!138 0 ¡t20ó
ll 0 65lii9 0 8{51! 0 83019 0 gl50r 0 79C08 0 ?8206 0 ?0í81 o 748§9 0 7J tll] 0 7t330
t2 0 90i07 0 89159 0 832¡¡ 0 8705{ 0 8576I 0 8r1r2 0 83009 0 81550 0 73513 ll o t8¡0ú 0 tnt0l 0 20t3t 0 26lg0 0,2c!09 0,20055 0 ¡12¡0
l3 0 0 030J8 0 92157 0 9r216 0 89rt5 0 8s038 0 80865 0 a5§33 0 3{3ú0 t2 o ó72t8 0 i0t0r 0 33177 0.300?r 0.2¡902 0 2a¡í
03357
0 l3 0 0r¡ú¡ 0 {¡r8t 0 {0e9? 0 ¡?3ú( 0.3¡960 0.30?3c
tl 0 961?0 0 055J9 0 9lq0l 0 0{2t5 0 93{7¡
0 95765
0 c267J
0 95t96
0
0
91819 0 0091I
0 03332
0 899.{8
0
3aca3
92373 lt 0 1u1e 0 6!dó, ü ar97¡ 0 11316 0.3?8r5
l5 0 97619 o 97L12 0 96762 0 96269 91559
l6 0,787t7 0 00230 0 5037{ 0 t2¡53 0, {860{ 0,151{2
I6 0 9§it9 0 !6311 0 09022 0 0?0c3 0 07J26 0 9G9)l 0 90{70 0 0 05160 0 91887
0 0 98031 0 07775 0 9706¡ 0 00t,55 l0 0 8¡0¡r 0 63t01 0 ó9871 0 5¡¡52 0 52a0r
0 09ll{ 0 990r)? 0 0s¡16 0 0850c 0§355 0
08t,ti 17 0 88ltt 0 ?0212 0,067¡0 0 0¡145 0.5s5t8
l3 0 99i31 o 09129 0 09309 0 09t71 0 !00t3 0 q8&13 0 98630 0 0 9?¡i6{
It0ilrl 0 76'00
0 99606 0 09511 0 r9{21 0 e9307 0 99176 0 0 088s7 0 93607 t8 0 cla¡o 0 72009 0 60t9n 0 0úr0,
l9 lo 0 c¡e!2 0 81367 0 8120¿ 0 ?$6e 0,?5380 0 t22ü¡
0 0 997t9 0 l90ii9 0 99598 0 É0513 0 0 9931t
20 0 993?1 99731
2¡ 0,e5817 0 85¡q2 0 83050 0 qt27
2t 0 990?6 0 s0905 0 90630 0 90350 0 r031{ 0 90771 0 t0?cL 0 n9062 0 9950¡ 0 0s5l.l
0 e089s 0 99373 0 09613 0 9930i 0 e9¡65 0 99710 2l 0 e?lú0 0 8mr0 0 80eó0 0 &7r8
22 o 08re 0 018¡7 0 90118 0 8s¿?c
?J 0 99e§l 0 9991{ 0 0996? 0 19915 0 9§9r3 0 9u892 0 c9867 0 99337
0 0 9!926 0 909rs 0 0077¡ 0 010¡0 0 020E7 0 ello¡
¡{ 0 99900 0 99987 0 09983 0 999?8 0 909?r 99!63 0 99953
0 0 2t 0 c02¡0 0 9ú715 0 01665 0 o3lól
0 9999{ 0 s9991 0 09069 0 99e35 0 99941 0 s0975 s9068 90900
25 0 oe5a7 0 00070 0 06173 0 052¡0
26 0 q0993 0 9§9§i 0 99996 0 9909.¡ 0 99902 0 09990 o 99087 0 99933 0 !9973 0 90!i3
0 99993 0 9990 r 0 99989 0 t0095 2g 0 e0úe0 0 07m1 0 07300 0 9658t 0 95733
27 0 9c999 0 99900 0 999!8 0 00997 0 c9c00 0 ecüro 0 08567 0 98125 o 97588 0 06913
0 0 09090 0 9990{ 0 99C9: 21
0 99990 0 99100 99998 0 09998 0 99997
2¡ 0 e00m 0 90037 0 0871s 0 0&!t¡ 0 0?8{{
19 0 99999 0 99999 0 99993 0 99098
t9 0 co9tt 0 0eJ03 0 00138 0 0885t 0.0&t02
0 99999
0 ccc6¡ 0 0c585 0 99{23
30
8l 8,0 83 92 0{ 90 98 t00 ÍJ.0 ,00

'13 t{ ln t7 50
t0.0
I 0 00rr9 0 003?5 0 00336 0 00301 0 (0r?0 0 002{2 0 00105 0 00175

