Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.

____________________________________________________________________________________________________________________________

8. FUNDAMENTOS DE ESTADÍSTICA Y PROBABILIDAD APLICADOS A LA

HIDROLOGÍA

8.1 Eventos hidrológicos a ser analizados con probabilidad y estadística

De acuerdo con Lanna (1993), los procesos hidrológicos son aleatorios. Eso significa que sus
realizaciones no pueden ser conocidas. Por ejemplo, no es posible saber cuál es la evolución de los
valores de temperatura, viento, insolación, precipitación, evaporación, caudal en determinada sección
fluvial, a lo largo del tiempo o del espacio. Ello establece una dificultad básica en la planeación de las
actividades humanas, pues ellas están vinculadas a esos procesos. Frente a ello, desde el instante en que
el ser humano buscó planear sus emprendimientos se preocupó por establecer instrumentos para el
tratamiento de la aleatoriedad. De dicha preocupación surgieron dos disciplinas relacionadas con la
teoría de las probabilidades y con la estadística.

Entre los eventos hidrológicos que pueden ser analizados a partir del uso de la probabilidad y la
estadística son: series de datos históricos de caudales y precipitaciones, eventos secuenciales (por
ejemplo caudales medios y lluvias totales) y eventos extremos, tales como los aguaceros o tormentas y
los caudales de crecientes (Silva, 1994, p 89).

Según Monsalve (2004), el análisis de frecuencias es un procedimiento para estimar la frecuencia de

ocurrencia o probabilidad de ocurrencia de eventos pasados o futuros. De este modo, la representación
gráfica de la probabilidad, con o sin suposiciones de distribuciones de probabilidad, es un método de
análisis de frecuencias.

El mismo autor manifiesta que el análisis de frecuencias de datos hidrológicos requiere que los datos
sean homogéneos e independientes. La restricción de homogeneidad asegura que todas las
observaciones provengan de la misma población (por ejemplo que la estación hidrométrica en un río no
haya sido movida, que la hoya hidrográfica no se haya urbanizado o que no se hayan colocado
estructuras hidráulicas sobre la corriente principal o sus más importantes tributarios). La
restriccirestricción[on de independencia asegura que un evento hidrológico, tal como una gran tormenta
aislada, no entre al conjunto de datos más de una vez. Por ejemplo, un sistema de tormenta aislado
puede producir dsdos o más grandesgrande picos de escorrentía y solo uno de ellos (el más grande)
deberá entrar al conjunto de datos. Adicionalmente, para la predicción de la frecuencia de eventos
futuros, la restricción de homogeneidad requiere que los datos a mano sean representativos de caudales
futuros (por ejemplo, que no habrá nuevas estructuras hidráulicas, desviaciones, cambios en el uso de
tierra, etc., en el caso de datos de caudal).

De acuerdo con Cahuana-Andia y Yugar-Morales (2009), en los estudios hidrológicos se cuenta con
datos recopilados de un periodo disponible, si esta información es organizada y se analiza
adecuadamente proporciona una herramienta muy útil para tomar decisiones sobre el diseño de
estructuras hidráulicas y responder a dudas y parámetros de diseño. En el análisis hidrológico se
utilizan los conceptos de probabilidades y estadística, porque generalmente se cuenta con escasa
información, y casi todos los fenómenos hidrológicos tienen una alta aleatoriedad.
1
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

De acuerdo con Silva (1994), se requiere del orden de 30 años de información para obtener un buen
registro de los eventos hidrológicos.

8.2 Tratamiento estadístico de datos de las series

Una importante manera de representación de una variable aleatoria se realiza a través de valores
numéricos que cuantifican las características más relevantes de la forma de su distribución de
frecuencias. Las principales características de la distribución de frecuencias y los parámetros numéricos
que las cuantifican, con base en lo reportado por Lanna (1993), se presentan a continuación:

8.2.1 Tendencia central

Esta característica está relacionada con la parte central de un histograma de frecuencias. A veces existe
una tendencia de que el número de ocurrencias sea mayor en la parte central, significando que la
variable aleatoria suele ocurrir con mayor frecuencia en los intervalos centrales. Los parámetros
estadísticos que la representan son:

Media aritmética. Se calcula por medio de la ecuación:

n
xi
x [8.1]
i 1 n

Donde:
xi, i = 1,2,…..,n : son realizaciones de la variable aleatoria
n : número de realizaciones, o sea, el tamaño de la muestra

Moda. Es el valor representativo del intervalo de clase, donde unaa frecuencia de ocurrencia es
máxima, una notación comúnmente utilizada es mo. El dimensionamiento de los intervalos de clase
afecta el valor de la moda en una distribución empírica de frecuencias.

