Análisis de frecuencias hidrológicas

Hidrologa Ing.
Alexis Vergara
Ing. Nicomedes Alexis Vergara

Enero, 2014 (2017)
Hidrologa Ing. Alexis Vergara
Anlisis de Frecuencias.
Es un procedimiento para estimar la frecuencia o probabilidad de ocurrencia de ciertos
eventos hidroclimticos (Monsalve, 2008).
Segn Aparicio (2010):

El diseo y la planificacin de obras hidrulicas siempre estn relacionadas con eventos
hidrolgicos futuros; por ejemplo, la avenida de diseo para el vertedero de una presa es
un evento que tal vez no se ha presentado jams, o al menos no se ha presentado en el
perodo de datos disponibles, pero que es necesario conocer para el diseo de la obra.
Por ello, y como sucede en la mayora de las ciencias, con mucha frecuencia, la estadstica
es la va obligada en la solucin de los problemas. En particular, la probabilidad y la
estadstica juegan un papel de primer orden en el anlisis hidrolgico.
Es as como el Anlisis de Frecuencias de informacin hidrolgica relaciona los eventos

extremos con su frecuencia de ocurrencia mediante el uso de distribuciones de
probabilidad.
El Anlisis de Frecuencia se realiza ajustando el comportamiento de los datos observados a

una distribucin terica de probabilidad, entre las cuales pueden mencionarse: Normal,
Log-normal, Gumbel, Log-Gumbel, Pearson III, Log.Pearson III, etc.
El anlisis de frecuencia permite un tratamiento
cientfico (estadstico) a los datos hidrolgicos para la
toma de decisiones financieras, tcnicas, ambientales y
de diseo de las obras hidrulicas, atendiendo los
siguientes casos:
1. Cuencas con suficiente informacin hidrolgica. Este

es el caso ms optimista donde se pueden aplicar
todo tipo de metodologas existentes.
2. Cuencas con escasa informacin hidrolgica. En este

caso se pueden desarrollar modelos que relacionen
las precipitaciones con las descargas, mediante el
uso de la regresin simple o mltiple, lineal o no
lineal.
3. Cuencas sin informacin hidrolgica. Este es el caso

ms crtico y el ms comn, el cual puede resolverse
mediante un anlisis regional.
En forma general, la mayora de los problemas hidrolgicos se pueden agrupar en tres
categoras principales de acuerdo al objetivo principal del proyecto:
a) Diseo de estructuras hidrulicas, siendo necesaria la evaluacin y cuantificacin de los

valores extremos (mximos y mnimos) del escurrimiento superficial.
b) Satisfaccin de demandas, siendo necesario evaluar y cuantificar las descargas

disponibles en el punto de inters.
c) Diseo y operacin de embalses, siendo necesario evaluar y cuantificar la variacin del

escurrimiento superficial en todas sus caractersticas estadsticas, como valores medios,
mximos y mnimos.
En cada una de las tres categoras mencionadas se presentan diferentes tipos de problemas,
dependiendo de la simplicidad o complejidad de la solucin; del tipo, cantidad y calidad de
la informacin disponible, as como de la magnitud del proyecto.
Estadstica Hidrolgica.
Para extraer conclusiones estadsticas a partir de series de datos de precipitaciones o
aforos, es necesario disponer de series histricas de ms de 20 30 valores, cuanto mayor
sea la serie de datos, mayor ser la confiabilidad de las deducciones extradas.
El tratamiento estadstico que se analizar est encaminado a solucionar dos tipos de

relaciones:
Valor Probabilidad: Evaluar la probabilidad de que se presente en el futuro un caudal

(o precipitacin) mayor o menor que un determinado valor. Por ejemplo: Qu
probabilidad hay de que la aportacin anual del ro Santa Mara supere los 3,000 Hm3?
Probabilidad Valor: Evaluar qu caudal (o precipitacin) se superar un determinado %
de los aos. Por ejemplo: Qu aportacin de un ro se superar el 10% de los aos
estudiados?
Se utilizarn dos tipos de datos que requieren distintos tratamientos:
Valores medios. Ejemplo: de una serie de aos se dispondr del caudal o precipitacin
medio de cada ao.
Valores extremos. Ejemplo: de una serie de aos se extraer el caudal o precipitacin
del da ms caudaloso o lluvioso de cada ao.
Estadstica (Repaso).
Variable aleatoria.
Una variable aleatoria (v.a.) es una funcin que asocia a cada resultado del espacio
muestral un nmero real. De esta forma se cubre la necesidad de asociar a un suceso un
nmero real. Las v.a. pueden ser discretas o continuas.
Ejemplo: Si se tienen 5 posible sitios de aforos, de los cuales se van a estudiar slo dos.
Cmo se definen estos dos puntos para poder aplicar el mtodo estadstico?
Sencillo: se enumeran los sitios posibles del 1 al 5, se ingresan fichas numeradas en un

