DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGÍA El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda de Distribuciones de Probabilidad.

La variable se designa por mayúscula y un valor específico de ella por minúscula. Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente P(a ≤ x ≤ b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b). Si conocemos la probabilidad P(a ≤ x ≤ b) para todos los valores de a y b, se dice que conocemos la Distribución de Probabilidades de la variable x. Si x es un número dado y consideramos la probabilidad P(X ≤ x): F(x)= P(X ≤ x): y llamamos F(x) la función de distribución acumulada. 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 x 0 1 2 3 4 5 6 7 Total P(x) 0.05 0.15 0.25 0.20 0.15 0.10 0.08 0.02 1.0 F(x) 0.05 0.20 0.45 0.65 0.80 0.90 0.98 1.00

agrupados en 9 intervalos de clase.10 0.05 1.Si se tiene una variable aleatoria continua.30 0.05 0.05 0.00 F(x) 0. x 1 2 3 4 5 6 7 8 9 Total P(x) 0.50 0.10 0.20 0.00 Cuando el número de observaciones se incrementa.15 0.70 0.15 0.95 1.15 0.85 0. la figura presenta el histograma de 85 años de registro de caudales de crecientes (máximos instantáneos) en el río Magdalena. el tamaño de los intervalos decrece y se puede tener algo sí donde f(x) es la llamada función de densidad de probabilidades y tiene las siguientes características .10 0.10 0.60 0.

Muestra la tendencia central de la distribución .i) ii) iii) Lo que implica que las probabilidades se definen sólo como ÁREAS bajo la función de densidad de probabilidad (FDP) entre límites finitos.2 PARÁMETROS ESTADÍSTICOS Los estadísticos extraen información de una muestra. y asimetría respectivamente. Primer momento respecto a la origen.2. Los momentos en estadística son similares a los momentos en física (rotación respecto al origen) para la variable continua para la variable discreta o respecto a la media (eje de rotación diferente al origen) para la variable continua para la variable discreta 1. Los principales estadísticos son los momentos de primer. varianza. segundo y tercer orden correspondiente a la media. 1.1 MOMENTOS DE LAS DISTRIBUCIONES Las propiedades de las distribuciones pueden ser definidas completamente en términos de los momentos.1 Media µ : es el valor esperado de la variable misma . 1. indicando las características de la población.

Las unidades de la varianza son la media al cuadrado. se estima por s.2 Varianza σ ²: mide la variabilidad de los datos.2. la desviación estándar σ es una medida de la variabilidad que tiene las mismas dimensiones que la media y simplemente es la raíz cuadrada de la varianza. Coeficiente de variación estimado es es una medida adimensional de la variabilidad su . en promedio. Es el segundo momento respecto a la media. que no tenga una tendencia. es decir. el valor estimado de la varianza a partir de la muestra es en el cual el divisor es n-1 en lugar de n para asegurar que la estadística de la muestra no sea sesgada. a ser mayor o menor que el valor verdadero.el valor estimado de la media a partir de la muestra es 1. El significado de la desviación estándar se ilustra en la siguiente figura Efectos de la función de densidad de probabilidad causados por cambios en la desviación estándar.

período de retorno mayor que la longitud de la serie disponible.1 16 0.5 18.2. el error relativo asociado a la distribución de probabilidades utilizada es más importante.5 29 23.25 13.4 11. Se obtiene a partir del tercer momento alrededor de la media.2 Total=100 x f(x) 10.15 20 0.1. tercer momento respecto a la media Un estimativo del coeficiente de asimetría está dado por Ejemplo Encontrar el valor medio de la precipitación si se tiene Intervalo (mm) 100 110 120 130 140 150 160 110 120 130 140 150 160 170 Xi medio 105 115 125 135 145 155 165 Frecuencia Frecuencia absoluta relativa 10 0.25 33 = Σ 138. además de la incertidumbre propia de la distribución de probabilidades seleccionada. Cuando se pretende realizar extrapolaciones. en ambos casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles (Ashkar.9 2 ANALISIS DE FRECUENCIA El análisis de frecuencia es una herramienta utilizada para.16 9 0.2 15 0. Es un método basado en procedimientos estadísticos que permite calcular la magnitud del caudal asociado a un período de retorno.1 20 0.3 Coeficiente de asimetría γ la distribución de los valores de una distribución alrededor de la media se mide por la asimetría. a partir de la información histórica de caudales. predecir el comportamiento futuro de los caudales en un sitio de interés. mientras que en interpolaciones la incertidumbre está asociada principalmente a la calidad de los datos a modelar. et . dividiéndolo por el cubo de la desviación estándar para que sea adimensional. Su confiabilidad depende de la longitud y calidad de la serie histórica.09 10 0.

