UIVERSIDAD ACIOAL DE CÓRDOBA

Facultad de Ciencias Exactas, Físicas y aturales





Cátedra de Hidrología y Procesos Hidráulicos

Clase de Estadística Hidrológica






Profesores:
Titular: Dr. Ing. Juan Carlos Bertoni
Adjunto: Dra. Ing. Teresa Reyna
Adjunto: Ing. Sergio Menajovsky
Asistente: MSc. Ing. Facundo Alonso
Adscripta: MSc. Ing. Cecilia Pozzi
Adscripto: Ing. Facundo Ganancias Martínez



Preparado por: Ing. Facundo Ganancias Martínez







Córdoba, 2009
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 2 -

ÍNDICE

I - INTRODUCCIÓN................................................................................................................................... - 3 -
II - NIVEL DE SIGNIFICANCIA................................................................................................................ - 3 -
III - PRUEBAS DE INDEPENDENCIA....................................................................................................... - 6 -
III.1 - Prueba de Independencia: Anderson....................................................................................... - 6 -
III.2 - Prueba de Independencia: Corridas de Wald-Wolfowitz ......................................................... - 7 -
Introducción................................................................................................................................................. - 7 -
Desarrollo .................................................................................................................................................... - 7 -
IV - PRUEBAS DE HOMOGENEIDAD...................................................................................................... - 9 -
IV.1 - Prueba de Homogeneidad: Helmert ........................................................................................ - 9 -
IV.2 - Prueba estadística de t de Student........................................................................................... - 9 -
IV.3 - Prueba estadística de Cramer................................................................................................ - 10 -
V - TÉCNICAS DE ESTIMACIÓN DE PARÁMETROS ........................................................................... - 11 -
V.1 - Tipos de Modelos Teóricos .................................................................................................. - 11 -
V.2 - Método de los Momentos..................................................................................................... - 12 -
V.3 - Método de Máxima Verosimilitud........................................................................................ - 14 -
V.4 - Método de Momentos de Probabilidad Pesada...................................................................... - 15 -
V.5 - Método de Mínimos Cuadrados............................................................................................ - 16 -
V.6 - Método de Momentos L....................................................................................................... - 17 -
V.7 - Método de Momentos de Probabilidad Pesada...................................................................... - 18 -
VI - ANÁLISIS DE FRECUENCIA DE VALORES EXTREMOS.............................................................. - 19 -
VI.1 - Distribución Normal ............................................................................................................ - 20 -
VI.2 - Distribución Gumbel............................................................................................................ - 22 -
VI.3 - Distribución General de Valores Extremos (GVE)................................................................ - 24 -
VI.4 - Distribución Log Pearson Tipo III........................................................................................ - 27 -
VII - MÉTODOS DE SELECCIÓN DE DISTRIBUCIONES...................................................................... - 29 -
VII.1 - Introducción.................................................................................................................... - 29 -
VII.2 - Técnica Chi – Cuadrado.................................................................................................. - 29 -
VII.3 - Técnica Kolmogorov - Smirnov....................................................................................... - 30 -
VII.4 - Técnica de Papeles Probabilísticos................................................................................... - 30 -
VII.5 - Técnica del Error Estándar de Ajuste............................................................................... - 31 -
VIII - BIBLIOGRAFÍA.............................................................................................................................. - 31 -

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 3 -

I - ITRODUCCIÓ

El estudio de frecuencia de caudales máximos es uno de los tópicos más estudiados de
la Hidrología, dada la necesidad de estimar la probabilidad de ocurrencia de crecidas para el
diseño de obras hidráulicas, protección de ciudades, etc.

El enfoque clásico del análisis de frecuencia se basa en el empleo de una serie de datos
observados de manera sistemática en una sección o punto de interés de un río o una cuenca.
Para el adecuado empleo de dicha serie, es necesario verificar en primera instancia el
cumplimiento de dos tipos de pruebas de hipótesis: Pruebas de Independencia y Pruebas de
Homogeneidad.

Las pruebas de Independencia son utilizadas para demostrar que los valores que
conforman la serie son aleatorios. Esta afirmación implica que la probabilidad de ocurrencia
de uno cualquiera de ellos no depende de la ocurrencia del o de los valores precedentes, y no
afecta de ninguna manera a la probabilidad de ocurrencia de las datos posteriores.

Por su parte las pruebas de Homogeneidad evalúan si todos los valores que conforman
la muestra, provienen estadísticamente de una misma población. Para ello es necesario dividir
la muestra en dos o más grupos de tamaños iguales (o diferentes), y se comparan los
estadísticos de la muestra: media, mediana, varianza, entre otros.

La aceptación de las pruebas de independencia y homogeneidad de la muestra estará
dada en función de un nivel de significancia propuesto, por lo general del 5 %.

II - IVEL DE SIGIFICACIA

En problemas estadísticos, al afirmar cierta hipótesis que se desea contrastar, la misma
recibe el nombre de hipótesis nula
0
H . El nombre de “nula” indica que
0
H representa la
hipótesis que se mantiene como verdadera a menos que los datos indiquen su falsedad, y
puede entenderse, por tanto, en el sentido de “neutra”.

La hipótesis
0
H nunca se considera probada, aunque puede ser rechazada por los
datos. Por ejemplo, la hipótesis de que dos poblaciones tienen la misma media puede ser
rechazada fácilmente cuando ambas difieren considerablemente, analizando muestras
suficientemente grandes de ambas poblaciones, pero no puede ser “demostrada” mediante
muestreo, puesto que siempre cabe la posibilidad de que las medias difieran en una cantidad δ
lo suficientemente pequeña para que no pueda ser detectada, aunque la muestra sea muy
grande.

A partir de una muestra de la población en estudio, se extrae un estadístico, esto es un
valor que es función de la muestra, cuya distribución de probabilidad esté relacionada con la
hipótesis en estudio y sea conocida. Se toma entonces el conjunto de valores que es más
improbable bajo la hipótesis, como región de rechazo, esto es, el conjunto de valores para el
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 4 -

cual se considera que, si el valor del estadístico obtenido pertenece a él, se rechazará la
hipótesis nula.

La probabilidad de que se obtenga un valor del estadístico que entre en la región de
rechazo aún siendo cierta la hipótesis puede calcularse. De esta manera, se puede escoger
dicha región de tal forma que la probabilidad de cometer este error sea suficientemente
pequeña.

Actualmente se considera siempre una hipótesis alternativa a la hipótesis nula. De
manera explícita o implícita, la hipótesis nula, a la que se denota habitualmente por
0
H , se
enfrenta a otra hipótesis denominada hipótesis alternativa y que se denota
1
H . En los casos en
los que no se especifica
1
H de manera explícita, se puede considerar que la misma ha quedado
definida implícitamente como “
0
H es falsa”.

Si por ejemplo se desea comprobar la hipótesis de que dos distribuciones tienen la
misma media, se considera implícitamente como hipótesis alternativa “ambas poblaciones
tienen distinta media”. Es posible, sin embargo considerar casos en los que
1
H no es la simple
negación de
0
H .

Un test de hipótesis se entiende, en el enfoque moderno, como una función de la
muestra, corrientemente basada en un estadístico. Puede suponerse que se tiene una muestra
de una población en estudio y que se han formulado hipótesis sobre un parámetro θ
relacionado con la distribución estadística de la población. Supongamos que se dispone de un
estadístico T(X) cuya distribución con respecto a θ , ( ) T F
θ
se conoce. Supongamos, también,
que las hipótesis nula y alternativa tienen la siguiente formulación:

¹
´
¦
Θ ∈
Θ ∈
1 1
0 0
:
:
θ
θ
H
H


Un contraste, prueba o test para dichas hipótesis sería una función de la muestra de la
siguiente forma:

( )
( )
( )
¹
´
¦
Ω ∉
Ω ∈
=
X T SI
X T SI
X
.. .. 0 , 0
.. .. 0 , 1
φ

Donde ( ) 0 , 1 = x φ significa que se debe rechazar la hipótesis nula,
0
H (aceptar
1
H ) y
( ) 0 , 0 = x φ , que debemos aceptar
0
H (o que no hay evidencia estadística contra
0
H ). A Ω se
la denomina región de rechazo. En esencia, para construir el test deseado, basta con escoger el
estadístico del contraste T(X) y la región de rechazo Ω.