recipiente y se extraen dos (sin reposicin). Otra opcin, es tomar una cifra aleatoria a la
vez por medios electrnicos (apps, calculadoras, etc.).
El mtodo determinstico donde una persona decida los 2 puntos de aforo, ya no sera
aleatoria y no se podran aplicar con confianza los conceptos probabilsticos.
La distribucin de probabilidad de una v.a. es una funcin que asigna a cada valor posible
de dicha v.a. una probabilidad.
Variable aleatoria.
Los fenmenos que se presentan en la ingeniera pueden clasificarse, desde el punto de

vista de la certeza de su ocurrencia, en determinsticos y probabilsticos. Si la ocurrencia de
las variables en un proceso es cierta, es decir si las variables siguen una ley determinada se
habla de un proceso determinstico. En cambio, si se toma en cuenta la probabilidad de
ocurrencia y la falta de certeza existente, entonces se habla de un proceso de naturaleza
probabilstica. Es conveniente hacer notar que la gran mayora de los procesos que
interesan al ingeniero, en especial en el campo de la Hidrologa, pertenecen a la categora
de fenmenos probabilsticos.
Entre los procesos probabilsticos es necesario distinguir los probabilsticos a secas de los
probabilsticos estocsticos. Se denomina proceso estocstico a aqul en el que las
caractersticas de las variables aleatorias varan con el tiempo. En un proceso
probabilstico, independiente de la variable tiempo, la secuencia de las variables no
interesa y se supone que ellas siguen un determinado comportamiento dado por el modelo
probabilstico o distribucin de frecuencias.
Dada pues una variable aleatoria, interesar describir la probabilidad de ocurrencia de los
distintos estados. Esto se consigue gracias a un modelo matemtico de su comportamiento o
modelo probabilstico.
Variable aleatoria.
En resumen, puede decirse que el modelo probabilstico o distribucin permite conocer y

manejar fcilmente el comportamiento de la variable y sintetiza toda la informacin sobre
probabilidades asociadas a cada estado.
Una vez que el ingeniero, en base a su experiencia, escoge el modelo probabilstico que va a
usar debe proceder a calcular los parmetros de su modelo y despus revisar si este modelo
es consistente con la realidad. Ambas cosas las hace con los datos observados (registro o
muestra).
Poblacin y muestra.
Poblacin.
Es el conjunto total de datos que se quieren estudiar. A veces se dispone de medidas de
toda la poblacin estudiada, pero generalmente, esto sera muy difcil (por ejemplo, medir
la estatura de todos los panameos) o imposible (estudiando el caudal de un ro se tendran
que medir los caudales de todos los aos pasados y futuros). En estos casos el anlisis se
limita a medir una parte de la poblacin (una muestra). A partir de la muestra, se intenta
extraer estimaciones vlidas para toda la poblacin.
Muestra.
Es una pequea parte de la poblacin que debera ser representativa del total de la
poblacin. Si se midiera la estatura de todos los alumnos de este curso de Hidrologa para
conocer la estatura media de todos los estudiantes de Hidrologa de la UTP, tal vez ellos
seran toda la poblacin estudiada. Pero si, a partir de ellos, se quiere extraer conclusiones
sobre la estatura de toda la juventud panamea, estos alumnos seran solamente una
muestra representativa de la poblacin estudiada.
Frecuencias.
Al observar una serie de datos numricos (caudales anuales de un ro, estatura de personas,
etc.) se comprueba que los valores intermedios son ms frecuentes, mientras que los
valores elevados o pequeos (extremos) se presentan con menor frecuencia.
Supongamos que se ha medido la estatura de un gran grupo de personas, y se han

distribuido los valores en grupos de 5 en 5 cm.; despus se ha convertido el nmero de
casos de cada intervalo en porcentaje. Su representacin grfica sera similar a la Figura 1.
Frecuencias.
Si en la Figura 1 los intervalos se hacen ms pequeos y se aumenta el nmero de valores

medidos, el grfico continuara con esa forma de campana, pero se suavizara
progresivamente hasta convertirse en una curva continua, como la mostrada en la Figura 2.
Una distribucin de datos como la Figura 2 es muy frecuente en la naturaleza, se denomina

distribucin de Gauss o Normal. Su ecuacin es conocida, lo que permite calcular qu
porcentaje se encuentra por encima o por debajo de un valor determinado (por ejemplo,
qu porcentaje supera una estatura de 180 cm) .

x 2
1
f ( x) e 2 2
2
Densidad y Distribuciones.
Si en lugar de considerar cuantas personas quedan incluidas dentro de cada intervalo (Fig.
1), se considera cuntas personas quedan incluidas hasta ese intervalo (es decir, en ese y
en todos los anteriores), se obtendra la Figura 3 (Frecuencias Acumuladas). y al disminuir
el tamao de los intervalos y aumentar el nmero de sujetos medidos, se obtendra la
Figura 4:
La ecuacin de la curva en forma de campana (Figura 2) se denomina funcin de densidad.