0
0 0l3i'7 0 0l!28 0 cllll o 0 0 0 007{5 0 00mú 0040, o 00001
2 0 0ld5; 0 0 ¡J¡0 01005 00910 008?3
0 000.ut o 0n008 0 0@0 0000¡
0 03813 0 035¡r 0 01207 0 c2029 0 02015 0 02{,t: o ozzLg 0 0203{ 0 0t857
3
0 07?0s 0 0ll9l 0 06030 0 c0ll0 0 05019 0 05i8{ 0 0{773 0 01013 0 o0l{i 0 00027 0 @22 000r7
0 0s{52 0 0{t7t 0 0@70 0 @03 00050
0 t¡5jj 013553 0 ul0l2 0 u73r 0 10906 0 ¡01&5 0 m1l3 0 037{0 0.08Ú0 0 0752{
5 0 008tl 0 00,92 0 00155 @12§
6 0 223S1 0 2t01{ 0 197¡6 01851{ 0 I?356 016201 0,t5230 0l{25{ 0 r¡333 0l¿1d5
0 m{16 0 003{0 @2lt
7 0 315?9 0 29365 0 28206 0 2073{ o 25266 0 2386¡ 0 2252n 0 2tu10 0 ?0019 0 t8¡5i 0 01010 0 008t9
0 0 27035 0 26503 0 ñ670 00557
I 0 lt.os 0 39i11
0
0
0.r7¡99
¡?715 0 3r9t5
0 1559,1
0 31r¡0
0 .13727
o 32i71
0 a tD02
0,30008
0 i0t20 0
20123
38333 0 36692 0 350]q 0 01,130 0 012{0 010¡{
0 0 5l{l ? {9.131
0 07800 0 02519 0 0l7ol
0 5 l8 0 {5821 0 11ü19 02126
l0 0 6fi¡ r 0 53933 0 ¡70r{ 0 532t0 0 31321 0 {9161 0 t7626 0
t0 01,¡37 0{0!6 0 0313t 020¿5
rl 0 695!6 0 6770) 0 653;6 0 61035 0 62t69 0 603.r¡ 0 58502 0 56669 o 5{8!6 0 53039
0 0 ii3Ll 0 7¡686 0 7199r 0 702qt 0 ú85?'i 0 668r,1 0 65101 0 61350 0 61506 ¡¡ 0l60il tflt¡ 0 07008 0 06t09 0 05200 olt3{
tz ?6911
t, 0,ló22 0 r0llJ 0 08453 06709
l3 0 63033 0 81660 0 78733 0 ?5?6¡ 0 7t2ll 0 izl)21 0 71020 0 603ü3
l3 0 277t0 012310 0 l@r0 09521
0 3i§45 0 s5579 0 31365 0 6310s 0 81 303 0 E0{6r 0 70osr 0 7d¿B 0 tttur 0 r0t95 0la07r tlol {
0 91551 0 900r-3 0 8377{ 0 E?752 0 8¡693 0 8556S 0 6{$2 0 432r3 0 3ts7¡
,¡ 0 t l00l 1 2fi10 0 21373 0 lelo¡ ITIDJ
¡6 0 gllds 0 9!ó06 0 192tr2 0 9t3{¡ 0 90105 0 89603 0 8¡067 0 87686 0 80661
t6 0 ae¡l? 0 26866 o 2at59
0 96105 0 95i:l 0 0 9{d33 0 9t026 0 933i3 0 92687 0 9105{ 0 91179 0 90361 0 0
0 0J8r{ 0 0310t l7 1t5707 32353 0 30060 21+r3
rs 0 9l:0i 0 0 96120 0 9¡97{ 0 05193 0 9{9?r 0 9{.r 13 r8 0 30182 0 36160 33292
¡9 0 9sr5{ 0 962 0 §?660 0 97318 0 0?00r 0 96023 0 06213 0 05?7r 0 0529s
¡e 0 0001¡ 0 {l10il I 0 i508r 0 12721 39158
2n 0 9sssi
',: 0 0 98511 0 93291 0 s801i 0 97179 0 87t80 0 91106 0 9¡i8r1 20 0 t5¡51 0 42!83 0 tSet? l5?93
2l 0 0 093?0 0 !920¡ 0 08921 o 08755 0.08í70 0 98¡65 0 08¡39 0 978S1 2t o 7070[ 0 t85ll 0 55¡10
22 0 9959i 0 99518 0 99t31 0 99333 0 e0221 0 09003 rJ 09958 0 0¡303 0 03630 0 0{J33 0 6U28 5$0r
23 0 9916t 0 99it( 0 99650 0 9e596 0 9e52¡ 0 gg.uz 0 09J,10 0 992{5 0 09t!8 23 0 37á3' 0 72083 0 70tr2 0 67tf5 6(¡91
,t 0 0 9ss63 0 00&33 0 09?90 0 99760 0 99661 0 90001 0 s!t32 0 99{5¡ 2t 0 coúrl 0 77810 0 7ú100 0 7,183 69073
0 99§05 0 l,¡8t{ 0 qgcal 0 90708 0 00760 0 0!710 0 99065
25 0 0 9992: 0.!9860 25 0 e200 | 0 707¡2 a 77241 7t6&3
2,i o 99906 0 9995t o 0.9r93{ 0 09919 0 0 0988! 0 0t&5¡ 0 s9830 0 00793 0 836t3 0 8tr6t 70156
26
21 o 99§61 0 9997i 0 0 0!903 0 e9955 0.c10¡2 0 00t¡7 0 9t{rl0 0 e9880 21 0 c6131 0 87000 0 81107 8t¡70
0 099!{ 0 090ii 0 0 09930 0 9!975 0 0 00062 0 0t{53 0 090.t2 0 09030
28 0 e710ú 0 0t285 0 806lt 0 88100 83{{6
29 0 9n9!5 0 999§¡ 0 0 09089 0 9t!56 0 0,09s70 0 9!9?3 0 00960
79 0 08071 0 02120 o m779 8920t
0 99t4i 0 0990i 0 0 09m{ 0 0!003 0 0 0!38! 0 09085 0 99182 0 00071
30 ¡0 91651
Hidrologfo Estadístic^ - páEina (42'7)
Tabias esradísticas - página (42ó)
Tabla A.7 FDA de las distribuciones 72, gamma y Poison
Tabla A.7 FDA de las distribuciones 72 , gurnû y Poison
{0 5' t¡ 50 3¡ @
,¿ 25 2n 27 20 30
2X 2t 25 2i 27 2b 20 30
n - 10.6 u0 rt¡ tz0 u5 l:l.0 l3J r{.0 tr5 160
t0 0 00@r
I 0 00@l
ll 0 00@2
0 flbo¡
qmr l2 0 00q)¡
0.@m3 0_QtD2 0.(¡amr 0 t3 0 t¡l)oa
3 0.@rl 0 m@7 0 txu)¡ 0.0000¡ 0 00ú2 0-00q,1 0 (Dol ¡¡ 0 000¡, 0 @@l
4 0 00031 0.00ut 0 0«,r¡ 0,0(m8 0.@005 0m3 0 (Do2 0,0{¡001 0.0000r 0 üml
5 0.0@8r 0 @52 0 @03t 0 000x2 0 @lr 0@t 0 0006 0 @00r 0,t¡0002 0 lxmt ¡5 0 00023 0 00001 0 0ool
r6 0 @q)t 0 00mr 0 0ür
0 0_00r8{ 0 ml2r 0 @80 0 0005, 0 0{¡034 0 @72 0,m15 0_(x)000 0 0{006 0 0000¡ l? 0 0@01 0 u)otr 0 @r)¡ 0 m02 0 @(xll 0 @(x[
1 0.m377 0 00¡t 0,00r71 0 00lll 0 00076 0ünlo 0 000!3 0 00022 0 00015 0.000t0 '18 0 00tt¡ 0 ü¡)¡! 0 (B008 0 mü)l 0 000(R 0.@00¡
a 0.(x)715 0 @tc2 0.t¡0330 0 m¡2e 0 00155 0.or05 0,0{D7l 0 0{0.t¡ 0 1rc032 o @02t l9 0 00177 0 ü¡024 0 ü!13 0 0@1 0 @00! 0 @@2 0 tooi,r
I 0.01265 O OOEEE 0.Gro o 00¡30 0 m2¡7 o.¡Ir20{ 0_erl0 o 00095 0,00065 0 00011
r0 0.02¡09 0 015tl 0.0f,75 0 00?6{¡ 0.005:t5 o.üEr{ 0 (tr2!o 0 @llt 0 mt25 0 0008a 20 0 oo2r7 0 tm¡t 0 00¡it 0 00¿¡ 0 tx»ll o @00 o d)0¡ 0 00(x)l 0 ootx,l
ll ñr.t 2t 0 oor¡l 0 d,oe o@i 0 oto 0 o@ro 0 d)ot 0 00@ 0.ooool
t2
0.(¡&r3? 0 02ra? 0,0¡708
0.0t1tx
0.012?¡
0 02031
0 00912
0 0raE2
0.tEr0
0 0lc7¡
0.(pt60 0 @:t2a
0 00553
0
o ú30,r
0 l¡rsc
0 002?0
22 0 0oa2¡ 0 r¡¡o 0q}llc o úl¡ 0 @ol! 0 üI)00
0 m¡{
0 m00r om('2
0 tmr
t3
0.05038
0.07203
0,03752
0_05116 0 0|108 0,0 lt, 0.02308 c.0l?o
0,@?7¡
0 0r2ll 0 0090t 0, 0655 0.m.?t u 0 ooúr 0 otal
0 oÜllt
0 @0¡
0 00lr¡
0 00ro 0
0
@(D1
oqx! 0 @0z,
