DISTRIBUCIONESDEPROBABILIDADENHIDROLOGA

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.

PorP(x=a)sedenotalaprobabilidaddequeuneventoasumaelvalorasimilarmenteP(axb)denota
laprobabilidaddequeuneventoseencuentreenelintervalo(a,b).SiconocemoslaprobabilidadP(ax
b)paratodoslosvaloresdeayb,sedicequeconocemoslaDistribucindeProbabilidadesdelavariablex.

SixesunnmerodadoyconsideramoslaprobabilidadP(Xx):

F(x)=P(Xx):

yllamamosF(x)lafuncindedistribucinacumulada.

Ejemplo

Setienenlasprobabilidadesdequehaya1,2,3,...etc,dasnubladosporsemanaenundeterminadolugar,
conelloscalculeladistribucindeprobabilidades

x
P(x)
F(x)
0
0.05
0.05
1
0.15
0.20
2
0.25
0.45
3
0.20
0.65
4
0.15
0.80
5
0.10
0.90
6
0.08
0.98
7
0.02
1.00
Total
1.0

Sisetieneunavariablealeatoriacontinua,lafigurapresentaelhistogramade85aosderegistrodecaudales
decrecientes(mximosinstantneos)enelroMagdalena,agrupadosen9intervalosdeclase.

x
P(x)
F(x)
1
0.05
0.05
2
0.10
0.15
3
0.15
0.30
4
0.20
0.50
5
0.10
0.60
6
0.10
0.70

7
8
9
Total

0.15
0.10
0.05
1.00

0.85
0.95
1.00

Cuandoelnmerodeobservacionesseincrementa,eltamaodelosintervalosdecreceysepuedeteneralgo
s

dondef(x)eslallamadafuncindedensidaddeprobabilidadesytienelassiguientescaractersticas

i)
ii)
iii)

Lo que implica que las probabilidades se definen slo como REAS bajo la funcin de densidad de
probabilidad(FDP)entrelmitesfinitos.

1.1MOMENTOSDELASDISTRIBUCIONES

Las propiedades de las distribuciones pueden ser definidas completamente en trminos de los momentos.
Losmomentosenestadsticasonsimilaresalosmomentosenfsica(rotacinrespectoalorigen)

paralavariablecontinua

paralavariablediscreta

orespectoalamedia(ejederotacindiferentealorigen)


paralavariablecontinua

paralavariablediscreta

1.2PARMETROSESTADSTICOS

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,yasimetrarespectivamente.

1.2.1Mediam:
es el valor esperado de la variable misma . Primer momento respecto a la origen. Muestra la tendencia
centraldeladistribucin

elvalorestimadodelamediaapartirdelamuestraes

1.2.2Varianzas:
midelavariabilidaddelosdatos.Eselsegundomomentorespectoalamedia.

elvalorestimadodelavarianzaapartirdelamuestraes

enelcualeldivisoresn1enlugardenparaasegurarquelaestadsticadelamuestranoseasesgada,es
decir,quenotengaunatendencia,enpromedio,asermayoromenorqueelvalorverdadero.Lasunidades
delavarianzasonlamediaalcuadrado,ladesviacinestndarsesunamedidadelavariabilidadquetiene
lasmismasdimensionesquelamediaysimplementeeslarazcuadradadelavarianza,seestimapors.El
significadodeladesviacinestndarseilustraenlasiguientefigura

Efectosdelafuncindedensidaddeprobabilidadcausadosporcambiosenladesviacinestndar.

