1. INTRODUCCIÓN caudal máximo, el volumen o la duración que se considere.

Como
consecuencia de ello las obras y medidas no estructurales que se
El fenómeno del cambio climático genera muchas disponen, estarán sometidas a un nivel de riesgo diferente según la
inquietudes acerca del comportamiento de algunas variables; es por variable utilizada, para determinar valores de diseño
esto que, variables hidrológicas como las precipitaciones y los correspondientes a un determinado período de retorno.
caudales, muestran un papel fundamental en este aspecto, debido a
En este marco, el presente documento técnico basado en los
que son variables directamente influenciables por fenómenos de
contenidos del segundo curso del proyecto FONDEF D08I1054, tiene
amplio espectro temporal y espacial.
como fin realizar un aporte al conocimiento de las funciones de
Por otra parte, para solucionar los problemas que implican distribución de probabilidad que mejor ajustan al comportamiento
el diseño de obras y la planificación hidrológica, se debe recurrir al de eventos extremos y en particular de la variable caudales máximos
estudio de la probabilidad, dado que dichos problemas se refieren a instantáneos (caudales punta), a través de un ejemplo práctico, en
eventos que se podrían producir en el futuro, sin base en una donde se utilizarán las 4 funciones más utilizadas en estudios de
estimación real, (Linsley et. al., 1988). Sin embargo no solamente se variables hidrológicas, a saber Gumbel, Goodrich, Log-Normal y
debe estimar la magnitud del diseño, también se debe indicar la Pearson Tipo III, adicionalmente y a través de pruebas de bondad de
probabilidad de excedencia, con el fin de dar un cierto grado de ajuste como son el el coeficiente de determinación R cuadrado y el
seguridad a la obra, o bien el riesgo de falla, (Muñoz, 2004). De esta test de Kolmogorov Smirnov, se podrá realizar un análisis
forma es necesario construir un modelo probabilístico, en donde se comparativo y una proyección de posibles eventos extremos
debe contar con una función de distribución de probabilidad (FDP), asociados a diferentes períodos de retorno de los caudales punta,
que represente la variable hidrológica de interés. obtenidos de la información fluviométrica proporcionada por la
Dirección General de Aguas.
Las crecidas corresponden a fenómenos de concentración.
Según Ollero (1996), son procesos naturales, sin periodicidad,
constituidos por un incremento importante y repentino del caudal
en un sistema fluvial, el cual lleva consigo un ascenso del nivel de la
corriente, que puede desbordar el cauce menor para ocupar
progresivamente el cauce mayor, hasta alcanzar un máximo, o
caudal-punta y descender a continuación. Según Paoli et al. (1998),
las crecidas que se presentan en términos hidrológicos, poseen un
grado de riesgo y una probabilidad de excedencia diferente, según el
 2. FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD (FDP)

2.1 Definición de las FDP

Según Chow et al. (1994), al conjunto de observaciones x1,

x2, . . . , xn, de la variable aleatoria, se denomina muestra. Una
muestra es sacada de una población hipotéticamente infinita, que
posee propiedades estadísticas constantes. Las propiedades de una
muestra pueden cambiar de una muestra a otra y, el conjunto de
todas las muestras posibles que puede extraerse de una población,
se conoce como espacio muestral, en donde un evento es un
subconjunto muestral. Si las observaciones de una muestra están
idénticamente distribuidas, éstas pueden ordenarse para formar un
histograma de frecuencia. Ahora bien, si el número de
observaciones ni, en el intervalo i que cubre un cierto rango, se
divide por el número total de observaciones n, el resultado se
conoce como frecuencia relativa. Asimismo, la suma de los valores
de la frecuencia relativa hasta un punto dado, es la función de
frecuencia acumulada, y en su límite, cuando n→∞ y ∆χ→0, se
denomina función de distribución de probabilidad (F.D.P.). De igual
forma, la derivada o incremento finito de la F.D.P., se conoce como
función de densidad de probabilidad (f.d.p.).

3.3.- Formas de Determinar la Probabilidad

 Pizarro y Novoa (1986), afirman que para conseguir definir la
probabilidad implícita es preciso consignar dos conceptos previos,
que son el período de retorno y la probabilidad de excedencia.
Período de retorno: Se define como el tiempo que
transcurre entre dos sucesos iguales. Sea ese tiempo T.
Probabilidad de excedencia: Es la probabilidad asociada al
período de retorno.
1 Por otra parte existen otros modelos que representan de mejor
P (x>X) = T
En otras palabras la probabilidad de que la variable aleatoria
tome un valor igual o inferior a cierto número X, está dada por la
función de distribución de probabilidad F(X).
De esta forma es importante definir las Funciones de
Distribución de Probabilidad que mejor se ajustan al
comportamiento de las variables hidrológicas, donde no se
considerará para este ejemplo la función Normal, la cuál si bien es
el modelo más utilizado y con mayor importancia en el campo de la
estadística, su uso es muy limitado en hidrología, dado que las
variables raramente se comportan de esta forma (Varas y Bois,
1998).
forma el comportamiento de variables hidrológicas, un ejemplo de
esto es la Ley de Distribución de Gumbel la cuál ha demostrado
poseer una adecuada capacidad de ajuste, a valores máximos de
caudales, (Pizarro y Novóa 1986). Así mismo y según Aparicio 1997,
la función de distribución de probabilidad de Gumbel se comporta
de la siguiente forma:

considerando que −∞ ≤x ≤∞
Distribución Gumbel:
x −d ( x−μ )
1
F( x)= ∫ f ( x)dx=P( x≤X )=1− P( x≤X )=F (x )=e−e
−∞ T (Ecuación 1)
Luego,
la probabilidad de que x sea mayor que X, viene a estar dada por la Donde:
x
1 χ: Representa el valor a asumir por la variable aleatoria
P( x> X )=1−F ( X )= =1− ∫ f ( x )dx
T −∞ e: Constante de Neper.
μ y d: Parámetros En tanto los parámetros se determinan a partir del siguiente
sistema de ecuaciones:

3
m
Los parámetros de la distribución de una muestra de =P ( p )
tamaño infinito, tienden a los siguientes valores, en base a la media s3 ;
aritmética y la desviación estándar de la muestra: 1
a2 p = 2 [ Γ ( 2 p +1 )−Γ 2 ( p+1 ) ]
s ;

1 X 1 =x−
Γ ( p+1)
d= ap
0 , 779696∗S ; μ=x−0,450047∗S
Donde:
n 3
( xi − x̄ )
Otra FDP conocida en hidrología es la función de m 3 =∑
Distribución de Goodrich, la que posee la cualidad de eliminar m3 : Momento central de orden tres, i=1 n
valores extremos, es decir aquellos cuya probabilidad de ocurrencia S3 : Desviación típica al cubo.
es muy pequeña. Por lo mismo, consigue suprimir las distorsiones P(p): Función auxiliar de Goodrich.
que pueda provocar un sólo valor anómalo. Posee la siguiente S2 : Varianza muestral.
función de distribución de probabilidad (Pizarro et. al., 1993). Г : Función Gamma.
x : Media muestral.
e : Constante de Neper
Distribución de Goodrich:

−a( x−x 1 )1/ p Finalmente, despejando la variable aleatoria x de la función

P( x≤X )=F ( X )=1−e de distribución de probabilidad de Goodrich, se obtiene lo siguiente:
(Ecuación 2)

Para X1< X ≤ ∞
 1 P 1
( ln x i −a )2
n
x=x 1 +
a p
[ −ln (1−F( X )) ]
β= ∑
[
i=1 n ] 2

Donde:
Una tercera FDP importante de considerar importante es la χ: Representa el valor a asumir por la variable aleatoria
Distribución Log-Normal, la cuál tiene la desventaja sobre la α, β: Parámetros
distribución normal de que está limitada a (X>0) y también que la e: Constante de Neper
transformación Log tiende a reducir la asimetría positiva
comúnmente encontrada en la información hidrológica, debido a En el mismo caso que la distribución normal, se asigna z como una
que al tomar los logaritmos, se reduce una proporción mayor de los variable estandarizada:
números grandes en relación a los pequeños (Chow et. al. 1994).
Presenta la siguiente función de distribución de probabilidad:
ln x−a
z=
β
Distribución Log-Normal:
2 Y la probabilidad se encuentra en la tabla Normal, donde el
x 1 ln x−a

F( x)=
1 − (
2 β ) dx valor de la variable x es:
∫e
2 πx ( β ) 0 (Ecuación 3)
β∗z+a
x=e (Ecuación 3 modificada)
Donde los parámetros existentes que se basan en los
logaritmos de la variable aleatoria, están definidos de la siguiente La última Función a estudiar es la Distribución Pearson Tipo
forma: III, la cuál se aplicó por primera vez en la hidrología por Foster
(1924), para poder describir la probabilidad de caudales máximos
n
ln x i anuales. Cuando la información es muy asimétrica positivamente, se
a=∑ utiliza una transformación Log para reducir su asimetría, la cual se
i=1 n presenta de la siguiente forma (Chow et. al., 1994):
Distribución Pearson Tipo III: Asimismo la variable estandarizada y se presenta a continuación:

x−δ
y=
x −δ
a
x
−(
1 ) x−δ
F( x )= ∫
αΓ ( β ) 0
e
δ
( )
δ
dx
(Ecuación 4)
Posteriormente, el ajuste, se realiza a través de la tabla chi-
cuadrado, donde:

2
x =2 y
Donde los parámetros de la distribución pueden ser μ=2 β
estimados en función del promedio ( x
) y desviación estándar (S)
de la muestra, por medio de las siguientes expresiones: Por lo tanto, el valor que asume la variable aleatoria x a partir de lo
anteriormente señalado, se define como:
2
2
α=
S
√β ;
β=
γ() ; δ=x−αβ x= ya+ δ
(Ecuación 4 modificada)

Y la probabilidad es obtenida a través de los valores

Donde: presentes en la tabla de percentiles de la distribución x 2, con n
n 3 grados de libertad.
( x i− x ) / n
γ =∑ 3
i =1 S , γ : Coeficiente de sesgo Los resultados del estudio de Kroll y Vogel (2002, en 1505
estaciones de Estados Unidos, determinan que la función de
e : Constante de Neper Pearson Tipo III, es la que mejor representa a las series de caudales
α, β y δ: parámetros mínimos intermitentes, donde se presentan descargas con valores
S: Desviación típica cero.
x : media aritmética
 Al contar con los ajustes necesarios de estas 4 FDP se desea
representar en este trabajo cuál es la que mejor representa la
tendencia y comportamiento de los caudales punta, para esto se
presenta la siguiente metodología de trabajo:
3. METODOLOGÍA
El ejemplo a considerar contempla la estación Río Maipo en
El Manzano (Latitud Sur: 33°35’; Longitud Oeste: 70°22’), ubicada
en la Región Metropolitana y para ejemplificar se considerará un
período de registro que está comprendido entre los años 1993 –
2007 (15 datos anuales de caudales máximos instantáneos).
3.1. Tratamiento inicial de la información y cálculo de Estadígrafos
Para cada serie de datos, se determinaron por una parte, los
estadígrafos de posición, también llamados de tendencia central,
para indicar alrededor de qué valor se agruparon los datos
obtenidos, como es el caso de la media, y por otra parte, los
estadígrafos de dispersión. Estos estadígrafos o estadísticos, extraen
información de una muestra, indicando las características de la
población:
 Media µ: Es el valor esperado de la variable misma o primer
momento respecto al origen. Muestra la tendencia central
de la distribución y su valor estimado a partir de la muestra
es:
n
1
x= n ∑ x i
n i=1

 Desviación Estándar: Es una medida de la variabilidad, ya

que es la raíz cuadrada, de los cuadrados de las diferencias
y, su valor estimado, se denota como:

n
S=
√
1
∑
n−1 i=1
( x−x )2

Figura 1: Estación Fluviométrica

 En la siguiente tabla se entrega la información fluviométrica de
la estación a trabajar y los estadígrafos media y desviación estándar
necesarias para comenzar a ajustar las funciones:
Tabla N°1: Información de Caudales Punta Estación Rio Maipo
en El Manzano, válida para el cálculo de las FDP.
3.2. Cálculo de la FDP de Gumbel
Posteriormente, con el resultado de los estadísticos media y
desviación estándar, se procede a ajustar las series anuales de
caudales máximos anteriormente presentados. Para esto es preciso
determinar los parámetros de la primera función considerada,
(Gumbel). Como antecedente, este ejemplo puede ser acotado para
otras variables hidrológicas de igual forma, como por ejemplo son
las precipitaciones máximas.

Nº orden Año Caudal Determinación de parámetros  y d:

Maximo
1 1993 1112.400 1
d=
2 1994 403.600 0 , 779696∗S μ=x−0, 450047∗S
d 3 1995 333.080
0.0045903230842 4 1996 134.840 S = desviación estándar de la muestra
m 5 1997 596.800 = media de la muestra.
306.06422968332 6 1998 166.909
7 1999 226.296 Tabla N°2: Parámetros Gumbel
8 2000 571.723 D
a = 0.95 9 2001 678.425 0,004590323
n º de libertad = 15 10 2002 558.946 m
Dt 11 2003 219.012 306,0642297
0.338 12 2004 200.612
13 2005 711.504
14 2006 471.720
 Una vez determinados los parámetros de Gumbel, se debe
ajustar la FDP para esto, primero se debe ordenar la variable
aleatoria en forma creciente, posteriormente se debe determinar la
frecuencia observada acumulada Fn(x) y la frecuencia teórica
acumulada F(x). Las frecuencias observadas se calculan ordenando
en forma ascendente la siguiente expresión de Weibull:
(Ecuación 5)
Donde:
Para finalizar con el ajuste, se debe comprobar la calidad del
ajuste, para esto se contrastaran 2 pruebas el Test de Kolmogorov-
Smirnov (test K-S) y el Coeficiente de Determinación (R2).
El primero se calcula mediante la obtención del supremo de
las diferencias (ver tabla 3), que consiste en determinar el valor
absoluto de la máxima diferencia entre las frecuencias observadas y
acumuladas. Esta diferencia se denomina por la letra Dc y su
expresión es la siguiente:

Fn(X) = Frecuencia Observada Acumulada.