0
0
o@?
0@¡2 0 @(D6
2l 0 o¡rer
t{ 0,t0t63 0 078nt 0,0602? 0 0t582 0,0¡{57 0.0rú6¡ 0 0re25 0,olt23 0 010{5 0.@70t
l5 0.l36Ei¡ 0 lo?ut 0 08tt4 0.06500 0,oags{ 0 4802 0.0r8?l 0.02¡r? 0 01609 0 0[92 0 0r?c7 u m?r¡ 0 üI20 0 00000 0 @03rr 0 00010 0,000ll
0 t4a¡9 0.1r37{ 0 o2rsi
2n 0 0r¡!r 0 0td l? o rd¡ao o m ¡ 0 ml8¡] 0 0010? 0 00036 0 m03t 0,oqlt7
I6 0. t7851 0.oEt50 0,06982 0,0510¡ 0.0{118 0_0l¡162 0,0180tt 0 0lt¡2 o dr6r 0 oalr o ü¡¡t! 0 ml6¡ 0 @3t 0 0@{8 0 00026
t7 0.12629 0 lE(?2 0,1t925 0lDll 0.00171 o.@N o.$$7 0 0{,t01 0.0i[i3 0,02535
21
2A 0 n¡J3ó 0 o¡ot 0 000a, 0 üE& 0 @¡2a 0 00r20 0 ooo¡J 0.@t¡t
t8 0 2?0ll 0.2¡r90 0.19059 0 t5503 0 ta92 0_¡E ta 0.0r9(¡() 0 002,4 o oGla 0,037t5 29 0 o¡an 0 0l¡a0 o 0¡a¡, 0 r¡q|l 0 útlr! 0 0ct2a 0 ({¡19 0 mrol 0 qtoa¡t
l0 0.3¡0€0 0.2¡{26 o 2¡7¡{ o te6Ú o lms{ 0_r¡0ro 0 ¡l).65 0 0e3rt 0 005ee 0 03tE0
20 0.3c713 0_ 3to5r 0 23¡80 0 2t23C 0 201{t 0 16581 0 lui26 0.t09a0 0 08770 0 06985
0 07r¡7 0 0r?40 0 lD76¡ 0 mt6¡l o. (m02
2t 0,1589.r 0 3e$¡ 0 ¡1308 0 2el¡)d 0 217t8 0 20615 0 17085 0llott 0.1ú00 0.001e0
tr2 0 5207¡ 0,,t5080 0 r0l?3 0 3172! 0 2t?07 0 ¡¡168 0 2ll¡3 0 17ó08 0 t{{86 0.118{0
,d
23 o.5tt09 0.54D5 0 t@71 0 t03Et 0 35020 0 !0087 0 25t97 0,2167i 0 t803t 0-las{0 6a 0a a¡ ?0
21 0.03873 0 57er? 0 5198¡) o t0160 0 i05?6 0 3$¡17 0,&lt5 0,2@0{ 0 2ml3 0 18{75 ¡t ¡l ¡. t¡ ¡a 3l
0_69261 0_6lt57a 0 577§6 O 5IE¡? 0,162i1 0 «,7@ 0 xt588 0 ¡0785 0 20¡92 0 22129
26 0.7{196 0.6EEr0 o_6329í o lr50? 0.5r60E 0-$3ll 0. t@33 0 358{6 0 3ú08 0 2676r 7t 0 @or
0 7862t 0.73738 0 6&$r 0 6¡0 0 5?{16 0 5¡!60 0 {5¡7' 0 a100? 0 36090 0 3l{ t5 ,¿ o,dEt 00r!t
0.8253s 0 ?8rre 0 830{ 0 08rór 0 62?8{ 0,5?¡{!5 0.618r-á 0.1253 0 36322 zt o,oüt 0.ffi¡
,0 0 n651 0 {6f)7 0 0m¡
30
0 85915
0 88?89
0 82019
0 a5a0{ 0 81526
0 72{0¡
o 7120t
0 07E25
0 7250i1
0 625t0
0,67úl¡
0 67t7t 0 5l?9r
0.57{Xt 0 51760
0
0
{ r{00
{6565
2t
0 00üa 3f,m tffir
2n 0 @0! 0 @0!
x2
160
3;¡
16.5
3{
170
35
175
36
r30
37
r8_5
38
100
39
ls5
{0
m_0 u 0 dr,2!
o 600r
0 tü¡tl
o dorr
Iffi
üaa
ó &m¡
ó.&r 0.oor
ótu! 0m,
0,qmt
0 tDot
29
3¡
0 @0!i
0 mou omñ [ffii ó
ó üao.
0 o&ol
5 0 m@r 0 tmor
0.00003 o (It00, 0 m@r 0 oo0{¡l
1 0 00006 0 0@or 0 @003 0 ü)002 0_00@1 o m00¡ , Compilad[,Jo l'). S, l' rrorryll I) llrrthy(orh,) llr):/fl. U'om.rr¡La Tsbles fo¡ st¿rr3ti'
0 0001{ 0 00000 0 0000t 0 00002 0 00@r
0 0 00030 0.0&m 0 c00r3 0 00000 0 00006 0 0000{ 0.0000, 0,0000r 0 0000r cia¡¡i'. vol. I. (l¡¡rrhrkl¡r Pror, liurhhl¡r Lr'¡l¡tr,| (co"."rori¿.cióor.
¡o 0 0m59 0 qD{o o 00027 0,000t0 0 000t2 0 00006 0 0m0( 0 00003 0 00002 .No¡¿r Vcr rcc.:1.4,2 ¡.r. lh¡.|..$k r.. d..Ilk..lót' l¡¡ trbl¡¡ d¡n:
l¡
t2
0_@
0 @roi
0 0 @76
0 mr!3
o 00Gt 0 000¡6
0 0006s
0 qr025 0 oq¡t7 o 0@I2 0.0@8
0 @¡5
0 00m5
0 000t I
0 0000r
l. ll.lrlhxolalrr ¡' 'trrt ' ¡rrrlor rlo lil,orr.,l.
l3 0 d1337 0 (hr{o o mr70 0 00110 0 00085 o @59 0 000¡ r 0 00020 0 00020 0 0ool{ 2. .r/l¡.t¡.r.llrr.'ll.l.ll'úolótrt.n¡m.conp.r¡,ndcosk-./2yx.
l{ o 0055.{ 0 m¡ol 0 m233 0 00206 0 001{? 0 o0l0{ 0 0007t 0 00052 0 0m36 0 0@26
otrrr ' - l¡, .r ' 2^/
.
t5 0.msi8 0 0c6-H 0 0016s 0.m31¡ 0 00216 0 0177 0 00127 0 000m 0 0c00{ 0 000{5 X- l, ¡rl¡ ¡ ¡r¡r rlt¡¡¡llrr¡r,ió¡ ¡l¡ l'¡¡r¡ron con mcdia m - ¡[ r' Aplior
t6 o 01316 0 0ro0o 0.00?39 0 00tr3 0,00397 0 @289 0 00210 0 00lir 0 00¡09 0 000?8 '
l¡ ¡abl¡ con ¡¡ y ' - :l(t, I ll
t1 0 01997 0 0t505 0 01r27 0 m8lo o @622 o ml59 0 0033? 0 m2¡0 0 0or?0 0 00120
l8 0 02§70 0 0 0r66e 0 012d0 o @9{5 0 m52t 0 0
¡9 0.0{037 0
0!199
03r9J 0 02t01 0 0la¡8 0 0r39? 0 or¡)56 o 00793
00387
0_00503 o
@285
tu1t2 P6r. , ¿ 30. l. dr.lr¡lruolár r r .. .tto.lñ.lxn¡¡¡¡ r¡oru¡|, co¡ ¡¡rodi¡ , y vrrirnzr 2 '. Algo
mÁ! c¡lcro (H.ld ll0ú21 ur¡ , ¡ lo, rl ¡¡hr ¡¡r t¡l rtu¡ l (¡, r) - pc¡ aprorirudamentc
0 055r§ o (Hro o 0 0 02010 o 0 0¡170 0 0 Go66? 0 0o5oo
20
2t 0 07366 0,05§ll 0
0337{
01622 0
026t3
0362{ 0.0?424 0
0t538
02ll? 0 01681 0
00886
01249 0 00§81 0 o07r{ a,, - v,l,/tr'- I L,l', ,l"ní. r¡ r rl vrl'r ¡l¡ l¡ norm¡l rlPic¡. T.bl¡ trl quc
22 0,09612 0 0¡?{0 0 06¡87 0 01912 0 03875 0 (¡3037 0.o2366 0 0r832 0 ot{lt o 0108¡ Fltp) - p ^,1'
23 0.12219 0 r@¡¡ 0 08r0? 0 06ó16 0.05202 0 0{t!5 0 03251 0 02rr7 0 01e34 0.0rt37
2t 0 t53i8 0 12609 0 08.167 0 068{0 0 05189 o 0.13?6 0 0316? 0 0273r 0 02I¡e
25 0 18902 o ¡5.§ol 0 13l0? 0 ¡0791 0 08320 0 0?160 0 0577{ 0 04026 0 0368.{ 0 02010
26 o 22&i 0 t0311 016210 0 13502 0l¡t6§ 0 ocr67 0 07{75 0 06056 0 0{875 0 oJ$r
0 27lrr 0 ?3?0¡ 0 19707 0 t6e¡5 0 ¡3887 011530 0 0t5{t7 0 07?86 0 06336 0 o 2(
0 3r?03 0 2?l5l 0 23á71 0 2m3, ó 16987 0 t{260 0 11886 0 09810 0 08092 0 006r¡
29 0 365.¡2 0 3t981 0 23926 0 2015{ 0 17356 0 tr622 0 t22Jt 0I0166 0 0l39r
¡0 0 5ll 0 36;53 0 3225{ 0 23¡3il 0 21261 0 á¡03 0l17t{ 0_rr07t o 12573 0 ¡0¡86
Tablas estadísticas - página (428) Hidrologfo Estadfstica - página (429)
Tabla A.9 Distribución Chi-cuadrada

