1 DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA

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
especifico 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 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
0.30 1.20
0.25 1.00
0.20 0.80
F(x)
f(x)

0.15 0.60
0.10 0.40
0.05 0.20
0.00 0.00
0 1 2 3 4 5 6 7 0 2 4 6 8
# dias nublados # dias nublados

Si se tiene una variable aleatoria continua, la figura presenta el histograma de 85 años de

registro de caudales de crecientes (máximos instantáneos) en el río Magdalena, agrupados
en 9 intervalos de clase.

1
 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 0.15 0.85
8 0.10 0.95
9 0.05 1.00
Total 1.00

0.25 1.20

0.20 1.00
0.80
0.15
F(x)
f(x)

0.60
0.10
0.40
0.05 0.20
0.00 0.00
1 2 3 4 5 6 7 8 9 0 2 4 6 8 10
Qmáx instántaneo *10² (m³/s) Qmáx instántaneo *10² (m³/s)

Cuando el número de observaciones se incrementa, el tamaño de los intervalos decrece y se

puede tener algo sí

0.35 1.20
0.30 1.00
0.25 0.80
0.20
F(x)
f(x)

0.60
0.15
0.40
0.10
0.05 0.20
0.00 0.00
1 2 3 4 5 6 7 8 9 10 0 5 10 15
Qmáx instántaneo *10² (m³/s) Qmáx instántaneo *10² (m³/s)

donde f(x) es la llamada función de densidad de probabilidades y tiene las siguientes

características

∞
i) ∫
−∞
f ( x)dx = 1

2
 b
ii) P (a ≤ x ≤ b) = ∫ f ( x)dx
a
b
iii) ∫ b
f ( x)dx = 0

Lo que implica que las probabilidades se definen solo como AREAS bajo la función de
densidad de probabilidad (FDP) entre límites finitos.

1.1 MOMENTOS DE LAS DISTRIBUCIONES

Las propiedades de las distribuciones pueden ser definidas completamente en términos de

los momentos. Los momentos en estadística son similares a los momentos en física
(rotación respecto al origen)

∞
M r = ∫ x r f ( x)dx para la variable continua
−∞

n
M r = ∑ x r f ( x) para la variable discreta
j =1

o respecto a la media (eje de rotación diferente al origen)

∞
M r = ∫ ( x − μ ) r f ( x)dx para la variable continua
−∞

n
M r = ∑ ( x − μ ) r f ( x) para la variable discreta
j =1

1.2 PARÁMETROS ESTADISTICOS

Los estadísticos extraen información de una muestra, indicando las características de la

población. Los principales estadísticos son los momentos de primer, segundo y tercer
orden correspondiente a la media, varianza, y asimetría respectivamente.

1.2.1 Media μ:
es el valor esperado de la variable misma . Primer momento respecto a la origen. Muestra
la tendencia central de la distribución
∞
μ = ∫ x f ( x)dx
−∞

el valor estimado de la media a partir de la muestra es

1 n
x = ∑ xi
n i =1

3
1.2.2 Varianza σ²:
mide la variabilidad de los datos. Es el segundo momento respecto a la media.
∞
σ 2 = ∫ ( x − μ ) 2 f ( x)dx
−∞

el valor estimado de la varianza a partir de la muestra es

1 n
s2 = ∑ ( xi − x) 2
n − 1 i =1
en el cual el divisor es n-1 en lugar de n para asegurar que la estadística de la muestra no
sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o menor que
el valor verdadero. Las unidades de la varianza son la media al cuadrado, 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, se estima por s. El significado de la
desviación estándar se ilustra en la siguiente figura

1.00
0.80
0.60
f(x)

0.40
0.20
0.00
0 2 4 6 8 10
x
0.50 1.00 1.30 2.00
Efectos de la función de densidad de probabilidad causados por cambios en la desviación
estándar.

σ
Coeficiente de variación Cv = es una medida adimensional de la variabilidad su
μ
s
estimado es Cv =
x

4
1.2.3 Coeficiente de asimetría γ
la distribución de los valores de una distribución alrededor de la media se mide por la
asimetría. Se obtiene a partir del tercer momento alrededor de la media, dividiéndolo por el
cubo de la desviación estándar para que sea adimensional.