Se escoge Ω de tal manera que la probabilidad de que T(X) caiga en su interior sea
baja cuando se da
0
H .
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 5 -

Una vez realizado el contraste de hipótesis, se habrá optado por una de las dos
hipótesis,
0
H o
1
H , y la decisión escogida coincidirá o no con la que en realidad es cierta. Se
pueden dar los cuatro casos que se exponen en el siguiente cuadro:


0
H es cierta
1
H es cierta
Se escogió
0
H No hay Error Error de Tipo II
Se escogió
1
H Error de Tipo I No hay Error

Si la probabilidad de cometer un error de tipo I está unívocamente determinada, su
valor se suele denotar por la letra griega α, y en las mismas condiciones, se denota por β la
probabilidad de cometer el error de tipo II, esto es:

P(escoger H
1
│H
0
es cierta) = α
P(escoger H
0
│H
1
es cierta) = β

El valor α es también conocido como nivel de significancia de la prueba. Se
denomina potencia del contraste al valor 1-β, esto es, a la probabilidad de escoger
1
H cuando
esta es cierta.

Cuando es necesario diseñar un contraste de hipótesis, sería deseable hacerlo de tal
manera que las probabilidades de ambos tipos de error fueran tan pequeñas como fuera
posible. Sin embargo, con una muestra de tamaño prefijado, disminuir la probabilidad del
error de tipo I, α, conduce a incrementar la probabilidad del error de tipo II, β.

Usualmente, se diseñan los contrastes de tal manera que la probabilidad α sea el 5%
(0,05), aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones más
relajadas o más estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir
β, probabilidad de error de tipo II, es aumentar el tamaño de la muestra, lo que en la práctica
conlleva un incremento de los costos del estudio que se quiere realizar. En la Figura II–1 se
identifican las regiones de aceptación y rechazo, en la distribución normal, para un nivel de
significancia del 5%.


Figura II–1. Región de rechazo y aceptación en la distribución normal
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 6 -

III - PRUEBAS DE IDEPEDECIA

Existen numerosas técnicas para definir la independencia de los valores que
conforman una determinada serie. Las pruebas que aquí se exhiben son las de: Anderson y la
de Corridas de Wald-Wolfowitz. Ambas pruebas son presentadas a continuación:
III.1 - Prueba de Independencia: Anderson
La prueba de independencia de Anderson (Salas, 1998 apud Escalante Sandoval,
2005) hace uso del coeficiente de autocorrelación serial
j
k
r para diferentes tiempos de retraso
k. En el caso de analizar un solo registro, entonces j = 1.

La expresión para obtener el coeficiente de autocorrelación serial de retraso k se
presenta a continuación (Ecuación III-1).

( ) ( )
( )


=
+

=

− ⋅ −
=
j
j
n
i
j
j
i
j
j
k i
k n
i
j
j
i
j
k
Q Q
Q Q Q Q
r
1
2
1
III-1
para:
3
,..., 2 , 1
j
n
k =
Donde:


=
=
j
n
i j
j
i
j
n
Q
Q
1
III-2

Además, los límites al 95% de confianza para
j
k
r se pueden obtener con la ecuación III-3.

( )
k n
k n
r
j
j
j
k

− − ± −
=
1 96 , 1 1
%) 95 ( III-3

La gráfica de los valores estimados para
j
k
r (ordenadas) contra los tiempos de retraso
k (abscisas), junto con sus correspondientes límites de confianza, se denomina correlograma
de la muestra.

Si no más del 10% de los valores
j
k
r sobrepasan los límites de confianza, se dice que la
serie
j
i
Q es independiente y por lo tanto es una variable que sigue las leyes de la probabilidad.

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 7 -

III.2 - Prueba de Independencia: Corridas de Wald-Wolfowitz
Introducción

En general suele suponerse que los datos recolectados en un estudio constituyen una
muestra aleatoria, de modo que cada observación o medida es tomada de la población de
manera aleatoria e independiente. Tal suposición, sin embargo, puede ser probada mediante el
empleo de un procedimiento no paramétrico conocido como prueba de corridas de una
muestra de Wald-Wolfowitz. Este procedimiento no paramétrico no está relacionado con la
prueba de cualquier parámetro en particular y, por tanto, no tiene una contraparte paramétrica.

Los procedimientos estadísticos paramétricos consisten en la aplicación de ecuaciones
matemáticas que tienen como condición necesaria la existencia de una particular y reconocida
distribución de la población.

Para probar la aleatoriedad, la hipótesis nula es:

H
0
: El proceso que genera el conjunto de datos numéricos es aleatorio.

y la hipótesis alternativa:

H
1
: El proceso que genera el conjunto de datos numéricos no es aleatorio.

La hipótesis nula, de aleatoriedad, puede probarse mediante la observación del orden o
de la secuencia en que se obtienen los elementos de la muestra. Si a cada elemento se le
asigna uno de dos términos, como E y F (por éxito y fracaso), dependiendo de si la medida es
mayor o menor a un cierto valor, la aleatoriedad de la secuencia puede ser investigada. Si ésta
es generada de manera aleatoria, el valor (E o F) de un elemento será independiente tanto de
su posición en la secuencia como del valor de los elementos que le preceden. Por otra parte, si
el valor de un elemento de la secuencia es afectado por los valores de los demás elementos, o
si la probabilidad de su ocurrencia depende de su posición en la secuencia, el proceso que la
genera no es considerado aleatorio.

En los casos no aleatorios los elementos parecidos tenderán a agruparse (del mismo
modo que cuando existe una tendencia presente en los datos) o se mezclarán de manera
alternada, de modo que se presentaría algún efecto periódico sistemático.

Para estudiar si una secuencia observada es aleatoria o no, se considera como
estadístico de prueba al número de corridas presente en los datos. Una corrida se define como
una serie consecutiva de elementos similares que están limitados por elementos de un tipo
diferente o por el inicio o fin de la secuencia.

Desarrollo

Para probar la hipótesis nula de aleatoriedad, es necesario dividir el tamaño completo
de la muestra: n, en dos partes: n
1
(el número de éxitos, o de valores superiores al valor de
referencia) y n
2
(el número de fracasos, o de valores inferiores al valor de referencia).
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 8 -


La estadística de prueba, es representada por la letra Z, para una prueba de dos
extremos. Si Z es mayor o menor de lo que cabría esperar en una serie aleatoria de datos, se
rechazaría la hipótesis nula de aleatoriedad a favor de la hipótesis alternativa. Si para una
combinación dada de n
1
y n
2
, Z es mayor o igual al valor crítico superior, o menor o igual al
valor crítico inferior, la hipótesis nula de aleatoriedad puede ser rechazada al nivel de
significancia α. Sin embargo, si Z se encuentra entre estos límites, la hipótesis nula de
aleatoriedad puede aceptarse.

Por otra parte, las pruebas de aleatoriedad no siempre son de dos extremos, si se está
interesado en probar la aleatoriedad contra una alternativa especifica de un efecto de
tendencia (de que hay una tendencia de agrupamiento de los elementos parecidos), se necesita
una prueba de un extremo En el otro extremo, si se está interesado en probar la aleatoriedad
contra un efecto sistemático o periódico, se utiliza una prueba de un extremo que rechaza la
hipótesis nula sólo si se presentan numerosas corridas.

Independientemente si la prueba es de un extremo o de dos extremos, para una
muestra de tamaño n, mayor a 40, el estadístico Z está distribuido de manera
aproximadamente normal.

La ecuación para determinar el valor del estadístico Z, se presenta a continuación
(Ecuación III-4).

2
R
R
R
Z
σ
µ −
=

III-4

Donde: R es el número total de corridas observadas, el valor medio de R es dado por la
ecuación III-5:

1
2
2 1
+
⋅ ⋅
=
n
n n
R
µ

III-5
y la desviación estándar de R es dada por (Ecuación III-6):

( )( )
1
2 1

− −
=
n
R R
R
µ µ
σ

III-6

El valor del estadístico Z obtenido por el procedimiento indicado, se contrasta con el
valor de tabla de la distribución normal para un cierto nivel de significancia establecido, y
como fue indicado previamente, si se encuentra comprendido entre los límites de tabla, se
dice que las variables que integran la serie son aleatorias. De lo contrario se rechaza tal
afirmación.

