ANÁLISIS DE FRECUENCIA

Ing. David Cedeño B. (Departamento de Hidráulica, Sanitaria y Ciencias Ambientales)

Muchos procesos en hidrología deben ser analizados y explicados de manera
probabilística debido a la naturaleza aleatoria (casual) de los mismos. por ejemplo, es
muy difícil predecir la escorrentía y la precipitación en sentido puramente
determinístico (en el pasado, presente o futuro), debido a que es imposible conocer
cuantitativamente todos los parámetros que afectan estos procesos.
Afortunadamente, existen métodos estadísticos disponibles para organizar, presentar y
reducir los datos observados de manera de que se facilite su interpretación y evaluación.
Estudiaremos algunos métodos estocásticos que nos permita cuantificar la
incertidumbre de los datos hidrológicos en un marco de referencia estocástico.
VARIABLES ALEATORIAS
Una variable aleatoria es un parámetro (por ejemplo: precipitación, escorrentía, etc.) que
no se puede predecir con certeza, debido a que las variables aleatorias son el resultado
de un proceso casual o incierto. Estas variables deben ser tratadas estadísticamente
como discretas o continuas.
La mayoría de los datos hidrológicos son continuos y deben ser analizados
probabilísticamente utilizando distribuciones continuas de frecuencia
Las variables aleatorias discretas solamente pueden tomar valores enteros de un
conjunto de valores específicos. En este caso es mucho más fácil suponer que los
registros son continuos. No obstante, algunas veces se aplican distribuciones de
frecuencia discretas a variables continuas.
Pero La mayoría de las aplicaciones de distribuciones discretas en hidrología ocurren en
el caso de variables aleatorias que representa el número de eventos que satisfacen algún
criterio. Por ejemplo: el número de inundaciones que pasaran de cierta magnitud
durante cierto periodo de año.
PRESENTACIÓN DE DATOS
Lo datos observados a menudo se presentan en la forma de un diagrama de barras o
histograma.
Utilizando como ejemplo los datos de precipitación máxima, el rango se divide en
intervalos de clase y el número de observaciones (frecuencia) corresponde a cada
intervalo de clase es tabulado
Panofsky y brien, 1968 sugirieron la siguiente formula como una ayuda para la
selección:
k =5 ¿ log 10 (n)

Donde:
k: numero de intervalos de clase
 n: numero de datos observados
una manera de discretizar los datos continuos de flujo seria de asignar una variable
discreta aleatoria a cada intervalo de clase. Cualquier valor dentro de un intervalo de
clase seria asignado al valor discreto correspondiente al intervalo, generalmente el punto
medio, el cual se denomina marca de clase.
Si las ordenadas del histograma se dividen por el número total de observaciones, el
resultado se denomina frecuencia relativa (probabilidad) de cada intervalo de clase, de
tal forma que la suma de las ordenadas sea igual a 1.
Para comparar el ajuste de una distribución teórica a la distribución empírica, hay que
normalizar los datos, es decir dividir la frecuencia relativa entre la amplitud del
intervalo de clase y el resultado recibe el nombre de frecuencia relativa normalizada o
simplemente densidad
Otra manera de representar los datos es la distribución de la frecuencia acumulada, la
cual representa la suma de las frecuencias relativas del histograma hasta un intervalo
dado y es la probabilidad de que un valor cualquiera a lo largo de las abscisas sea menor
o igual a la magnitud de este dado.
Tanto las frecuencias relativas como las frecuencias acumuladas se usan extensivamente
en hidrología
AJUSTE DE UNA DISTRIBUCIÓN A LOS DATOS
un uso intuitivo para la estimación de los momentos es el ajuste de la distribución de
probabilidad a los datos por medio de la igualación de los parámetros estimados
obtenidos de los datos a la forma funcional de la distribución. Por ejemplo, la
distribución normal tiene dos parámetros la media y varianza. El ajuste por el método de
momentos para la distribución normal simplemente estima los valores.
El objetivo principal de determinar los parámetros de una distribución es el de evaluar la
función de densidad acumulada. En algunos casos se puede lograr el mismo objetivo sin
calcular los parámetros actuales de la distribución. En lugar de eso, la distribución es
evaluada utilizando el factor de frecuencia K
El valor de K es una función del valor deseado para la función de densidad acumulada y
también depende de la asimetría. Por lo tanto, si se conoce el factor de frecuencia K
para el valor deseado de la función de densidad acumulada y la asimetría, se puede
obtener el valor correspondiente de X.
Modelos probabilísticos comunes
En hidrología se utilizan muchas funciones de probabilidad de masa para variables
discretas y funciones de densidad de probabilidad para variables continuas.
A menudo, el objetivo de un análisis discreto es asignar probabilidades para el numero
de ocurrencias de un evento, mientras que el objetivo de un análisis continuo es el de
determinar la probabilidad de la magnitud de un evento.
En el caso discreto, puede existir interés en la función de probabilidad de masa y en la
función de distribución acumulada, mientras que, en el caso continuo, el valor de la
función de densidad de probabilidad solo nos permite comparar el ajuste de la
distribución teórica a la distribución empírica, mientras que la función de densidad
acumulada para las variables aleatorias continuas nos define la probabilidad de
ocurrencia de los eventos.

Emplear la Distribución Normal en combinación con los datos de caudales máximos

registrados en la estación de aforo (utilizados en los ejemplos anteriores desarrollados
en esta sección) para calcular
a) El caudal con periodo de retorno de 100 años (Q 100)
b) La probabilidad de que el caudal será menor o igual a 10000 pies³/s y su
respectivo periodo de retorno.

Utilizar los datos de caudales máximos registrados en la estación de aforo y aplicar la

distribución log normal (usando logaritmos de base 10) para calcular:
a) El caudal para un periodo de retorno de 100 años.
b) La probabilidad de que el caudal sea menor igual a 10000 pies³/s y su respectivo
periodo de retorno.
Además, comparar los parámetros estimados utilizando los momentos de los datos
originales y los obtenidos con los datos transformados

Utilizar los datos de caudales máximos registrados en la estación de aforo para calcular l
magnitud del caudal con un periodo de retorno de 100 años, utilizando las siguientes
distribuciones de 2 y 3 parámetros:
a) Gamma – 2
b) Pearson Tipo 3
Advertencia: el problema inverso de encontrar el periodo de retorno para un caudal de
10000 pies³/s requiere una gráfica de caudales en función de la probabilidad cuando se
utiliza la Distribución Gamma, por lo tanto, no lo vamos a calcular en esta ocasión