Mediana. Es el valor que es superado (y no superado) por 50% de las ocurrencias. En un histograma de
frecuencias seria el valor que determinaría áreas iguales a la derecha y hacia la izquierda; una notación
comúnmente utilizada es md.

8.2.2 Variabilidad en torno a la media

Es importante, en el análisis de series de datos, contar con un parámetro numérico para medir la
variabilidad de los datos en relación al valor promedio, dicho parámetro puede ser representado por la
desviación típica o por la varianza.

Varianza. Se calcula por medio de la ecuación:

s 
2
n
x i x  2
2
 xi  x
2
[8.2]
i 1 n

2
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Por el desarrollo del término cuadrático se obtiene la estimativa de la varianza como la diferencia entre
la el promedio de los cuadrados de la variable y el cuadrado de la media.

Para evitar el problema de estimativas en muestras pequeñas se suele usar una corrección para la
desviación típica en que el denominador n es sustituido por n-1 resultando en la ecuación:

s 
2
n
x ix  2

[8.3]
i 1 n -1

Desviación típica. Es la raíz cuadrada de la varianza s 2. Se verifica que cuanto mayor sea la desviación
típica o la varianza, mayor será el alejamiento de la variable en torno al valor promedio.

8.2.3 Asimetría

Una distribución simétrica es aquella que presenta simetría en relación a un eje vertical que pasa por el
valor modal, o sea, el valor con mayor frecuencia (eso sería lo mismo que decir que un lado de la
distribución es una imagen de espejo del otro). En esta situación la media, la mediana y la moda son
iguales. Hay dos tipos de asimetría, en el caso de la asimetría positiva existe una mayor concentración
de frecuencias a la izquierda de histogramas de frecuencias simples; en el caso de ala asimetría
negativa ocurre una mayor concentración de frecuencias a la derecha del histograma de frecuencias
simples. Existen algunos parámetros para cuantificar la asimetría, los cuales se presentan a
continuación. Cuando mayor sea la asimetría (o mayor la diferencia entre los dos lados de la
distribución), mayor será el valor de tales parámetros.

Asimetría. Se calcula por medio de la ecuación:

aa  
n
x i x  3

[8.4]
i 1 n

Para evitar problemas en la estimación de la asimetría en muestras pequeñas aa puede ser corregido
n2
multiplicando le ecuación anterior por el coeficiente:
 n  1  n  2  

Coeficiente de asimetría. Se calcula a través de la ecuación:

aa
as  [8.5]
s3

El coeficiente de asimetría es igual a la asimetría adimensionalizada por el cubo de la desviación típica.

La asimetría, aa, puede ser común o corregida. Adoptando las anteriores alteraciones del coeficiente de
asimetría, se calcula mediante la siguiente expresión:

3
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

n n
xi  x  3

as  
 n  1 n  2 i1 s 3
[8.6]

Coeficiente de asimetría de Pearson. Se trata de una medida poco usada de asimetría, la cual se
calcula a través de la ecuación:

aP 
 x  moda  [8.7]
mediana

8.2.4 Relación entre dos variables

La expresión numérica de la relación entre dos variables requiere un coeficiente cuyo valor atribuya
una nota a la calidad del ajuste a una tendencia. Algunas de las posibilidades se presentan a
continuación:

Covarianza de la muestra. El coeficiente se calcula por medio de la ecuación:

1 n
n i 1
  1 n

s xy  . x i  x . y i  y  . x i .y i  x.y
n i 1
[8.8]

Cuanto mayor sea el valor del coeficiente, mayor será la tendencia de que valores altos de la variable X
estén relacionados con valores altos de la variable Y. Cuanto menor (negativo), más valores altos de X
(o de Y) se relacionan con valores bajos de X (o de Y). El problema de dicho coeficiente es que el
mismo no se presta para comparaciones, pues es característica de las variables consideradas.