Tabla A.8 Valores de y2 en finci1n de la proporción del área F(,)
que queda a la derecha_de la ordenada Ievantada por ellos.
Etcnpto.ltr!, s¡udo¡d§ l¡trurr$d.r' =u" "*lu ' = t

',o
Núnrofl' rlc srudo' dc lil,!rt¡d
F(,) 2lrlolrlrl,lrlrl,o
0.001 0,m 0.00 óol l- o.rv., o.2l olE I 0.óo o.86 l.t5 ,.1t
1.32 2.71 3.81 5.02 6.63 7.88
0.0158 0.102 0.455 0.005 0.00 0,01 oo, I o.zr o.4r oes I 099 L14 |.73 2.16
0.211 0575 1.392.77 4.61 5.99 734 9.21 10.6 o.ct 0m o,0¿ otl I 0.]0 0.55 o.sz I t.24 1.65 2ú 256
0.584 121 237 411 6.25 7.41 935 11.3 12.8 0.025 000 0,0J o.¡z I o.¿s o.8lrj L24 169 218 2.10 3,2.5
1.06 1.92 33.6 5.39 7.74 9.49 11.1 13.3 14.9 0.05 0,00 0, t0 o.rs I o,;l r. 164 z11 213 tr3 ,94
1.61 2.67 4.35 6.63 9.24 11.1 12.8 15.1 16.7 0,lr o.lü I L0ú
I
t.ót 2.20 z.8l 3.49 4.17 4.87
220 3 45 5 35 7.84 10 6 12.6 14.4 16.8 18.5 0.t 0,02
0.l0 0.5¡ lI
r.r ¡,cz 2.61 I r.¡s 4.75 5.07 J.90 6.14
2.A3 4.25 6.35 9.04 120 14.1 160 '18.5 20.3
0,25
l,r9 , r, I t.¡6 4.!t I s.¡s 635 1.14 E.l4 9.34
3.49 5.07 7.34 10.2 13.4 15.5 17.5 20.1 22.O
o.5
0,75
0,4r
l.t2 7.11 a, | 5.Je 6.61 I rn¿ 9.0{ t0.22 I t.39 t2,55
4.17 5.90 8.34 11.4 14.7 16.9 19.O 21.7 23.6 0.9 2,1t a.ó I 6,¡rl 7?8 e.24 l2 0: l].36 t4.68 t5.»
4.A7 6.74 9.34 12.5 16.0 18.3 20.5 23.2 25.2 lro«
't1 5.58 7.58 10.3 13.7 17 3 19.7 21.9 247 26.8 0-95 !,t4 t,9r, rr' I uou t,.0, I t1.19
Ir¡¡s
t407 15.51 t6.92 l8.ll
0.975 ,,02 ?.1¡ c.!l I U,l4 12.81 l6 0l r7.53 19.02 20.48
6.30 8.44 11.3 r4.8 18.s 21.0 23.3 26.2 28.3 6.ót 0.¡l r r.rí I n.lt ¡¡.oc lrc.tr r8.48 20.o9 2t.61 2i.21
7.O4 9.3 12.3 16.0 19.8 22.4 24.7 27.7 29.4 7,8ü 10,00 l¡,¡,r ¡t I r¡ to.rs I ! 8.55 20 28 2196 21.59 25,t9
7.79 10.2 13.3 '17.1 21.1 23.7 26.1 29,1 3f.3
8.55 11.0 14.3 1A.2 22.3 25.0 27.5 30.6 32.8
0.991
0.999 r0,8¡ lltl rr¡1 1 !L7 215' l,:g a412 a7.88 29.59
9.31 1r.9 1s.3 19.4 23.5 26.3 28.8 32 0 34,3