Si se trabaja con valores acumulados, la ecuacin de la curva de la Figura 4 es la funcin de
distribucin.
Si la funcin de densidad es: y = f(x),

la funcin de distribucin ser:
x
F ( x) f ( x) dx

Por tanto, las curvas de las Figuras 2 y 4

proporcionan la misma informacin,
aunque de modo diferente. Vemos un
ejemplo: en la Figura 5 se comparan las
curvas de densidad (Fig. 2) y
distribucin (Fig. 4), haciendo coincidir
sus ejes de abscisas.
En el grfico acumulado (inferior) se lee

que el 90% de esa poblacin tiene una
estatura igual o menor que 181 cm, son
las coordenadas de un punto de la curva.
Para realizar la misma lectura en el

grfico en campana se debe acotar un
rea bajo la curva que sea el 90% del
rea total bajo la campana (parte
rayada en Fig. 5, superior) y leer a
qu valor de abscisas corresponde. En
ambos casos se obtiene el mismo
resultado sobre el eje de abscisas:
una estatura de 181 cm.
Las Figuras 2, 4 y 5 representan la ley

normal o de Gauss, pero los conceptos
explicados (funcin de densidad,
funcin de distribucin) tambin son
vlidos para otros tipos de
distribucin.
Media y Desviacin Standard.
Para caracterizar la distribucin de un conjunto cualquiera de medidas es necesario

disponer de un valor indicativo de su tendencia central y otro valor que refleje la
dispersin: qu tan agrupados o alejados estn los valores a ambos lados del valor central.
Para indicar la tendencia central, normalmente se utiliza la media aritmtica, tan intuitiva
y que todos conocen: sumar valores y dividir por el nmero de casos. Pero a veces la media
aritmtica proporciona una informacin equivocada: Supongamos que un multimillonario
reside en una aldea de 100 vecinos pobres. Los ingresos medios anuales (por persona) de esa
aldea seran muy elevados, pero ese valor nos engaara respecto a la pobreza de la
mayora de los vecinos. En estos casos es ms significativa la mediana, que es un valor que
deja por encima a la mitad de los casos y por debajo a la otra mitad. En las distribuciones
simtricas, la media y la mediana coinciden o estn muy cerca; en las asimtricas positivas
(pico a la izquierda) la mediana es inferior a la media.
La dispersin de los datos a ambos lados de la media se evala mediante la desviacin

estndar (o tpica). La desviacin estndar (s o ) se calcula en funcin de la suma de las
desviaciones de cada valor (x) de la media previamente calculada ( ), n es el nmero total
de datos:
x x
2
sn
n
Por ejemplo, las dos series de datos siguientes tienen la misma media pero obviamente son
muy distintas, en la segunda los datos estn ms dispersos respecto de la media:
La desviacin estndar no slo indica de un vistazo la dispersin de los datos a ambos lados
de su media, sino que es especficamente til para realizar ciertos clculos que se
repasarn ms adelante.
La frmula anterior se aplica a la poblacin (es decir, si se han podido medir todos los datos
de la poblacin estudiada, y con ellos se aplica la frmula). Pero lo habitual es que se
disponga slo de los datos de una muestra, y la desviacin estndar de esa muestra puede
no coincidir con la de toda la poblacin; para moderar este error se utiliza el estimador de
la desviacin estndar:
x x
2
sn 1
n 1
Cuando el nmero de datos (n) es grande ambas frmulas proporcionan valores casi
idnticos.
El cuadrado de la desviacin estndar es la varianza (sn2 , n2) , y el cuadrado del estimador

que utilizamos para las muestras se denomina quasi-varianza (sn-12 , n-12) .
Normalmente se utiliza la notacin (s griega) cuando se ha calculado con los datos de la

poblacin y se escribe como s si se ha calculado con una muestra. (Anlogamente, suele
usarse para la media aritmtica calculada sobre la poblacin y para la calculada sobre
una muestra).
Clculo de Desviacin Standard.
Es sencillo calcular la Desviacin estndar artesanalmente, basta con aplicar la frmula:

primero la media aritmtica, luego se va calculando la diferencia entre cada valor y la
media, su cuadrado, suma de todos los cuadrados, etc. Pero lo habitual es realizar el
clculo con una calculadora o con Hojas de Clculo.
Con la calculadora el proceso se limita a introducir todos los datos, y luego solicitar la
media y la desviacin estndar con las teclas correspondientes. Aparecen las teclas n y n-1
que se refieren respectivamente a las dos frmulas que se han repasado: con los datos de la
poblacin (dividir por n) y con los datos de la muestra (dividir por n-1)
La mejor eleccin es la hoja de clculo donde se utiliza la frmula =DESVEST.P( ), o bien