Para establecer un coeficiente que permita una apreciación relativa del ajuste de la relación entre dos
variables a una tendencia, se divide la covarianza por el producto entre as desviaciones típicas de cada
variable, resultando en:

Coeficiente de correlación. Dicho coeficiente se calcula mediante la expresión:

s xy
rxy 
s x .s y 
[8.9]

Se puede demostrar que éste coeficiente tiene su valor máximo igual a 1, lo que significa un perfecto
ajuste de la relación a una tendencia rectilínea creciente. Tendrá su valor mínimo igual a -1
significando un perfecto ajuste al mismo tipo de tendencia, solo que para una condijo decreciente.
Cuanto más cercano a cero sea el valor absoluto del coeficiente, será pero el ajuste de las variables a
una tendencia rectilínea.

8.4 Funciones de distribución de probabilidad

4
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Una distribución de probabilidad continua es una función que asigna a un intervalo de la variable
aleatoria continua X su valor de probabilidad correspondiente. Es decir, la probabilidad de que un
evento ocurra en un intervalo de la variable.

Según Naghettini y Portela (2011), una variable aleatoria discreta puede asumir solamente valores
enteros, correspondiendo a espacios muestrales finitos o infinitos, sin embargo susceptibles de ser
enumerados, o sea, espacios muestrales numerables, como por ejemplo los resultados del lanzamiento
de una moneda o un dado. Una variable aleatoria continua puede asumir cualquier valor real en un dado
intervalo, correspondiendo a espacios muestrales finitos o infinitos, sin embargo no numerables; como
ejemplo podría asumirse la medición de la precipitación diaria en una estación climatológica, donde la
variable aleatoria X representativa de la precipitación diaria máxima anual en la estación es una
variable aleatoria continua puesto que teóricamente, podría asumir cualquier valor real entre 0 e
infinito, aunque con diferentes probabilidades.

Las series de datos históricos hidrológicos, ya sean secuenciales o de eventos extremos se analizan con
la ayuda de Distribuciones de Probabilidad. La variable propiamente dicha se designa por una letra
mayúscula y un valor específico de ella por una letra minúscula, la probabilidad se designa como:

 P(x = a) denota la probabilidad de que un evento x asuma el valor a

 P(a £ x £ b) denota la probabilidad de que un evento x se encuentre en el intervalo de valores
(a,b). Si se conoce la probabilidad P(a £ x £ b) para todos los valores de a y b, se dice que se conoce la
distribución de probabilidades de la variable x. La probabilidad se define como:

P  a  x  b    f ( x ) dx
b

a [8.10]
 La siguiente ecuación indica la probabilidad de que se presente un evento x mayor o igual a Xi,
y, esto representa el área bajo la curva desde Xi hasta infinito.

P ( x  Xi )   f ( x)dx
Xi
[8.11]
Dicha ecuación es conocida también como probabilidad de excedencia o probabilidad de ocurrencia.

 Por ejemplo, al aplicarse a un caudal: P(q > Q) indica la probabilidad de que se presente un
evento de caudal q que exceda a un caudal Q.

La función f(x) es la llamada función de densidad de probabilidades (FDP) y tiene las siguientes
características:


 1) 
f ( x ) dx  1
. [8.12]
P  a  x  b    f ( x ) dx
b

2) a [8.13]
b

3) b f ( x ) dx  0
[8.14]
 
Como la integral representa el área bajo la curva, esto implica que las probabilidades se definen sólo
como áreas bajo la FDP entre límites finitos.

5
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Entre las distribuciones de probabilidad de interés en hidrología se encuentran la distribución Normal,

la distribución Log-normal, la de Pearson, la Log-Pearson y la de Gumbel.

8.4.1 Distribución Normal

La distribución normal es una distribución simétrica en forma de campana, también conocida como
Campana de Gauss. Aunque muchas veces no se ajusta a los datos hidrológicos tiene amplia aplicación
por ejemplo a los datos transformados que siguen la distribución normal.

Función de densidad. La función de densidad está dada por la ecuación

1 ( x   ) 2
1
f ( x)  exp 2 2
 x
 2 [8.15]
Los dos parámetros de la distribución son la media m y desviación estándar s para los cuales x
(media) y S (desviación estándar) son derivados de los datos.

