Professional Documents
Culture Documents
80
70
60
50 I
40 \rl I
30 -
20
10
0
:lQ.!a\Nl6s-eo
!Qto\o\o--rF-a-oi
aaia\aaao\a6
r*-i
Bja
td-u@U@gna-
EElsta.d-st@4.
Materia pagma
PrIogo..... ................ 11
bsicos...
1. Conceptos ............... 15
muestral....
1.1 Espacio .......... 15
1.2Eventos .......... 16
l.3Definicinclsicadeprobabilidad......... .............17
1.4 Definicin axiomtica de probabilidad......... ....... 18
1.5 Perodo de retorno ...........21
1.6 Concepto de riesgo:.................. ..........22
1.7 Clculo de la probabilidad emprica o experimental.............26
1.8 Variables a1eatorias................ -...........28
Variable aleatoria discreta ...................30
Variable aleatoria continua... ...............30
1.9 Distribuciones....... ...........31
Funcin de de densidad de probabilidad de una variable
aleatoria discreta..... ...........32
Funcin de densidad de probabilidad de una variable aleatoria
continua ...........33
Hidrologfa Estadstica - pgina (7)
Contenido - Pgina (6)
tericas
6. Distribciones """" 195 8.4 Anlisis estadstico............... ...........314
6.1Introduccin......... ..........195 Anlisis de saltos .............315
gaussiana
6.2 Distribucin normal o ""'197 ............
Anlisis de tendencias ...........319
8.5 Problemas propuestos.............. ...,....330
Apndice: Tablas estadsticas y papeles probabilsticos .....'.........413 Los estudios hidrolgicos requieren del anlisis de cuantiosa
informacin hidrometeolgica; esta informacin puede consistir de
Otras publicaciones..., ..............435 datos de precipitacin, caudales, temperatura, evaporacin, etc.
. captulo II,
distribuciones de frecuencia de una muestra, su . captulo X, tcnicas de generacin de nmeros aleatorios
representacin tabular y grfica, y su procedimiento de clculo. uniformes, normales y log-normales, y de series sintticas.
. captulo III, medidas de las distribuciones, como media, . captulo XI, la estimacin de los intervalos de confianza, parala
mediana, moda, medidas de dispersin, medidas de simetra y media y varianza de la poblacin, a partir de datos muestrales.
asimetra, y medidas de achatamiento, tambin se incluye el
clculo de los parmetros estadsticos utilizando la tcnica de los Como anexo se incluye la transformada de Laplace y la funcin
momentos lineales. gamma completa, conceptos matemticos de gran importancia, que
ayudan a simplificar los clculos que se realizan en la estimacin de
. captulo IV, estimacin de parmetros, mediante mtodo grfico, parmetros y distribuciones tericas. Tambin, se incluye un listados
mnimos cuadrados, momentos y mxima verosimilitud. de funciones trigonomtricas, que ayudan al lector, en los ejercicios
de transformada de Laplace.
. captulo V, pruebas de bondad de ajuste, dentro de las cuales se
contemplan el ajuste grfico, Chi-cuadrado y Smirnov- Por otro lado, se incluye un apndice con las tablas estadsticas ms
Kolmogorov. usuales, las cuales ayudan en los clculos a realizar, as como los
papeles probabilsticos normal, log-normal, Gumbel y log-Gumbel.
. captulo VI, distribuciones tericas ms utilizadas en hidrologa,
como la normal, log-normal, gamma, log-Pearson tipo III, El autor desea expresar su agradecimiento, a aquellas personas que
Gumbel y log-Gumbel. de una u otra manera, han estado involucradas con la elaboracin de
enta publicacin, como por ejemplo: los estudiantes de la Escuela de
. captulo VII, conceptos de correlacin y regresin, los ,lngeniera Agrcola, quienes utilizaron, como texto la versin
coeficientes de correlacin y determinacin, las ecuaciones de proliminar de esta publicacin, en el curso Estadstica Aplicada, el
regresin lineal y no lineal simple, las ecuaciones de regresin dlscador grfrco, Rafael Murillo que trabaj con las ilustraciones,
lineal y no lineal mltiple, y la ecuacin de regresin polinomial. cl estudiante Gerardo Espinoza, por la dgitalizacin de parte del
toxto y Alexis Rodrguez del Instituto Costarricense de Electricidad
. captulo VIII, anlisis de consistencia, como el anlisis visual, (lCE), por sus acertadas sugerencias.
doble masa, estadstico con los anlisis de saltos y tendencias.