=DESVEST.M( ), refirindose, como antes a los datos de la poblacin o de una muestra,
respectivamente. La media aritmtica se obtiene mediante =PROMEDIO( ).
Coeficiente de Variacin.
Si dos series tienen la misma media, su desviacin estndar nos indica en cual de las dos los
valores est ms dispersos a ambos lados de la media. Pero si las medias son distintas, la
comparacin de las desviaciones estndar ya no es til. Supongamos que se desea saber cul
de las dos series siguientes est ms dispersa a ambos lados de su media:
Aparentemente, la segunda serie presenta una mayor dispersin (s = 64.8 parece muy alta
comparada con s = 3.0 de la primera). Pero s=3.0 en valores que rondan la media de 23 es
mayor que s = 64.8 en una poblacin de media 1,365. Esta idea se cuantifica mediante el
Coeficiente de Variacin (C.V.) = Desviacin standard / media.
As se observa que la dispersin de la primera muestra es relativamente mayor (CV = 0.13) y

su desviacin estndar equivale al 13% de la media, mientras que en la segunda muestra, su
desviacin estndar es solamente el 5% de su media (CV = 0.05)
Normalizacin de datos.
En los siguientes clculos, en lugar de trabajar con datos brutos, se debe utilizar datos
normalizados (estandarizados). Los datos normalizados indican cuntas desviaciones
estndar se encuentra un valor individual por encima o por debajo de la media.
Ejemplo 1.
Se han calculado la media y la desviacin estndar de los caudales de un ro: caudal medio =
97 m3/seg; desviacin estndar 13.4 m3/seg. En un ao hmedo el caudal fue de 112
m3/seg. Convierta ese valor en puntuacin estndar (normal).
Solucin: El valor 112 m3/s supera a la media en: 112 - 97 = 15 m3/s. Se calcula cuntas
desviaciones estndar est por encima de la media. El caudal del ro super a su media en :
112 97
1.12 desv. std .
13.4
Por tanto, si hablamos de un caudal 0 (valor estandarizado) no significa que el ro est
seco, sino que su caudal es igual a la media. La puntuacin estandarizada o normalizada se
representa generalmente como u o z. La expresin general es:
xx
z
sx
Curvas de Probabilidad Normalizadas.
Si se utiliza una campana de Gauss (Figura 2), para evaluar precipitaciones anuales, en el
eje de las abscisas estaran precipitaciones anuales en mm o caudales en m3/s. Ahora que se
conocen los valores normalizados, es preferible utilizar la misma curva de la Figura 2
representando en el eje de abscisas valores normalizados (Figura 7) en lugar de datos
brutos. De este modo, el mismo grfico ser vlido para estaturas, precipitaciones,
caudales de un arroyo, etc. (en el eje de abscisas los valores variaran de 0.2 a 3 m3/s) o
caudales de un gran ro (valores de 500 a 8,000 m3/s).
Clculo de Probabilidades.
Asumiendo que una serie de caudales se ajusta a la ley de Gauss, se pueden responder a dos
tipos de casos:
1. Cul es la probabilidad de que el caudal supere 40 m3/seg? O bien: Cada cuntos aos
se superar el caudal de 40 m3/seg?
2. Qu caudal ser superado un 2% de los aos? O lo que es lo mismo: Cual es el caudal

superado cada 50 aos?
Datos necesarios: Media aritmtica = 29.8 m3/seg; desv. estndar = 8.1 m3/seg
Caso 1: Del valor a la probabilidad.

1) Se expresa el caudal de 40 m3/seg como dato normalizado:
x x 40 29.8
z 1.26
sx 8.1
Esto significa que ese dato individual est 1.26 desviaciones estndar por encima de la
media.
2) Se calcula la probabilidad que z > 1.26. Como aplicar la ecuacin de Gauss no es simple,
esto puede hacerse de dos maneras: con Excel o mediante tablas de Distribucin Normal.
El valor obtenido mediante la funcin en Excel es:

=DISTR.NORM.ESTAND.N(1.26,VERDADERO) = 0.8962 (sector resaltado en la grfica)
Para obtener la probabilidad requerida, entonces 1 0.8962 = 0.1038

Esto quiere decir que el 10.38% de los aos tendrn un caudal igual o superior a 40 m3/seg.
El caudal citado se superar en promedio cada 10 aos.
Caso 2: De la probabilidad al valor.
Se trata de repetir el proceso anterior al revs:
1) Se calcula a qu valor de z corresponde la probabilidad 0.02 (o sea: 2%). De nuevo, esto
puede hacerse mediante Excel o las tablas de distribucin.
El argumento es 1 0.02 = 0.98.

