You are on page 1of 7

Introducción

El presente trabajo contiene una breve explicación acerca de
distribuciones y solución de problemas referentes a datos
máximos y mínimos, aquí una breve explicación de este
método:
En teoría de probabilidad y estadística la distribución de
Gumbel (llamada así en honor de Emil Julius Gumbel (18911966) es utilizada para modelar la distribución del máximo (o
el mínimo), por lo que se usa para calcular valores extremos.
Por ejemplo, sería muy útil para representar la distribución del
máximo nivel de un río a partir de los datos de niveles
máximos durante 10 años. Es por esto que resulta muy útil
para predecir terremotos, inundaciones o cualquier otro
desastre natural que pueda ocurrir.
La distribución de Gumbel ha sido utilizada con buenos
resultados para valores extremos independientes de variables
meteorológicas y parece ajustarse bastante bien a los valores
máximos de la precipitación en diferentes intervalos de
tiempo y después de muchos años de uso parece también
confirmarse su utilidad en los problemas prácticos de
ingeniería de dimensionamiento de redes de drenaje y
diversas obras hidráulicas.
En nuestro caso, se puede emplear para el estudio de los
períodos de retorno de las precipitaciones máximas
registradas en 24 horas, así como para el cálculo de los
periodos de retorno de los caudales de un río.
Ejemplo
Se tienen las probabilidades de que haya 1, 2, 3, ... etc, días
nublados por semana en un determinado lugar, con ellos
calcule la distribución de probabilidades.

25 0.80 0.X 0 1 2 3 4 5 6 7 Total P(x) 0.98 1.08 0.65 0.05 0.0 F(x) 0.20 0.45 0.90 0.02 1. DISTRIBUCION GUMBEL O EXTREMA TIPO I .15 0.10 0.05 0.15 0.00 La aplicabilidad potencial de la distribución de Gumbel para representar los máximos se debe a la teoría de valores extremos que indica que es probable que sea útil si la muestra de datos tiene una distribución normal o exponencial.20 0.

Factor de frecuencia: . Función de densidad: En donde a y b son los parámetros de la distribución.Es una familia importante de distribuciones usadas en el análisis de frecuencia hidrológico es la distribución general de valores extremos. Estimación de parámetros donde son la media y la desviación estándar estimadas con la muestra. la cual ha sido ampliamente utilizada para representar el comportamiento de crecientes y sequías (máximos y mínimos).

Encontrar el caudal para un periodo de retorno de 100 años y los limites de confianza para un a = 5%. Para la distribución Gumbel se tiene que el caudal para un período de retorno de 2. S = 5 m3/s (media y desviación estándar para los datos originales).14 QTr100 = 15 + 3.33 años es igual a la media de los caudales máximos. QTr100 = x + KT s KT = 3.14*5 QTr100 = 30.Donde Tr es el periodo de retorno.7 m3/s Intervalos de confianza . Límites de confianza Xt ± t(1-a) Se KT es el factor de frecuencia y t(1-a) es la variable normal estandarizada para una probabilidad de no excedencia de 1-a. EJEMPLO 01: En un río se tienen 30 años de registros de Qmáximos instantáneos anuales con x= 15 m3/s.

Normal de dos parámetros sólo es recomendable sí el coeficiente de asimetría es cercano a cero. et al.58 confianza para QTr100 m3/s] Intervalo de AJUSTE DE DISTRIBUCIONES Para la modelación de caudales máximos se utilizan.64) (3.7 m3/s ± (1. Gumbel y Log-Gumbel principalmente. La distribución Log . Para seleccionar la distribución de probabilidades de la serie histórica se deben tener en cuenta algunas consideraciones. las distribuciones Log . pero también se filtran las variaciones reales de los datos.645 (Leído de la tabla de la normal) d = 3.83 m3/s 36. 1994)  Para el ajuste a las distribuciones Log-Normal.  Las distribuciones de dos parámetros fijan el valor del coeficiente de asimetría.13 . lo que en algunos casos puede no ser recomendable.93 Xt ± t(1-a) Se 30. con lo que se disminuye la varianza muestral.58) [24. entre otras.  Cuando en la serie histórica se observan “outliers[1]” es necesario verificar la sensibilidad del ajuste debido a la presencia de estos.95) = 1. Las distribuciones Gumbel y Log .t(1-a) = t(0. (Ashkar.Normal. Log-Gumbel y LogPearson se requiere transformar la variable al campo logarítmico para modelarla.Gumbel son recomendables si el coeficiente de asimetría de los eventos registrados es cercano a 1.

Obviamente tiene algunas limitaciones relacionadas con el comportamiento de la serie histórica y con el tamaño y calidad de los datos de la muestra. 1993. Cramer-Von Mises) en las que se calcula un estimador y se compara con un valor tabulado para determinar si el ajuste es adecuado o no.  Para seleccionar la distribución de probabilidades adecuada se debe tratar de utilizar información adicional del proceso hidrológico que permita identificar la forma en que se distribuye la variable. Log Pearson) se requiere estimar el coeficiente de asimetría de la distribución.  La selección inadecuada de la distribución de probabilidades de la serie histórica arrojará resultados de confiabilidad dudosa. mayor de 50 años. 1994). 1994).  Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cual es la distribución que mejor se ajusta a los caudales máximos y recomiendan seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste gráfico o basado en el comportamiento de las pruebas estadísticas de bondad del ajuste (por ejemplo Chi Cuadrado. (Kite. et al. Usualmente es muy difícil determinar las propiedades físicas de los procesos hidrológicos para identificar el tipo de distribución de probabilidad que es aplicable. Smirnov-Kolmogorov.  Cuando se presenten cambios o tendencias en la serie histórica se deben utilizar técnicas estadísticas que permitan removerlos para poder realizar el análisis de frecuencias (Kite. . Las distribuciones de dos parámetros son usualmente preferidas cuando se dispone de pocos datos. (Ashkar. En la prueba de ajuste gráfica se dibujan los valores registrados en la serie contra la distribución teórica de probabilidades y de manera visual (subjetiva) se determina si el ajuste es adecuado o no. et al. Cuando la información es adecuada el análisis de frecuencia es la metodología más recomendable para la evaluación de eventos extremos. para ello es necesario disponer de una serie con longitud de registros larga. Mamdouh. 1988. ya que la estimación depende solamente de los caudales máximos anuales que han ocurrido en la cuenca y no da cuenta de los procesos de transformación de la precipitación en escorrentía. 1988). Ashkar. Para ajustar distribuciones de tres parámetros (Log Normal III. et al. porque reducen la varianza de la muestra. 1994). (Ashkar.

W. 51: 23:33 .mtc. BIBLIOGRAFÍA  http://spij. Climate Research..wikipedia. Caselles. Moncho. R. El tamaño de la muestra influye directamente en la confiabilidad de los resultados. Chust.minjus.pe/idm_docs/normas_legales/1_0_295 0. G. así a mayor período de retorno del estimativo mayor longitud de registros necesaria para mejor confiabilidad en los resultados. and Kaas. (2012): "Alternative model of probability distribution of precipitation: application to Spain".org/wiki/Distribuci%C3%B3n_de_Gumbel  http://transparencia..gob. R.pe/Graficos/Peru/2011/octubre/10/RD-202011-MTC-14.pdf  http://es. J. 468–484. 40 (3) (2007). "Rational reconstruction of frailty-based mortality  models by a generalisation of Gompertz’ law of mortality". Insurance: Mathematics and Economics.gob.. V.pdf   Willemse.