∞
E[( x − μ ) 3 ] = ∫ ( x − μ ) 3 f ( x)dx tercer momento respecto a la media
−∞

1
γ= E `[( x − μ ) 3 ]
σ3
n
n∑ ( x − x)3
Un estimativo del coeficiente de asimetría está dado por C s = i =1
(n − 1)(n − 2) * s 3

Ejemplo

Encontrar el valor medio de la precipitación si se tiene

Frecuencia Frecuencia
Intervalo (mm) Xi medio x f(x)
absoluta relativa
100 110 105 10 0.1 10.5
110 120 115 16 0.16 18.4
120 130 125 9 0.09 11.25
130 140 135 10 0.1 13.5
140 150 145 20 0.2 29
150 160 155 15 0.15 23.25
160 170 165 20 0.2 33
Total=100 x = ∑138.9

2 ANALISIS DE FRECUENCIA

El análisis de frecuencia es una herramienta utilizada para, predecir el comportamiento

futuro de los caudales en un sitio de interés, a partir de la información histórica de caudales.
Es un método basado en procedimientos estadísticos que permite calcular la magnitud del
caudal asociado a un período de retorno. Su confiabilidad depende de la longitud y calidad
de la serie histórica, además de la incertidumbre propia de la distribución de probabilidades
seleccionada. Cuando se pretende realizar extrapolaciones, período de retorno mayor que
la longitud de la serie disponible, el error relativo asociado a la distribución de
probabilidades utilizada es más importante, mientras que en interpolaciones la
incertidumbre está asociada principalmente a la calidad de los datos a modelar; en ambos
casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles (Ashkar, et
al. 1994). La extrapolación de frecuencias extremas en una distribución empírica de
crecientes es extremadamente riesgosa (Garcon, 1994).

5
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. Chow en 1951 propusó determinar esta variación a partir de un factor
de frecuencia KT que puede ser expresado:

X T = μ + KT σ

y se puede estimar a partir de los datos

X T = x + KT s

Para una distribución dada, puede determinarse una relación entre K y el período de retorno
Tr. Esta relación puede expresarse en términos matemáticos o por medio del uso de una
tabla.

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.

A continuación se describen las principales distribuciones de probabilidad utilizadas en

hidrología, la forma de estimar sus parámetros, el factor de frecuencia y los límites de
confianza. Estos últimos son indicadores de que tanta incertidumbre se tiene con las
extrapolaciones, puesto que determinar el rango de valores donde realmente estaría la
variables, si el rango es muy grande la incertidumbre es muy alta y si es pequeño, por el
contrario, habrá mucha confianza en el valor estimado.

3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS

3.1 DISTRIBUCION NORMAL

La distribución normal es una distribución simétrica en forma de campana, también

conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos
hidrológicos tiene amplia aplicación por ejemplo a los datos transformados que siguen la
distribución normal.

3.1.1 Función de densidad:

La función de densidad está dada por

−1 ( x − μ ) 2
1
f ( x) = exp 2 σ2
−∞ < x < ∞
σ 2π

6
Los dos parámetros de la distribución son la media μ y desviación estándar σ para los
cuales x (media) y s (desviación estándar) son derivados de los datos.

3.1.2 Estimación de parámetros:

1 n
x= ∑ xi
n i =1

1
⎧ 1 n ⎫2
s=⎨ ∑
⎩ n − 1 i =1
( xi − x) 2 ⎬
⎭

3.1.3 Factor de frecuencia:

1. Si se trabaja con los X sin transformar el K se calcula como

xT − μ
KT =
σ

este factor es el mismo de la variable normal estándar K T = F −1 (1 − Tr1 )

3.1.4 Limites de confianza:

X Tr ± t(1−α ) S e

donde α es el nivel de probabilidad t(1−α ) es el cuantil de la distribución normal

estandarizada para una probabilidad acumulada de 1-α y Se es el error estándar

3.2 DISTRIBUCION LOGNORMAL DE DOS PARAMETROS

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

se distribuye normalmente.