=DISTR.NORM.ESTAND.INV(0.98) = 2.0537
Ahora se determina a qu dato bruto corresponde una puntuacin estandarizada de 2.05:
x 29.8
2.05 x 46.40 m 3 / s
8.1
Esto quiere decir que el valor que es superado un 2% de los aos (cada 50 aos) es 46.4
m3/seg
Se analizan ahora los casos inferiores a la media.
En los casos anteriores se analizaron caudales superiores a la media. Si se hacen previsiones
para aos secos, las preguntas (equivalentes a los casos 1 y 2) seran de este tipo:
3. Cul es la probabilidad de que el caudal no alcance los 15 m3/seg?

4. Qu caudal no se alcanzar un 10% de los aos?
Caso 3: Del valor a la probabilidad.

15 29.8
1) Se expresa el caudal de 15 m3/seg como dato normalizado: 1.83
8.1
Esto quiere decir que ese dato

individual est 1.83 desviaciones
estndar por debajo de la media.
2) Se calcula la probabilidad que z > -1.83.

=DISTR.NORM.ESTAND.N(-1.83,VERDADERO) = 0.034 (sector resaltado en la grfica)
Por tanto, la probabilidad de superar el caudal de 15 m3/seg es de 0.966, y la probabilidad

de que no se supere ese valor ser de 0.034 (3.4%)
Caso 4: De la probabilidad al valor.

La pregunta planteada es: Qu caudal no se alcanzar un 10% de los aos?
Esta situacin puede replantearse como: Qu caudal se superar el 90% de los aos?
1) Se calcula a qu valor de z corresponde la probabilidad 0.90 (o sea: 90%).
=DISTR.NORM.ESTAND.INV(0.10) = -1.28
Ahora se determina a qu dato

bruto corresponde una puntuacin
estandarizada de -1.28:
x 29.8
1.28
8.1
x 19.40 m 3 / s
Por tanto, el valor que no se alcanza el 10% de los aos

(probabilidad 0.90 de ser superado) es 19.4 m3/seg.
Parmetros Estadsticos y Momentos.

La estadstica es una ciencia descriptiva (cmo ocurren los eventos) y no una ciencia causal
(por qu ocurren los eventos), de tal forma que su objetivo es extraer la informacin
esencial de un conjunto de datos, reduciendo un conjunto grande de valores a un conjunto
pequeo. Los nmeros calculados a partir de una muestra se llevan a representar toda la
poblacin por medio de parmetros estadsticos. Un parmetro estadstico es el valor
esperado de comportamiento (E) de alguna funcin de variable aleatoria.
Como ya fue presentado, una distribucin de probabilidad es una funcin que representa la
probabilidad de ocurrencia de una variable aleatoria. Mediante el ajuste a una distribucin
de un conjunto de datos hidrolgicos, una gran cantidad de informacin probabilstica en la
muestra puede resumirse en forma compacta en la funcin y en sus parmetros asociados.
El ajuste de distribuciones puede llevarse a cabo aplicando varios conceptos:

Mtodo de momentos.
Mxima verosimilitud.
Mnimos Cuadrados.
Mtodo Grfico.
Se explicar el mtodo de momentos por ser le ms prctico y ms fcil de aplicar, adems

de ser adecuado para datos hidrolgicos. El concepto de Momento Estadstico es similar al
de Momento Fsico; es decir, rotacin con respecto a un eje.

El mtodo de momentos fue desarrollado por primera vez por Karl
Pearson (1902), cuando consider que un buen estimativo de los
parmetros era aquel para los cuales los momentos de una funcin
alrededor del origen son iguales a los correspondientes momentos de
los datos de la muestra.
Tal como se observa en la figura, si a cada uno de los valores de la informacin se le asigna
una masa hipottica igual a su frecuencia relativa (1/n) y si se imagina que este sistema
de masas rota alrededor del origen (x = 0), entonces el primer momento de cada
observacin xi alrededor del origen es el producto de su brazo de momento (xi) y de su
masa (1/n), y la suma de estos momentos es la media de la muestra.