De acuerdo con Naghettini y Portela (2011), el cálculo de probabilidades de variables aleatorias

normales es facilitado por la variable normal reducida Z. Si X es una variable Normal y Z es una
combinación lineal de X, de la forma:

Z
 X  X 
[8.16]
X

Entonces la variable Z, también es distribuida según una ley Normal con parámetros μ Z=0 y σZ=1. La
distribución de Z es generalmente conocida como Distribución Normal Standard y la variable Z,
conocida como variable normal reducida o factor de frecuancia.

Según Monsalve (2004), con la nueva variable reducida zi = (x-u)/S) se tendrá una distribución normal
o de Gauss con media igual a cero y desviación estándar igual a uno N(0,1). El valor de z i se halla por
medio de tablas o calculadoras con funciones aplicadas al cómputo de probabilidades. Con base en lo
anterior, la probabilidad queda definida como:

1
P( z  zi )  z
zi
1 i

 dz
 z 2 /2
e i
2
2 P(Z  z i ) 
z /2
dz e

debe ser  (2 )  [8.17]

Revisar la primera ecuación está mal escrita.

Dicha función de distribución (Φ(x)) ya se encuentra tabulada, los valores respectivos para la misma se
presentan a continuación:

Tabla 8.1 Valores tabulados de la función de distribución

Φ(x) 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586

6
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99992 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997

En la Tabla 8.1, la primera columna indica indica el valor de la variable reducida con un decimal, y la
primera fila indica el segundo decimal. EstaLa tabla está dada por los valores positivos de la
distribución normal standard. Con la formulación de la función de distribución, es posible obtener otros
valores. Los valores negativos de la función de distribución están dados por la fórmula Φ(-x)=1-Φ(x).
Por ejemplo, Φ(-2,15)=1-Φ(2,15) ≈ 1-0,98422 = 0,01578.

Como complemento a lo anteriormente comentado, a continuación se presenta gráficamente una

esquematización de los posibles valores de probabilidad que se pueden presentar en una función de
probabilidad, con parámetro transformado z (zi), y la interpretación que se debe hacer de los datos de
área bajo la curva de distribución normal standard.

Tabla 8.2 Posibles valores de área bajo la curva como probabilidad.

7
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Tipo de área - Ejemplo Esquema ilustrativo Notación

Área por debajo de un valor positivo.

P(Z≤zi)
Ej: ¿Qué área se encontrará debajo del
valor 1,0?  0,84134

Área por encima de un valor positivo

P(Z>zi)
Ej: ¿Qué área se encontrará por encima
del valor 1,0?  1- 0,84134 = 0,15866

Área por encima de un valor negativo

Ej: ¿Qué área se encontrará por encima P(Z>-zi)

del valor -1,0?  1 - 0,15866 =
0,84134

Área por debajo de un valor negativo

P(Z≤-zi)
Ej: ¿Qué área se encontrará por debajo
del valor -1,0?  0,15866

Área entre dos valores

Ej: ¿Qué área se encontrará entre los

P(z1<Z<z2)
valores -2,5 y 1,0?  0,84134 - (1 -
0,99379) = 0,84134 – 0,00621 =
0,83513

La estimación de los parámetros media y desviación estándar se realiza a través de las ecuaciones:
 
1 n
x   xi
n i 1

8
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

1
 1 n
s   2 2
xi  x  
 n  1 i 1 
 
El factor de frecuencia KT se encuentra asociado al periodo de retorno de un evento. Según Cahuana y
Yugar (2009), el periodo de retorno “T” ó “Tr”, se define como el tiempo o lapso promedio entre la
ocurrencia de un evento igual o mayor a una magnitud dada; dicho de otra forma, es el intervalo de
recurrencia promedio para un cierto evento. Estadísticamente el Periodo de Retorno es la inversa de la
probabilidad de excedencia. Adicionalmente, Naghettini y Portela (2011) afirman que el periodo de
retorno no se refiere, por lo tanto, a un ‘tiempo cronológico’; que de hecho es una medida de la
tendencia central de los ‘tiempos cronológicos’. En otras palabras, el período de retorno asociado a un
cierto acontecimiento de referencia corresponde al número medio de años necesarios para que el evento
ocurra en un año cualquiera de tales años y es igual al inverso de la probabilidad de que ese
acontecimiento ocurra en un año cualquiera de dichos años, o sea, es igual al inverso de la probabilidad
anual de ocurrencia de ese acontecimiento.

