You are on page 1of 3

An´

alisis de Frecuencia
Hidrolog´ıa
por Nicol´
as V´
asquez
Semestre primavera 2015

Factor de frecuencia
Debido a que muchas de las funciones de probabilidad no son revertibles, es complejo estimar el
per´ıodo de retorno a partir de una probabilidad dada. Por eso Chow(1951) propone lo siguiente:
xT = µ + KT · σ

(1)

xT = x + KT · s

(2)

Lo cual se puede estimar por
En el evento de que la variable analizada sea y = log(x), entonces se aplica el mismo m´etodo a
las estad´ısticas para los logaritmos de los datos, utilizando
yT = y + KT · sy

(3)

Para una distribuci´
on dada, puede determinarse una relaci´
on K − T entre el factor de frecuencia
y el per´ıodo de retorno correspondiente. Esta relaci´
on se puede expresar en t´erminos matem´
aticos
o mediante una tabla. Las relaciones K − T te´oricas para varias distribuciones de probabilidad
com´
unmente usadas en el an´
alisis de frecuencias hidrol´ogicas se describen a continuaci´
on.

Distribuci´
on Normal
El factor de frecuencia puede expresarse como
KT =

xT − µ
σ

(4)

Este es el mismo de la variable normal estandarizada z. Recordemos que la funci´on de densidad de
probabilidad de la funci´
on normal es  

(x − µ)2
1
exp −
(5)
f (x) = √
2σ 2
2πσ
Esta ecuaci´
on se puede simplificar definiendo la variable normal estandarizada z como
z=

Departamento de Ing. Civil

x−µ
σ
1

(6)

Universidad de Chile

Departamento de Ing. Distribuciones de Valor Extremo Para la distribuci´ on de Valor Extremo Tipo I.00045 en z (Abramowitz y Stegun. el logaritmo de la variable sigue la distribuci´on EVI.515517 + 0. el n´ umero de datos usados para el an´ alisis. la distribuci´ on normal est´ andar tiene la siguiente funci´on de densidad  2 1 z √ f (z) = exp − 2 2π (7) El valor de z correspondiente a una probabilidad de excedencia de p(p = 1/T ) puede calcularse encontrando el valor de una variable intermedia w:    1 2 1 (8) w = ln p2 y luego calculando z utilizando la siguiente aproximaci´on z=w− 2.En consecuencia. se aplica el mismo procedimiento excepto que este se aplica a los logaritmos de las variables.5. entonces ( ) 3  G G 2 N KT − +1 −1 KT = G 6 6 (13) Donde KTN corresponde al coeficiente de frecuencias de la distribuci´ on Normal. Civil 2 Universidad de Chile . donde el valor de xT se obtiene como σx · (y − yn ) xT = x + σn    T y = −ln ln T −1 (11) (12) Los valores de yn y σn est´ an tabulados y dependen de n. Para la distribuci´ on Log-Normal.001308w3 (9) Cuando p > 0.189269w2 + 0.010328w2 1 + 1.5772 + ln ln (10) KT = − π T −1 Para la distribuci´ on Extrema de Tipo II.802853w + 0. entonces EVI pasa a ser Gumbel. Distribuci´ on Pearson Si G es el coeficiente de asimetr´ıa tal que −1 ≤ G ≤ 1. El error en esta f´ormula es menor que 0. Si el conjunto de datos es finito. 1965). 1 − p es sustituido en la ec(8) y el valor de z calculado a partir de ec(9) se le asigna un signo negativo.432788w + 0. Chow (1953) dedujo la siguiente expresi´ on √     6 T · 0.

α · Sx (18) (19) Donde A KT. Departamento de Ing. se tiene   KT2 Sx2 2 V ar(xT ) = Se = 1+ n 2 (16) Para la funci´ on Gumbel.α (x) = x + A KT. la estimaci´ on de xT tiene un error asociado que depende del n´ umero de datos. Para la funci´on Normal.α (x) = x + KT.1396KT + 1. Civil 3 Universidad de Chile . Se = Sx r 1 (1 + 1. Para las densidades de probabilidades Normal y Gumbel se tiene los l´ımites superior (U ) e inferior (L) mediante la siguiente ecuaci´ on: p xU (14) T = xT + Z1−α V ar(xT ) p (15) xL T = xT − Z1−α V ar(xT ) Donde el nivel de confianza del error es β = 1 − 2α.Error en la estimaci´ on Debido a que el an´ alisis se realiza para un n´ umero finito de datos.1KT2 ) n (17) A diferencia de las dos anteriores. para la funci´on Pearson los valores superiores (AT.α (x)) se obtiene como A AT.α (x)) e inferior (AT.α = B KT.α · Sx BT.α = Kt + q KT2 − ab qa Kt − KT2 − ab a 2 Z1−α 2(n − 1) Z2 b = KT2 − 1−α n a = 1− (20) (21) (22) (23) con n el n´ umero de datos.