,7
Prlogo - pgina(l4)
Conceptos bsicos
1.1 Espacio muestral
Es el conjunto de todos los posibles resultados de un experimento.
An cuando en un
experimento, no es posible determinar con
seguridad su resultado, si se puede, definir con precisin un listado
de los resultados posibles de ocurrir. Esta lista constituye el espacio
muestral, y se designa como .
ffjemplos I:1 .
S = { escudo, corona }
tlonde: NS = 2
llcndo, Ng : nmero posible de resultados del espacio muestral
S= t 1,2,3,4,5,61 Nc=6
N^s=6
L.3 Definicin clsica de probabilidad
3. Si el experimento consiste en lanzar 2 dados, el espacio
muestral, de la suma de los resultados de los dos dados, ser: La probabilidad P(AL de un evento A, en un experimento aleatorio
que tiene N5 resultados igualmente posibles,
y de los cuales N, son
S= {2,3,4,5,6,7,8,9, 10, ll,L2l resultados favorables, esta dada por:
= l1
N.s
1.2 Eventos
pre)=+ ...(t.t)
Ns
Ejemplos i.2
l, Al anojar una moneda, la probabilidad de que salga escudo, es:
P=!
2
1. En el experimento de lanzar una moneda el evento A, que salga
escudo es:
Al anojar un dado, hay seis casos igualmente posibles, la
probabilidad de que salga un nmero igual o mayor que 3 es:
4= { escudo }
donde: NA= |
siendo, N : nmero posible de resultados del experimento P=!-z'
63
2. En el experimento lanzar un dado, el evento B que salga Al anojar dos dados, hay 36 casos igualmente posibles, la
nmero mayor o igual que 3, es: probabilidad de que la suma de los resultados sea 7, es:
B = {3,4,5,6} P=9=r
NB=4 366
3. En el experimento lanzar dos dados, el evento C, que salga un En una urna se tienen dos bolas rojas y ocho bolas negras, hallar
es: la probabilidad que al extraer una bola, esta sea de colr rojo.
Sea S un espacio muestral asociado a un experimento, y A cualquier La P(A U B), es llamada unin de probabilidades y se lee la
suceso de S (A subconjunto de S). Se dice que P es una funcin de probabilidad deAoB.
probabilidad en el espacio muestral S, si se satisfacen los siguientes
tres axiomas: Probabilidad de eventos independientes
3 Si 47, A2,..., A es una serie de sucesos, independientes La P(A n B), es llamada Ia probabilidad de interseccin y se lee
mutuamente excluyentes, entonces: probabilidadde Ay B.
P(A1U AZU 43 U...UA) = P(AD + P(A) +... + P(A)
Probabilidad condicional
Not. Dos eventos, son independientes si la
probabilidad
ocurrencia de uno, no se ve afectada por la ocurrencia del otro, l e y B son dos eventos en los cuales P(A) + 0, entonces, la
son matuamente exluyentes, cuando la ocurrencia de probabilidad condicional de que ocrrra el suceso B, dado que
imposibilita la ocurrencia del otro. tucedi A, se define por:
Supngase que el ro Turrialba alcanza cada invierno un nivel de 1.5 Perodo de retorno (T)
creciente con una frecuencia relativa de 0.2. En el ro Turrialba,
cuando atraviesa la ciudad del mismo nombre, hay un puente cuya Se define el pertodo de retorno T, como el intervalo promedio de
probabilidad de falla en los estribos es 0.3 y la experiencia muestra tiempo en aos, dentro del cual un evento de magnitud x puede ser
que cuando hay creciente, las probabilidades de esta falla suben a igualado o excedido, por lo menos una vez en promedio. As, si un
0.5. Con estos datos se desea conocer la probabilidad de falla en eI evento igual o mayor a -r, ocurre una vez en I aos, su probabilidad
puente. de ocurrencia P, es igual a I en Tcasos, es decir:
donde:
donde:
I- perodo de retorno
P - probabilidad de ocurrencia de un caudal > Q
P(X>x) = probabilidad de excedencia I- perodo de retorno
P(X <x) = probabilidad de no excedencia
La probabilidad de que Q no ocuna en cualquier ao; es decir, la
En la tabla 1.1, se muestran los perodos de retorno recomendados, probabilidad de ocurrencia de un caudal < Q, es:
para el clculo de caudales de diseo de estructuras menores. P=L-P
1
Tabla 1.1 Perodo de retorno de diseo recomendado, para P =l-1T
estructuras menores
Con el prrmetro riesgo, ee posiHe determinar cules son las Despejando T de la ecuacin (1.10), se tiene:
implicaciones, de seleccionar un perodo de retorno dado de una
obra, que tiene una vida til de n aos. l,-1)'=r-R
r]
I
En la tabla 1.2, se muestran algtmos valores de riesgo. Para 1-:=1r-n)i
diferentes valores de perodos de retorno (7) y diferentes valores de T\
vida til (n) de las obras. 1
1-(1-R =
T
Tabla 1.2 Valores de R, en funcin de T y n
7= --J , ... (l.ll)
Hlesoo ffI) r-(r-n);
T l,=fl) n=100 n=150
10 0.99485 0.99997 0.99999
20 0.92306 0.99408 0.99954
En la tabla 1.3, se presentan valores de T, para diferentes valores de
50 0.63583 0.86738 0.95170 riesgo (R) y diferentes valores de vida l (n) de las obras.