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 9 -

IV - PRUEBAS DE HOMOGEEIDAD

Para demostrar la homogeneidad de una serie de datos, puede emplearse una o
diferentes pruebas de hipótesis. Dichas pruebas permiten determinar si las variables que
integran una serie de datos pertenecen estadísticamente a una misma población. Las pruebas
aquí presentadas son las de: Helmert, t de Student y Cramer. En los párrafos subsiguientes se
explica en que consisten tales pruebas.
IV.1 - Prueba de Homogeneidad: Helmert
Esta prueba es sencilla y consiste en analizar el signo de las desviaciones de cada
evento
j
i
Q
de la serie j para i = 1, 2, 3,…, n
j
, con respecto a su valor medio
j
Q
.

Si una desviación de un cierto signo es seguida por otra del mismo signo, entonces se
dice que se forma una secuencia: S, de lo contrario se considera un cambio: C.

La serie se considera homogénea si se cumplen las condiciones de la ecuación IV-1:

( ) 1 1 − ≤ − ≤ − −
j j
n C S n

IV-1

IV.2 - Prueba estadística de t de Student
Si se considera una serie
j
i
Q
para i = 1, 2, 3,…, n
j
, del sitio j, la cual se divide en dos
conjuntos de tamaño
2
2 1
j
n
n n = =
, entonces el estadístico de prueba se define con la
expresión IV-2:

2
1
2 1 2 1
2
2 2
2
1 1
2 1
1 1
2
(
¸
(

¸

|
|
¹
|

\
|
+ ⋅
− +
⋅ + ⋅

=
n n n n
s n s n
x x
t
d

IV-2

Donde:

2
1 1
, s x : son la media y la varianza de la primera parte del registro de tamaño n
1
2
2 2
, s x : son la media y la varianza de la segunda parte del registro de tamaño n
2


El valor absoluto de t
d
se compara con el valor de la distribución t de Student de dos
colas y con 2
2 1
− + = n n ν grados de libertad y para un nivel de significancia: 05 , 0 = α

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 10 -

Si y solo si el valor absoluto de t
d
es mayor que aquel de la distribución t de Student,
se concluye que la diferencia entre las medias es evidencia de inconsistencia, y por lo tanto la
serie
j
i
Q se considera no homogénea. En caso contrario la serie es Homogénea.
IV.3 - Prueba estadística de Cramer
Esta prueba se utiliza con el propósito de verificar homogeneidad en el registro
j
i
Q de
la serie j para i = 1, 2, 3,…, n
j
, y también para determinar si el valor medio no varía
significativamente de un período de tiempo a otro. Con este propósito se consideran tres
bloques, el primero del tamaño total de la muestra, n
j
, el segundo de tamaño n
60
(últimos 60%
de los valores de la muestra) y el tercero de tamaño n
30
(últimos 30% de los valores de la
muestra).

La prueba compara el valor
j
Q del registro total con cada una de las medias de los
bloques elegidos
j
Q
60
y
j
Q
30
.

Para que se considere la serie analizada como estacionaria en la media, se deberá
cumplir que no existe una diferencia significativa entre las medias de los dos bloques.


=
=
j
n
i j
j
i j
n
Q
Q
1
IV-3

para una sola muestra analizada j = 1.

( )
( )
2
1
1
2
1
1
(
(
¸
(

¸

− ⋅

=

=
j
n
i
j j
i
j
j
Q
Q Q
n
S
IV-4

=
=
60
1 60
60
n
k
j
k j
n
Q
Q IV-5

=
=
30
1 30
30
n
k
j
k j
n
Q
Q IV-6
j
Q
j j
j
S
Q Q −
=
60
60
τ IV-7
j
Q
j j
j
S
Q Q −
=
30
30
τ IV-8
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 11 -

( )
( ) [ ]
j
w
j
w w j
j w
w
n n
n n
t τ
τ
2
1
2
1
2
¦
)
¦
`
¹
¦
¹
¦
´
¦
+ ⋅ −
− ⋅
=
IV-9

El estadístico t
w
tiene distribución t de Student de dos colas con 2
2 1
− + = n n ν
grados de libertad y para un nivel de significancia 05 , 0 = α .

Si y solo si el valor absoluto de t
w
para w = 60 y w =30, es mayor que el de la
distribución t de Student se concluye que la diferencia entre las medias es evidencia de
inconsistencia y por lo tanto la serie
j
i
Q se considera no homogénea. En caso contrario la
serie es Homogénea.


V - TÉCICAS DE ESTIMACIÓ DE PARÁMETROS
V.1 - Tipos de Modelos Teóricos
En general en muchas ocasiones los problemas hidrológicos se analizan y sintetizan a
través del uso de modelos matemáticos. Estos últimos pueden ser del tipo determinístico,
paramétrico o estadístico (o bien estocástico).

Un modelo completamente determinístico es aquel que se obtiene a través de
relaciones físicas y no requiere de datos experimentales para su aplicación.

Un modelo paramétrico puede ser considerado como un determinístico en el sentido de
que una vez que se estiman los parámetros del modelo, este siempre genera la misma salida a
partir de la información de entrada. Por otro lado, un modelo paramétrico es estadístico en el
sentido de que los parámetros estimados dependen de los datos observados y aquellos
cambiarán cuando los datos observados también lo hagan.

Un modelo estadístico es aquel en el cual las salidas son predecibles solamente en un
sentido estadístico. En un modelo estadístico, el empleo repetido de un grupo dado de
entradas de modelo genera salidas que no son las mismas pero siguen cierto modelo
estadístico (Escalante Sandoval, 2005).

Todo modelo estocástico es por naturaleza estadístico. Sin embargo, suele emplearse la
denominación “estocástico” a los efectos de remarcar la dependencia de las variables
intervinientes con el tiempo (Clarke, 1988), hecho típico en la series de tiempo de variables
hidrológicas

Antes de hacer inferencias de cualquier modelo es importante la estimación de sus
parámetros. Cada estimador de un parámetro es una función de los valores de la muestra, las
cuales son observaciones de una variable aleatoria. Así, el propio parámetro estimado es una
variable aleatoria que tiene su propia distribución muestral. Un estimador que se obtiene a
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 12 -

partir de un grupo de valores puede considerarse como un valor observado de una variable
aleatoria. Por lo cual, la bondad de un estimador puede ser juzgado a partir de su distribución.

Independientemente de la técnica que se use para la estimación de los parámetros se
deben cumplir las siguientes propiedades:

• Sesgo nulo: Un estimador θ
ˆ
de un parámetro θ se dice que tiene sesgo nulo
cuando ( ) θ θ =
ˆ
E . De lo contrario es sesgado. El sesgo se obtiene como
( ) θ θ − =
ˆ
E B .

• Consistencia: Un estimador θ
ˆ
de un parámetro θ se dice consistente si para
cualquier número positivo ε , el ( ) 0
ˆ
lim = > −
∞ →
ε θ θ P
n
. Donde n es el
tamaño de muestra.

• Eficiencia: Un estimador θ
ˆ
se dice el más eficiente para θ si tiene sesgo
nulo y su varianza es al menos tan pequeña como cualquier otro estimador no
sesgado para θ .Generalmente es posible obtener más de un estimador no
sesgado para el mismo parámetro θ . Si
1
ˆ
θ y
2
ˆ
θ son dos estimadores no
sesgados de θ , con varianzas ( )
1
ˆ
θ V y ( )
2
ˆ
θ V , respectivamente, entonces la
eficiencia relativa de
1
ˆ
θ con respecto a
2
ˆ
θ se define a través de la relación
( ) ( )
2 1
ˆ
/
ˆ
θ θ V V .

• Suficiencia: θ
ˆ
es un estimador suficiente para θ , si θ
ˆ
emplea toda la
información relevante contenida en la muestra.