El mtodo de momentos fue desarrollado por primera vez por Karl
Pearson (1902), cuando consider que un buen estimativo de los
parmetros era aquel para los cuales los momentos de una funcin
alrededor del origen son iguales a los correspondientes momentos
de los datos de la muestra.
n
xi 1 n

i 1 n
xi x
n i 1
Esto es equivalente al centroide de un cuerpo. El centroide correspondiente de la funcin
de probabilidad es:
x f x dx


Igualmente, los segundo y tercer momentos en la distribucin de probabilidad pueden
igualarse a valores de la muestra para determinar los parmetros de la poblacin.
Originalmente Pearson consider momentos slo alrededor del origen, pero posteriormente
se volvi comn el uso de momentos alrededor de la media (para lo cual el primer momento
es cero) y se defini la varianza como el segundo momento central y representa el grado de
dispersin de los datos con respecto a la media.

2
x 2
f x dx

Para datos discretos (muestra), la varianza es:
s 2 1
xi x 2
n 1
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 menor que el
valor verdadero.

La simetra de una distribucin con respecto a la media se mide utilizando la asimetra
(oblicuidad) la cual es el tercer momento alrededor de la media.

E
3
x 3
f x dx

La asimetra normalmente se construye en forma adimensional dividiendo la ecuacin

anterior por el cubo de la desviacin standard. Para datos discretos (muestra), se tiene:
n

n 1 n 2 s 3 i
Cs
3
x x
Simetra de Distribuciones.
Muchas variables naturales se ajustan a la distribucin simtrica normal o de Gauss, pero no
todas. En ocasiones no hay la misma proporcin de valores pequeos que de grandes, eso
dar lugar a una distribucin asimtrica.
Por ejemplo, si se representan los ingresos de la poblacin de un pas, probablemente la

campana no sera simtrica: la riqueza se distribuye con menor equidad que la estatura, y
mientras que la proporcin de altos y bajos es similar, no as la de ricos y pobres (hay pocos
ricos y muchos pobres). Quiz la campana correspondiente tendra una forma similar a la
Figura 6. Los matemticos han encontrado las ecuaciones de muchas de estas campanas
asimtricas (Gumbel, Pearson III, etc.)
En otras ocasiones, los valores no se ajustan a la distribucin de Gauss, pero sus logaritmos
s: se denomina entonces log-normal. En las distribuciones asimtricas el pico de la curva
puede estar desviado hacia la izquierda (como en la Figura 6) o hacia la derecha. Se
denominan respectivamente positivas y negativas, o se dice que tienen sesgo positivo o
negativo.
En Hidrologa, los valores medios (precipitaciones o caudales anuales) suelen ajustarse a la

distribucin de Gauss, pero los valores mximos, no: si se considera el da ms caudaloso o
el ms lluvioso de cada ao de una serie larga de aos, no se ajustarn a la distribucin
normal, sino probablemente a la campana asimtrica descrita por Gumbel o alguna similar.
Distribuciones Estadsticas en Hidrologa.

Distribuciones Estadsticas en Hidrologa.

Distribucin Normal (DN).

La DN surge del teorema del lmite central, el cual establece que si una secuencia de
variables aleatorias X, son independientes y estn idnticamente distribuidas con media y
varianza 2, entonces la distribucin de la suma de n de estas variables aleatorias tiende
hacia la DN con media n y varianza n2 a medida que n aumenta. El punto importante es
que esto es cierto sin importar cul es la funcin de distribucin de probabilidad de X.
Las variables hidrolgicas, como la precipitacin anual, calculadas como la suma de los
efectos de muchos eventos independientes tienden a seguir la DN. Sin embargo, otras
variables no siguen este comportamiento, por lo tanto, las principales limitaciones de la DN
en la descripcin de variables hidrolgicas son:
La DN vara a lo largo de un rango continuo ( -, + ), mientras que la mayor parte de las

variables hidrolgicas son no negativas.
La DN es simtrica alrededor de la media, mientras que la informacin hidrolgica
tiende a ser asimtrica.
La funcin de densidad normal es definida como:

x 2
1
f ( x) e 2 2
2
Distribucin Log-Normal (DLN).

Si la variable aleatoria Y = log X est normalmente distribuida, entonces se dice que X est
distribuida en forma log-normal. Chow (1954) lleg a la conclusin de que esta distribucin
se aplica a variables hidrolgicas formadas como productos de otras variables, siempre que
stas sean independientes.
Se ha determinado que la DLN describe la distribucin de la conductividad hidrulica en un

medio poroso (Freeze, 1975), la distribucin del tamao de gotas de lluvia en una tormenta
y otras variables ms.
La DLN tiene las ventajas sobre la DN de que est limitada (X > 0) y de que la
transformacin log tiende a reducir la asimetra positiva comnmente encontrada en
informacin hidrolgica, debido a que al tomar logaritmos se reducen en una proporcin
mayor los nmeros grandes que los nmeros pequeos.
Algunas limitaciones de la DLN son:

Slo tiene dos parmetros
Requiere que los logaritmos de los datos sean simtricos alrededor de la media.
La funcin de densidad log-normal es definida como:

y y 2
1 2 y 2
f ( x) e
2
Distribucin Exponencial (DE).