100 0.39499 0.63397 0.77855
500 0.09525 0.18143 0.25940 Tabla 1.3 Valores de T, en funcin de R y n
1000 0.04879 0.09521 0.f 3936
5000 0.0099s 0.01980 0.02956 R Vida
10000 0.00499 0.00995 0.01489 2 3 5 10 25 50 100 2lJlJ
0.01 100 199 299 498 995 2488 4975 99s0 1990
La probabilidad de que se presente al menos un evento de 0
probabilidad llT en I aos es: 1- (l - lfi)r, que para un peodo o.o2 50 99 149 248 495 1238 2475 4950 9900
largo tiende a ser 0.6321. 0.05 20 39 59 98 195 488 975 1 950 3900
En consecuencia, si la vida til de una estructura y el perodo de 0.10 10 19 29 48 95 238 475 950 1899
0.25 4 7 11 18 35 87 174 348 695
retorno de diseo son iguales, la probabilidad de que la capacidad de
0.50 2 3 5 I 15 37 73 145 289
la estructura sea excedida durante la vida til es muy alta. Por lo 0.75 1.3 2 2.7 4.1 7.7 18 37 73 144
tanto, el perodo de retorno debe rer mucho mayor que la vida til de 0.99 1.0 111 1.27 1.66 2.7 5.9 11 22 44
la estructura para estar razonablemente seguros de que ningn valor
exceda su capacidad. Sin embargo, para cualquier perodo de retorno Ejemplo 1.5:
de diseo que se seleccione, siempre hay una probabilidad de que el
valor sea excedido; por supuesto, si se selecciona un perodo de Determinar el riesgo o falla de una obra que tiene una vida til de 15
retorno de diseo muy alto en comparaein con la vida til de la aos, si se disea para un perodo de retorno de 10 aos.
estructura, la probabilidad de que su eapacidad sea excedida podr
ser muy b{a, pero siempre existe.
F
Conceptos bsicos - pgina (26)
Hidrologa Estadstica - pgina (27 I
Solucin:
XlrX2, I3r...,fN
Existen varias frmulas para calcular la probabilidad de ocurrencia
De los datos del ejemplo, se tiene:
los datos ordenados, los cuales se muestran en la tabla 1.4.
Z=10y n=15 "de-
Ejemplo 1.6: 2
n
Para el diseo de una estructura hidrulica, con vida til de 25 aos, Weibull m
se acepta slo el IO %o'de riesgo. Qu perodo de retorno se debe 'i
nll
escoger para el diseo de la estructura? Chegadayev m-0.3
n+0.4
Solucin: Blom
De los datos del ejemplo, se tiene:
T=l0Vo=0.Ly n= 25 aos
Sustituyendo valores en la ecuacin (1.1 1), se tiene:
T= 11
' =1-grno* =237'78 Tukey
l-(l-o.l),5
.'.f=238aos Gringorten m-a
n *7- 2a
1.7 Clculo de la probabilidad emprica o donde :
experimental P -
probabilidad experimental acumulada o frecuencia
relativa emprica
Dado un conjunto de datos ordenados: m= nimeto de orden
n = nmero de datos
Conceptos bsicos - pgna (2Bl
Hidrologfa Estadstica - pgrna (291
a = yalor comprendido en el intervalo O <a< l, y depende En este caso el espacio muestral , consta de los cuatro puntos
de n, de acuerdo amst
a la siguiente tabla:
(resultados):
n 10 20 30 40 50
a o.448 o.443 (e,e), (e,c), (c,e), (c,c)
0.442 0.441 o.440
n 60 70 80 90 donde:
100
a 0.440 o.440 o.440 0.439 0.439 e = escudo,
C = COfOna
De todas estas frmulas empricas, la ms utilizada es'la de weibull. la primera letra, se refiere a la moneda de 10 colones y la segunda a
la de 20 colones.