A continuación se presentan algunas de las técnicas de estimación de parámetros más
comunes en Hidrológica.
V.2 - Método de los Momentos
El método de los momentos es un procedimiento muy sencillo para encontrar un
estimador de uno o más parámetros poblacionales. Consiste básicamente en plantear un
sistema de ecuaciones, cuyo tamaño depende del número de parámetros a estimar. Esto se
hace al igualar los momentos poblacionales con los muestrales.

Los momentos muestrales, también conocidos como estadísticos muestrales, se
obtienen con las siguientes expresiones.

Media: ecuación V-1:


=
=
n
i
i
x
n
x
1
1
V-1

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 13 -

Varianza sesgada: ecuación V-2:

( )

=
− =
n
i
i sesg
x x
n
S
1
2 2
1

V-2

Varianza no sesgada: ecuación V-3:

( )

=


=

=
n
i
i sesg insesg
x x
n
S
n
n
S
1
2 2 2
1
1
1
V-3

Cabe indicar que la denominación “no sesgado” hace referencia al hecho de
considerarse que en la serie restan n-1 valores independientes luego de haberse calculado la
media de la muestra (al compararse los valores de la serie con su propia media se pierde un
grado de libertad).

Coeficiente de asimetría sesgado: ecuación V-4:

( )
( )
( ) 2 / 3
2
1
3
1
sesg
n
i
i
sesg
S
x x
n
g

=

=

V-4

Coeficiente de asimetría no sesgado: ecuación V-5:

( )( )
sesg insesg
g
n n
n
g ⋅
− −
=
2 1
2
V-5

Coeficiente de curtosis sesgado: ecuación V-6:

( )
( )
2
2
1
4
1
sesg
n
i
i
sesg
S
x x
n
k

=

=
V-6

Coeficiente de curtosis no sesgado: ecuación V-7:

( ) ( ) ( )
sesg insesg
k
n n n
n
k ⋅
− ⋅ − ⋅ −
=
3 2 1
3
V-7

Desviación estándar: ecuación V-8:

2
S S =

V-8

Coeficiente de variación: ecuación V-9:

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 14 -

x
S
CV = V-9

En el análisis hidrológico se recomienda el uso de los estadísticos no sesgados, ya que
generalmente se trabaja con muestras relativamente pequeñas. Cuando n es relativamente
grande (al menos mayor de 30 o 40, los valores de los momentos muestrales sesgados y no
sesgados son prácticamente similares).
V.3 - Método de Máxima Verosimilitud
Sea ( )
m
a a a x f ,..., , ;
2 1
una función de densidad de probabilidad de x con parámetros
m i a
i
,..., 1 , = . Si existe una muestra aleatoria
n
x x x ,..., ,
2 1
de esta función de densidad,
entonces, su función de densidad conjunta es ( )
m n
a a a x x x x f ,..., , ; ,..., , ,
2 1 3 2 1
. Debido a que la
muestra es aleatoria, la función de densidad conjunta se puede escribir como en la ecuación
V-10.
( ) ( )

=
=
n
i
m i m n
a a a x f a a a x x x x f
1
2 1 2 1 3 2 1
,..., , ; ,..., , ; ,..., , , V-10

Interpretado en forma conceptual, la probabilidad de obtener un valor dado de x,
digamos
1
x , es proporcional a ( )
m
a a a x f ,..., , ;
2 1
. Por otro lado, la probabilidad de obtener la
muestra aleatoria
n
x x x ,..., ,
2 1
a partir de la población de x es proporcional al producto de sus
densidades de probabilidad individual. Esta función conjunta es llamada la función de
verosimilitud L, ecuación V-11.

( )

=
=
n
i
m i
a a a x f L
1
2 1
,..., , ; V-11

Los parámetros m i a
i
,..., 1 , = son desconocidos.

El método de máxima verosimilitud estima los parámetros al maximizar L, esto es,
maximizando la verosimilitud de que la muestra bajo consideración es la única que puede
obtenerse al seleccionar n observaciones aleatorias a partir de ( )
m
a a a x f ,..., , ;
2 1
. Los valores
de los parámetros obtenidos se conocen como los estimadores por máxima verosimilitud.
Debido a que con ( ) L ln se alcanza también su máximo para valores específicos de
m i a
i
,..., 1 , = , como lo hace L, entonces, la función de verosimilitud se puede expresar como
(ecuación V-12).

( ) ( )

=
=
n
i
m i
a a a x f L
1
2 1
,..., , , ln ln V-12

El procedimiento para estimar los parámetros o la determinación del punto donde la
función alcanza su máximo, implica la diferenciación de L o de ( ) L ln parcialmente con
respecto a cada parámetro e igualando a cero. Por lo que se generan m ecuaciones con m
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 15 -

incógnitas que pueden resolverse para los m parámetros desconocidos (ecuaciones V-13,
V-14 y V-15)

( )
0
,..., ,
1
2 1
=


a
a a a L
m

V-13
( )
0
,..., ,
2
2 1
=


a
a a a L
m

V-14
( )
0
,..., ,
2 1
=


m
m
a
a a a L

V-15
V.4 - Método de Momentos de Probabilidad Pesada
Greenwood et al en 1979 (Apud Escalante Sandoval, 2005) introdujeron al método de
momentos de probabilidad pesada y mostraron su utilidad en la estimación de parámetros de
distribuciones cuyas formas inversas ( ) F x x = se definen explícitamente. Si ( ) ( ) x X P x F ≤ = ,
entonces, los momentos de probabilidad pesada siguen la forma de la ecuación V-16.

( ) [ ] ( ) [ ] ( )

− = − =
1
0
, ,
1 1 dF F F F x F F x E M
k j i k j i
k j i
V-16
Donde
k j i
M
, ,
es el momento de probabilidad pesada de orden (i, j, k), [ ] . E es el
operador esperanza, e i, j, k son números reales. Si 0 = = k j e i es un entero no negativo,
entonces
0 , 0 , i
M representa el momento convencional de orden i con respecto al origen
(Ecuación V-17).

( ) ( )


∞ −
= =
r r
r
x E dx x f x M

V-17

Si
0 , 0 , i
M existe y x es una función continua de F, entonces
k j i
M
, ,
existe para todos
los números reales no negativos j y k. Para valores enteros no negativos de j, k se tiene
(ecuaciones V-18 y V-19):

( )( )

=
− =
k
j
j i
j k
j k i
M M
0
0 , , , 0 ,
1

V-18
( )( )

=
− =
j
k
k i
k j
k j i
M M
0
, 0 , 0 , ,
1

V-19

Si
k i
M
, 0 ,
existe y x es una función continua de F, entonces
0 , , j i
M también existe. Si
k k
M M =
, 0 , 1
, se puede obtener un estimador no sesgado para
k
M y k , entero no negativo si
n i x
i
,..., 1 , = son los valores ordenados de mayor o menor como:

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 16 -

( )
( ) ( )


=
− −
=
k n
i
n
k
i n
k i k
x
n
M
1
1
/
1
ˆ

V-20
( ) ∑
=
=
n
i
i
x
n
M
1
0
1
ˆ

V-21
( )
( )
( )


=


=
1
1
1
1
1
ˆ
n
i
i
i n x
n n
M

V-22
( )
( )( )
( )( )


=
− − −
− −
=
2
1
2
1
2 1
1
ˆ
n
i
i
i n i n x
n n n
M

V-23
( )
( )( )( )
( )( )( )


=
− − − − −
− − −
=
3
1
3
2 1
3 2 1
1
ˆ
n
i
i
i n i n i n x
n n n n
M

V-24
V.5 - Método de Mínimos Cuadrados
Sea una función ( )
m
a a a x f ,..., , ;
2 1
donde m i a
i
,..., 2 , 1 , = son los parámetros a estimar.
El método obtiene el conjunto de parámetros al minimizar la suma de los cuadrados de todas
las desviaciones entre los valores observados y calculados. Matemáticamente esta suma puede
expresarse con las ecuaciones V-25 y V-26.