Algunas secuencias de eventos hidrolgicos, como la ocurrencia de la precipitacin, pueden
considerarse como procesos de Poisson, en los cuales los eventos ocurren instantneamente
e independientemente en un horizonte de tiempo, o a lo largo de una lnea. El tiempo
entre tales eventos, o tiempo de interarribo, est descrito por una DE cuyo parmetro es
la tasa media de ocurrencia de los eventos. La DE se utiliza para describir los tiempos de
interarribo de choques aleatorios a sistemas hidrolgicos, tales como volmenes de
escorrenta contaminada que entran en los ros a medida que la lluvia lava los
contaminantes en la superficie del terreno.
La ventaja de la DE radica en que es fcil estimar a partir de la informacin observada y

que la DE se adapta muy bien a estudios tericos, tales como un modelo de probabilidad
para el embalse lineal ( = 1/k, donde k es la constante de almacenamiento en el embalse.
Su desventaja es que requiere que la ocurrencia de cada evento sea completamente

independiente de sus vecinos, lo cual puede ser un supuesto no vlido para el proceso en
estudio. Por ejemplo, la llegada de un frente puede generar muchos procesos de lluvia.
Esto ha llevado a los investigadores a estudiar varias formas de procesos de Poisson
compuestos, en los cuales se considera como una variable aleatoria en lugar de una
constante.
La funcin de densidad exponencial es definida como: f ( x ) e x

Distribucin Gamma (DG).

El tiempo que toma la ocurrencia de un nmero de eventos en un proceso de Poisson est
descrito por la DG, la cual es la distribucin de una suma de variables aleatorias
independientes e idnticas, distribuidas exponencialmente. La DG tiene una forma que
vara suavemente similar a la funcin de densidad de probabilidad tpica ilustrada en la
siguiente figura:
La DG es muy til para la descripcin de variables hidrolgicas

asimtricas sin el uso de la transformacin log. Se ha aplicado
a la descripcin de la distribucin de profundidades de
precipitacin en tormentas, por ejemplo. La DG incluye la
funcin gamma (), ya analizada anteriormente:

( ) u 1 e u du
0
La funcin de densidad gamma es definida como:
x 1 e x
f ( x)

Distribucin Pearson Tipo III (DP3).

Tambin es conocida como la distribucin gamma de tres parmetros, introduce un tercer
parmetro, el lmite inferior , de tal manera que por el mtodo de los momentos, los tres
momentos de la muestra (media, desviacin estndar y el coeficiente de asimetra) pueden
transformarse en los tres parmetros, , y de la distribucin de probabilidad. Esta es
una distribucin muy flexible, que puede asumir diferentes formas a medida que los
parmetros varan.
El sistema de distribuciones Pearson incluye siete tipos; todos son soluciones para f(x) en
una ecuacin de la forma:
d f x f x x d

dx C0 C1 x C2 x 2
Donde d es la moda de la distribucin, y los coeficientes C deben determinarse. Cuando
C2 = 0, la solucin es una DP3, con una funcin de densidad de probabilidad definida como:
x 1 e x
f ( x)

Cuando C1 = C2 = 0, la solucin es una distribucin normal. Por lo tanto, la DN es un caso
especial de la DP3 para describir una variable no asimtrica.
Distribucin Log-Pearson Tipo III (DLP3).

Si log X sigue una DP3, entonces se dice que X sigue una DPL3. Esta es la distribucin
estndar para anlisis de frecuencias de crecidas mximas anuales en USA y su uso se
describir en detalle ms adelante. Como un caso especial, cuando log X es simtrico
alrededor de su media, la DLP3 se reduce a la DLN.
La localizacin del lmite en la DLP3 depende de la asimetra de la informacin. Si sta

tiene asimetra positiva, entonces log X > y es un lmite inferior, mientras que si la
informacin tiene asimetra negativa, entonces log X < y es un lmite superior.
La funcin de densidad es definida como:
y 1 e y
f ( x) Donde y = log x
x
Ejercicios.
Los ejercicios resueltos y propuestos se encuentran en la gua
de Estadstica en Hidrologa.
Suministro y Recoleccin de Agua Ing. Alexis Vergara
Ing. Nicomedes Alexis Vergara

Enero, 2014 (2017)

Análisis de frecuencias hidrológicas

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Análisis de frecuencias hidrológicas

Diunggah oleh

Hak Cipta:

Format Tersedia

Hidrologa Ing.