El factor de frecuencia Kt se calcula por medio de la ecuación:


 
Exp  K * Ln 1  Cv 2 
1
 

 Ln 1  Cv 2    1

2

  2 
Kt 
Cv
Donde:
K : Es la variable normal estandarizada para el Tr dado,
Cv : Coeficiente de variación, que se calcula mediante la expresión:

s
Cv 
x
Donde:
s : Desviación estándar de los datos originales
x : Media de los datos originales

El intervalo de confianza, que corresponde a un par de números entre los cuales se estima que estará
cierto valor desconocido con una determinada probabilidad de acierto, se calcula a partir de las
siguientes ecuaciones:
Ln X Tr   t  1  S e

Se 
S y

n
1
 K 2 2
  1  
 2 

Donde:
XTr : Valor de la variable en estudio, estimado para el periodo de retorno analizado
t(1-α): Valor que se obtiene en la tabla de los cuantiles qp de la distribución normal standard N(0,1),
definida por qp=Φ-1(p).

9
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Tabla 8.3 Valores de los cuantiles para la distribución normal standard

qp 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,50 0,0000 0,0251 0,0502 0,0753 0,1004 0,1257 0,1510 0,1764 0,2019 0,2275
0,60 0,2533 0,2793 0,3055 0,3319 0,3585 0,3853 0,4125 0,4399 0,4677 0,4959
0,70 0,5244 0,5534 0,5828 0,6128 0,6433 0,6745 0,7063 0,7388 0,7722 0,8064
0,80 0,8416 0,8779 0,9154 0,9542 0,9945 1,036 1,080 1,126 1,175 1,227
0,90 1,282 1,341 1,405 1,476 1,555 1,645 1,751 1,881 2,054 2,326

Se : Error estándar
n : Número de datos
KT : Variable normal estandarizada
sy : Desviación standard de los datos transformados

8.4.2 Distribución Log Normal de dos parámetros

Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que X se distribuye
normalmente.

Esta distribución es usada para el cálculo de valores extremos, por ejemploejemplo, caudales y
precipitaciones máximos y mínimos. La distribución tiene la ventaja que X > 0 y que la transformación
logarítmica tiende a reducir la asimetría positiva ya que al sacar logaritmos se reducen en mayor
proporción los datos mayores que los menores; una limitación de la distribución es que solamente tiene
dos parámetros, y requiere que los logaritmos de las variables estén centrados en la media.

Función de densidad. La función de densidad está dada por la ecuación

2
1 ( y   y )
1 2  y2
f ( x)  exp x0
x 2

y = ln (x) donde,
my : media de los logaritmos de la población (parámetro escalar), estimado y
sy : Desviación estándar de los logaritmos de la población, estimado sy.
 
Estimación de parámetros. A continuación se presentan las ecuaciones para estimar los parámetros
media y desviación estándar de los datos a ser usados en la distribución

1 n
y  ln xi 
n i 1

1
 1 n
sy     2 2
ln  xi   y  
 n  1 i 1 
 

10
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Factor de frecuencia. Puede determinarse a partir de los datos en el campo original o en el campo
transformado.
 
A partir del Campo transformado. En este caso de trabaja con la media y la desviación estándar de los
logaritmos, así:

Ln X Tr   xTr  KS y

Donde

X Tr  e ln  xTr 

Donde K corresponde a la variable normal estandarizada para el periodo de retorno (Tr) dado, x y y Sy
son respectivamente la media y la desviación estándar de los logaritmos.
 
A partir del Campo original. Si se trabaja con los valores de X sin transformar el Kt se calcula como
 

 
1

Exp  K * Ln 1  Cv 2 2  

 Ln 1  Cv 2  
  1
  2 
Kt 
Cv

K : Variable normal estandarizada para el Tr dado,

s
Cv 
x : Coeficiente de variación

x : Media de los datos originales

s : Desviación standard de los datos originales.

Límites de confianza. Se determinan a partir de las siguientes expresiones

A partir del Campo transformado.

Ln X Tr   t  1  S e

Se 
S y

n
1
 K 2 2
  1  
 2 
Donde:
n : número de datos
Se : Error standard
K : Variable normal estandarizada.

11
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Ejemplo de aplicación.
En un río se tienen 30 años de registros de Q máximos instantáneos anuales con x = 15 m3/s, S = 5 m3/s
(media y desviación estándar para los datos originales); adicionalmente se tiene que x y = 2,655 y que sy
= 0,324 (media y desviación estándar de los datos transformados). Se solicita:
a. Encontrar el caudal para un periodo de retorno de 100 años y los límites de confianza para un a =
5%.
b. Calcular la probabilidad de que un caudal de 25 m3/s no sea igualado o excedido P(Q £ 25).