( ) ( ) [ ]
∑ ∑
= =
− = =
n
i
c
n
i
i
i y i y d S
1
2
0
1
2

V-25
( ) ( ) [ ]

=
− =
n
i
m i
a a a x f i y S
1
2
2 1 0
,..., , ;

V-26

Donde ( ) i y
0
e ( ) i y
c
son los valores observados y calculados de " " y . Y m n > es el
número de observaciones. El mínimo de S se obtiene diferenciando parcialmente la ecuación
V-26 con respecto a cada parámetro e igualando a cero (ecuaciones V-27 a V-29)

( ) ( ) [ ]
0
,..., , ;
1
1
2
2 1 0
=

− ∂

=
a
a a a x f i y
n
i
m i

V-27
( ) ( ) [ ]
0
,..., , ;
2
1
2
2 1 0
=

− ∂

=
a
a a a x f i y
n
i
m i

V-28
( ) ( ) [ ]
0
,..., , ;
1
2
2 1 0
=

− ∂

=
m
n
i
m i
a
a a a x f i y

V-29

Finalmente, se plantea un sistema de ecuaciones, que al resolverlo entrega los
estimadores por mínimos cuadrados (ecuaciones V-30 a V-33).

∑ ∑ ∑ ∑ ∑
= + + + + +
0 3 3 2 2 1 0
... y x a x a x a x a na
m m i

V-30
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 17 -

∑ ∑ ∑ ∑ ∑ ∑
= + + + + +
0 1 1 3 1 3 2 1 2
2
1 0
... y x x x a x x a x x a x a x a
m m i i

V-31
∑ ∑ ∑ ∑ ∑ ∑
= + + + + +
0 2 2 3 2 3
2
2 2 2 1 1 2 0
... y x x x a x x a x a x x a x a
m m

V-32
∑ ∑ ∑ ∑ ∑ ∑
= + + + + +
0
2
3 3 1 2 1 1 0
... y x x a x x a x x a x x a x a
m m m m m m m

V-33
V.6 - Método de Momentos L
Los momentos-L son análogos a los momentos convencionales, sin embargo, tienen
cierta ventaja sobre ellos, ya que son capaces de caracterizar a un mayor número de
distribuciones, además de estar virtualmente libres de sesgo aún para muestras pequeñas
(Hosking, 1990, apud Escalante Sandoval, 2005))

El primer estimador por momentos-L es la media, definida como (ecuación V-34)

[ ] X E =
1
λ

V-34

Sea
) n i
x
(
la i-ésima observación en una muestra de tamaño n, ordenada de mayor a
menor, entonces, para cualquier distribución de probabilidad el segundo momento-L es una
descripción de escala basada en la diferencia esperada entre dos observaciones seleccionadas
de forma aleatoria (ecuación V-35)

( ) ( )
[ ]
2 2 2 2 2
2
1
X X E − = λ

V-35

De forma similar, el sesgo y el coeficiente de Curtosis se pueden obtener por medio de
las ecuaciones V-36 y V-37.

( ) ( ) ( )
[ ]
3 3 3 2 3 1 3
2
2
1
X X X E + − = λ

V-36
( ) ( ) ( ) ( )
[ ]
4 4 4 3 4 2 4 1 4
3 3
2
1
X X X X E − + − = λ

V-37

Así como la varianza o el coeficiente de asimetría de una distribución son función de
las esperanzas [ ] [ ] [ ]
3 2
, , X E X E X E , los momentos-L pueden estimarse en función de los
momentos de probabilidad pesada (ecuación V-38)

( ) [ ] { }
r
r
X F X E = β

V-38

Los primeros cuatro momentos-L son los dados por las ecuaciones V-39, V-40, V-41 y
V-42.

0 1
β λ =

V-39
0 1 2
2 β β λ − =

V-40
0 1 2 3
6 6 β β β λ + − =

V-41
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 18 -

0 1 2 3 4
12 30 20 β β β β λ − + − =

V-42

Donde

= =
1
0
0 , ,
dF xF M
r
r i r
β

V-43

Los estimadores muestrales de los momentos-L, pueden obtenerse al sustituir los
estimadores no sesgados de las ecuaciones V-21 a V-24 en las ecuaciones V-39 a V-42.

Los primeros momentos-L poblacionales se pueden obtener mediante la expresión
V-43, de la siguiente manera (ecuaciones V-44 a V-47).

( )

=
1
0
1
dF F x λ

V-44
( )( )

− =
1
0
2
1 2 dF F F x λ

V-45
( )( )

+ − =
1
0
2
3
1 6 6 dF F F F x λ

V-46
( )( )

− + − =
1
0
2 2
4
1 12 30 20 dF F F F F x λ

V-47

Una vez conocidas
4 3 2 1
, , λ λ λ λ y se pueden obtener las relaciones de los momentos-L

Coeficiente de variación (L):
1 2 2
/ λ λ τ =

V-48

Coeficiente de sesgo (L):
2 3 3
/ λ λ τ =

V-49

Coeficiente de Curtosis (L):
2 4 4
/ λ λ τ =

V-50
V.7 - Método de Momentos de Probabilidad Pesada
La entropía es una medida numérica de la incertidumbre o contenido de información
asociada con una función de densidad de probabilidad f(x), la cual describe el
comportamiento de la variable X. Se expresa matemáticamente como (ecuación V-51)

[ ] [ ] ( ) ( )


∞ −
− = = dx x Inf x f x I f I

V-51

Donde [ ] f I puede considerarse como la media de ) ( ln x f .
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 19 -


Si hay un número w de restricciones linealmente independiente
i
C , de la forma
(ecuación V-52)
( ) ( )


∞ −
= dx x f x g C
i i

V-52

En las que ( ) x y
i
son algunas funciones donde se especifican los promedios sobre
( ) x f , entonces la distribución que conduce al máximo de I sujeto a las condiciones de la
ecuación V-52, es (ecuación V-53)

( ) ( )
(
¸
(

¸

− − =

=
w
i
i i
x g a a x f
1
0
exp

V-53

Donde w i a
i
,..., 2 , 1 , = son los multiplicadores de Lagrange que se determinan a partir
de la ecuación V-52 y la condición de normalización (ecuación V-54)

( )


∞ −
=1 dx x f

V-54

El máximo de I es (ecuación V-55)
[ ] ( )

=
+ =
w
i
i i
x y a a f I
1
0

V-55

VI - AÁLISIS DE FRECUECIA DE VALORES EXTREMOS
El análisis de frecuencia de valores extremos se desarrolla para estimar los valores
máximos asociados a diferentes períodos de retorno de datos como por ejemplo las lluvias
máximas registradas en una estación pluviométrica o pluviográfica, o bien los caudales
máximos anuales de un río.

Considerando una serie de caudales
i
Q , con n i ,..., 2 , 1 = , el análisis de frecuencia de la
misma se emplea para proveer la magnitud de un evento
T
Q , de cierto período de retorno T,
por medio del ajuste de una distribución de probabilidad, la cual se selecciona como la mejor
entre un grupo de ellas. (Escalante Sandoval, 2005).

El procedimiento empleado durante un análisis de frecuencia de valores extremos (se
desarrolla el ejemplo con caudales máximos) debe contener los siguientes pasos:

1. Ordenar los caudales máximos anuales de la serie, de mayor a menor.

2. Asignar a cada valor de la serie un valor de frecuencia empírica, siguiendo una
distribución de probabilidad empírica, por ejemplo la ley de Weibull:
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 20 -

m
n
T
1 +
= , n: número de datos de la serie, m: posición del dato en la serie
ordenada de mayor a menor.

3. Determinar los parámetros de ajuste de diferentes distribuciones de
probabilidad teóricas, por ejemplo:
• Uniforme,
• Exponencial de parámetro β ,
• Exponencial de parámetros x
0
y β ,
• Generalizada exponencial,
• Normal,
• Log normal de 2 parámetros,
• Log normal de 3 parámetros,
• Gamma de 2 parámetros,
• Gamma de 3 parámetros,
• Gumbel,
• General de Valores Extremos (GVE), y
• Log Pearson tipo III.

4. Los parámetros de ajuste de cada una de estas distribuciones de probabilidad se
obtienen según los procedimientos adaptados para cada una de ellas, entre los
que se cuentan:
• Momentos,
• Máxima Verosimilitud,
• Máxima Entropía,
• Momentos L,
• Momentos de Probabilidad Pesada, y
• Mínimos Cuadrados.