Ing. Nicomedes Alexis Vergara

Segn Aparicio (2010):

Es as como el Anlisis de Frecuencias de informacin hidrolgica relaciona los eventos

El Anlisis de Frecuencia se realiza ajustando el comportamiento de los datos observados a

1. Cuencas con suficiente informacin hidrolgica. Este

2. Cuencas con escasa informacin hidrolgica. En este

3. Cuencas sin informacin hidrolgica. Este es el caso

a) Diseo de estructuras hidrulicas, siendo necesaria la evaluacin y cuantificacin de los

b) Satisfaccin de demandas, siendo necesario evaluar y cuantificar las descargas

c) Diseo y operacin de embalses, siendo necesario evaluar y cuantificar la variacin del

El tratamiento estadstico que se analizar est encaminado a solucionar dos tipos de

Valor Probabilidad: Evaluar la probabilidad de que se presente en el futuro un caudal

Se utilizarn dos tipos de datos que requieren distintos tratamientos:

Sencillo: se enumeran los sitios posibles del 1 al 5, se ingresan fichas numeradas en un

Los fenmenos que se presentan en la ingeniera pueden clasificarse, desde el punto de

En resumen, puede decirse que el modelo probabilstico o distribucin permite conocer y

Supongamos que se ha medido la estatura de un gran grupo de personas, y se han

Si en la Figura 1 los intervalos se hacen ms pequeos y se aumenta el nmero de valores

Una distribucin de datos como la Figura 2 es muy frecuente en la naturaleza, se denomina

La ecuacin de la curva en forma de campana (Figura 2) se denomina funcin de densidad.

Si la funcin de densidad es: y = f(x),

Por tanto, las curvas de las Figuras 2 y 4

En el grfico acumulado (inferior) se lee

Para realizar la misma lectura en el

Las Figuras 2, 4 y 5 representan la ley

Para caracterizar la distribucin de un conjunto cualquiera de medidas es necesario

La dispersin de los datos a ambos lados de la media se evala mediante la desviacin

El cuadrado de la desviacin estndar es la varianza (sn2 , n2) , y el cuadrado del estimador

Normalmente se utiliza la notacin (s griega) cuando se ha calculado con los datos de la

Es sencillo calcular la Desviacin estndar artesanalmente, basta con aplicar la frmula:

La mejor eleccin es la hoja de clculo donde se utiliza la frmula =DESVEST.P( ), o bien

As se observa que la dispersin de la primera muestra es relativamente mayor (CV = 0.13) y

2. Qu caudal ser superado un 2% de los aos? O lo que es lo mismo: Cual es el caudal

Caso 1: Del valor a la probabilidad.

El valor obtenido mediante la funcin en Excel es:

Para obtener la probabilidad requerida, entonces 1 0.8962 = 0.1038

El argumento es 1 0.02 = 0.98.

Ahora se determina a qu dato bruto corresponde una puntuacin estandarizada de 2.05:

3. Cul es la probabilidad de que el caudal no alcance los 15 m3/seg?

Caso 3: Del valor a la probabilidad.

Esto quiere decir que ese dato

2) Se calcula la probabilidad que z > -1.83.

El valor obtenido mediante la funcin en Excel es:

Por tanto, la probabilidad de superar el caudal de 15 m3/seg es de 0.966, y la probabilidad

Caso 4: De la probabilidad al valor.

Ahora se determina a qu dato

Por tanto, el valor que no se alcanza el 10% de los aos

Parmetros Estadsticos y Momentos.

El ajuste de distribuciones puede llevarse a cabo aplicando varios conceptos:

Se explicar el mtodo de momentos por ser le ms prctico y ms fcil de aplicar, adems

Parmetros Estadsticos y Momentos.

Parmetros Estadsticos y Momentos.

Parmetros Estadsticos y Momentos.

Para datos discretos (muestra), la varianza es:

Parmetros Estadsticos y Momentos.

La asimetra normalmente se construye en forma adimensional dividiendo la ecuacin

Por ejemplo, si se representan los ingresos de la poblacin de un pas, probablemente la

En Hidrologa, los valores medios (precipitaciones o caudales anuales) suelen ajustarse a la

Distribuciones Estadsticas en Hidrologa.

Distribuciones Estadsticas en Hidrologa.

Distribucin Normal (DN).

La DN vara a lo largo de un rango continuo ( -, + ), mientras que la mayor parte de las