Solución:

a. Para Periodo de retorno TR =100 años y los siguientes datos:

n = 30; x = 15 m3/s; xy=2.655; s = 5 m3/s; sy = 0.324

 
a.1 En el campo de datos original se tiene:


 
Exp  K * Ln 1  Cv 2 
1
2  

 Ln 1  Cv 2    1
2 
  
Kt 
Cv
Con los datos disponibles se tiene que el coeficiente de variación es:

s 5m 3 / s
Cv    0,333
x 15m 3 / s
K : Es la variable normal estandarizada para el Tr dado,

 1  1  1 
K  F 1 1    F  0,99
1
  F 1 
 Tr   100 

De la Tabla 8.1, para el valor de 0,99 se obtiene que K = 2,33

Sustituyendo los valores respectivos se tiene:


 
1
Exp 2,33 Ln 1  0,3332 2    
 Ln 1  0,3332 
  1

  2 
Kt   3,062
0,333
 
Para estimar el caudal correspondiente a un periodo de retorno de 100 años se tiene que:
 
QTr 100 años  x  s * Kt  

Sustituyendo los valores se tiene:

12
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

QTr 100años  15m 3 / s   5m 3 / s * 3,062  30,31m 3 / s

 
a.2 En el campo de datos transformado se tiene:

En el campo transformado se tiene que:

 
LnQTr 100 años  x y  s y * K
 

Sustituyendo los valores se tiene:

LnQTr 100 años  2,655  0,324 * 2,33

 

LnQTr 100 años  3,4099  

 
QTr 100 años  e 3, 4099  30,262m 3 / s  

Determinación de los límites de confianza

 
Ln X Tr   t  1  S e

Se 
S y

n
1
 K 2 2
  1  
 2 
Como K = 2,33, entonces:
1
 2,332 2
  1  
  1,9273
 2 

Se 
1,9273 * 0,324  0,114
30
t(1-0,05) = t(0,95) : Valor que se obtiene en la Tabla 8.3 = 1,645, (el valor de t corresponde a zi
leído de la tabla de la normal, para una probabilidad de 95%).

Sustituyendo los valores respectivos se tiene:

Ln X Tr   t  1  S e  Ln 30,28  1,645 * 0,114 
 
= 3,41 ± 0.187  los valores mínimo y máximo son respectivamente 3,223 y 3,597; con base en
lo anterior, los valores para el intervalo de confianza para QTr100 son:

e3.223 y e3.597, o sea: 25,10 m3/s y 36,49 m3/s

 
b) Calcular la probabilidad de que un caudal de 25 m3/s no sea igualado o excedido P(Q£ 25).

Se procede a determinar el logaritmo natural del valor a ser evaluado:

13
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

 
Ln (25) = 3,2188 ≈ 3,219

 X  X 
Se estandariza el valor por medio de la ecuación Z 
X
Z
 3,219  2,655  1,7407  1,74
0,324

En la Tabla 8.1 se aprecia que para dicho valor de Z se tiene un valor tabulado de la función de
distribución de 0,959.
P(Q£ 25) = 95,9%

8.4.3 Distribución Gumbel o Extrema Tipo I

Una familia importante de distribuciones usadas en el análisis de frecuencia hidrológico es la

distribución general de valores extremos, la cual ha sido ampliamente utilizada para representar el
comportamiento de crecientes y sequías (máximos y mínimos).

Función de densidad. La función de densidad está dada por la ecuación

  x 
 x    
1 e  

f ( x)  e 


Donde α y β son los parámetros de la distribución

Estimación de parámetros. A continuación se presentan las ecuaciones para estimar los parámetros α
y β a ser usados en la distribución

6
 *s

  x  0,57572
Donde x y s son la media y la desviación standard estimadas con la muestra.

Factor de frecuencia. Puede determinarse a partir de la siguiente ecuación.

6   Tr  
KT   0,5772  ln ln  
    Tr  1  
Donde Tr es el período de retorno.

Límites de confianza. Se determinan a partir de las siguientes expresiones

X t  t  1  S e

14
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

 .s
Se 
n

 
1
2 2
  1  1,1396 K T  1,1K T
KT es el factor de frecuencia y t(1-a) es la variable normal estandarizada para una probabilidad de no
excedencia de 1-a.