En los párrafos siguientes se presentan las distribuciones Normal, Gumbel, general de
Valores Extremos y Log Pearson III, con sus respectivos métodos de ajuste de parámetros.

Otras distribuciones teóricas de probabilidad, y sus métodos de ajuste, pueden ser
encontradas en el material bibliográfico citado en este Apunte.
VI.1 - Distribución ormal
La distribución Normal presenta las funciones de probabilidad y de probabilidad
acumulada, siguientes (Ecuaciones VI-1 y VI-2):

( )
2
2
1
2
1
|
¹
|

\
| −
⋅ −

⋅ ⋅
=
σ
µ
π σ
x
e x f

VI-1

( )

∞ −
|
¹
|

\
| −
⋅ −

⋅ ⋅
=
x
x
dx e x F
2
2
1
2
1
σ
µ
π σ

VI-2

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 21 -


Los parámetros de ajuste de esta distribución pueden obtenerse por Momentos, por
Máxima Verosimilitud y por Momentos L.

Estimadores por Momentos y Máxima Verosimilitud

x = µ

VI-3
( )

=
− ⋅

=
n
i
i
x x
n
1
2
2
1
1
σ

VI-4

Estimadores por Momentos L

1
λ µ =

VI-5
2
772 , 1 ˆ λ σ ⋅ =

VI-6


donde λ
1
y λ
2
son los momentos muestrales, y se obtienen con las ecuaciones VI-7 a VI-11:

0 1
β λ =

VI-7
0 1 2
2 β β λ − ⋅ =

VI-8
( ) 0 0
M = β

VI-9
( ) 1 1
M = β

VI-10
( )

=
=
n
i
i
x
n
M
1
1
0
ˆ

VI-11

Los eventos de diseño por esta distribución se obtienen mediante la expresión de la ecuación
VI-12:

T T
U x ⋅ + = σ µ ˆ ˆ

VI-12

Donde, para una probabilidad: 0 < F(x) ≤ 0,5:

3
5
2
4 3
2
2 1 0
1 V b V b V b
V b V b b
V U
T
⋅ + ⋅ + ⋅ +
⋅ + ⋅ +
− =

VI-13
( ) [ ]
)
`
¹
¹
´
¦
=
2
1
ln
x F
V

VI-14
( )
T
x F
1
1− =

VI-15

Con los siguientes valores:

515517 , 2
0
= b
;
802853 , 0
1
= b
;
010328 , 0
2
= b
;
432788 , 1
3
= b
;
189269 , 0
4
= b
;
001308 , 0
5
= b

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 22 -


para una probabilidad: 0,5 < F(x) ≤ 1 se cambia F(x) por 1-F(x) en la expresión de V:

( ) [ ]
)
`
¹
¹
´
¦

=
2
1
1
ln
x F
V

VI-16

y se le cambia el signo al valor obtenido de U
T
.

VI.2 - Distribución Gumbel
La distribución Gumbel presenta las funciones de probabilidad y probabilidad
acumulada siguientes (Ecuaciones VI-17 y VI-18):

( )
|
¹
|

\
| −


|
¹
|

\
| −

⋅ ⋅ =
α
µ
α
µ
α
x
e
x
e e x f
1

VI-17
( )
|
¹
|

\
| −


=
α
µ x
e
e x F

VI-18

Los parámetros de ajuste de esta distribución pueden obtenerse por Momentos, por
Máxima Verosimilitud, por Momentos L y por Máxima Entropía.

Estimadores por Momentos

S x ⋅ − = 45 , 0 ˆ µ

VI-19
S ⋅ = 78 , 0 ˆ α

VI-20

Estimadores por Máxima Verosimilitud


=

− =
n
i
y
i
e n P
1

VI-21
∑ ∑
=

=
⋅ + − =
n
i
y
i
n
i
i
i
e y y n R
1 1

VI-22
α
µ −
=
i
i
x
y

VI-23

Los criterios de convergencia son dados por las ecuaciones VI-24 y VI-25:

0
ˆ

α
P

VI-24
0
ˆ
≅ −
α
R

VI-25


PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 23 -


Los incrementos se calculan con las ecuaciones VI-26 y VI-27:

( )
n
R P
j
j j j
α
µ ⋅ ⋅ − ⋅ = ∂ 26 , 0 11 , 1

VI-26
( )
n
R P
j
j j j
α
α ⋅ ⋅ − ⋅ = ∂ 61 , 0 26 , 0

VI-27

A partir de estos incrementos, los nuevos valores se calculan con las ecuaciones VI-28 y
VI-29:

j j j
µ µ µ ∂ + =
+
ˆ ˆ
1

VI-28
j j j
α α α ∂ + =
+
ˆ ˆ
1

VI-29

Estimadores por Momentos L

α λ µ ˆ 577216 , 0 ˆ
1
⋅ − =

VI-30
( ) 2 ln
ˆ
2
λ
α =

VI-31

Estimadores por Máxima Entropía


=
⋅ =
n
i
i
y
n
P
1
1

VI-32

=

⋅ =
n
i
y
i
e
n
R
1
1

VI-33
α
µ −
=
i
i
x
y

VI-34

Los criterios de convergencia son presentados con las ecuaciones VI-35 y VI-36:

0 577216 , 0 ≈ − P

VI-35
0 1 ≈ − R

VI-36

Los incrementos se calculan con las ecuaciones VI-37 y VI-38:

( )
j j j
R P ln 4228 , 0 + + = ∂α

VI-37
j j j
P α µ ∂ ⋅ − = ∂ 577216 , 0

VI-38

A partir de estos incrementos, los nuevos valores se calculan con VI-39 y VI-40:

j j j j
µ α µ µ ∂ ⋅ + =
+
ˆ ˆ ˆ
1

VI-39
j j j
α α α ∂ ⋅ =
+
ˆ ˆ
1

VI-40
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 24 -


Los eventos de diseño por esta distribución se obtienen mediante la expresión dada por la
ecuación VI-41.

( ) [ ] { } x F x
T
ln ln ˆ ˆ ˆ − ⋅ − = α µ

VI-41

VI.3 - Distribución General de Valores Extremos (GVE)
La distribución General de Valores Extremos presenta las funciones de probabilidad y
probabilidad acumulada siguientes (Ecuaciones VI-42 y VI-43):

( )
1
1
1
1
1
1

(
¸
(

¸

⋅ |
¹
|

\
| −
− −
(
¸
(

¸

⋅ |
¹
|

\
| −
− ⋅ ⋅ =
β β
α
ν
β
α
ν
α
β
x
e x f
x

VI-42
( )
β
β
α
ν
1
1
(
¸
(

¸

⋅ |
¹
|

\
| −
− −
=
x
e x F

VI-43

La variable reducida de la Función General de Valores Extremos está dada por la
ecuación VI-44.

(
¸
(

¸

⋅ |
¹
|

\
| −
− ⋅ − = β
α
ν
β
x
y 1 ln
1

VI-44

Estimadores por Momentos

Para 1396 , 1 35 , 11 < < − g :

5
4 3 2
000263 . 0
00376 . 0 023314 . 0 048306 . 0 333535 . 0 279434 , 0
ˆ
g
g g g g
⋅ −
⋅ + ⋅ − ⋅ + ⋅ − = β

VI-45

Para 95 , 18 14 , 1 < < g :

5
4 3 2
000043 . 0
000904 . 0 010883 . 0 075357 . 0 29219 . 0 25031 , 0
ˆ
g
g g g g
⋅ −
⋅ + ⋅ − ⋅ + ⋅ − = β

VI-46

[ ] [ ] y E B x y E B A
x
⋅ + = ⋅ + =
ˆ ˆ ˆ
µ

VI-47
( )
( )
2
1
ˆ
(
¸
(

¸

=
y Var
x Var
B

VI-48
( )
2 2
x x
S x Var = =σ

VI-49
[ ] ( ) β
ˆ
1+ Γ = y E

VI-50
( ) ( ) ( ) β β
ˆ
1
ˆ
2 1
2
+ Γ − ⋅ + Γ = y Var

VI-51
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 25 -


Para 0
ˆ
< β distribución tipo II:
B
ˆ ˆ
ˆ ⋅ − = β α

VI-52
B A
ˆ ˆ
ˆ + = ν

VI-53

Para 0
ˆ
> β distribución tipo III:

B
ˆ ˆ
ˆ ⋅ = β α

VI-54
B A
ˆ ˆ
ˆ − = ν

VI-55

Para 0
ˆ
= β distribución tipo I:
S S ⋅ = ⋅ = 78 , 0
6
ˆ
π
α

VI-56
S x ⋅ − = 45 , 0 ˆ ν

VI-57

Estimadores por Máxima Verosimilitud

A partir de la variable reducida, se tiene el proceso iterativo dado por las ecuaciones
VI-58, VI-59 y VI-60:


=

− =
n
i
y
i
e n P
1

VI-58
( )
( )
∑ ∑
= =
⋅ ⋅ −
⋅ − − =
n
i
n
i
y y
i i
e e Q
1 1
1
1
β β
β

VI-59
i
y
n
i
i
n
i
i
e y y n R

= =
⋅ + − =
∑ ∑
1 1

VI-60

El criterio de convergencia está dado por las ecuaciones VI-61, VI-62 y VI-63:

0 = = −
α δν
δ Q LL

VI-61
0
1
=
|
|
¹
|

\
| +
= −
β α δα
δ Q P LL

VI-62
0
1
=
(
¸
(

¸

|
|
¹
|

\
| +
− = −
β β δβ
δ Q P
R
LL

VI-63

Los incrementos se calculan con las ecuaciones VI-64, VI-65 y VI-66:

( ) ( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸
+
− ⋅ +
+ ⋅
+ ⋅ ⋅ − =
j
j j
j
j j
j j
j
j
Q P
R
f
Q P h
Q b
n
j
β β β
α
δ
ν
ˆ

VI-64
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 26 -

( ) ( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸
+
− ⋅ +
+ ⋅
+ ⋅ ⋅ − =
j
j j
j
j j
j j
j
j
Q P
R
gs
Q P a
Q h
n
j
β β β
α
δ
α
ˆ

VI-65
( ) ( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸
+
− ⋅ +
+ ⋅
+ ⋅ ⋅ − =
j
j j
j
j j
j j
j
Q P
R
c
Q P gs
Q f
n
j
β β β
δ
β
ˆ
1

VI-66

en estas ecuaciones se tiene:

3 2
ˆ
059011 , 0
ˆ
985803 , 0
ˆ
562798 . 0 661437 , 0 β β β ⋅ − ⋅ + ⋅ − = a

VI-67
3 2
ˆ
009577 , 0
ˆ
115137 , 0
ˆ
162161 , 0 235356 , 1 β β β ⋅ + ⋅ − ⋅ − = b

VI-68
3 2
ˆ
009645 , 0
ˆ
295825 , 0
ˆ
77627 , 0 4711 , 0 β β β ⋅ − ⋅ + ⋅ − = c

VI-69
3 2
ˆ
016837 , 0
ˆ
19583 , 0
ˆ
10287 , 0 244435 , 0 β β β ⋅ − ⋅ − ⋅ − = f

VI-70
3 2
ˆ
075004 , 0
ˆ
479209 , 0
ˆ
411923 , 0 15373 , 0 β β β ⋅ − ⋅ − ⋅ − = gs

VI-71
3 2
ˆ
019801 , 0
ˆ
109822 , 0
ˆ
209555 , 1 338937 , 0 β β β ⋅ − ⋅ − ⋅ − = h

VI-72

Los nuevos valores se calculan con las ecuaciones VI-73, VI-74 y VI-75:

j
j j ν
δ ν ν + =
+
ˆ ˆ
1

VI-73
j
j j α
δ α α + =
+
ˆ ˆ
1

VI-74
j
j j β
δ β β + =
+
ˆ ˆ
1

VI-75

Estimadores por Momentos L

( ) ( )
( ) ( )
( )
( )
(
¸
(

¸


¦
)
¦
`
¹
¦
¹
¦
´
¦
− ⋅
− ⋅
=
3 ln
2 ln
ˆ ˆ
3
ˆ ˆ
2
0 2
0 1
M M
M M
E

VI-76
2
9554 , 2 859 , 7
ˆ
E E ⋅ + ⋅ = β

VI-77
( ) β
ˆ
1+ Γ = A

VI-78
β
ˆ
2 1

− = B

VI-79
( ) ( )
( ) β
ˆ
2
0 1
⋅ − ⋅ = M M C

VI-80
β
ˆ
1 −
=
A
D

VI-81
B A
C

= αˆ

VI-82
( )
α ν ˆ ˆ
0
⋅ + = D M

VI-83
( )

=
=
n
i
i
x
n
M
1
1
0
ˆ

VI-84
( )
( )
( )


=
− ⋅ ⋅
− ⋅
=
1
1
1
1
1
ˆ
n
i
i
i n x
n n
M

VI-85
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 27 -

( )
( ) ( )
( ) ( )


=
− − ⋅ − ⋅ ⋅
− ⋅ − ⋅
=
2
1
1
2 1
1
2
ˆ
n
i
i
i n i n x
n n n
M

VI-86

Los eventos de diseño por esta distribución se obtienen mediante la expresión:

( ) ( ) [ ] { }
β
β
α
ν x F x
T
ln 1 − − ⋅ + =
VI.4 - Distribución Log Pearson Tipo III
La distribución Log Pearson Tipo III presenta la función de probabilidad siguiente
(Ecuación VI-87):

( )
( )
( )
( )
|
¹
|

\
| −



(
¸
(

¸


⋅ Γ ⋅
=
α
β
α β α
0
ln 1
0
ln 1
y x
e
y x
x
x f

VI-87

Los parámetros de ajuste de esta distribución pueden obtenerse por Momentos:
método directo y método indirecto y por Máxima Verosimilitud.

Estimadores por Momentos: Método Directo

3
1
ˆ
+
=
A
α

VI-88

=
=
n
i
r
i
r
x
1
µ

VI-89
( ) ( )
( ) ( )
1 2
1 3
ˆ ln 2 ˆ ln
ˆ ln 3 ˆ ln
µ µ
µ µ
⋅ −
⋅ −
= B

VI-90
3
1

=
B
C

VI-91


En función del valor que asuma el parámetro B, se tienen las situaciones dadas por las
ecuaciones VI-92 y VI-93:

Si 6 5 , 3 ≤ < B :

3 2
04557 , 0 20911 , 0 65262 , 1 23019 , 0 C C C A ⋅ − ⋅ + ⋅ + − =

VI-92

Si 5 , 3 3 ≤ < B :

C A ⋅ + − = 99955 , 1 45157 , 0

VI-93


PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 28 -

En cualquiera de los casos anteriores se tiene:

( ) ( )
( ) ( ) α α
µ µ
β
⋅ − − −
⋅ −
=
2 1 ln 1 ln
ˆ ln 2 ˆ ln
ˆ
2
1 2

VI-94
( ) ( ) α β µ ˆ 1 ln
ˆ
ˆ ln ˆ
1 0
− ⋅ + = y

VI-95

Estimadores por Momentos: Método Indirecto

2
4
ˆ
y
g
= β

VI-96
β
α
ˆ
ˆ
y
S
=

VI-97

donde
y y
g S y , , son los estadísticos de la serie: ( )
i i
x y ln =

Estimadores por Máxima Verosimilitud

( ) ( )
( )
∑ ∑
= =
|
|
¹
|

\
|

⋅ −

=
n
i i
n
i
i
y x
y x
n
1 0 1
0
2
ˆ ln
1
ˆ ln
1
1
ˆ
β

VI-98
( ) ( )
( )


=
=
|
|
¹
|

\
|

− − ⋅ =
n
i
n
i i
i
y x
n
y x
n
1
1 0
0
ˆ ln
1
ˆ ln
1
ˆ α

VI-99

el estimador
0
ˆ y se obtiene al resolver la ecuación VI-100:
( ) ( ) [ ] ( ) ( ) 0
ˆ
ˆ ln ˆ ln ln ˆ
1
0 0
= ⋅ − ⋅ − − =

=
n
i
i
n n y x y F β ψ α

VI-100

Los eventos de diseño para esta distribución se obtienen con la expresión siguiente (Ecuación
VI-101):

|
|
|
¹
|

\
|
|
|
¹
|

\
|

⋅ +

− ⋅ ⋅ +
=
3
0
9
1
9
1
1
β β
α β
T
U Y
T
e x

VI-101

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 29 -

VII - MÉTODOS DE SELECCIÓ DE DISTRIBUCIOES
VII.1 - Introducción
La calidad de los valores de caudal estimados para un cierto período de retorno, con
distribuciones de probabilidad teórica, está dado principalmente por la comparación de dichos
valores estimados con los valores realmente observados o medidos.