p(x ) x), los datos se
Para calcular la probabilidad de excedencia
ordenan de mayor a menor, mientras que para caicular ra Si se define como vaiable aleatoria:
probabilidad de no excedencia p(x < x), los dats se ordenan de X = nmero total de escudos que se obtiene al efectua el
menor a mayor. experimento
entonces, la variable aleatoria X, puede ser:
L.8 Variables aleatorias X= 0, t,2
donde:
una variable aleatoria,'", ,nu funcin x, definida sobre un espacio
X = 0, si el resultado son 0 escudos
muestral ,s, que asigna un valor a esta variable, correspondiente a
cada punto (o cada resultado) del espacio X= l, si el resultado es I escudo
experimento.
-r.rt ul de un X = 2, si el resultado son 2 escudos
luego, considerando que las monedas no son falsas, si:
X = 0; le corresponde una probabilidad de:
A una variable aleatoria, se le conoce tambin como variable
P(X=O) =ll4=0.25
estocstica, sus valores son nmeros reales, que no pueden
predecirse con certeza antes de ocurrir el fenmeno, es decir, X = l,le corresponde una probabilidad de:
ocurren al azar. El comportamiento de una variable aleatoria est
P(X=l) =214= ll2=0.5
X =2,1e corresponde una probabilidad de:
descrito por una ley de probabilidades, la cual asigna medidas de
probabilidad a posibles valores o rangos de ocurrencia de la variable P(X=2) = ll4 =0.25
aleatoria.
En forma general, X puede tomar un valor cualquiera del siguiente
htodo:
Ejempla 1.7
X=a =+ P(X= a)
sea el experimento: lanzamientos independientes de una moneda de a<X<b + P(a<X< b)
l0yuna de2}colones. XSc + P(Xsc)
X>d + P(X> d)
Conceptos bsicos - pgina (30)
Hidrologa Estadstica - pgina (31)
f(x)
x36-1
<1 V*i
23456789101112
Figura 1.3 Funcin de probabilidad de una variable aleatoria discreta
f (x,)
Funcin de densidad de probabilidad de una variable
aleatoria continua
Ejernplo 1.8 ;
Es una funcin matemtica que permite determinar la probabilidad,
sea X la variable aleatoria que representa la suma de los puntos que de que una variable aleatoria continua X, tome los diferentes valores
se obtiene al lanzar dos dados, esta tiene como funcin
di densidad x;, dentro del rango en el que est definido, y cumple con las
de probabilidad: siguientes condiciones:
x-l para x =2,3,4,5,G,7
36 0</'(x,)s1
13- x
f (x) =
1; para x = 8,9,lo,ll,l2 ll*f @)a* =t
en otros casos
p(asx( u=[bf{*)ax
los diferentes valores de x. se tiene:
x QJemplo 1.9
2 3 4 5 6 7 I 9 10 11 12
f(x) 1136 2t36 3/36 4t36 5/36 6/36 5/36 4136 3/36 2136
1t36 funcin de
su representacin grica se muestra en la figura 1.3. Sca X una variable aleatoria continua que tiene la
densidad de probabilidad:
Conceptos bsicos - pgina (34)
' Hidrologa Estadstica - pgina (35 )
f(x)=j
fo.rrr, - x') ,para -1<x<1
f(x)
0.
sumatoria de los f(x), para los cuales ri es menor o igual que r, es 7t8
decir:
P(x< 2\=!+3*1
888 F(x)=P(X< x=f r1xAx ... (1.1s)
P < 2\=!
8 L;r rclacin entre la funcin de distribucin acumulada y la funcin
rh'rlcnsidad de probabilidad, es:
2. Siguiendo el mismo proceso del punto (1), se puede determinar
F(x) para los diferentes intervalos de x, as se tiene: d F(x) f(x) ... (1.16)
dx
x x<0 0<x<1 0<x<2 0<x<3 x>3
F(x) 0 118 418 7t8 1
l,'(1.13),setiene:
Su grfico se muestra en Ia figura 1.5.
-
ab Calcular:
Figura 1.6 Representacin de probabilidad l. La funcin acumulada
2. P(X <2)
Tambin se cumple que, la probabilidad P(x = a) = 0, en efecto: 3. P(0.2 <X <2.5)
P(x=a)=F(a)-F(a)=g 4. P(X> t)
es decir, que el rea bajo la curva/(x) en un punto, es cero (figura 5. Dibujar la funcin de distribucin acumulada
r.7).