Coeficientedevariacin

esunamedidaadimensionaldelavariabilidadsuestimadoes

1.2.3Coeficientedeasimetrag
ladistribucindelosvaloresdeunadistribucinalrededordelamediasemideporlaasimetra.Seobtienea
partirdeltercermomentoalrededordelamedia,dividindoloporelcubodeladesviacinestndarparaque
seaadimensional.

tercermomentorespectoalamedia

Unestimativodelcoeficientedeasimetraestdadopor

Ejemplo

Encontrarelvalormediodelaprecipitacinsisetiene

Intervalo(mm)
100
110
120
130
140
150
160

Ximedio

110
120
130
140
150
160
170

105
115
125
135
145
155
165

Frecuencia Frecuencia
absoluta
relativa
10
0.1
16
0.16
9
0.09
10
0.1
20
0.2
15
0.15
20
0.2
Total=100

xf(x)
10.5
18.4
11.25
13.5
29
23.25
33
=S138.9

2ANALISISDEFRECUENCIA

Elanlisisdefrecuenciaesunaherramientautilizadapara,predecirelcomportamientofuturodeloscaudales
en un sitio de inters, a partir de la informacin histrica de caudales. Es un mtodo basado en
procedimientosestadsticosquepermitecalcularlamagnituddelcaudalasociadoaunperododeretorno.
Suconfiabilidaddependedelalongitudycalidaddelaseriehistrica,ademsdelaincertidumbrepropiade
la distribucin de probabilidades seleccionada. Cuando se pretende realizar extrapolaciones, perodo de
retorno mayor que la longitud de la serie disponible, el error relativo asociado a la distribucin de
probabilidades utilizada es ms importante, mientras que en interpolaciones la incertidumbre est asociada
principalmentealacalidaddelosdatosamodelarenamboscasoslaincertidumbreesaltadependiendodela
cantidad de datos disponibles (Ashkar, et al. 1994). La extrapolacin de frecuencias extremas en una
distribucinempricadecrecientesesextremadamenteriesgosa(Garcon,1994).

Paradeterminarlamagnituddeeventosextremoscuandoladistribucindeprobabilidadesnoesunafuncin
fcilmente invertibles se requiere conocer la variacin de la variable respecto a la media.Chow en 1951
propusdeterminarestavariacinapartirdeunfactordefrecuenciaKTquepuedeserexpresado:

ysepuedeestimarapartirdelosdatos

Paraunadistribucindada,puededeterminarseunarelacinentreKyelperododeretornoTr.Estarelacin
puedeexpresarseentrminosmatemticosopormediodelusodeunatabla.

El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de probabilidad y

determinarconelfactordefrecuencialamagnituddeleventoparaunperododeretornodado.

Acontinuacinsedescribenlasprincipalesdistribucionesdeprobabilidadutilizadasenhidrologa,laforma
deestimarsusparmetros,elfactordefrecuenciayloslmitesdeconfianza.Estosltimossonindicadores
dequetantaincertidumbresetieneconlasextrapolaciones,puestoquedeterminarelrangodevaloresdonde
realmenteestaralavariables,sielrangoesmuygrandelaincertidumbreesmuyaltaysiespequeo,porel
contrario,habrmuchaconfianzaenelvalorestimado.

3DISTRIBUCIONESDEPROBABILIDADPARAVARIABLESCONTINUAS

3.1DISTRIBUCIONNORMAL

Ladistribucinnormalesunadistribucinsimtricaenformadecampana,tambinconocidacomoCampana
deGauss.Aunquemuchasvecesnoseajustaalosdatoshidrolgicostieneampliaaplicacinporejemploa
losdatostransformadosquesiguenladistribucinnormal.

3.1.1Funcindedensidad:

Lafuncindedensidadestdadapor

Losdosparmetrosdeladistribucinsonlamediamydesviacinestndarsparaloscuales (media)ys
(desviacinestndar)sonderivadosdelosdatos.

3.1.2Estimacindeparmetros:

3.1.3Factordefrecuencia:

1.SisetrabajaconlosXsintransformarelKsecalculacomo

estefactoreselmismodelavariablenormalestndar

3.1.4Limitesdeconfianza:

donde a es el nivel de probabilidad

es el cuantil de la distribucin normal estandarizada para una
probabilidadacumuladade1aySeeselerrorestndar

3.2DISTRIBUCINLOGNORMALDEDOSPARMETROS

Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que X se distribuye
normalmente.