Para ello es posible utilizar diferentes técnicas denominadas Técnicas o Métodos de
Bondad de Ajuste. Entre los diferentes métodos más difundidos se encuentran los de:

1. Chi Cuadrado.

2. Kolmogorov – Smirnov,

3. Papeles probabilísticos,

4. Error Estándar de Ajuste.

Se considera que el mejor de los métodos indicados es el del Error Estándar de Ajuste.
Se arriba a esta consideración por entender que el mismo considera en la comparación de los
valores observados y estimados, el número de parámetros que se utilizan para ajustar la
distribución en prueba.

A continuación, por lo expresado precedentemente, serán presentadas, de manera
resumida las primeras tres técnicas y de forma más extensa la técnica del error estándar de
ajuste.
VII.2 - Técnica Chi – Cuadrado
La prueba de Chi - Cuadrado es considerada como una prueba no paramétrica que
mide la discrepancia entre una distribución observada y otra teórica (bondad de ajuste),
indicando en qué medida las diferencias existentes entre ambas; de haberlas, se deben al azar
en el contraste de hipótesis. También se utiliza para probar la independencia de dos variables
entre sí, mediante la presentación de los datos en tablas de contingencia.

En esta prueba, para aceptar una función de distribución dada, se debe cumplir la
ecuación VII-1.

( )
2
1 ; 1
2
n k
i
i i
− − −
<


α
χ
ε
ε θ

VII-1

Donde
2
1 ; 1 n k − − −α
χ es el valor de una variable aleatoria con distribución Chi Cuadrado para
n k − −1 grados de libertad y un nivel de significancia α , k es el número de intervalos y n es
el número de parámetros empleados por la función de distribución.

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 30 -

VII.3 - Técnica Kolmogorov - Smirnov
La prueba Kolmogorov - Smirnov consiste en comparar el máximo valor absoluto de
la diferencia entre la función de distribución observada ( )
i O
x F y la estimada ( )
i n
x F
ˆ
, con un
valor crítico “
α
D ” que depende del número de datos y el nivel de significancia seleccionado.
La expresión de comparación para la prueba de Kolmogorov – Smirnov está dada por
la ecuación VII-2.

( ) ( )
i o i n
x F x F
n i
D −
≤ ≤
=
ˆ
1
sup

VII-2

Donde:
i
x : Valor i-ésimo observado en la muestra (ordenada de mayor a menor)
( )
i n
x F
ˆ
: Función de probabilidad estimada
( )
i O
x F : Función de probabilidad observada

Si los valores observados ( )
i O
x F son similares a los esperados ( )
i n
x F
ˆ
, el valor de D
será pequeño. Cuanto mayor sea la discrepancia entre la distribución empírica y la
distribución teórica , mayor será el valor de D.

Por tanto, el criterio para la toma de la decisión entre las dos hipótesis será de la
forma:
Si
α
D D < : Aceptar que los datos observados siguen la distribución probada
Si
α
D D > : Rechazar que los datos observados siguen la distribución probada

donde el valor
α
D se elige de tal manera que:
P(Rechazar
0
0
H
H
es cierta) = P(
α
D D > / Los datos siguen la distribución probada) =α ,
siendo α el nivel de significancia seleccionado para la prueba de bondad de ajuste.

VII.4 - Técnica de Papeles Probabilísticos
La probabilidad acumulada de una distribución teórica puede representarse
gráficamente en un papel de probabilidad diseñado para la distribución. En uno de estos
papeles las ordenadas usualmente representan el valor de x en una cierta escala y la abscisa
representa la probabilidad ( ) x X P ≥ o ( ) x X P < , el período de retorno T o la variable
reducida
T
y . Las escalas para las ordenadas y las abscisas están diseñadas de tal manera que
se espera que los datos que van a ser ajustados se ubiquen próximos a una línea recta. El
propósito del uso del papel de probabilidad es el de linealizar la relación de probabilidad de
tal manera que los datos graficados puedan ser fácilmente utilizados para interpolación,
extrapolación o con propósitos de comparación. Para aquella distribución de probabilidad en
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 31 -

donde los datos observados se pueden ubicar más próximos a una recta, será la distribución
que mejor represente a la serie de datos.
VII.5 - Técnica del Error Estándar de Ajuste
Kite, en el año 1988, propuso un estadístico que permite seleccionar la mejor opción,
entre diferentes modelos en competencia, para el ajuste de una muestra de datos
j
i
Q para
j
n i ,..., 3 , 2 , 1 = , de un sitio j.

Este estadístico es conocido como el error estándar de ajuste y se obtiene con la
ecuación VII-3:
( )
2
1
1
2
ˆ
(
(
(
(
¸
(

¸



=

=
p j
n
i
j
T
j
T
m n
Q Q
EEA
j

VII-3
Donde:

j
T
Q Son los eventos
j
i
Q ordenados de mayor a menor con un período de retorno asignado:
m
n
T
j
1 +
= y una probabilidad de no excedencia
T
P
1
1− =
j
n : Longitud en años del registro analizado
m: Número de orden del registro.
j
T
Q
ˆ
Eventos estimados por cierta distribución de probabilidad para cada período de retorno T
asignado a la muestra ordenada
j
i
Q .
p
m : Número de parámetros de la distribución ajustada.

La distribución de mejor ajuste será aquella que proporcione el mínimo valor del
estadístico E.E.A. Si una o más distribuciones tienen valores similares del E. E. A, entonces
se deberá optar por aquella distribución que tenga el menor número de parámetros.

VIII - BIBLIOGRAFÍA

CAMPOS ARANDA, D. F. (2007). “Estimación y Aprovechamiento del Escurrimiento”.
440p. Editorial Campos, San Luís de Potosí, México.

CUNNANE, C. (1988). “Methods and merits of regional flood frecuency analysis”. Journal of
Hydrology 100(1-4): 269-290.

ESCALANTE SANDOVAL, C; REYES CHÁVEZ, L. (2005). “Técnicas Estadísticas en
Hidrología” 2ª Edición. Universidad Nacional Autónoma de México, Facultad de Ingeniería,
298p.

PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadística Hidrológica
Cátedra de Hidrología y Procesos Hidráulicos
Facultad de Ciencias Exactas, Físicas y aturales. UC
Ing. Civil Facundo Ganancias Martínez - 32 -

GANANCIAS MARTÍNEZ, F. (2009). “Evaluación de Metodologías Estadísticas de
Regionalización Hidrológica: Aplicación a los Caudales Máximos de Cuencas
Representativas de la Región Sur-Oeste de la Provincia de Córdoba”. Tesis de Maestría en
Ciencias de la Ingeniería Mención en Recursos Hídricos. Facultad de Ciencias Exactas,
Físicas y Naturales de la Universidad Nacional de Córdoba.

KITE, G.W. 2004). “Frecuency and Risk Analyses in Hydrology”. Water Resources
Publications, LLC. 257p. Estados Unidos de América.

RAUDKIVI, A. J. (1979). “Hydrology, An Advanced Introduction to Hydrological Processes
and Modelling”. Editora Pergamon Press, Oxford, Inglaterra.

TUCCI, C. E. M. (1993). “Hidrología, Ciencia y Aplicación”. Editora da Universidade,
Universidade Federal do Río Grande do Sul. Brasil.

VON MISES, R. (1946). “Probabilidad, Estadística y Verdad”. ESPASA – CALPE Argentina
S.A. 351p. Argentina.


PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com