1994). 3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS 3. el factor de frecuencia y los límites de confianza. Para determinar la magnitud de eventos extremos cuando la distribución de probabilidades no es una función fácilmente invertibles se requiere conocer la variación de la variable respecto a la media. La extrapolación de frecuencias extremas en una distribución empírica de crecientes es extremadamente riesgosa (Garcon. puede determinarse una relación entre K y el período de retorno Tr.al. habrá mucha confianza en el valor estimado.1 DISTRIBUCION NORMAL La distribución normal es una distribución simétrica en forma de campana. Esta relación puede expresarse en términos matemáticos o por medio del uso de una tabla. 3. la forma de estimar sus parámetros. El análisis de frecuencia consiste en determinar los parámetros de las distribuciones de probabilidad y determinar con el factor de frecuencia la magnitud del evento para un período de retorno dado. si el rango es muy grande la incertidumbre es muy alta y si es pequeño. Chow en 1951 propusó determinar esta variación a partir de un factor de frecuencia KT que puede ser expresado: y se puede estimar a partir de los datos Para una distribución dada. 1994).1. puesto que determinar el rango de valores donde realmente estaría la variables. también conocida como Campana de Gauss. por el contrario.1 Función de densidad: La función de densidad está dada por . A continuación se describen las principales distribuciones de probabilidad utilizadas en hidrología. Aunque muchas veces no se ajusta a los datos hidrológicos tiene amplia aplicación por ejemplo a los datos transformados que siguen la distribución normal. Estos últimos son indicadores de que tanta incertidumbre se tiene con las extrapolaciones.

Pmax. Pmínima (excelentes resultados en Antioquia).3 Factor de frecuencia: 1.2 Estimación de parámetros: 3.1.Los dos parámetros de la distribución son la media µ y desviación estándar σ para los cuales (media) y s (desviación estándar) son derivados de los datos. Tiene la ventaja que X>0 . Si se trabaja con los X sin transformar el K se calcula como este factor es el mismo de la variable normal estándar 3.4 Limites de confianza: donde α es el nivel de probabilidad es el cuantil de la distribución normal estandarizada para una probabilidad acumulada de 1-α y Se es el error estándar 3. 3.1.2 DISTRIBUCIÓN LOGNORMAL DE DOS PARÁMETROS Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que X se distribuye normalmente. 1. Qmínimos.1. Esta distribución es muy usada para el calculo de valores extremos por ejemplo Qmax.

Campo original: Si se trabaja con los X sin transformar el K se calcula como . estimado Desviación estándar de los logaritmos de la población. Campo transformado: Si se trabaja en el campo transformado se trabaja con la media y la desviación estándar de los logaritmos. y requiere que los logaritmos de la variables estén centrados en la media 3.2. 2. xy media de los logaritmos y Sy es la desviación estándar de los logaritmos. 2. σ y : 3.2.1 Función de densidad: y = ln x donde. así: Ln(XTr) = xTr+KSy de donde. µ y : media de los logaritmos de la población (parámetro escalar). 3.3 Factor de frecuencia: Puede trabajarse en el campo original y en el campo transformado. 3. XTr = eln (xTr) con K con variable normal estandarizada para el Tr dado. Limitaciones: tiene solamente dos parámetros. estimado sy.2 Estimación de parámetros: 3.y que la transformación Log tiende a reducir la asimetría positiva ya que al sacar logaritmos se reducen en mayor proporción los datos mayores que los menores.2.

