Estimar a qu funcin de distribucin pertenece un fenmeno hidrolgico es un problema complejo, puesto que slo se tiene la muestra histrica disponible

como herramienta, y un anlisis previo de la misma dar la pauta para elegir la funcin ms adecuada. En el anli sis de dicha muestra pueden considerarse los siguientes criterios: El tipo de fenmeno hidrolgico: Se pueden elegir las funciones cuyos lmites matemtico s sean compatibles con los lmites impuestos por la naturaleza del fenmeno. [Llamas, 1993: p. 96]. Las caractersticas estadsticas de la muestra: La bsqueda de la funcin de distribucin debe limitarse a aquellas familias de funciones de simetra equivalente. La longitud de la muestra: Cuando se cuenta con muestras cortas o de reducido nme ro de valores (50 o menos), slo deben analizarse las funciones definidas por un nmero re ducido de parmetros (de 1 a 3). Si la muestra es larga o lo suficientemente grande se de ben utilizar funciones con mayor nmero de parmetros para dar mayor precisin debido a qu e el riesgo de la extrapolacin a partir de una muestra limitada, es inversamente pr oporcional a la longitud de la muestra. [Llamas, 1993, p. 96]. Distribuciones de probabilidad El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda de Distribuciones de Probabilidad. La variable se designa por mayscula y un valor especfico de ella por minscula. Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; simila rmente 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 Distribucin de Probabilidades de la variable x. 37 a b Figura 2.3. Distribucin de la funcin de probabilidad de la variable x P a x b f x dx A b a ( ) = ( ) = (Ec. 2.42) Si x es un nmero dado y consideramos la probabilidad P(X x): F(x)= P(X x) (Probabilid ad de no excedencia). (Ec. 2.43) y llamamos F(x) la funcin de distribucin acumulada. Cuando el nmero de observaciones se incrementa, el tamao de los intervalos decrece . f(x) es la llamada funcin de densidad de probabilidades y tiene las siguientes caractersticas: 1 ) ( = - f x dx (Ec. 2.44) = b a P(a x b) f (x)dx (Ec. 2.45) 0 ) ( = b a

f x dx (Ec. 2.46) f (x) 38 Lo que implica que las probabilidades se definen slo como reas bajo la funcin de densidad de probabilidad (FDP) entre lmites finitos. Momentos de las distribuciones Las propiedades de las distribuciones pueden ser definidas completamente en trmin os de los momentos. Los momentos en estadstica son similares a los momentos en fsica (rotacin respecto al o - Mg = xg f (x)dx para la variable continua (Ec. 2.47) o respecto a la media (eje de rotacin diferente al origen) - Mg = (x - m)g f (x)dx para la variable continua (Ec. 2.48) Parmetros estadsticos Los estadsticos extraen informacin de una muestra, indicando las caractersticas de la poblacin. Los principales estadsticos son los momentos de primer, segundo y tercer orden correspondiente a la media, varianza, y asimetra respectivamente. Media m: Es el valor esperado de la variable misma. Primer momento respecto al origen. Mu estra la tendencia central de la distribucin - m = xf (x)dx (Ec. 2.49) El valor estimado de la media a partir de la muestra es: 39 = = n i i x n x 1 1 (Ec. 2.50) Varianza s: Mide la variabilidad de los datos. Es el segundo momento respecto a la media. - s 2 = (x - m)2 f ( x)dx (Ec. 2.51) El valor estimado de la varianza a partir de la muestra es: = = n i i x x n s 1 2 ( )2 1