(Ecuación 6)
n = Número del dato n.
N = Número total de datos.
Donde:
Dc = Supremo de las Diferencias.
Por su parte, la frecuencia teórica acumulada de la función
Fn(X)i = Frecuencia Observada Acumulada.
de Gumbel se obtiene a través de la siguiente expresión, donde se
F(X)i = Frecuencia Teórica Acumulada.
consideran los parámetros y la variable ordenada que corresponda
para los 15 datos ejemplificados:
Una vez obtenido el supremo de las diferencias, se compara
−0,004590323( x−306,0642297) con el valor de la tabla Kolmogorov-Smirnov. Si el valor obtenido de
−e
F( X )=e la tabla K-S (Dt), (Tabla Anexa N°1) es mayor que el supremo de las
diferencias (Dc), se puede aceptar la hipótesis nula (Ho) que indicaría
que se está en presencia de un buen ajuste con el nivel de confianza
asumido (Dt > Dc).
Por otra parte para calcular el Coeficiente de Determinación
(R2) se debe considerar la ecuación 7. Dicho Coeficiente es un
indicador que mide cuál proporción o porcentaje de la variación
total de la variable dependiente, es explicada por el modelo de
regresión (Gujarati, 1992): Tabla N°3. Ejemplo para el ajuste de la FDP de Gumbel

R2 =1−
∑ (F n ( x )i−F ( x )i )2
∑ ( F n ( x )i −F n ( x )i )2 (Ecuación 7) P( x  X )  F
Nº orden Año Caudal Orden frecuencia
Donde: Maximo Creciente relativa Fn (X)
1 1993 1112.400 90.99 0.063
R2 : Coeficiente de determinación; 0≤R2≤1 2 1994 403.600 134.84 0.125
F n ( x )i : Media de las frecuencias observadas acumuladas
d 3 1995 333.080 166.91 0.188
Fn ( x)i : Frecuencia observada 0.0045903230842 4 1996 134.840 200.61 0.250
F( x)i : Frecuencia teórica acumulada m 5 1997 596.800 219.01 0.313
306.06422968332 6 1998 166.909 226.30 0.375
A continuación, se presenta en la Tabla N°3 el cálculo de la 7 1999 226.296 333.08 0.438
frecuencia observada acumulada Fn(x), la frecuencia teórica 8 2000 571.723 403.60 0.500
acumulada F( x) y el Supremo de las diferencias que se explica a = 0.95 9 2001 678.425 471.72 0.563
con posterioridad: n º de libertad = 15 10 2002 558.946 558.95 0.625
Dt 11 2003 219.012 571.72 0.688
0.338 12 2004 200.612 596.80 0.750
13 2005 711.504 678.43 0.813
14 2006 471.720 711.50 0.875
N 15 2007 90.993 1112.40 0.938
15 promedio 431.79 0.500
Por otra parte, en la Tabla 4 se presentan los resultados de
las pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y
 15
Coeficiente de Determinación), para el ejemplo de la función de (0 , 063−0 , 0683 )2 (0 ,125−0 , 1114 )2
Gumbel desarrollado. [
R2 =1− ∑ (
1 (0 , 063−0,5 )2
+
(0 , 125−0,5)2
+. . .. .. . .)
]
Tabla N°4. Resultados tests de bondad del ajuste Gumbel Como último punto relacionado con la FDP Gumbel y para
Gumbel
ejemplificar de mejor forma el ejercicio, es necesario conocer el
FDP Ajustada Dc Dt Ajuste K-S R2 valor a asumir por la variable aleatoria (caudal, precipitación etc.)
Gumbel 0,139 0,338 Acepta Ho 0,951 para cierto período de retorno asociado, de tal manera de poder
predecir posibles eventos futuros y poder tomar decisiones de
Donde: gestión. Para esto se pretende despejar dicha variable y calcular su
valor asociado a 10, 20 y 50 años. El despeje se presenta a
A = Se acepta el ajuste. continuación:
Dc = Supremo de las diferencias. −d ( x−μ )
−e
Dt = Valor tabla K-S. F( x)=e
R2 = Coeficiente de determinación.

Al despejar el valor de la variable aleatoria de la función

Los resultados de esta tabla indican que el valor D c=0,139, es
menor que el valor Dt=0,338, obtenido de la tabla K-S con un 95% de original, se obtiene lo siguiente:
confianza ( a = 0,05 con n = 15), con lo cual se cumple la
condición de un buen ajuste K-S. ln(-ln( F ( x )))
x=µ-
d
Por otra parte el Coeficiente de Determinación R 2 alcanza un
95,1%, lo que también indica un buen ajuste del modelo, por lo que Donde:
se puede indicar que la FDP Gumbel es una Distribución que se
ajusta bien a los datos de caudales presentados en el ejemplo. χ: Representa el valor a asumir por la variable aleatoria
e: Constante de Neper
La forma de calcular el R 2, para que quede mejor µ y d: Parámetros
ejemplificado y de acuerdo a la Tabla 3 es la siguiente: 3.3. Cálculo de la Probabilidad de Excedencia
 En la Tabla N°5, se entregan los valores de caudales ln(-ln( F (0,966)))
máximos asociados a los períodos de retorno nombrados x=3 06, 065− =1039
0,00459
anteriormente, de acuerdo a los valores despejados de la variable x
y a los parámetros asociados. Para esto se debe considerar que la Lo que indicaría que considerando dicha serie de datos y un
probabilidad de excedencia: Es la probabilidad asociada al período período de retorno de 30 años, el valor del caudal punta podría
de retorno, y viene dada por la siguiente expresión: adquirir un valor igual o inferior a:
. 3
1
m
P (x>X) = T 1039 s

En otras palabras la probabilidad de que la variable aleatoria Por lo tanto considerando los períodos de retorno 10, 20 y
tome un valor igual o inferior a cierto número X, está dada por la
50 años para el ejercicio se presenta la siguiente tabla de resultados:
función de distribución de probabilidad F(X).