Esta distribucin es muy usada para el calculo de valores extremos por ejemplo Qmax, Qmnimos, Pmax,
Pmnima(excelentesresultadosenAntioquia).TienelaventajaqueX>0yquelatransformacinLogtiende
areducirlaasimetrapositivayaquealsacarlogaritmossereducenenmayorproporcinlosdatosmayores
quelosmenores.

Limitaciones:tienesolamentedosparmetros,yrequierequeloslogaritmosdelavariablesestncentrados
enlamedia

3.2.1Funcindedensidad:

y=lnx
donde,
my : media de los logaritmosde la poblacin (parmetro escalar), estimado
estndardeloslogaritmosdelapoblacin,estimadosy.

sy : Desviacin

3.2.2Estimacindeparmetros:

3.2.3Factordefrecuencia:

Puedetrabajarseenelcampooriginalyenelcampotransformado.

2. Campotransformado: Sise trabaja en el campo transformado se trabajacon la mediayla desviacin

estndardeloslogaritmos,as:

Ln(XTr)=xTr+KSy
dedonde,
XTr=eln(xTr)

conKconvariablenormalestandarizadaparaelTrdado,xy mediadeloslogaritmosySyesladesviacin
estndardeloslogaritmos.

3.Campooriginal:SisetrabajaconlosXsintransformarelKsecalculacomo

KeslavariablenormalestandarizadaparaelTrdado,
eselcoeficientedevariacin,xmediadelos
datosoriginalesysdesviacinestndardelosdatosoriginales.

3.2.4Limitesdeconfianza:

Enelcampotransformado.

endonde,nnumerodedatos,Seerrorestndar,KTvariablenormalestandarizada.

EJEMPLO:Enunrosetienen30aosderegistrosdeQmximosinstantneosanualesconx=15m3/s,S=
5m3/s(mediaydesviacinestndarparalosdatosoriginales).xy=2.655,sy = 0.324 (media y desviacin

estndar de los datos transformados). Encontrar el caudal para un periodo de retorno de 100 aos y los
limitesdeconfianzaparauna=5%.Calcularlaprobabilidaddequeuncaudalde42.5m3/snoseaigualado
oexcedidoP(Q4.25).

Solucin:

n=30
x=15m3/sxy=2.655
s=5m3/ssy=0.324

Enelcampooriginal

=5/15=0.33

K=F1(11/Tr)=F1(11/100)=F1(0.99)

delatabladelanormalseobtieneKT=2.33

KT=3.06

QTr=15+5*3.028
QTr=30.14m3/s

Enelcampotransformadosetieneque:

LnQTr100=2.655+2.33*0.324

LnQTr100=3.40992

QTr100=Exp(3.40992)

QTr100=30.26m3/s

Limitesdeconfianza

Ln(QTr)t(1a)Se

d=1.93

t(1a)=t(0.95)=1.645(Ledodelatabladelanormal)

Ln(30.28)(1.645)(0.11)

3.410.18095
[3.229053.59095]
[e3.22905e3.59095]
[25.2636.29]IntervalosdeconfianzaparaQTr100

b)Calcularlaprobabilidaddequeuncaudalde45m3/snoseigualadooexcedidoP(Q4.25).

Ln(42.5)=3.75

t=(3.752.655)/0.324

F(3.38)=0.9996Ledodelatabladelanormal

P(Q4.25)=99.9%

3.3DISTRIBUCIONGUMBELOEXTREMATIPOI

Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico es la distribucin

general de valores extremos, la cual ha sido ampliamente utilizada para representar el comportamiento de
crecientesysequas(mximosymnimos).

3.3.1Funcindedensidad:

Endondeaybsonlosparmetrosdeladistribucin.

3.3.2Estimacindeparmetros

donde

sonlamediayladesviacinestndarestimadasconlamuestra.

3.3.3Factordefrecuencia:

DondeTreselperiododeretorno.ParaladistribucinGumbelsetienequeelcaudalparaunperodode
retornode2.33aosesigualalamediadeloscaudalesmximos.