Ejemplo de aplicación.
En un río se tienen 30 años de registros de Q máximos instantáneos anuales con x = 15 m3/s, S = 5 m3/s
(media y desviación estándar para los datos originales); adicionalmente se tiene que x y = 2,655 y que sy
= 0,324 (media y desviación estándar de los datos transformados). Se solicita:
a. Encontrar el caudal para un periodo de retorno de 100 años y los límites de confianza para un a =
5%.

Solución:

QTr 100  x  K T .s
6   Tr  
KT   0,5772  ln ln  
    Tr  1  
Como Tr = 100 años 

6
KT    0,5772  ln  ln100  ln 99  3,1366

Sustituyendo valores en QTr 100  x  K T .s se tiene:
QTr 100  15   3,1366 * 5  30,683m 3 / s  30,7 m 3 / s

Determinación de los límites de confianza

 
X t  t  1  S e
 .s
Se 
n

 
1
2 2
  1  1,1396 K T  1,1K T
t(1-0,05) = t(0,95) : Valor que se obtiene en la Tabla 8.3 = 1,645, (el valor de t corresponde a zi leído de la
tabla de la normal, para una probabilidad de 95%).

Recordando que K T  3,1366

  1  1,1396 * 3,1366  1,1* 3,1366 

1
2 2  3,924
Se 
 3,924 * 5  3,582
30
Sustituyendo los valores respectivos se tiene:
15
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

30,7  1,645 * 3,582 

 
= 30,7 ± 5,892  los valores mínimo y máximo son respectivamente 24,808 m 3/s y 36,592 m3/s, que
correspondería al intervalo de confianza para QTr100.

8.4.4 Distribución Gamma de tres parámetros o Pearson Tipo 3

Esta distribución ha sido ampliamente utilizada en hidrología. Como la mayoría de las variables
hidrológicas son sesgadas, la función Gamma se utiliza para ajustar la distribución de frecuencia de
variables tales como crecientes máximas anuales, caudales mínimos, volúmenes de flujo anuales y
estacionales, valores de precipitaciones extremas y volúmenes de lluvia de corta duración.

La función de distribución Gamma tiene dos o tres parámetros.

Función de densidad. La función de densidad está dada por la expresión

 1 x  xˆ0
1  x  xˆ0  
f ( x)    e 
      

Donde

x0 ≤x < para  0

< x ≤x0 para < 0

α y β son los parámetros de escala y forma, respectivamente, y x0 es el parámetro de localización.

Estimación de parámetros. A continuación se presentan las expresiones para estimación de los

parámetros α y β a ser usados en la distribución

Cs
  s*
2
2
 2 
  
 Cs 
x0  x    *  
Cs es el coeficiente de asimetría, x y s son la media y la desviación estándar de la muestra
respectivamente.

Factor de frecuencia. Se determina a partir de la siguiente ecuación.

2 3 4 5


K  z  z 2 1  Cs
6 3
 z
1 3
 6z  
 Cs   Cs 
  z 1 
2
  z
 Cs 
  
1  Cs 

 6   6   6  3 6 
Donde z es la variable normal estandarizada.

16
Hidrología Básica, Capítulo 8 Hernán J. Gómez Z. I.C. Ph.D., Iván A. Sánchez O. I.C. Ph.D.
____________________________________________________________________________________________________________________________

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

Intervalos de confianza. Se determinan a partir de las siguientes expresiones

X t  t  1  S e
 .s
Se 
n

  1  1,1396 K 
1
2 2
T  1,1K T
Donde s es la desviación estándar de la muestra, n es el número de datos y d se encuentra tabulado en
función de Cs y Tr.

Referencias Bibliográficas.

 Lanna, E. A. Elementos de estatística e probabilidades. En: Tucci, C. E. M. Hidrologia: ciência e

aplicação. Porto Alegre: ABRH, 1993. pp. 79-175.
 Monsalve S., G. 2004. Hidrología en la Ingeniería. Editorial Escuela Colombina de Ingeniería.
Cuarta Reimpresión. Bogotá. 359 p.
 Silva, M. G. 1994. Hidrología Básica. Editorial Universidad Nacional de Colombia. Santafé de
Bogotá.

17