1
F( x )=P( x≤X )=1− Tabla N°5: Probabilidad de Caudales Máximos para los Distintos
T Períodos de Retorno según Gumbel.

Por ejemplo para un período de retorno (T) de 30 años: Período de Probabilidad Probabilidad Gumbel
retorno de excedencia de no excedencia  
1 10 0,100 0,900 796
F( x )=1− =0 , 96 20 0,050 0,950 953
30
50 0,020 0,980 1156

El valor de la variable aleatoria asumiendo ese período De esta forma se ha trabajado con la FDP Gumbel, por lo
debiera ser: tanto se procede a realizar todo el ejercicio, desde la obtención de
parámetros, los ajustes, la comprobación de la calidad del ajuste y el
valor estimado de la variable asociada a diversos períodos de
retorno, para las 3 FDP restantes:
 Para poder realizar los ajustes respectivos de la FDP
3.4. Cálculo de la FDP de Goodrich Goodrich:

Con la serie de datos original pertenecientes a la Tabla N°1, la −a( x−x1 ) 1/ p

cual se presenta a continuación se procede a calcular los parámetros F( X )=1−e
de esta FDP.
Es necesario contar con los parámetros p , a y
X1 ,
Tabla N°1: Información de Caudales Punta Estación Rio Maipo de los cuáles su forma de obtener se detalla a continuación:
en El Manzano, válida para el cálculo de las FDP.
3
m
=P ( p )
s3
1
Nº orden Año Caudal
a2 p = 2
[ Γ ( 2 p +1 )−Γ 2 ( p+1 ) ]
s
Maximo
1 1993 1112.400
Γ ( p+1)
2 1994 403.600 X 1 =x−
1995 333.080
ap
d 3
0.0045903230842 4 1996 134.840
S3 : Desviación típica al cubo.
m 5 1997 596.800 P(p): Función auxiliar de Goodrich.
306.06422968332 6 1998 166.909 S2 : Varianza muestral.
7 1999 226.296 Г : Función Gamma.
8 2000 571.723
x : Media muestral.
a = 0.95 9 2001 678.425
n º de libertad = 15 10 2002 558.946
3
Dt 11 2003 219.012 Para obtener p , primero es necesario conocer m
0.338 12 2004 200.612 (momento de orden tres), el cual se define como la sumatoria de los
13 2005 711.504 desvíos de la serie de datos, con respecto a su respectiva media,
14 2006 471.720 elevado al cubo y cuya sumatoria se divide por el número total de
datos:
 n 3
( xi − x̄ ) El segundo parámetro a calcular es a , el cual se obtiene
m 3 =∑
i=1 n de:

1
Para este ejemplo dicha sumatoria se debe calcular de la a2 p = 2
[ Γ ( 2 p +1 )−Γ 2 ( p+1 ) ]
siguiente forma: s
15 2
( 90 , 99−431 ,79 )3 ( 134 , 84−431 ,79 )3 Para esto se debe consideran S , que corresponde a la
m 3 =∑ + +. .. .. Varianza muestral y Γ (Función Gamma), esta última se obtiene
i=1 15 15 teniendo presente lo siguiente:

Γ ( p ) = ( p −1)!
Es necesario obtener P(p) , para esto m3 se divide por
Γ ( p +1) = p!= p Γ ( p )
Γ ( p −1) = ( p − 2) Γ ( p − 2)
S 3 (Desviación estándar a cubo):
Se utiliza la tabla de valores de la función Gamma, que
m3 también se encuentra al final del capítulo, en este caso es la la Tabla
=P ( p )
s3 Anexa N°3, donde se debe entrar por la parte izquierda, y ubicando
el segundo decimal, se determina la fila y columna que expresa el
Con el valor de P( p) se obtiene en la Tabla denominada valor a asumir por la función.

Valores de la Función P( p) Auxiliar de Goodrich que se presenta Por lo tanto, en algunas ocasiones no será posible aplicar
al final de este documento, y corresponde a la Tabla Anexa N°2, se directamente la tabla, por lo cual se debe hacer una transformación,
obtiene p , interpretado por el valor P( p) ubicado en la la que en términos generales puede plantearse como:
derecha de la Tabla.
Γ ( p + m) = ( p + m −1)( p + m − 2)( p + m − 3)............( p + m − n)r(
Para el caso del ejercicio el valor obtenido es necesario p)
interpolarlo ya que los valores de P( p) se encuentran entre con 1 ¿ p ¿ 1.99
0,737553 y 0,764037.
 Como último punto para despejar
X 1 solo se debe
considerar los valores ya obtenidos anteriormente e incluir x :
Media muestral del total de los datos.

Γ ( p+1)
Un ejemplo para aclarar cómo se obtienen los valores X 1 =x−
2
ap
Γ ( 2 p+1 ) −Γ ( p+1 ) , que es la parte más compleja dentro de
la expresión, es el siguiente: A continuación se presentan los parámetros a , p y
X1 .
Si p=0,6 :

Para ( p +1 )=1,6 entonces al buscar en la tabla de

Tabla N° 6: Parámetros Goodrich
valores de la función Gamma ( Γ ) de 1,6, se obtiene p 0,5448855
2 2 a 0,0000092
Γ ( p +1 )=0 , 894 , por lo tanto Γ ( p+1 )=0 ,894 =0 , 799 . X1 -62,039074

Y para este caso ( 2 p+1 ) =2,2 entonces como el valor De acuerdo a la ecuación 2, y considerando los parámetros
Γ de 2,2 no se encuentra en la tabla se procede a descomponer calculados recientemente la frecuencia Teórica queda expresada de
de esta forma: la siguiente forma:
Γ ( 2,2 )=(1,2+1−1)∗Γ (1,2)=1,2∗0, 918=1 , 1016
−0. 00000092( x+62 , 039074)1/0,5448855
Por lo tanto para despejar
siguiente forma:
a la ecuación final queda de la
F( X )=1−e
1 La frecuencia relativa se obtiene de igual forma que en el
1
s [
a= 2 [ Γ ( 2 p+1 )−Γ 2 ( p+1 ) ]
] 2p ejercicio anterior, considerando:
  d ( x )
P( x  X )  F ( x)  e  e
(Ecuación 5)
Nº orden Año Caudal Orden frecuencia frecuencia teórica
Donde: Maximo Creciente relativa Fn (X) Gumbel F(X)
1 1993 1112.400 90.99 0.063 0.0683
Fn(X) = Frecuencia Observada Acumulada. 2 1994 403.600 134.84 0.125 0.1114
n = Número del dato n. d 3 1995 333.080 166.91 0.188 0.1504
N = Número total de datos 0.0045903230842 1996 134.840 200.61 0.250 0.1974
4
A continuación, en la Tabla 7 se ejemplifica el cálculo de la
m 5 1997 596.800 219.01 0.313 0.2251
frecuencia observada acumulada Fn(x), frecuencia teórica
306.06422968332 6 1998 166.909 226.30 0.375 0.2364
acumulada F(x), y el Supremo de las diferencias Dc, tal como en el
7 1999 226.296 333.08 0.438 0.4134
ejemplo anterior.
8 2000 571.723 403.60 0.500 0.5278
Tabla N°7. Ejemplo para el ajuste de la FDP de Goodrich a = 0.95 9 2001 678.425 471.72 0.563 0.6266
n º de libertad = 15 10 2002 558.946 558.95 0.625 0.7311
Dt 11 2003 219.012 571.72 0.688 0.7442
0.338 12 2004 200.612 596.80 0.750 0.7685
13 2005 711.504 678.43 0.813 0.8344
14 2006 471.720 711.50 0.875 0.8560
N 15 2007 90.993 1112.40 0.938 0.9756
15 promedio 431.79 0.500 Dc
desvest 279.39 Dt
En la Tabla 8 se presentan los resultados de las pruebas de
bondad del ajust (Test Kolmogorov-Smirnov y Coeficiente de
Determinación). Los cuales se obtienen de las ecuaciones 7 y 8.

