Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Hidrología Estadística - Maximo Villon Bejar - ICw PDF
Hidrología Estadística - Maximo Villon Bejar - ICw PDF
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.
Materia pagma
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)
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
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.
. 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)
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 .
S = { escudo, corona }
tlonde: NS = 2
llcndo, Ng : número posible de resultados del espacio muestral
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
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.
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
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:
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:
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)'
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-
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)
Conceptos básicos - página (30)
Hidrología Estadística - página (31)
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:
Conceptos básicos - página (34)
' Hidrología Estadística - página (35 )
f(x)=j
fo.rrr, - x') ,para -1<x<1
f(x)
0.
sumatoria de los f(x), para los cuales ri es menor o igual que r, es 7t8
decir:
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.
-
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
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
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)
^I¡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
densidad de probabilidad:
.'. [!_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<@
Conceptos básicos - página(44) Hidrología Estadística - página (45 )
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¡¡
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:
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
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
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
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
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 )
,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)
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 )
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):
Cálculo de E(A):
E(xa¡=l;*4*.-*d*
Conceptos básicos - página(62) Hidrología Estadística - página (63 )
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.
Se sabe que:
de (1.50), se tiene:
tt= E(X)
Conceptos básicos - página(64) Hidrología Estadística - página (65 )
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
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:
calcular E(*3)
l0 para cualquier otro valor
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)
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
(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
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:
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
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.
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
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
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
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
\
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
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
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
Hidrología Estadística - página (96) Medidas de las distribuciones - página (97)
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.
Med =x il2
+
! ilZ+t, para npat ...(3.2)
xG ...(3.5) 2
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
Coeficiente de variación
o- ... (3.22)
Es una medida relativa de dispersión, que relaciona la desviación
estándar y la media, es decir:
,=^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¡
Hidrología Estadística - página (108) Medidas de las distribuciones - página (109)
', = 1s,'
nf=l' o-
)»a, - D2 r¡
tk
El sesgo para datos muestrales, se obtiene con:
*:;
u =1! f.
?rrr*,
,i = marca de clase del intervalo i
cr=- "Y'- -
(n-lXn-2)S'
... (3.31)
f
= valor de la i-ésima frecuencia
fr = número deintervalos de clase
donde: n = número total de datos
El sesgo para datos muestrales, se obtiene con:
r=1s,
..L¿ I
" i=l
Datos agrupados:
Curtosis
*, ¡t4
=;o ... (3.36) Datos agrupados:
i,6, - pY , ¡14
P4 =i=l ... (3.37) o4
donde:
-t')'
"=i;){*, f^u,-
Da r¡
lt4 = ... (3.40)
n
'u=!§ *'
nl=l' ;k -
=
" 1; ilru, - tt)2 r,
El coeficiente de curtosis para datos muestrales, se define como:
'k x.
u=lIr.
.... (3.38) ' nf-:tr I
,i = marca de clase del intervalo i
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,
n = número total de datos
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.
n = número total de datos
. 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
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
Sustituyendo valores, resulta:
(fI o) o
F
x !
§t C» §t o N @ o) o) (\l
§t (f) roI @I §¡
(A
h
(f) (f)
I (o
(f)
I
-l! s' = * Qonszt.Sl - t3xtzs6.66szr)
!f,
I
12'
X
H §t @
o?
o c)
n q O)
n
C\I O) (o
o? qq q
§t o s (o sf o
§l q §l q q u? NJ
I 52 = 38149.2790
o; (o F- o t-
(f) lo §t (o o ro o) o oo)h
x
I
@ ro t @ t- $o(f) lo cf) o) ro -l 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
Sustituyendo valores, resulta:
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
Hidrología Estadística - página (116) Medidas de las distribuciones - página (117)
. 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
Sustituyendo valores, resulta:
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)
... (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
Hidrología Estadística - página (124)
Medidas de las distribuciones - página (L25)
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
Hidrología Estadística - página (126) Medidas de las distribuciones - página (127)
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:
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
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
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
\--
Hidrología Estadística - página (134)
Medidas de las distribuciones página (135)
Calcular:
. Lamedia de los caudales picos
. La desviación estándar
. El coeficiente de variación
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
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
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
,S= 135 -X
S=135-92
S = 34 m3ls
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:
De la ecuación (4.3), se tiene:
Ejemplo 4.2: ,!r.v.