10.1 12.8 16.3 20.5 24.8 27.6 302 334 35.7 Nú¡rr¡¡o rlo trurlu, ds libcrlsd
10,9 13.7 17.3 21.6 260 28.9 315 348 37.2 l2 ll ri
11.7 14.6 18.3 22.7 27.2 30.1 32.9 36.2 38.6 s.4t I
12.4 15 5 19.3 23.8 24.4 31.4 34.2 37.6 40.O Lltl ,ll J0l I 0,t 1 4l! t94 4.42 5.92
13.2 16.3 20.3 24.9 29.6 32.7 35.5 38.9 41.4 2,ó0 :t0/ rl, ,t 0il 4.ú0 5 I¡I J.70 6.84 I 1.43
¡,0J tt? ,t ll 4 l¡t f ?l J.fll .6.1r 1.631
E9l I
8.26
14.O 17.2 21.3 26.0 30 8 33.9 36,8 40.3 42.8 I lr¡ ¡l ,10 t0l ú l(, (,9l 7,Jó 9.59
14.A 1A.1 22.3 27.1 32.O 35.2 38 1 416 44.2 4, Jl ttl t¡9 I l.tt 796 8.67 ro. r: I to.¿s
15.7 19.0 233 2A.2 33 2 36 4 39.4 43.0 45.6 I ll 11.65 | ll.4{
16.5 19.9 24.3 293 34.4 37.7 406 ¿4.3 46.9 t. rt tl0 / 0,t r0 09
?tll i,la 9lll t0 t/ II r)"1 9l 12.19 14.56 | 15.45
17.3 20.A 25.3 30,4 35.6 38.9 41.9 45.6 48.3 t0.:t,i lt I ¡ l,l I I l,l t4 r.l 15 l4 l6 .ll r8 l4 I r9-14
1A.1 21.7 263 31.5 36.7 40.1 43.2 470 49.6 r t,70 l,l ¡t Ir9l It l) It lr l9 l? 20.49 1172 I 23.8)
'r.¡ r I
18.9 22.7 27,3 32.6 37.9 41.3 44.5 48.3 51.0 17,2i t¡ tt l{ tl )I l|, 2t 54 24 77 27 20 I 28.41
19.8 23.6 28.3 33.7 39.1 42.6 45.7 49.6 523
t9.ót I ¡l ol :lJ lo ,r 0l rn I 2d J0 21.59 l0 14 I 3t.41
20.6 24.5 29 3 34.8 40.3 43.8 47.0 50.9 53 7 2r.9¡ I ¡l,la ¡a l,l ln t,
11
,/ 4, I 1E.85 l0 19 l2 8t l4-17
29.1 33.7 39 3 45.6 51.8 55.8 59.3 63.7 66 I ¡a,r.,I ¡. r¡ ,, 0r ,{ t,t xr r¡ | l2 ü) ll4l 16.t9 37.s1
37.3 429 49 3 56 3 63 2 67 5 71.4 76.2 79 5 20,?ó I ¡r t0 ¡c t¡ I I l,r t¡ 80 I 14.27 JJ 72 18.58 I 40.00
46.5 52 3 59 3 67.A 74.4 79 1 83.3 8A.4 92.0 lr,ló I t¡.ll ra l0u t, xr | 19.25 4019 13 8L 4512
61 7 693 776 85.5 90.5 95,0 100.4 104,2
64.3 71.1 79.3 88.1 96.6 101.9 106.6 112.3 116.3
80.6 a9.3 98.6 107.6 '113.1 118.1 124.1 128.3
a2.4
Tablas estadfsticas - Página (430) I{idrologla Estadística - página (431)
Tabla A.9 Distribución Chi-cuadrada
I
E
Núñcro d. Endos de ¡ibert¿d