Para la calidad del ajuste en la tabla 8 se observa el test de

Kolmogorov-Smirnov (test K-S) donde debe ser comparado el Dc
máximo con el Dt igual como en el ejemplo de Gumbel a través de
las ecuación 6, esto se realiza al nivel de confianza del 95% y con un
n observado de 15 datos. Finalmente, despejando la variable aleatoria x de la función
de distribución de probabilidad de Goodrich, se obtiene lo siguiente:
Por otra parte, para conocer el porcentaje de los datos
observados que son explicados por el modelo en este caso el
Coeficiente de Determinación (R2) se utiliza la ecuación 7, de igual
1 P
forma que el ejercicio anterior. x=x 1 + p
[−ln (1−F( X )) ]
a
Tabla 8. Resultados tests de bondad del ajuste Goodrich Donde:

FDP Ajustada Dc Dt Ajuste K-S R2 χ: Representa el valor a asumir por la variable aleatoria.
Goodrich 0,116 0,338 Acepta Ho 0,97 p , a y X 1 : Parámetros obtenidos anteriormente.
F(X): Probabilidad de no excedencia asociada al período de retorno:
Los valores obtenidos de K-S muestran un D c=0,116, menor
que el valor Dt=0,338, aceptándose la Hipótesis Nula de un buen 1
ajuste. Para el caso del Coeficiente de Determinación R 2 se presenta F( x )=P( x≤X )=1−
T
un 97%, lo que también indica un buen ajuste del modelo. Por lo
que el ajuste de Goodrich es óptimo al igual que el caso de Gumbel.
Los valores mencionados anteriormente se presentan a
continuación:

Por otra parte para conocer el valor asumido por la variable
aleatoria asociado a los períodos de retorno estudiados 10, 20 y 50
años, se realiza el despeje de la siguiente FDP:
−a( x−x1 ) 1/ p
F( X )=1−e
3.5. Cálculo de la Probabilidad de Excedencia
Se procede a entregar la Tabla N°9, con los valores de
caudales máximos asociados a los períodos de retorno, de acuerdo
al despeje de la variable x, junto con los parámetros asociados a la
función de Goodrich.
 base con los mismos 15 datos para el ejercicio, los cuáles son
Tabla N° 9: Probabilidad de Caudales Máximos para los Distintos considerados para calcular los nuevos parámetros.
Períodos de Retorno según Goodrich.
Tabla N°1: Información de Caudales Punta Estación Rio Maipo
Período de Probabilidad Probabilidad Goodrich en El Manzano, válida para el cálculo de las FDP.
retorno de excedencia de no excedencia  
10 0,100 0,900 812
20 0,050 0,950 947
50 0,020 0,980 1105
Nº orden Año Caudal
Estos valores son obtenidos del despeje anterior y se asocian Maximo
a los períodos de retorno nombrados. Como referencia se puede 1 1993 1112.400
considerar el ejemplo de Gumbel, donde se muestra como al 2 1994 403.600
despejar la variable aleatoria con la probabilidad asociada se puede d 3 1995 333.080
estimar dichos valores de caudales para el futuro. 0.0045903230842 4 1996 134.840
m 5 1997 596.800
A continuación se presentan los resultados de la tercera 306.06422968332 6 1998 166.909
Función considerada Log-Normal: 7 1999 226.296
8 2000 571.723
a = 0.95 9 2001 678.425
n º de libertad = 15 10 2002 558.946
Dt 11 2003 219.012
0.338 12 2004 200.612
13 2005 711.504
14 2006 471.720
3.6. Cálculo de la FDP Log-Normal
,
En primera instancia se presenta nuevamente la Tabla 1, la A continuación se presenta la FDP Log-Normal
cual conserva los estadígrafos media y desviación estándar por ser la correspondiente a la ecuación 3:
 1
( ln x i −a )2
n

F( x)=
1
∫
x

e
− (
2
1 ln x−a
β
2
) dx β= ∑
[
i=1 n ] 2

2 πx ( β ) 0
El cálculo se realiza de forma similar pero esta vez se
considera la diferencia los cuadrados de los ln y a (obtenido
Los parámetros necesarios para este caso son los que se
anteriormente) dividida por n (15), en sumatoria, al final a todo este
basan en los logaritmos de la variable aleatoria, los cuales son los
valor se le aplica raíz o se eleva a ½.
siguientes:

n
ln x i
a=∑ Por ejemplo si a = 4,5 en este caso el cálculo sería de la
i=1 n
siguiente forma:
Para el caso de a cada valor de la variable ordenada se le 1
ln 90 ,99−4,5 ln 134 , 84−4,5
calcula el ln de cada dato, se sumay se divide por el n° de datos que
es en este caso 15, por lo tanto el ejercicio partiría de la siguiente
forma:
β=
[(
15
+
15 )( +. .. ... . ) ] 2

A continuación se presentan los valores obtenidos de los

15
ln 90 , 99 ln134 , 84 parámetros a y β en el ejemplo de la FDP Log-Normal.
a=∑ .. . .. + +. .. . .. .
i=1 15 15
Tabla N° 10: Parámetros Log-Normal

a 5,852
β 0,689
El segundo parámetro de esta FDP es β :
De acuerdo a la ecuación 3, considerando los parámetros
obtenidos la F(X) es la siguiente:
 2
x 1 ln x −5 , 852 Por otra parte la frecuencia relativa se obtiene de igual
F( x )=
1 −
2( 0 , 689 ) dx forma que en los ejercicios anteriores, considerando:
∫e
2 πx ( 0 , 689 ) 0
Pero de acuerdo a la complejidad de la función que
(Ecuación 5)
considera una integral se debe estandarizar la expresión quedando
Donde:
expresada de la siguiente forma:
Fn(X) = Frecuencia Observada Acumulada.
n = Número del dato n.
ln x−a
z= N = Número total de datos.
β
A continuación, en la Tabla N°11 se presenta el cálculo de la
Para este caso incluyendo los parámetros de la función se
frecuencia observada acumulada Fn(x), la frecuencia teórica el Dc
obtiene lo siguiente:
con el supremo de dichas diferencias, para la Función Log-Normal,
ln x−5 , 852 de igual forma como los ejercicios anteriores.
z=
0 , 689