1 (Ec. 2.52) En el cual el divisor es n-1 en lugar de n para asegurar que la estadstica de la muestra no sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o me nor que el valor verdadero. Las unidades de la varianza son la media al cuadrado, la des viacin estndar s es una medida de la variabilidad que tiene las mismas dimensiones que l a media y simplemente es la raz cuadrada de la varianza, se estima por s. Coeficiente de variacin. es una medida adimensional de la variabilidad. Su estimado es: x C d n = (Ec. 2.53) 40 Coeficiente de asimetra g La distribucin de los valores de una distribucin alrededor de la media se mide por la asimetra. Se obtiene a partir del tercer momento alrededor de la media, dividindol o por el cubo de la desviacin estndar para que sea adimensional. [ ] - E (x - m)3 = (x - m)3 f (x)dx tercer momento respecto a la media (Ec. 2.54) [ 3 ] 3 ( ) 1 m s g = E x - (Ec. 2.55) Un estimativo del coeficiente de asimetra est dado por: 3 1 3 ( 1)( 2) ( ) n n s n x x Cs n i - = = (Ec. 2.56) Perodo de Retorno Cada espacio muestral tiene su propia funcin de distribucin o de densidad de probabilidad, que normalmente no se conoce a priori. Cuando de ese espacio se ex trae un grupo de datos (muestra) al azar, es razonable esperar que su funcin de distribuc in de probabilidad sea similar a la del espacio completo, en particular si la muestra es grande. Adems, lo ms razonable que se puede suponer en cuanto a la frecuencia de cada dato del grupo es que sta sea, dentro del espacio muestral, igual a la observada.

El perodo de retorno o intervalo de recurrencia, T, se define como el tiempo prom edio en el cual un evento de cierta magnitud va a ser igualado o superado por lo menos e n una ocasin. Por ejemplo, si se tiene un evento de diseo con una probabilidad de ocurre ncia P = 0.25 y tomando un proyecto con una vida til de 100 aos se tendra entonces que de los 100 aos que dure el proyecto, en 25 se excedera el evento de diseo. Por lo tanto, e l 41 tiempo promedio de recurrencia del evento es de 100/25 = 4 aos. Si P es la probab ilidad, entonces: T = 1/P (Ec. 2.57) La probabilidad de que el evento no ocurra sera entonces: F(x) = (1-P) = 1-1/T (Ec. 2.58) La probabilidad de que no ocurra en n aos de la vida til del proyecto sera: F(x) = (1 -1/T ) n (Ec. 2.59) y la probabilidad de que ocurra el evento en n aos o el riesgo de que se presente es: F(x) = [1-(1-1/T)] n (Ec. 2.60) Cuando se tiene una lista de datos ordenados en forma decreciente con respecto a l evento, el perodo de retorno se puede calcular como: T = (n+1)/m (Ec. 2.61) Donde: n = nmero de datos. m = nmero consecutivo de la lista para dicho evento. 42 Una vez que se asigna un perodo de retorno al gasto de diseo de la obra que se est analizando, es necesario hacer extrapolaciones a partir de los gastos mximos anua les que se hayan registrado para conocer el gasto de diseo que correspondera al perodo de retorno seleccionado. Esas extrapolaciones se logran mediante el uso de funcione s de distribucin de probabilidad, aquellas que ms se ajusten a los registros con los qu e se cuenta. De las las funciones de distribucin de probabilidad ms usadas en hidrologa, estas s on algunas de ellas para la determinacin de caudales mximos: 1. Normal 2. Log-normal 3. Pearson III 4. log-Pearson III 5. Gumbel Para la estimacin de caudales mximos en este documento se seleccionaron la funcin Log-Normal porque es apropiada para variables aleatorias que cubren todo el rang o de valores de los resultados posibles del experimento bajo anlisis (volmenes de escurrimiento mensual, por ejemplo); la funcin Gumbel debido que se desarroll para el anlisis de los valores extremos de dichos resultados, como los gastos mximos o mnim os anuales; y la funcin Log-Pearson III ya que ocupa un lugar intermedio. [Francisco Aparicio, 2001: p. 253] 2.4.1 Distribuciones de Probabilidad ms usadas en hidrologa para variables continuas. Distribucin normal

La distribucin normal es una distribucin simtrica en forma de campana, tambin conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos 43