Esta distribución es muy usada para el calculo de valores extremos por ejemplo Qmax,
Qmínimos, Pmax, Pmínima (excelentes resultados en Antioquia). Tiene la ventaja que X>0
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.

7
Limitaciones: tiene solamente dos parámetros, y requiere que los logaritmos de la variables
estén centrados en la media

3.2.1 Función de densidad:

−1 ( y − μ y )
1 2 σ y2
f ( x) = exp x>0
xσ 2π

y = ln x
donde, μy : media de los logaritmos de la población (parámetro escalar), estimado y
σy : Desviación estándar de los logaritmos de la población, estimado sy.

3.2.2 Estimación de parámetros:

1 n
y= ∑ ln( xi )
n i =1

1
⎧ 1 n ⎫2
sy = ⎨ ∑
⎩ n − 1 i =1
(ln( xi ) − y ) 2 ⎬
⎭

3.2.3 Factor de frecuencia:

Puede trabajarse en el campo original y en el campo transformado.

2. Campo transformado: Si se trabaja en el campo transformado se trabaja con la media y

la desviación estándar de los logaritmos, así:

Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)

con K con variable normal estandarizada para el Tr dado, xy media de los logaritmos y Sy
es la desviación estándar de los logaritmos.

3. Campo original: Si se trabaja con los X sin transformar el K se calcula como

8
 ⎧ 1
⎛ ln(1 + Cv 2 ) ⎞⎫
Exp ⎨ K T * ( Ln(1 + Cv 2 )) 2 − ⎜⎜ ⎟⎟⎬ − 1
⎩ ⎝ 2 ⎠⎭
Kt =
Cv

s
K es la variable normal estandarizada para el Tr dado, Cv = es el coeficiente de
x
variación, x media de los datos originales y s desviación estándar de los datos originales.

3.2.4 Limites de confianza:

En el campo transformado.

Ln( X Tr ) ± t(1−α ) ST

1
(δ S y ) ⎛ K 2 ⎞2
Se = δ = ⎜⎜1 + T ⎟⎟
n ⎝ 2 ⎠

en donde, n numero de datos, Se error estándar, KT variable normal estandarizada.

EJEMPLO: En un río se tienen 30 años de registros de Qmáximos instantáneos anuales

con x= 15 m3/s, S = 5 m3/s (media y desviación estándar para los datos originales).
xy=2.655, sy = 0.324 (media y desviación estándar de los datos transformados). Encontrar el
caudal para un periodo de retorno de 100 años y los limites de confianza para un α = 5%.
Calcular la probabilidad de que un caudal de 42.5 m3/s no sea igualado o excedido P(Q≤
4.25).

Solución:

n=30
x= 15 m3/s xy=2.655
s = 5 m3/s sy = 0.324

En el campo original

⎧ 1
⎛ ln(1 + Cv 2 ) ⎞ ⎫
Exp ⎨K * ( Ln(1 + Cv 2 )) 2 − ⎜ ⎟⎬ −1
⎩ ⎝ 2 ⎠⎭
Kt =
Cv

9
 s
Cv = = 5/15 = 0.33
x

K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.99)

de la tabla de la normal se obtiene KT=2.33

⎧ 1
⎛ ln(1 + 0.332 ) ⎞⎫
Exp ⎨2.33 * ( Ln(1 + 0.33 )) − ⎜⎜
2 2
⎟⎟⎬ − 1
⎩ ⎝ 2 ⎠⎭
KT =
0.33

KT = 3.06

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

En el campo transformado se tiene que:

LnQTr100 = 2.655 + 2.33*0.324

LnQTr100 = 3.40992

QTr100 = Exp (3.40992)

Q Tr100 = 30.26 m3/s

Limites de confianza

Ln (QTr) ± t(1-α) Se

1
(δ S y ) ⎛ K 2 ⎞2
Se = δ = ⎜⎜1 + T ⎟⎟
n ⎝ 2 ⎠

1
⎛ 2.332 ⎞ 2
δ = ⎜1 + ⎟
⎝ 2 ⎠
δ = 1.93

. ⋅ 0.324
193
Se = = 011
.
30

t(1-α) = t(0.95) = 1.645 (Leído de la tabla de la normal)

10
Ln(30.28) ± (1.645 ) (0.11)

3.41 ± 0.18095
[3.22905 3.59095]

[e3.22905 e3.59095]

[25.26 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≤

4.25).