655.324 (media y desviación estándar de los datos transformados). n numero de datos. KT variable normal estandarizada.655 sy = 0.2. Solución: n=30 x= 15 m3/s s = 5 m3/s En el campo original xy=2. x media de los datos originales y s desviación estándar de los datos originales. en donde. es el coeficiente de variación. sy = 0. Encontrar el caudal para un periodo de retorno de 100 años y los limites de confianza para un α = 5%.25). EJEMPLO: En un río se tienen 30 años de registros de Qmáximos instantáneos anuales con x= 15 m3/s.K es la variable normal estandarizada para el Tr dado. S = 5 m3/s (media y desviación estándar para los datos originales). xy=2. 3.324 .4 Limites de confianza: En el campo transformado.5 m3/s no sea igualado o excedido P(Q ≤ 4. Calcular la probabilidad de que un caudal de 42. Se error estándar.

33*0.06 QTr = 15 + 5 * 3.028 QTr = 30.95) = 1.99) de la tabla de la normal se obtiene KT=2.26 m3/s Limites de confianza Ln (QTr) ± t(1-α ) Se δ = 1.655 + 2.= 5/15 = 0.93 t(1-α ) = t(0.645 (Leído de la tabla de la normal) .40992) Q Tr100 = 30.33 K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.14 m3/s En el campo transformado se tiene que: LnQTr100 = 2.324 LnQTr100 = 3.33 KT = 3.40992 QTr100 = Exp (3.

2 Estimación de parámetros donde son la media y la desviación estándar estimadas con la muestra. 3.645 ) (0.3. Ln(42.655)/0.5) = 3.2.3 DISTRIBUCION GUMBEL O EXTREMA TIPO I Una familia importante de distribuciones usadas en el análisis de frecuencia hidrológico es la distribución general de valores extremos.26 3.75 .25).Ln(30.3.41 ± 0. la cual ha sido ampliamente utilizada para representar el comportamiento de crecientes y sequías (máximos y mínimos).75 t = (3.22905 [25. .18095 [3.9996 Leído de la tabla de la normal P(Q≤ 4.28) ± (1.59095] 36.29] Intervalos de confianza para QTr100 b) Calcular la probabilidad de que un caudal de 45 m3/s no se igualado o excedido P(Q≤ 4.9% 3.25) = 99.22905 [e3.11) 3. 3.324 F(3.38) = 0.1 Función de densidad: En donde α y β son los parámetros de la distribución.59095] e3.

s = 5 m3/s QTr100 = x + KT s KT = 3.3.3 Factor de frecuencia: Donde Tr es el periodo de retorno. EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 años de periodo de retorno y los intervalos de confianza.4 Limites de confianza Xt ± t(1-α ) Se KT es el factor de frecuencia y t(1-α ) es la variable normal estandarizada para una probabilidad de no excedencia de 1-α .645 (Leído de la tabla de la normal) .7 m3/s Intervalos de confianza t(1-α ) = t(0.14*5 QTr100 = 30.95) = 1.3. 3.14 QTr100 = 15 + 3.3. x= 15 m3/s. Para la distribución Gumbel se tiene que el caudal para un período de retorno de 2.33 años es igual a la media de los caudales máximos.

4 36.4.58 m3/s] Intervalo de confianza para QTr100 DISTRIBUCION GAMMA DE TRES PARÁMETROS O PEARSON TIPO 3 Esta distribución ha sido una de las mas utilizadas en hidrología. Volúmenes de flujo anuales y estacionales.4. y x 0 es el parámetro de localización. x0 ≤ x < α para α > 0 α < x ≤ x0 para α < 0 α y β son los parámetros de escala y forma. respectivamente .7 m3/s ± (1.58) [24.93 Xt ± t(1-α ) Se 30. Caudales mínimos. la función Gamma se utiliza para ajustar la distribución de frecuencia de variables tales como crecientes máximas anuales. La función de distribución Gamma tiene dos o tres parámetros.83 m3/s 3.δ = 3.64) (3.1 Función de densidad: donde. valores de precipitaciones extremas y volúmenes de lluvia de corta duración.2 Estimación de parámetros: . 3. 3. Como la mayoría de las variables hidrológicas son sesgadas.