Solucin:
l. Por definicin:
F(x) = J_f
r* a*
Figura 1.7 Laprobabilidad en un punto es cero 0
F(x) = { 1.2
27
F(x)
1
2. P(x < 2) - P(0 < x < 2) = F(2) - F(0) I
0.8
P(x < zl=L -o
27 /
0.6
P(x<2)=O.2963
/
o.4 /
3. P(0.2< x < 2.5) = F(2.s) - F(0.2) ,/
o.2
p(0.2 < x <2.5) =ry a
-Y= 27'1rS.O2s - 0.00s)
-/
27 27 0
P(0.2 <x <2.5) = 0.5784
x
4. P(x > 1) = I - P(xS 1) = 1 - tF(l) - F(Q)l
Figura 1.8 uncin acumulada de variable continua
1
P(x>l)=1-r-Ol
P(x>1)=0.963
Ejemplo 1.12:
Dado una variable aleatoria discreta X y n un nmero positivo, cntonces:
donde: n
L"flx)=I
7
Conceptos bsicos - pgina(42) Hidrologa Estadstica - pgina (43 )
x=1 Demostracin:
n Para que fz) sea una funcin de densidad de probabilidad, se debe
C2x=l cumplir que:
x=1
n ll *f {da' =t
\ )x=l
x=1 Comprobacin:
Cl2+22+23+...+2nl=L 2_2
z-z
-^ltoo
2 dz =--1-- [* " 2 d,
2Cl1+2+22+23+...*2n-11-1 ... (1.18) J-*
^12I
pero, de la propiedad de los cocientes notables, se tiene: 22
z-z
l+2+Zz +23 +...+ 2,-t ==='-?' =2n -1 ... (1.19)
^Io
2 dr+ l.,-l;" 2 dz ...(1.20)
t-2 -1
luego, sustituyendo (1.19) en (1.18), se tiene:
2C(2-l) = L
2
(-z)2 _z
.^1
2(2^ -l) ' ^l2rle 2 =-L,
fr_z\=] ^l2fr
2
=f(z)
Ejemplo l.l3 : Por serflz) ='f(-z), se dice matemticamente queflz), es una funcin
Par.
Sabiendo que la variable aleatoria z, tiene la siguiente funcin de
densidad de probabilidad:
.'. [!_rrrtor= li rr.,0,
, '"
f (z)= 2 (distribucin normal estndar) luego de (1.20), se tiene:
h, 2
psro -oo 1Z 16, comprobar queflz) es una funcin de densidad de z
probabilidad. 2 dz ... (t.2r)
!I*<ror=#ff,
pt'I-oo <Z<@
Conceptos bsicos - pgina(44) Hidrologa Estadstica - pgina (45 )
Haciendo: @
z2 Lzdz dy
E(s(X)) = $(xX(xEx parax continua ... (1.23)
=Cly"-dZ=t
222
Se requiere que g(x) est definida para todo x real, para el cual flx)
+z="12y
sea diferente de cero.
sustituyendo en (1.21), resulta:
Propiedades del valor esperado
!1*<,t,=#ff"-,+=hff
g(x) =
1. Si f, constante
[1 * r,r>r=
#f y-1,-, d.y E(A = C .,(1.24)
Aplicando la transformada de Laplace, resulta: en efecto, por definicin:
Variable continua: Variable discreta:
.1
)-*f {dar=
E(c) = I]*rf A>* E(C) =EC(fx
luego: E(1) =1
1.10 Valor esperado
2. E(a.g(x)) = a E(S@)) a= cte. ... (1.2s)
Si X es una variable aleatoria (discreta o continua), con funcin de
densidad de probabilidad f(x), y si g(x) es otra funcin de X,
t. E(a"g(x\ + b.h(x)) = a E(g(x)) + b E(h(x)) ... (t.26)
entonces el valor esperado de S(D se define de lasiguiente forma:
Si K = 2, se tiene el momento de 2" orden respecto al origen, as: . Si K = 3, se tiene el 3er momento central:
F'2= E x'f(x) /z=!l**2f(x) dx
3 =L @ - p)3fl*) p3 = J:(x -tr)' f(x) dx
F3= L*3f(*) lt'3 = J- *'r1* a, El valor medio o media de una distribucin p, es el esperado de la
variable X o momento de ler orden con respecto al origen,
proporciona una idea del lugar donde estn concentrados los valores
Momento central con respecto a la media que toma la variable X, es decir:
p = E(n =2 x.f(x) paruX discreta
Si S(X) - (X - lf, donde K=1,2,3,..., se define el momento central
k-simo, pk, respecto a la media p, como: lt = E(X) = J_: x f(x) dx para X continua
7
Mediana
Varianza de una distribucin
Si X es una variable aleatoria y F(x) su funcin de distribucin
acumulada, la solucin de la ecuacin: La vaianza de una distribucin 02, es el segundo momento central