3.3.4Limitesdeconfianza

Xtt(1a)Se

KT es el factor de frecuencia y t(1a) es la variable normal estandarizada para una probabilidad de no

excedenciade1a.

EJEMPLO:ParaelejemploanteriorencontrarelQde100aosdeperiododeretornoylosintervalosde
confianza.x=15m3/s,s=5m3/s

QTr100=x+KTs

KT=3.14

QTr100=15+3.14*5
QTr100=30.7m3/s

Intervalosdeconfianza

t(1a)=t(0.95)=1.645(Ledodelatabladelanormal)

d=3.93

Xtt(1a)Se

30.7m3/s(1.64)(3.58)

[24.83m3/s36.58m3/s]IntervalodeconfianzaparaQTr100

3.4DISTRIBUCIONGAMMADETRESPARMETROSOPEARSONTIPO3

Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de las variables
hidrolgicassonsesgadas,lafuncinGammaseutilizaparaajustarladistribucindefrecuenciadevariables
tales como crecientes mximas anuales, Caudales mnimos, Volmenes de flujo anuales y estacionales,
valores de precipitaciones extremas y volmenes de lluvia de corta duracin. La funcin de distribucin
Gammatienedosotresparmetros.

3.4.1Funcindedensidad:

donde,

x0x<aparaa>0
a<xx0paraa<0

aybsonlosparmetrosdeescalayforma,respectivamente,yx0eselparmetrodelocalizacin.

3.4.2Estimacindeparmetros:

Cs es el coeficiente de asimetra,
respectivamente.

son la media y la desviacin estndar de la muestra

3.4.3Factordefrecuencia:

dondezeslavariablenormalestandarizada

EstevalordeKseencuentratabuladodeacuerdoalvalordeCscalculadoconlamuestra.

3.4.4Intervalosdeconfianza:

Xtt(1a)Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y d se encuentra tabulado en

funcindeCsyTr.

EJEMPLO:Setieneunaestacincon30aosderegistrosdecaudalesmximosinstantneosconMediade
4144pie3/sydesviacinestndarde3311pie3/s.Sielcoeficientedeasimetradeloscaudalesesde1.981
pie3/scualescaudalparaunperiododeretornode100aosysuintervalodeconfianza.

QTr100=X+SK

KesF(1.981,100)detablasseobtieneK=3.595(1.9,100)=3.553
(2.0,100)=3.605

QTr100=4144+(3.595)(3311)
QTr100=16050pie3/s

Intervalosdeconfianza

Xtt(1a)Se

d=F(1.981,100)detablasseobtiened=8.4922(1.9,100)=8.2196
(2.0,100)=8.5562

Se=5133.56pie3/s

t(1a)=t(0.95)=1.645(Ledodelatabladelanormal)

16050(5133.56)(1.645)

[7605.29pie3/s24494.71pie3/s]IntervalosdeconfianzaparaQTr100

3.5DISTRIBUCINLOGGAMMAOLOGPEARSONDE3PARMETROS

SiloslogaritmosYdeunavariablealeatoriaXseajustanaunadistribucinPearsontipoIII,sedicequela
variable aleatoria X se ajusta a una distribucin Log Pearson Tipo III. Esta distribucin es ampliamente
usada en el mundo para el anlisis de frecuencia de Caudales mximos.Esta se trabaja igual que para la
Pearson Tipo III pero con Xy y Sy como la media y desviacin estndar de los logaritmos de la variable
originalX.

3.5.1Funcindedensidad:


donde,

y0y<aparaa>0
ayy0paraa<0

aybsonlosparmetrosdeescalayforma,respectivamente,yy0eselparmetrodelocalizacin.

3.5.2Estimacindeparmetros:

Cseselcoeficientedeasimetra,
muestrarespectivamente.

sonlamediayladesviacinestndardeloslogaritmosdela

3.5.3Factordefrecuencia:

dondezeslavariablenormalestandarizada

EstevalordeKseencuentratabuladodeacuerdoalvalordeCscalculadoconlamuestra.