L) l"t -)x.) r.
Se cuenta con 13 pares de datos de caudales picos para el año 2000,
- ü*r'-Eü
L_ L¿ 1.t-t¿7
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)
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
, -!.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 )
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
Estimación de parámetros - página (158)
- 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)
[o' )
, d,1or2
*l l+.-
-*( - ¡... )
It=de
Ir! 2t )
I
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
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)
Hidrología Estadística - página (163 )
/
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.
Estimación de parámetros - página (164) Hidrología Estadística - página (165 )
t
nl
1r¿=)tnl
¡=1
I
,l
Ejemplo 4.6:
tnL= »l-
,=1L
rnL=I "1' ]
3. , resulta:
2. Tomando ln:
r
Estimación de parámetros - página (166) Hidrología Estadística - página (167 )
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.
tf"l,.+I]=, uniforme:
1
para o(<rS p
f(x) =
Lb4:-=o
ÉF,)* i=l
i=l 02'
B-cr
v
Calcular los parámetros pty, or, utilizando el método de máxima
Calcular el parámetroa, usando el método de máxima verosimilitud.
verosimilitud.
7. Dada la función de densidad de probabilidad de la distribución
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<""
5. Dada la función de densidad de probabilidad de la distribución
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.
5.1 Definición
. Ajuste gráfico
Pruebas de bondad de ajuste - págtna (172) Hidrología Estadística - página (173)
función acumulada
5.2 Ajuste grafico teórica
El ajuste grráfico se puede realizar de las siguientes formas:
,|
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:
Eo,=Er,
i=l i=l
=fy'
donde:
r
Pruebas de bondad de ajuste - página (176) Hidrologfa Estadfstica - páeina (177)
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
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
!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
Pruebas de bondad de ajuste - página (180) Hidrología Estadística - página (181)
(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
Pruebas de bondad de ajuste - página (182) Hidrología Estadística - página (183)
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
Pruebas de bondad de ajuste - página (184) Hidrología Estadística - página (185)
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
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)
1.36 t.36 5\ t\
A-
^o - -]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)
Hidrología Estadística - página (193)
5.5 Problemas propuestos Tabla 5.5 Caudales máximos anuales de la estación Tacares
6.1 Introducción
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
: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)
- 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
c0+c1x w+c2xw2
s=o=[+, ik,
¡1i
-.i: ... (6.1e)
^(,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)
Distribuciones teóricas - página (204) Hidrología Estadística - página (205)
-
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)
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
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
De la ecuación (1.9), se tiene:
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
Distribuciones teóricas - página (214) Hidrología Estadística - página (215)
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
Distribuciones teóricas - página (218) Hidrología Estadística - página (219)
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
2. Estimación de parámetros, método de momentos
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:
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
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:
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)
f(/) = TT e-T
2TT
l+-+11 t39
3. Estimación de parámetros, método de momentos
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:
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,
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:
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)
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)
4. Estimación de parámetros, método de momentos
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
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)
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
Y =3'4283
Pero de la ecuación (6.66):
2. Proceso de cálculo
! ln,
media: Xlnx ... (6.103)
Figura 6.12 Catdal para un período de retorno de 50 años
-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)
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
o
-C sln, x sln, v =8.6284=9
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
2. Función densidad
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
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)
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)
l. Cálculo de parámetros
r
Distribuciones teóricas - página (260) Hidrología Estadística - página (261)
Tomando logaritmos neperianos a los datos del problema, se 2. Prueba de bondad de ajuste
obtienen los datos de la tabla 6.7. Los resultados que se obtienen con la 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
De la ecuación (6.141), se tiene:
lnQ- 6.4783 + 3.9019 x 0.4042
lnQ= 8.0555
P, = Xlnx - 0.45 ,Shr
Q = e8.0555
lt= 6.7LL6 - 0.45 x 0.5184 = 6.4783
r
Distribuciones teóricas - página (262) flidrología Estadística - página (263)
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)
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.