r(,) 2t | 12 | B | 24 | 25 | 7Á
127 128 l2e l30
0_001 6.1 7.0 7.5 8.1 t.7 9.2 9.8 t0.4 .0 I1.6
0.m5 8.0 E.6 9.1 9.9 r0.5 tt.2 t 1.8 12.5 l l.l 13.8
0.01 89 9.5 10,2 10.9 lr 5 t2,2 12.9 t3.6 t4.3 15.0
0-o2t 10.3 llo I I.7 12.4 I3,l 13.8 t4.6 t5.3 16.0 16.8
0.05 l1.6 t2.3 l3_ I l3.E ¡1.6 15.4 16.2 r6.9 t11 r8_5
0.1 r¡.2 t4.0 14.8 l5-1 16.5 r?.3 l8.t r8.9 19.8 zJ-6
0.25 16.3 t7.2 l8.l r9-0 t9.9 20.8 21.1 n.1 2r.6 21.5
0.5 ¡0., 71., 22.3 25.3 24,1 25.3 26.3 21-3 2¡.3 29.'
0.?5 24,9 26.0 21.1 282 29.r 30-4 31.5 12.6 tt.7 34.E
0.9 29.6 30.8 32.0 11.2 34.4 35.6 36.7 37.9 39.1 40.1
0.95 t2.7 lt.9 ,5.2 16.4 11.1 t8.9 40.1 4t.1 42.6 43.8
0.975 15.5 368 38,1 ' 39.4 40.6 41,9 41.2 44_5 45.1 47.0
o.99 t8-9 403 4t.6 43.0 1{.! 45.6 47.O 48.3 49.6 r).9
g
0.995 4t.{ 42.8 u.2 45.6 46.9 48.3 49.6 51.0 523 53.1
0.999 46.8 48.1 49.7 51.2 52.6 54.1 J5.5 56.9 58.3 59-7
Nómoro d¿ gadot de librrtad