3.5.4Intervalosdeconfianza:

Xtt(1a)Se

DondeSyesladesviacinestndardeloslogaritmosdelamuestra,neselnmerodedatosydseencuentra
tabuladoenfuncindeCsyTr.

4AJUSTEDEDISTRIBUCIONES

Paralamodelacindecaudalesmximosseutilizan,entreotras,lasdistribucionesLogNormal,Gumbely
LogGumbelprincipalmente.Paraseleccionarladistribucindeprobabilidadesdelaseriehistricasedeben
tenerencuentaalgunasconsideraciones.

Cuandoenlaseriehistricaseobservanoutliers[1]esnecesarioverificarlasensibilidaddelajuste
debidoalapresenciadeestos,(Ashkar,etal.1994)

ParaelajustealasdistribucionesLogNormal,LogGumbelyLogPearsonserequieretransformarla
variable al campo logartmico para modelarla, con lo que se disminuye la varianza muestral, pero

tambinsefiltranlasvariacionesrealesdelosdatos.

Lasdistribucionesdedosparmetrosfijanelvalordelcoeficientedeasimetra,loqueenalgunoscasos
puedenoserrecomendable.LadistribucinLogNormaldedosparmetrossloesrecomendables
el coeficiente de asimetra es cercano a cero. Las distribuciones Gumbel y Log Gumbel son
recomendablessielcoeficientedeasimetradeloseventosregistradosescercanoa1.13

Para ajustar distribuciones de tres parmetros (Log Normal III, Log Pearson) se requiere estimar el
coeficientedeasimetradeladistribucinparaelloesnecesariodisponerdeunaserieconlongitudde
registroslarga,mayorde50aos,(Kite,1988).Lasdistribucionesdedosparmetrossonusualmente
preferidascuandosedisponedepocosdatos,porquereducenlavarianzadelamuestra,(Ashkar,etal.
1994).

Para seleccionar la distribucin de probabilidades adecuada se debe tratar de utilizar informacin

adicional del proceso hidrolgico que permita identificar la forma en que se distribuye la variable.
Usualmente es muy difcil determinar las propiedades fsicas de los procesos hidrolgicos para
identificareltipodedistribucindeprobabilidadqueesaplicable.

Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cual es la distribucin que
mejor se ajusta a los caudales mximos y recomiendan seleccionar el mejor ajuste a criterio del
modeladorconlapruebadeajustegrficoobasadoenelcomportamientodelaspruebasestadsticas
debondaddelajuste(porejemploChiCuadrado,SmirnovKolmogorov,CramerVonMises)enlasque
secalculaunestimadorysecomparaconunvalortabuladoparadeterminarsielajusteesadecuadoo
no.Enlapruebadeajustegrficasedibujanlosvaloresregistradosenlaseriecontraladistribucin
tericadeprobabilidadesydemaneravisual(subjetiva)sedeterminasielajusteesadecuadoono.

Cuando la informacin es adecuada el anlisis de frecuencia es la metodologa ms recomendable para la

evaluacindeeventosextremos,yaquelaestimacindependesolamentedeloscaudalesmximosanuales
que han ocurrido en la cuenca y no da cuenta de los procesos de transformacin de la precipitacin en
escorrenta.Obviamentetienealgunaslimitacionesrelacionadasconelcomportamientodelaseriehistrica
yconeltamaoycalidaddelosdatosdelamuestra.

Cuandosepresentencambiosotendenciasenlaseriehistricasedebenutilizartcnicasestadsticas
quepermitanremoverlosparapoderrealizarelanlisisdefrecuencias(Kite,1988Mamdouh,1993
Ashkar,etal.1994).

Laseleccininadecuadadeladistribucindeprobabilidadesdelaseriehistricaarrojarresultadosde
confiabilidaddudosa,(Ashkar,etal.1994).