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.
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.
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)
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)
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:
Correlación y regresión - página (278) Hidrología Estadística - página (279)
- 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
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)
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 ;
1
-=a+bx
¿ x 1
v
w w= -v
1
haciendo: -v = w, se tiene la ecuación linealizada:
w= a+bx ... (7.24)
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)
Hidrología Estadística - página (285)
x v z=lnx w =lnv
Correlación y regtesión - página (286) Hidrología Estadística - página (287)
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, . .
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:
Correlación y regresión - página (288) Hidrología Estadística - página (289)
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).
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
Correlación y regresión - página (290) Hidrología Estadística - página (291)
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
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)
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)
Hidrología Estadística - página (297)
L -
HidroEsta permite resolver el problema de la ecuación de regresión I
I
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
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
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
Correlación y regresión - página (300) Hidrología Estadística - página (301)
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 7.10 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
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?
xt
estudio, es de mucha importancia para determinar los errores
sistemáticos que puedan afectarlas. información
lridrometeorológica
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:
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)
Análisis de Saltos
1. Consistencia de la Media
...(8.6)
Sr'(')
F^
' = si_,(x) si,sr2(x)> s,r(x)
Análisis de consistencia - página (318) Hidrología Estadística - página (319)
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.
n-l I
... (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.
1« .r* donde:
t .T^ = ... (8.14) = valor del estadístico r calculado.
i lt, fc
n = número total de datos
R = coeficiente de correlación
Anrálisis de consistencia - página (322) Hidrología Estadística - págha (323)
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
Z,
x(¡ -r. ... (8.21)
1 966 504.878 1 984 450.2
-
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)
Hidrología Estadística - página (329)
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
De la ecuación (8.6), se tiene:
,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
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.
Análisis de consistencia - página (332) Hidrología Estadística - página (333)
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.
Tabla 8.6 Serie histórica de caudales medios anuales, en m3/s, del río
Chicama, estación Salinar, Perú (1911 - 1980)
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)
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
(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)
Hidrología Estadística - página (339)
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
r = coeficiente de correlación
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.
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.
Completación y extensión - página (344) Hidrología Estadística - página (345)
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:
Listado l0.l; Generación de números uniformemente distribuidos . En computación, permite la simulación de juegos.
entre 0 y l.
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
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 {}
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
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.
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
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
Intervalos de confianza - página (364) Estadística Aplicada - página (365)
4x7.9602 x9 L/o
0.42
l t
05 n=5j
n=870
l=ioo .l
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)
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.
Intervalos de confianza - página (370) Estadística Aplicada - página (371)
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)
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.
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.
f t/(r)) = F(s) = f,'-" f (t)dt lrlrr integral se evalúa de acuerdo con la regla:
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)
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-,,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)
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
li.jamplo 4.3:
"e Lj= +
.t
(Fórmula 3)
(10
"e {ro'}=
L r s-4 (Fórmula 2)
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)
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 - |
' *-,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)
='jrr
i;+-)*o*'i#-i y
s2 +4s+10
s+2
A.3 Ejercicios proPuestos s2 +2s +13
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
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
donde:
Transformada de Laplace y función gamma _ página Hidrología Estadísrica - página (403)
(402)
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:
Solución:
Solución:
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:
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
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
Hidrología Estadística - página (415)
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)
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
s¡t2
^
6JÚ 6,9t5 6.t¡a
0()
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)
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
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¡
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
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
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 , gurn^u 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,<5 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)
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
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)
I
E
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
3
3
!s
,i
Is
3
I
|"
I ,t :
I e
,t
I "
. {-
-.! L\
,...-'\: '
.
\