i"(,)
* l,l* 1,, l* l" | ,* | .^n,iiff'u,,
o.00I t 7.9 241 3 t.7 39.0 46.s 54.2 6t.9 ¡(á - l.o9)i
0.005 20.7 28.0 35.5 43.3 51.2 s9.2 61.3 l(,/' - 258)2
0.01 49.1 31.5 45.4 53.5 61.8 ?0.1 *(h - 2.33f
0.025 14.4 12.4 40,5 48.8 57.2 65.6 14,2 1¡n - rso,
o.05 16.5 34.t 43,2 51.7 60.4 69.r 77.9 ¡(, - r.64)t
0,1 29.t J1.7 46.5 55,3 64.3 ?3.3 82.4 l(Á - r.28)!
0.25 I l.? 42.9 52.3 61.7 11.1 80.6 90. t t(, - 0.6?)t
0.5 19.3 49.J 59.3 693 79.3 89.3 99.3
o.1s 45.6 56.1 61.0 77.6 8t.l 98.6 109. t *(h + 0.67\t
0.9 51.8 632 E5,5 96.6 I0?,6 I18.5 l(, + l.28)'
0.95 5J.8 61.5 79.1 90.5 l0l .9 I t 3.l t24,3 t(, + r -64),
0.975 59-3 1 1.4 81.3 95,0 106.6 ¡ I8. t 129 6 lG + I.96)'?
0.99 63.1 7é.2 884 100.4 Ir2.l t74.1 I15.8 +(, + 133)2
0.995 66.8 19.5 92.0 104.2 rr6.3 128.3 140.2 *(,, + a58)z
0.999 7l¡ 86.7 99.6 Il?.1 r24 8 t 1t.2 t49.4 i(/, + 3.091 !
E
l¡ úlrima columna,Ir =r4ñIL, ¿on¿" ¡z númcro dc gr¿dos de libcfÁd'
En
"t "t *
0-
Ilidlología Estadística - página (433)
Papeles probabilísticos - página (432)
3
3
!s
,i
Is
3
I
|"
I ,t :
I e
,t
I "
. {-
-.! L\
,...-'\: '
.
\