Eltamaodelamuestrainfluyedirectamenteenlaconfiabilidaddelosresultados,asamayorperodo
de retorno del estimativo mayor longitud de registros necesaria para mejor confiabilidad en los
resultados.

Elajusteadistribucionessepuedehacerdedostcnicas,conelfactordefrecuenciacomoserefirienel
numeral2ohallandoladistribucinempricadelosdatosmuestrales,porelmtododePlottingPosition.

4.1PlottingPosition

Trabajaconlaprobabilidaddeexcedenciaasignadaacadavalordelamuestra.Sehanpropuestonumerosos
mtodosempricos.Sineseltotaldevaloresymeselrangodeunvalorenunalistaordenadademayora
menor (m=1 para el valor mximo) la probabilidad de excedencia se puede obtener por medio de las
siguientesexpresiones

California

Weibull

Hazen

LaexpresinmsutilizadaeslaWeibull.Conlasanterioresexpresionessehallaloqueseconocecomola
distribucin emprica de una muestra, esta luego se puede ajustar a una de las distribuciones tericas
presentadasanteriormente.Losresultadospuedenserdibujadosenelpapeldeprobabilidadesteesdiseado
paraquelosdatosseajustenaunalnearectaysepuedancompararlosdatosmuestralesconladistribucin
terica(lnearecta).

4.2PruebasdeAjuste

Para determinar que tan adecuado es el ajuste de los datos a una distribucin de probabilidades se han
propuesto una serie de pruebas estadsticas que determinan si es adecuado el ajuste. Estos son anlisis
estadsticosycomotalsedebenentender,esdecir,nosepuedeignorarelsignificadofsicodelosajustes.

4.2.1PruebaSmirnovKolmogorov

El estadstico Smirnov Kolmogorov D considera la desviacin de la funcin de distribucin de

probabilidades de la muestra P(x) de la funcin de probabilidades terica, escogida Po(x) tal que
.

LapruebarequierequeelvalorDncalculadoconlaexpresinanteriorseamenorqueelvalortabuladoDn
paraunniveldeprobabilidadrequerido.

Estapruebaesfcilderealizarycomprendelassiguientesetapas:
ElestadsticoDneslamximadiferenciaentrelafuncindedistribucinacumuladadelamuestrayla
funcindedistribucinacumuladatericaescogida.
Sefijaelniveldeprobabilidada,valoresde0.05y0.01sonlosmsusuales.
ElvalorcrticoDadelapruebadebeserobtenidodetablasenfuncindeayn.
SielvalorcalculadoDnesmayorqueelDa,ladistribucinescogidasedeberechazar.

4.2.2PruebaChiCuadrado

Una medida de las discrepancia entre las frecuencias observadas (fo) y las frecuencias calculadas (fc) por
mediodeunadistribucintericaestadadaporelestadstico
endonde
sielestadstico=0significaquelasdistribucionestericayempricaajustanexactamente,mientrasquesi
elestadstico>0,ellasdifieren.LadistribucindelestadsticosepuedeasimilaraunadistribucinChi
cuadrado con (kn1) grados de libertad, donde k es el nmero de intervalos y n es el nmero de los
parmetrosdeladistribucinterica.Lafuncinseencuentratabulada.SupongasequeunahiptesisHo
esaceptarqueunadistribucinempricaseajustaaunadistribucinNormal.Sielvalorcalculadodepor
laecuacinanterioresmayorquealgnvalorcrticode,connivelesdesignificanciaade0.05y0.01(el
niveldeconfianzaes1a)sepuededecirquelasfrecuenciasobservadasdifierensignificativamentedelas
frecuenciasesperadas(ocalculadas)yentonceslahiptesisHoserechaza,siocurrelocontrarioentoncesse
acepta.

[1]Aunquenoexisteunadefinicingeneralmenteaceptada,sepuedeentendercomovaloresextremos,muy
superioresalosdemsregistrados(Ashkar,etal.1994).

__.__