Donde el cálculo de la frecuencia teórica F(X), se obtiene del

valor z, el cual se busca en la tabla normal estándar (Tabla Anexa
N°4). Si el z es positivo la Frecuencia Teórica es el valor directo que
se entrega en dicha tabla, pero si z es negativo el valor F(X) a asumir
es 1 – el valor de z, pero dicho z debe ir en valor absoluto. Un
ejemplo de lo anterior es lo siguiente:

Si z = -1,95, entonces F(X) = 1 – z(1,95), donde z(1,95) Tabla N°11. Ejemplo para el ajuste de la FDP Log-Normal
=.0,9744, por lo tanto F(X) = 1- 0,9744 = 0,0256.
 Coeficiente de Determinación). Estos se calculan de la misma forma
x )
e d ( los
queen
P( x  X )   e de losejercicios
F ( x) partir anteriores considerando las ecuaciones 7 y 8, a
datos obtenidos de la Tabla 11.
Nº orden Año Caudal Orden frecuencia frecuencia teórica
Tabla 12. Resultados tests de Bondad de Ajuste Log-Normal
Maximo Creciente relativa Fn (X) Gumbel F(X)
1 1993 1112.400 90.99 0.063 0.0683
FDP Ajustada Dc Dt Ajuste K-S R2
2 1994 403.600 134.84 0.125 0.1114
Log-Normal 0,130 0,338 Acepta Ho 0,938
d 3 1995 333.080 166.91 0.188 0.1504
0.0045903230842 4 1996 134.840 200.61 0.250 0.1974
m 5 1997 596.800 219.01 0.313 0.2251
1
306.06422968332 6 1998 166.909 226.30 0.375 0.2364 F( x )=1− =0 , 96
30
7 1999 226.296 333.08 0.438 0.4134
En la comparación del test de Kolmogorov-Smirnov (Test K-
8 2000 571.723 403.60 0.500 0.5278 S) el Dc máximo con el Dt al nivel de confianza del 95% y con un n
a = 0.95 9 2001 678.425 471.72 0.563 0.6266 observado de 15 datos para el caso de Log-Normal se obtiene lo
n º de libertad = 15 10 2002 558.946 558.95 0.625 0.7311 siguiente: Dc = 0,116 es menor que el Dt = 0,338, por lo que el ajuste
Dt 11 2003 219.012 571.72 0.688 0.7442 es aceptable.
0.338 12 2004 200.612 596.80 0.750 0.7685
Por otra parte el porcentaje de los datos observados
13 2005 711.504 678.43 0.813 0.8344
explicados por el modelo a través del Coeficiente de Determinación
14 2006 471.720 711.50 0.875 0.8560 (R2) entregan un 93,8%, lo que es un valor alto y aceptable también.
N 15 2007 90.993 1112.40 0.938 0.9756
15 promedio 431.79 0.500 Dc Para conocer el valor asumido por la variable aleatoria
desvest 279.39 Dt asociado a los 3 períodos de retorno estudiados es necesario
conocer el despeje de la variable aleatoria x, la cuál de acuerdo a la
complejidad de la Función original esta se realiza de la
Posteriormente la Tabla 12 presenta los resultados de las estandarización de z, obteniéndose la siguiente fórmula:
pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y
 x=e β∗z+a (Despeje de X en la Ecuación 3 estandarizada) 3.7. Cálculo de la Probabilidad de Excedencia

Con la expresión anterior se procede a entregar la tabla

Donde: N°13, que incluyen los valores de caudales máximos asociados a los
períodos de retorno para la FDP Log-Normal, de acuerdo al despeje
β , a = Parámetros obtenidos de la variable x.
e = Constante de neper
Tabla N° 13: Probabilidad de Caudales Máximos para los Distintos
Y donde Z = es el valor que se obtiene de la Tabla Anexa N°4,
Períodos de Retorno según Log-Normal.
el cual se aproximo para este ejercicio, en este caso se ingresa con
una probabilidad y se obtiene Z, por ejemplo:
Período de Probabilidad Probabilidad Log-
Retorno de excedencia de no excedencia  Normal
Si se considera un período de retorno T = 30 años, entonces: 10 0,100 0,900 846
20 0,050 0,950 1085
50 0,020 0,980 1439

Estos valores se asocian a los períodos de retorno

Por lo tanto al ingresar a la tabla Z, con una probabilidad de considerados de acuerdo a la cantidad de datos y al ajuste obtenido
0,96 se asume un Z = 0,9608 se obtiene un valor de Z aproximado de a través de Log-Normal
1,76.

Finalmente se presentan los resultados de acuerdo a la FDP

Entonces con todos estos valores se despeja la variable
Pearson Tipo III.
aleatoria, la cual se presenta a continuación.
3.8. Cálculo de la FDP Pearson Tipo III

Para ejemplificar de forma más clara la obtención de los Nº orden Año Caudal
parámetros de esta FDP, es necesario nuevamente considerar la Maximo
Tabla 1, que representa la base original de la información. 1 1993 1112.400
2 1994 403.600
Tabla N°1: Información de Caudales Punta Estación Rio Maipo 1995 333.080
d 3
en El Manzano, válida para el cálculo de las FDP. 1996 134.840
0.0045903230842 4
m 5 1997 596.800
306.06422968332 6 1998 166.909
7 1999 226.296
8 2000 571.723
a = 0.95 9 2001 678.425
n º de libertad = 15 10 2002 558.946
Dt 11 2003 219.012
0.338 12 2004 200.612
13 2005 711.504
14 2006 471.720
Los parámetros necesarios para ajustar la distribución
Pearson Tipo III, son α , β y δ , los cuales pueden ser
estimados en función del promedio ( x ) y desviación estándar (S)
de la muestra,

pero en primera instancia se requiere calcular del coeficiente de

sesgo γ , el cual presenta la siguiente fórmula:
 n
( x i− x )3 / n
γ =∑ α 104,841
i =1 S3 , γ : Coeficiente de sesgo

Por lo tanto a partir del coeficiente de sesgo γ , se pueden

β 7,102
calcular los restantes parámetros, ahora se ejemplifica la forma de
calcularlo de acuerdo a los datos que se tienen considerados: δ -312,766

(90 , 99−431, 79) 3 (134 , 84−431 ,79 )3

γ=∑
15

i=1
( 15
279 , 393 )[
+ ..
15
279 ,393 ]
. . .. ..+. . .
De acuerdo a la ecuación 4, considerando los parámetros
obtenidos se obtiene la F(X) siguiente:

1
x −(
x −−312 ,766
)
Con el valor de γ se obtienen los parámetros a finales los
F( x )= ∫
104 , 841 Γ ( 7 ,102 ) 0
e
−312 , 766
( x−−312, 766
−312 , 766 )
dx

cuales se entregan en las siguientes expresiones:

2
2
α=
S
√β
β=
γ() δ=x−αβ
Para hacer menos compleja la FDP anterior se presenta
estandarizada de la siguiente forma:

α, β y δ: Parámetros directos de la función x−δ

S: Desviación estándar y=
a
x : Media aritmética
En este caso incluyendo los parámetros seria:

A continuación se presentan los valores obtenidos de los x+312, 766

parámetros a y β y=
en el ejemplo de la FDP Log-Normal. 104 ,841
Posteriormente con los valores de y obtenidos de la
Tabla N° 14: Parámetros Pearson Tipo III
expresión anterior, se procede a calcular la frecuencia teórica del
ajuste, la cual corresponde a x 2 , con μ grados de libertad, interpolando dicho valor se obtiene que para X = 90,99 m3/s la
frecuencia teórica acumulada es 0,096. De esta forma se construye
obtenidas de la Tabla de percentiles,
x2
p de la Distribución Chi- completamente el F(X) Pearson Tipo III.
Cuadrado (Tabla Anexa N°5). De no encontrarse el valor exacto, se
aproxima al más cercano, de lo contrario se procede a interpolar. Para el caso de la frecuencia observada o frecuencia relativa
se conserva la fórmula:
x 2=2 y
μ=2 β
(Ecuación 5)
Un ejemplo de cómo obtener dicha frecuencia teórica
Donde:
acumulada y considerando los datos originales es el siguiente:
Fn(X) = Frecuencia Observada Acumulada.
Para X = 90,99 m3/s (primer dato de la serie ordenada),
n = Número del dato n.
entonces:
N = Número total de datos.

90 ,99+312,766
y= =3,8511
104 ,841 A continuación, en la Tabla N°15 se presentan los valores de
la frecuencia observada acumulada F n(x), la frecuencia teórica el Dc
2
Entonces el valor x =2 y=2∗(3 , 8511)=7 , 702
con el supremo de dichas diferencias, tal como en el ejemplo
anterior:
μ=2 β=2∗(7 , 102)=14 , 204=14
Ahora

Por lo tanto se busca el valor en la Tabla anexa N°5 de

2
x =7 ,702 y μ= 14 grados de libertad, de lo que se obtiene
que el valor de probabilidad exacto se presenta entre 6,57
correspondiente a un 0,05 y 7,79 correspondiente a 0,10, luego
 Posteriormente la Tabla 16 presenta los resultados de las
Tabla N°15. Ejemplo para el ajuste de la FDP Pearson Tipo III 2
pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y de R
).
 d ( x )
P( x  X )  F ( x)  e  e Para esto nuevamente se calculan las ecuaciones 7 y 8, a
partir de los datos obtenidos en este caso de la Tabla 11 y siguiendo
Nº orden Año Caudal Orden frecuencia frecuencia teórica el primer ejemplo.
Maximo Creciente relativa Fn (X) Gumbel F(X)
1 1993 1112.400 90.99 0.063 0.0683 Tabla N°16. Resultados tests de bondad del ajuste Pearson Tipo III
2 1994 403.600 134.84 0.125 0.1114 FDP Ajustada Dc Dt Ajuste K-S R2
d 3 1995 333.080 166.91 0.188 0.1504 Pearson Tipo III 0,118 0,338 Acepta Ho 0,965
0.0045903230842 4 1996 134.840 200.61 0.250 0.1974
m 5 1997 596.800 219.01 0.313 0.2251
306.06422968332 6 1998 166.909 226.30 0.375 0.2364
7 1999 226.296 333.08 0.438 0.4134
8 2000 571.723 403.60 0.500 0.5278 Se comprueba la calidad del ajuste, con las ecuaciones 6 y 7
2001 678.425 consideradas para las 2 pruebas ya utilizadas obteniéndose para el
a = 0.95 9 471.72 0.563 0.6266
test de Kolmogorov-Smirnov (test K-S) un Dc = 0,118 menor el
n º de libertad = 15 10 2002 558.946 558.95 0.625 0.7311
mismo Dt = 0,338 obtenido para todos ejemplos realizados, por lo
Dt 11 2003 219.012 571.72 0.688 0.7442 que se acepta Ho.
0.338 12 2004 200.612 596.80 0.750 0.7685
13 2005 711.504 678.43 0.813 0.8344 Mientras que para el Coeficiente de Determinación (R2) se
14 2006 471.720 711.50 0.875 0.8560 alcanza un 96,5 %, lo que referencialmente es bastante bueno
N 15 2007 90.993 1112.40 0.938 0.9756 también. Los resultados se presentan a continuación:
15 promedio 431.79 0.500 Dc
desvest 279.39 Dt
Para conocer el valor asumido por la variable aleatoria
Acepta Ho (Los datos se ajustan bastante bien a la función de Gumbel con un nivel de confianza del 95%)
asociado a los 3 períodos de retorno estudiados es necesario
conocer el despeje de X, la que también al ser una FDP compleja se
le realiza un despeje pero con los valores de y obtenidos de la Asumiendo los 14 grados de libertad, por lo tanto el valor
2 de:
expresión x asociada a la ecuación presentada anteriormente la
cual representa a x de la siguiente forma: y=13,05
x= ya+ δ De esta forma se obtienen los parámetros para poder
(Despeje de la Ecuación 4 modificada)
calcular el valor a asumir por la variable aleatoria que para la
probabilidad de excedencia se consideran los períodos de retorno
Los valores de a,δ fueron los parámetros obtenidos
10, 20 y 50 años al igual que en los ejercicios anteriores.
anteriormente, mientras que el caso de y se obtiene de la
ecuación:
2
x =2 y μ=14 grados 3.9. Cálculo de la Probabilidad de Excedencia

Con la expresión anterior se procede a entregar la tabla

N°17, que incluyen los valores de caudales máximos asociados a los
Por ejemplo si se considera se considera un período de 40
períodos de retorno para la FDP Pearson Tipo III, de acuerdo al
años: despeje de la variable x, según la ecuación anterior y considerando
las ecuaciones x 2=2 y , μ=2 β .
1
F( x )=1− =0 ,75
40 Tabla N° 17: Probabilidad de Caudales Máximos para los Distintos
Períodos de Retorno según Pearson Tipo III.

A lo que le correspondería según la Tabla Anexa N°5: Período de Probabilidad Probabilidad Pearson
retorno de excedencia de no excedencia  Tipo III
2
x 0, 975 =2 y=26,1 10 0,100 0,900 793
20 0,050 0,950 930
50 0,020 0,980 1108
 Para finalizar se presenta como cuadro resumen los Testsde extremos. Sin embargo otros autores siguen proponiendo el uso de
Bondad de Ajuste de las 4 FDP y se procede a elegir la que mejor las 4 funciones para ajustar valores extremos, dado que va a
representa la tendencia de los datos considerados en el ejercicio: depender del espacio geográfico donde se esté estimando, la
variabilidad, la cantidad de datos con que se cuente, entre otros.