Hidrología Estadística - Maximo Villon Bejar - ICw PDF

Cargado por

Información del documento

Título 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

Hidrología Estadística - Maximo Villon Bejar - ICw PDF

Cargado por

Copyright:

Formatos disponibles

Instituto Tecnológico de:

Máximo Vil6n Béiar

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

a una La media geométrica .........97

Función¿"¿ist'iuuciónacumuladaoempírica..'................'...86 .5. Pruebasde bondad y ajuste..... ...............171

9. Completación yextensión ...335

conr.,iiao - página (10)

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

Los datos recopilados, solo representan una información en bruto,

úiliza los conceptos

I La presente publicación bajo el nombre de Hidrología Estadística,

Prra la simplificación del análisis de la abundante información, se

La publicación cubre los siguientes temas:

Un agradecimiento muy especial, al Comité Regional de Recursos

Máximo Villón Béjar

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

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

Conceptos básicos - página (16) Hidrologfa Estadística - página (lZ )

Son los resultados posibles que se pueden presentar enlarealización

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

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

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

De estos axiomas, se deducen los siguientes teoremas:

Conceptos básicos - página (20) Hidrología Estadística - página (21)

Sustituyendo valores en la ecuación (1.5), resulta:

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

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

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

1.6 Concepto de Riesgo (R) donde:

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

Clases de variables aleatorias

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

Ejemplo: si X representa el número de días de lruvias ocurridas en

Número muyorfa de secuencias de variables hidrológicas son series

Función de densidad de probabilidad de una variable

lo , para cualquier otro valor de x

1. Elaborar elgráfico de la función de densidad de probabilidad

1. Para elaborar el gráfico, se evalúaf(x), para valores de x, que

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 representación gráfrca se muestra en la figura 1.4.

0 l,'r¡ rrción de distribución acumulada

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

Conceptos básicos - página (36) Hidrología Estadística - página (371

Función de distribución acumulada correspondiente a f(x)

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

F(x)=P(X<x)= Ef(x¡) ... (1.14)

Sea X una variable aleatoria discreta con función de probabitidades:

Conceptos básicos - página (38) Hidrología Estadística - página (39 )

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

Esta situación es diferente para el caso de una distribución discreta.

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

Conceptos básicos - página (40) Hidrología Estadística - página (41)

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

x 0 0.5 1 1.5 2 2.5 3

La representación gráfrca de la función acumulada, se muestra en la

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

.,ffi=1 ll*f {ia* =t ó 2,flx¡)= I (definición de tunción densidad)

I LQQD (1o que se quería demostrar)

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

L.L1 Momentos de una distribución

Momento respecto al origen

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

.,ffi=1 llf {ia =t ó 2,flx¡)= I (definición de tunción densidad)

conal0 o2 = E(¡ytr_ p\4 - a12o2