F(x) = 9'5 con respecto a la media, mide la variabilidad alrededor de la media,
recibe el nombre de mediana de la variable aleatoria X (o de la es decir, expresa cualitativamente la dispersin que hay alrededor
de
distribucin). la media, se representa como:
Se puede representar en forma grfica como:
d =V(X) = X(X . p)2f(x) = E((x - P)2) paraX discreta
r(x)
F(x
& = V(X) = J-1. -p)2f(x)dx=E((x -t)2) paruXcontinua
x
t
mediana
Ala raz cuadrada positiva de la varian u,i" le llama desviacin
estndar y se designa Por o es decir:
mediana
^/ o = JV(x)
F(x) = t(*) dx = 0.5 paraX continua
J',
F(x)=X/(x)=0.5 paraX discreta Coeficiente de variacin
Solucin:
E(x) =2Y a+ *Z*+x1+s*!*oxl
36 36 +zx a
E((x-pt') = E(A - + p + 6x2p"2 - 4xfi + U,4) 36 36 36
= n(A) - E@x3 + E(xzpz - nf+it + EQl
*sx A +g* !+lox I Z L
= n(A) + 4tE(x3 + 6tt2E(*) - 4t3o1x +
/ 36 36 36+11x 36+n, 36
= z(A) - 4tE@\+ 6t2E(*) - 4p,3p + fi 1
E(x) = (, + 6 + 12 + 20 + 30 +42 +40 +36+ 30 + 22 +t2)
*
= z(#) - 4tE(x3 + 6t2E(f) - 3t 4
CIculo de E(f)
si x = v.a. que representa la suma de los valores de los dos dados, se 11
tiene:
E(*) = .E-ri'f3i)
l=l
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x1l
xl = xfflxt) + x22flx2) + qrfrq) + ... + xtt2flxtt)
2 3 4 5 6 7 8 I 10 11 12
f(xi) 1136 J36 3/36 4/36 s/36 6/36 5/36 4136 3/36 ?/36 1136
= 4x L+g* ?*rox a +25x ! +za, A* qgx I +
1.Clculo de E(x): 36 36 36 36 36 36
t1
1+ntr?*ru+xL
36+St *!*100x
E(x) = .2_*l\*)
+64x1
t=I 36 36 36 36
E(x) = xf(xi + xyflx2) + xfl4)+ ... + xfxtt)
Conceptosbsicos - pgina (54)
- pgina (55
Hidrologa Estadstica )
=!g+18
36'
+ 48 +100 + r80 + 294 + 320 + 324+ 300 + 242 + rai) Solucin:
1) Clculo de la media:
1956
- 36
= 54.3333 0
V(x)=54.3333-49 , = I;x.xe'* dx
V(x) = 5.3333
r =J-x2e-. dx
Ejempla 1.18:
aplicando la transformada de Laplace, se tiene:
2t
Sea X una variable aleatoria con funcin de densidad de ,, -
n- rt
probabilidad:
(_,
Para x > o
f (x\ =.1* "-^ E(x) = l! =2
L0 para cualquier otro valor de x
2) Clculo de la varianza:
Calcular:
. Media V(x)= o2=E(*)-(E(x))'
. Yarianza
. Mediana
. Moda E(x2) = dx
lix'xe--
. Coeficiente de variacin
. Coeficiente de sesgo
. Coeficiente de curtosis E(xz) =J-x3e-* dx
. Dibujar la funcin densidad e indicar la posicin de la media, aplicando la transformada de Laplace, se tiene:
mediana y moda E(xz) = 3t
Conceptos bsicos - Pgina (56) Hidrologa Estadstica - pgina (57 )
,0
3) Clculo de Ia mediana: I=-xe-x-e-x-(-0-e0
Se debe calcular el valor de x que cumpla con la condicin: I=-xe-X-e-x+1 ... (1.37)
h(x)='*1 =0.5
Integrando por partes: ex
resolviendo por tanteos:
,=fl+
*=-xe. "-.1; x h(x) x hlx)
1.00 0.7358 r.70 0.4932
fudv=uv-Jvdu 0.s0 0.9098 1.65 0.5089
t.20 0.6626 t.67 0.5026
Conceptos bsicos - pgina (58) Hidrologa Estadstica - pgina (59 )
de donde:
e-x(l -x)=0 Cs=y = U1 =E((x-tt)') ... (1.40)
o' o'
puesto que e-x 0, entonces:
1-x=0 -Del eiemplo 1.15, se tiene: ... (1.41)
de donde, la moda es:
t; n@3) - 3E(x)E(*) + 2(E(x))3
='n*-t )i =
x=1 Clculo de E(x3):
Clculo de E(A):
E(xa=l;*4*.-*d*
Conceptos bsicos - pgina(62) Hidrologa Estadstica - pgina (63 )
De la figura 1.9, se observa que la funcin de densidad de X*- p* = (a1X + a2) - @1t + a2)
probabilidad no es simtrica, sino que es sesgada a la derecha, en
este caso, el valor de la mediana se encuentra, entre los valores de la
xx- P* = al(x - t't )
moda y la media.