son la media y la desviación estándar de la 3. muestra respectivamente.Cs es el coeficiente de asimetría. 3.100) = 3.3 Factor de frecuencia: donde z es la variable normal estandarizada Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra. 100) de tablas se obtiene K=3.4.981 pie 3/s cual es caudal para un periodo de retorno de 100 años y su intervalo de confianza.553 (2.981.4 Intervalos de confianza: Xt ± t(1-α ) Se Donde S es la desviación estándar de la muestra.9.4.595) (3311) QTr100 = 16050 pie3/s Intervalos de confianza Xt ± t(1-α ) Se . QTr100 = X+ SK K es F(1. EJEMPLO: Se tiene una estación con 30 años de registros de caudales máximos instantáneos con Media de 4144 pie3/s y desviación estándar de 3311 pie3/s. Si el coeficiente de asimetría de los caudales es de 1.605 QTr100 = 4144+ (3. n es el número de datos y δ se encuentra tabulado en función de Cs y Tr.595 (1.0.100) = 3.

3. y0 ≤ y < α para α > 0 α ≤ y ≤ y0 para α < 0 α y β son los parámetros de escala y forma.100) = 8.71pie3/s] Intervalos de confianza para QTr100 3.2 Estimación de parámetros: .645 (Leído de la tabla de la normal) 16050 ± (5133.2196 (2. se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III. respectivamente .5.5 DISTRIBUCIÓN LOG GAMMA O LOGPEARSON DE 3 PARÁMETROS Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo III.56 pie3/s t(1-α ) = t(0.29 pie3/s 24494.5562 Se = 5133.100) = 8. 3.δ = F(1.9.5.1 Función de densidad: donde.981. Esta se trabaja igual que para la Pearson Tipo III pero con Xy y Sy como la media y desviación estándar de los logaritmos de la variable original X.56) (1.645) [7605. Esta distribución es ampliamente usada en el mundo para el análisis de frecuencia de Caudales máximos.4922 (1. y y 0 es el parámetro de localización.0.100) de tablas se obtiene δ =8.95) = 1.

• Cuando en la serie histórica se observan “outliers 1[1]” es necesario verificar la sensibilidad del ajuste debido a la presencia de estos. • 1 . con lo que se disminuye la varianza muestral. son la media y la desviación estándar de los 3. n es el número de datos y δ se encuentra tabulado en función de Cs y Tr.3 Factor de frecuencia: donde z es la variable normal estandarizada Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.5. (Ashkar. Para seleccionar la distribución de probabilidades de la serie histórica se deben tener en cuenta algunas consideraciones. las distribuciones Log Normal.4 Intervalos de confianza: Xt ± t(1-α ) Se Donde Sy es la desviación estándar de los logaritmos de la muestra. 3. 4 AJUSTE DE DISTRIBUCIONES Para la modelación de caudales máximos se utilizan.Cs es el coeficiente de asimetría. pero también se filtran las variaciones reales de los datos. et al. 1994) Para el ajuste a las distribuciones Log-Normal. Log-Gumbel y Log-Pearson se requiere transformar la variable al campo logarítmico para modelarla. entre otras. logaritmos de la muestra respectivamente.5. Gumbel y Log-Gumbel principalmente.

Log Pearson) se requiere estimar el coeficiente de asimetría de la distribución. (Kite. 1994). para ello es necesario disponer de una serie con longitud de registros larga. • • • Cuando la información es adecuada el análisis de frecuencia es la metodología más recomendable para la evaluación de eventos extremos. mayor de 50 años. La distribución Log . Mamdouh. 1994). et al. La selección inadecuada de la distribución de probabilidades de la serie histórica arrojará resultados de confiabilidad dudosa. Ashkar. lo que en algunos casos puede no ser recomendable. 1994). 1993. • 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. et al. Las distribuciones Gumbel y Log . 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. 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. 1988. (Ashkar. Usualmente es muy difícil determinar las propiedades físicas de los procesos hidrológicos para identificar el tipo de distribución de probabilidad que es aplicable.• Las distribuciones de dos parámetros fijan el valor del coeficiente de asimetría. 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.Normal de dos parámetros sólo es recomendable sí el coeficiente de asimetría es cercano a cero. Obviamente tiene algunas limitaciones relacionadas con el comportamiento de la serie histórica y con el tamaño y calidad de los datos de la muestra. (Ashkar. Las distribuciones de dos parámetros son usualmente preferidas cuando se dispone de pocos datos. 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. • . Smirnov-Kolmogorov. porque reducen la varianza de la muestra. et al. 1988).Gumbel son recomendables si el coeficiente de asimetría de los eventos registrados es cercano a 1.13 Para ajustar distribuciones de tres parámetros (Log Normal III. 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.