Ln(42.5) = 3.75

t = (3.75 - 2.655)/0.324

F(3.38) = 0.9996 Leído de la tabla de la normal

P(Q≤ 4.25) = 99.9%

3.3 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, la cual ha sido ampliamente utilizada para
representar el comportamiento de crecientes y sequías (máximos y mínimos).

3.3.1 Función de densidad:

1 ⎡ − (x − β ) ⎛ − ( x − β ) ⎞⎤
f ( x) = exp ⎢ − exp⎜ ⎟⎥
α ⎣ α ⎝ α ⎠⎦

En donde α y β son los parámetros de la distribución.

⎡ ⎛ ( x − β ) ⎞⎤
F ( x) = ∫ f ( x)dx = exp ⎢− exp⎜ − ⎟
⎣ ⎝ α ⎠⎥⎦

11
3.3.2 Estimación de parámetros

6
α= s
π

β = x − 0.5772α

donde x y s son la media y la desviación estándar estimadas con la muestra.

3.3.3 Factor de frecuencia:

6 ⎧⎪ ⎡ ⎛ Tr ⎞⎤ ⎫⎪
KT = − ⎨0.5772 + ln ⎢ln⎜⎜ ⎟⎟⎥ ⎬
π ⎪⎩ ⎣ ⎝ Tr − 1 ⎠⎦ ⎪⎭

Donde Tr es el periodo de retorno. 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.

3.3.4 Limites de confianza

Xt ± t(1-α) Se

δ⋅ s
Se =
n

1
δ = [1 + 1.1396K T + 1.1KT 2 ] 2

KT es el factor de frecuencia y t(1-α) es la variable normal estandarizada para una

probabilidad de no excedencia de 1-α.

EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 años de periodo de retorno y

los intervalos de confianza. x= 15 m3/s, s = 5 m3/s

QTr100 = x + KT s

6
KT = − {0.577 + ln[ln100 − ln(99)]}
π

KT = 3.14

QTr100 = 15 + 3.14*5

12
QTr100 = 30.7 m3/s

Intervalos de confianza

t(1-α) = t(0.95) = 1.645 (Leído de la tabla de la normal)

δ = [1 + 11396
. . ) + 11
(314 . (314
. ) ] 2 2

δ = 3.93

(3.93) ⋅ (5)
Se =
30
Se = 3.58 m 3 / s

Xt ± t(1-α) Se

30.7 m3/s ± (1.64) (3.58)

[24.83 m3/s 36.58 m3/s] Intervalo de confianza para QTr100

3.4 DISTRIBUCION GAMA DE TRES PARAMETROS O PEARSON TIPO 3

Esta distribución ha sido una de las mas utilizadas en hidrología. Como la mayoría de las
variables hidrológicas son sesgadas, la función Gamma se utiliza para ajustar la
distribución de frecuencia de variables tales como crecientes máximas anuales, Caudales
mínimos, Volúmenes de flujo anuales y estacionales, valores de precipitaciones extremas y
volúmenes de lluvia de corta duración. La función de distribución Gamma tiene dos o tres
parámetros.

3.4.1 Función de densidad:

β −1
1 ⎛ x − xˆ0 ⎞ ⎛ x − xˆ0 ⎞
f ( x) = ⎜ ⎟ exp⎜ − ⎟
α Γ(β ) ⎝ α ⎠ ⎝ α ⎠

donde,

x0 ≤ x < ∝ para α > 0

∝ < x ≤ x0 para ∝ < 0

13
α y β son los parámetros de escala y forma, respectivamente , y x0 es el parámetro de
localización.