Se sabe que:
de (1.50), se tiene:
tt= E(X)
Conceptos bsicos - pgina(64) Hidrologa Estadstica - pgina (65 )
1
at=- Si z = (x - tt)/o, se tendr:
o 1 -Lr2
de (1.48), resulta: f (x) = ---:.e 2
I o42Il
9=-ltlaz
o ,,, n meclia Wz = y v aianza 02 z = 1, la cual se conoce como
O
5. Una variable aleatoria X toma los valores l, 2, 3, 4 con 8. Una variable aleatoria X, tiene como funcin de densidad de
probabilidades (1+3ft)/4, (L-2k)14, (l+5kY4 y (l-6k)14, respec- probabilidad:
(
tivamente.
t k es esta una funcin de densidad lbu-u' para x2o
Para qu valores de de
f(x)=1
probabilidad? I
. l0 en otros casos
Dibujar la funcin acumulada.
. Hallar su funcin acumulada F(x)
6. Dada una variable aleatoria X, donde la funcin de distribucin
. CalcularP(j<x< j+I)
acumulada es:
I 9. Sea X una variable aleatoria, uniformemente distribuida:
F(x) = l
ll- r-'* para .r > o
I
L0 para .r S 0
. Hallar su funcin de densidad de probabilidad()
' r Calcular P(x>Z) Si a 1 c < d < b,hallar P(c < x < d)
. Calcular P(-2<r <6)
10. Dada la funcin de densidad de probabilidad de X:
7, Una variable aleatoria X, tiene como funcin de densidad de
probabilidad:
calcular E(*3)
l0 para cualquier otro valor
Hallar la mediana.
19. Sea X una variable aleatoria que tiene como funcin de densidad
de probabilidad:
Determinar la mediana.
Distribucin de
frecuencias de una
mErestra
2.L Representacin tabular y grfica de las
muestras
En hidrologa se trabaja con informaciones hidrometeorolgicas;
estas informaciones pueden consistir de datos de precipitacin,
caudales, temperatura, evaporacin, etc.
Por lo general, se cuenta solo con una muestra de los datos de esa
poblacin, es decir, nunca se puede disponer de la totalidad de los
datos. Pero cuando stos datos se organizan en forma compacta y
fcil de utilizar, los hidrlogos pueden disponer de una herramienta
de gran utilidad, para las decisiones a tomar.
Distribucin de frecuencias de una muestra - pgha (74) Hidrologa Estadstica - pginfl 05)
v xmx
x1 =xmin x2 13 {4 xI 2. Calcula el rango R de la muestra:
-.-/ +-f t-f *mx- rmn
intervalo marcas llmltes R= ...(2.2)
de clase de clase de clase
(b) siN<30 NC<5 Como se manifest en el punto 4, con el artificio de dividir entre
=
+ 8<NC<10 NC-t, se logra que xmn y xmx queden centrados y representan las
si30<N<75
marcas de clase de la primera y ltima clase, entonces los lmites de
si N >75
= l0<NC<30
clase inferior y superior del primer intervalo de clase, son:
donde:
= tamao de la muestra
|y' LCII = xrlrin- Lxl2 ...(2.s)
lnN = logaritmo natural o neperiano del tamao muestral. LCSI =xmn * LxlZ = LCII + Lx ...(2.6)
4. Calcular la amplitud de cada intervalo de clase Ax, segn la Los otros lmites de clase, se obtienen sumando la amplitud Lx, al
ecuacin: lmite de clase anterior.
- rmn
^^--***NC - NC _I ...(2.4) 6. Calcular las marcas de clase de cada uno de los intervalos:
-1 Las marcas de clase se obtienen del promedio de los lmites de clase.