4.• El tamaño de la muestra influye directamente en la confiabilidad de los resultados. Si n es el total de valores y m es el rango de un valor en una lista ordenada de mayor a menor (m=1 para el valor máximo) la probabilidad de excedencia se puede obtener por medio de las siguientes expresiones California Weibull Hazen La expresión más utilizada es la Weibull. es decir.2 Pruebas de Ajuste Para determinar que tan adecuado es el ajuste de los datos a una distribución de probabilidades se han propuesto una serie de pruebas estadísticas que determinan si es adecuado el ajuste. Estos son análisis estadísticos y como tal se deben entender.2. esta luego se puede ajustar a una de las distribuciones teóricas presentadas anteriormente. escogida Po(x) tal que . por el método de Plotting Position. 4. Con las anteriores expresiones se halla lo que se conoce como la distribución empírica de una muestra.1 Prueba Smirnov Kolmogorov El estadístico Smirnov Kolmogorov D considera la desviación de la función de distribución de probabilidades de la muestra P(x) de la función de probabilidades teórica. 4. con el factor de frecuencia como se refirió en el numeral 2 ANALISIS DE FRECUENCIA o hallando la distribución empírica de los datos muestrales. no se puede ignorar el significado físico de los ajustes. este es diseñado para que los datos se ajusten a una línea recta y se puedan comparar los datos muestrales con la distribución teórica (línea recta). El ajuste a distribuciones se puede hacer de dos técnicas. Los resultados pueden ser dibujados en el papel de probabilidad. así a mayor período de retorno del estimativo mayor longitud de registros necesaria para mejor confiabilidad en los resultados.1 Plotting Position Trabaja con la probabilidad de excedencia asignada a cada valor de la muestra. Se han propuesto numerosos métodos empíricos. .

• El valor crítico Dα de la prueba debe ser obtenido de tablas en función de α y n.La prueba requiere que el valor Dn calculado con la expresión anterior sea menor que el valor tabulado Dn para un nivel de probabilidad requerido.01 (el nivel de confianza es 1-α ) se puede decir que las frecuencias observadas difieren significativamente de las frecuencias esperadas (o calculadas) y entonces la hipótesis Ho se rechaza. mientras que si el estadístico χ²>0. • Si el valor calculado Dn es mayor que el Dα .05 y 0.2 Prueba Chi Cuadrado Una medida de las discrepancia entre las frecuencias observadas (fo) y las frecuencias calculadas (fc) por medio de una distribución teórica esta dada por el estadístico χ² en donde si el estadístico χ²=0 significa que las distribuciones teórica y empírica ajustan exactamente. 2 .05 y 0.2. • Se fija el nivel de probabilidad α . valores de 0. la distribución escogida se debe rechazar. La función χ² se encuentra tabulada. Si el valor calculado de χ² por la ecuación anterior es mayor que algún valor crítico de χ².01 son los más usuales. con niveles de significancia α de 0. ellas difieren. se puede entender como valores extremos. donde k es el número de intervalos y n es el número de los parámetros de la distribución teórica. Supongase que una hipótesis Ho es aceptar que una distribución empírica se ajusta a una distribución Normal. et al. si ocurre lo contrario entonces se acepta. 1994). 2 [1] Aunque no existe una definición generalmente aceptada. Esta prueba es fácil de realizar y comprende las siguientes etapas: • El estadístico Dn es la máxima diferencia entre la función de distribución acumulada de la muestra y la función de distribución acumulada teórica escogida. muy superiores a los demás registrados (Ashkar. La distribución del estadístico χ² se puede asimilar a una distribución Chi-cuadrado con (k-n-1) grados de libertad. 4.

Sign up to vote on this title
UsefulNot useful