3.4.2 Estimación de parámetros:

2
⎛ 2 ⎞ Cs
βˆ = ⎜ ⎟ ; αˆ = s ; xˆ0 = x −α βˆ
⎝ Cs ⎠ 2

Cs es el coeficiente de asimetría, x y s son la media y la desviación estándar de la

muestra respectivamente.

3.4.3 Factor de frecuencia:

2 3 4 5
Cs 1 3 ⎛ Cs ⎞ ⎛ Cs ⎞ ⎛ Cs ⎞ 1 ⎛ Cs ⎞
K ≈ z + ( z − 1)
2
+ ( z − 6 z )⎜ ⎟ − ( z 2 − 1)⎜ ⎟ + z ⎜ ⎟ + ⎜ ⎟
6 3 ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ 3⎝ 6 ⎠
donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

3.4.4 Intervalos de confianza:

Xt ± t(1-α) Se

δ ⋅S
Se =
n

Donde S es la desviación estándar de la muestra, n es el número de datos y δ se encuentra

tabulado en función de Cs y Tr.

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 1.981 pie3/s cual es caudal para un periodo de
retorno de 100 años y su intervalo de confianza.

QTr100 = X+ SK

K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553

(2.0,100) = 3.605

14
QTr100 = 4144+ (3.595) (3311)
QTr100 = 16050 pie3/s

Intervalos de confianza

Xt ± t(1-α) Se

δ ⋅S
Se =
n

δ = F(1.981,100) de tablas se obtiene δ =8.4922 (1.9,100) = 8.2196

(2.0,100) = 8.5562

( 3311) ⋅ (8.4922)
Se =
30

Se = 5133.56 pie3/s

t(1-α) = t(0.95) = 1.645 (Leído de la tabla de la normal)

16050 ± (5133.56) (1.645)

[7605.29 pie3/s 24494.71pie3/s] Intervalos de confianza para QTr100

3.5 DISTRIBUCION LOG GAMMA O LOGPEARSON DE 3 PARAMETROS

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo
III, se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III.
Esta distribución es ampliamente usada en el mundo para el análisis de frecuencia de
Caudales máximos. 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.

3.5.1 Función de densidad:

β −1
1 ⎛ ln( x) − y0 ⎞ ⎛ ln( x) − y0 ⎞
f ( x) = ⎜ ⎟ exp⎜ − ⎟
x α Γ(β ) ⎝ α ⎠ ⎝ α ⎠

donde,

15
y0 ≤ y < ∝ para α > 0
∝ < y ≤ y0 para ∝ < 0

α y β son los parámetros de escala y forma, respectivamente , y y0 es el parámetro de

localización.

3.5.2 Estimación de parámetros:

2
⎛ 2 ⎞ Cs
βˆ = ⎜ ⎟ ; αˆ = s y ; xˆ0 = x y −α βˆ
⎝ Cs ⎠ 2

Cs es el coeficiente de asimetría, , x y y s y son la media y la desviación estándar de los

logaritmos de la muestra respectivamente.

3.5.3 Factor de frecuencia:

ln(YTr ) = x y + K ∗ s y

2 3 4 5
Cs 1 3 ⎛ Cs ⎞ ⎛ Cs ⎞ ⎛ Cs ⎞ 1 ⎛ Cs ⎞
K ≈ z + ( z − 1)
2
+ ( z − 6 z )⎜ ⎟ − ( z 2 − 1)⎜ ⎟ + z ⎜ ⎟ + ⎜ ⎟
6 3 ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ 3⎝ 6 ⎠
donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

3.5.4 Intervalos de confianza:

Xt ± t(1-α) Se

δ ⋅Sy
Se =
n

Donde Sy es la desviación estándar de los logaritmos de la muestra, n es el número de datos

y δ se encuentra tabulado en función de Cs y Tr.

4 AJUSTE DE DISTRIBUCIONES

16
Para la modelación de caudales máximos se utilizan, entre otras, las distribuciones Log -
Normal, Gumbel y Log-Gumbel principalmente. Para seleccionar la distribución de
probabilidades de la serie histórica se deben tener en cuenta algunas consideraciones.