Tabla N°18: Resumen FDP y test de bondad de ajuste

Diferencia
FDP Ajustada Dc Dt Ajuste K-S R2
entre Dt y Dc
Gumbel 0,139 0,338 0,1990 Acepta Ho 0,951 REFERENCIAS BIBLIOGRÁFICAS
Goodrich 0,116 0,338 0,2220 Acepta Ho 0,970
Aguilera, M.A. 2007. Análisis de las funciones de distribución de
Log-Normal 0,13 0,338 0,2080 Acepta Ho 0,938
probabilidad para caudales máximos en la Región del Maule. Talca,
Pearson Tipo III 0,118 0,338 0,2200 Acepta Ho 0,965 Chile. Universidad de Talca, Facultad de Ciencias Forestales. 86 p.
Aparicio, F. 1997. Fundamentos de Hidrología de Superficie. 11 ed.
Por lo tanto la Función que entrega una diferencia mayor México. Editorial Limusa S.A. 303 p.
entre el valor de tabla y el valor crítico supremo en la prueba K-S, es
Ashakar, F.; T.B.M.J Ouarda, R. Roy and B. Bobée. 1993. Robust
Goodrich, lo que estaría indicando una leve inclinación a un mejor
estimators in hydrologic frequency analysis, in Engineering
ajuste de los datos presentados, sobre todo si también se presenta Hydrology. Edited by C.Y, Am. Soc. Civ. Eng. 347-352 p.
el mayor R2 de las 4 Funciones.
Blazkova, S.; Beven, K.; 2003. Flood frequency estimation by
Estos resultados demuestra lo que algunos estudios indican continuos simulation of subcatchment rainfalls and discharges with
como por ejemplo Blazkova y Beven (2003), determinan la the aim improving dam safety assessment in a large basin in the
Czech Republic. Journal of hydrology. 294 (1-4) 153-172. Consultado
probabilidad de excedencia asociada para los caudales a través de
03 Junio 2008. Disponible en base de datos Science Direct.
Goodrich, encontrando mayor claridad para la evaluación del grado
de seguridad en el funcionamiento de obras para mitigar eventos
Casassa, G.; Echelmeyer, K.; Neumman, T.; Raymond, Ch.; Rignot, E.;
Rivera, A. 2005. Reatreat of Glaciar Tyndall, Patagonia, over the last
half-century. Journal of Glaciology. 51 (1) 239-247. Consultado 28
Jul. 2008. Disponible en
http://www.glaciologia.cl/textos/raymd.pdf
Chavarri, E. 2004. Curso IA-4026, Hidrología Aplicada. (en línea).
Consultado 19 nov. 2007. Disponible en
http://tarwi.lamolina.edu.pe/ ~echavarri/echv_7.html
Chow, V.; Maidment, D.; Mays, L. 1994. Hidrología aplicada.
Colombia. Editorial McGraw-Hill. Interamericana S.A. 584 p.
Combes, S.; Prentice, M.; Hansen, L.; Rosentrater, L. 2002. Climate
change and global glacier decline. (en línea). Consultado 06
diciembre 2007. Disponible en:
http://www.wwf.fi/wwf/www/uploads/pdf/glaciersraportti.pdf
Foster, H. 1988. Theoretical frequency curves and their application
to engineering problems. Trans. Am. Soc. Civ. Eng. 87 (2) 142-173.
Kroll, C.; Vogel, R. 2002. The probability distribution of low
streamflow series in the Unit United States. Journal of Hydrologic
Engineering. EEUU. ASCE, 7(2), 137-146.
Linsley, R.; Kohler, M.; Paulus, J. 1988. Hidrología para ingenieros. 2
ed. México. Editorial McGraw-Hill Interamericana S.A. 386 p.
Llamas. 1993. Hidrología General. Edición española. Servicio
Editorial Universidad del País Vasco. 635 p.
Miller N., Bashford K. ,Strem E. 2003. Potential Impacts of Climate
Change on California hydrology Journal of the American Water
Resources Association 39 (4), 771–784. Consultado 13 junio 2008.
Disponible en base de datos Dialnet.
Morales, C. M. 2005. Análisis de las escorrentías mensuales y
anuales de la cuenca del Lontué y la potencial influencia glaciar en la
producción de agua. Talca, Chile. Universidad de Talca, Facultad de
Ciencias Forestales. 127 p.
Muñoz, M.F. 2004. Análisis de algunas de las variables hidrológicas y
su ajuste a funciones de distribución de probabilidad, en tres
cuencas de la Región del Maule. Talca, Chile. Universidad de Talca,
Facultad de Ciencias Forestales. 86 p.
Ollero, A.1996. El curso medio del Ebro: geomorfología fluvial,
ecogeografía y riesgos. (en línea). Consultado 26 Jun. 2008.
Disponible en
http://www.ingeba.euskalnet.net/lurralde/lurranet/lur20/
200oller/ollero20.htm
Önoz, B.; Bayazit, M. T. 2001. Effect of the occurrence process of the
peaks over threshold on the flood estimates. Journal of hydrology.
224 (1-2) 86-96.
Consultado 06 Abril 2008. Disponible en base de datos Sicence
Direct.
Paoli C.; Cacik P.; Bolzicco J. 1998. Análisis de riesgo conjunto en la
determinación de crecidas de proyectos de régimenes complejos.
(en línea). Consultado 24 nov. 2007. Disponible en
https://upcommons.upc.edu/revistes/bitstream/2099/2986/1/52ar
ti cle.pdf
Pizarro, R.; González, P.; Wittersheim, M.; Saavedra, J.; Soto, C.
1993.
Yue, S.; Ouarda, T.; Bobée, B.; 2006, Legendre; P.; Bruneau, P. The
Gumbel mixed model for flood frequency analysis. Journal of
hydrology. 226 (1-2) 88-100. Consultado 06 diciembre 2007.
Disponible en base de datos Sicence Direct.

Elementos técnicos de Hidrología III. Proyecto regional sobre el uso

y conservación del recurso hídrico en áreas de América Latina y el
Caribe. Talca, Chile. Editorial Universidad de Talca. 136 p.

Pizarro, R.; Novoa, P. 1986. Elementos técnicos de Hidrología I.

Instructivos técnicos. La Serena, Chile. Corporación Nacional
Forestal, Ministerio de Agricultura. 57 p.

Pizarro, R.; Morales, C; Moran, L.; Vargas, J.; Sanguesa, C.; Godoy, C.;
2006. Informe País. Estado del Medio Ambiente en Chile 2005.
Santiago. Chile. Capítulo 2. Aguas Continentales. Instituto de
Asuntos Públicos, Universidad de Chile. Editorial LOM. 371 p.

Sullivan, A.; Ternan, J.; Williams, A. Land use change and

hydrological response in the Camel catchment, Cornwall. Applied
Geography. 24 (2) 119-137. Consultado 06 diciembre 2007.
Disponible en base de datos Science Direct.

Varas, E.; Bois, P. 1998. Hidrología probabilística. Santiago. Chile.

Editorial Universidad Católica de Chile. 156 p.

Waylen, P.; Woo , M. Prediction of Annual Floods Generated by

Mixed Processes. Water Resources Research. 18 (4) 1283-1286.
Consultado 03 Junio 2008. Disponible en base de datos CSA.