• Cuando en la serie histórica se observan “outliers1” es necesario verificar la

sensibilidad del ajuste debido a la presencia de estos, (Ashkar, 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, con lo que se
disminuye la varianza muestral, pero también se filtran las variaciones reales de los
datos.

• Las distribuciones de dos parámetros fijan el valor del coeficiente de asimetría, lo

que en algunos casos puede no ser recomendable. La distribución Log - Normal de
dos parámetros sólo es recomendable sí el coeficiente de asimetría es cercano a
cero. Las distribuciones Gumbel y Log - 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, Log Pearson) se
requiere estimar el coeficiente de asimetría de la distribución; para ello es necesario
disponer de una serie con longitud de registros larga, mayor de 50 años, (Kite,
1988). Las distribuciones de dos parámetros son usualmente preferidas cuando se
dispone de pocos datos, porque reducen la varianza de la muestra, (Ashkar, et al.
1994).

• 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. Usualmente es muy difícil determinar las propiedades
físicas de los procesos hidrológicos para identificar el tipo de distribución de
probabilidad que es aplicable.

• 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, Smirnov-Kolmogorov, 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. 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.

Cuando la información es adecuada el análisis de frecuencia es la metodología más

recomendable para la evaluación de eventos extremos, ya que la estimación depende

1
Aunque no existe una definición generalmente aceptada, se puede entender como valores extremos, muy
superiores a los demás registrados (Ashkar, et al. 1994).

17
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. Obviamente tiene
algunas limitaciones relacionadas con el comportamiento de la serie histórica y con el
tamaño y calidad de los datos de la muestra.

• 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, 1988; Mamdouh, 1993; Ashkar, et al. 1994).

• La selección inadecuada de la distribución de probabilidades de la serie histórica

arrojará resultados de confiabilidad dudosa, (Ashkar, et al. 1994).

• El tamaño de la muestra influye directamente en la confiabilidad de los resultados,

así a mayor período de retorno del estimativo mayor longitud de registros necesaria
para mejor confiabilidad en los resultados.

El ajuste a distribuciones se puede hacer de dos técnicas, con el factor de frecuencia como
se refirió en el numeral 2 o hallando la distribución empírica de los datos muestrales, por el
método de Plotting Position.

4.1 Plotting Position

Trabaja con la probabilidad de excedencia asignada a cada valor de la muestra. Se han

propuesto numerosos métodos empíricos. 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

m
California P=
n

m
Weibull P=
n +1

2m − 1
Hazen P=
2n

La expresión más utilizada es la Weibull. Con las anteriores expresiones se halla lo que se
conoce como la distribución empírica de una muestra, esta luego se puede ajustar a una de
las distribuciones teóricas presentadas anteriormente. Los resultados pueden ser dibujados
en el papel de probabilidad; 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).

4.2 Pruebas de Ajuste

18
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, es decir,
no se puede ignorar el significado físico de los ajustes.

4.2.1 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, escogida
Po(x) tal que Dn = max( P ( x) − Po( x)) .

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.

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.
• Se fija el nivel de probabilidad α, valores de 0.05 y 0.01 son los más usuales.
• El valor crítico Dα de la prueba debe ser obtenido de tablas en función de α y n.
• Si el valor calculado Dn es mayor que el Dα, la distribución escogida se debe
rechazar.

4.2.2 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
k
( f − f )2
χ 2 = ∑ o c en donde ∑ f o = ∑ f c
i =1 fc
si el estadístico χ²=0 significa que lae distribuciones teórica y empírica ajustan
exactamente, mientras que si el estadístico χ²>0, ellas difieren. La distribución del
estadístico χ² se puede asimilar a una distribución Chi-cuadrado con (k-n-1) grados de
libertad, donde k es el número de intervalos y n es el número de los parámetros de la
distribución teórica. La función χ² se encuentra tabulada. Supongase que una hipótesis Ho
es aceptar que una distribución empírica se ajusta a una distribución Normal. Si el valor
calculado de χ² por la ecuación anterior es mayor que algún valor crítico de χ², con niveles
de significancia α de 0.05 y 0.01 (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, si ocurre lo contrario entonces se acepta.

19