As la marca de clase del primer intervalo es:
Al dividir el rango entre NC - 1, lo que en realidad se hace es
incrementar el rango en Ax, incluyendo un intervalo ms, el mismo LCI1 + LCSl
que resulta, de agregar medio intervalo ( xlz), en cada extremo de la MCl = ...(2.7)
serie ordenada, a fin de que rnn Y xmx sean respectivamente, las
marcas de clase de la primera y ltima clase. Esto se aprecia en la
Con el artificio realizado anteriormente la marca de clase del primer
frgtsra2.2,
intervalo es igual al valor mnimo, de igual forma la marca de clase
marca lmites del ltimo intervalo es igual al valor mximo es decir:
de MCI = xmn
xmn clase MCn = xmx
f. n. donde:
fri= ---1=
NN
I ...(2.e)
4 = funcin de distribucin acumulada
donde: f= funcin densidad emprica para el intervalo j
= frssuencia relativa del intervalo i Ax = amplitud del intervalo de clase
ni = nnss de observaciones en el intervalo i
N = nmero total de observaciones Los valores de Fn y Fi obtenidos con las ecuaciones (2.10) y (2.12)
resultan similares.
9. Calcular la frecuencia relativa acumulada Fr, usando la frmula:
Ejemplo 2.1:
",=,frfr=f-ft=i
n j ,.. (2.10) Dada Ia serie histrica de caudales medios anuales en m3ls (tabla
2.1), de la estacin Salinar del Ro Chicama (Per), para el perfodo
donde: 1911-1980, calcule las frecuencias absolutas, relativa, acumulada,
Fri = ftecuencia relativa acumulada hasta el'intervalo i funcin densidad, funcin acumulada.
j = 1,2,..., i acumulacin de los intervalos hasta i
ni = ilist de observaciones en el intervalo i Solucin:
Tabla 2.1. Serie histrica de caudales medios anuales en m3ls del o Tabla 2.2 Seriede caudales en -3/s, del ro Chicama, ordenado
Chicama, estacin Salinar (1911 - 1980) ascendentemente
3.14 4.58 4.76 7.91 8.01 9.67 10.05
Ao Caudal Ao Caudal Ao Caudal 10.42 11.78 12.46 12.70 12.92 13.27 14.60
m3/s m3/s 15.58 16.00 16.15 16.19 16.39 't7.57 18.20
m3/s
7.91 935 24.58 959 22.88 18.91 18.93 19.77 20.24 21.49 21.55 22.78
191 1 1 1
'1936 28.49 960 17.57 22.88 22.99 23.99 24.58 24.69 25.79 25.80
1912 8.01 1
10.05 961 14.60 27.21 27.71 28.01 28.49 28.63 29.26 29.28
1913 13.27 1 937 1
962 31.14
29.37 30.06 30.14 30.27 30.57 31.14 31.36
1914 16.39 1 938 28.O1 1
32.26 32.69 33.43 33.48 33.76 34.28 34.92
1915 80.83 1 939 34.92 1 963 18.20
34.99 35.16 35.90 38.30 41.16 42.17 42.74
1916 60.08 1 940 31.36 1 964 24.69
45.38 51.26 54.54 59.40 60.08 64.81 80,83
1917 21.55 194'.1 42.74 1 965 22.99
1918 27.71 1942 12.94 1 966 11.78
1919 28.63 1 943 41 .16 1967 32.26 4. Clculo de Ax:
1920 30.27 1944 35.90 1 968 4.76 De (2.4) se obtiene:
1921 33.43 1 945 33.76 1 969 12.70 77.69
35.16 946 29.28 1 970 16.19 Lx= =12.95
1922
1923 27.21
1
1 931 16.15 1 955 22.78 1 979 12.46 un poco mayor y menor respectivamente qu si se escoge Lx = 12.
1932 38.30 1 956 32.69 1 980 3.14
1933
.1934
54.54 1 957 34.28 Para el ejemplo se escoge Ax = 12, a fin de obtener valores
59.40 1 958 20.24
larecidos, al que se obtiene con el proceso computacional.
Los otros lmites, se calculan sumando a al lmite de clase que Ie Tabla 2.3. Clculo de la frecuencia relativa, absoluta, funcin
antecede; los resultados se muestran en la columna 1 de la tabLa2.3' densidad y acumulada del ro Chicama, proceso manual.
clase es negativo, su valor' por lntervalo Marca de Frecuenci Frecuenci Funcin Funcin
Nrrr. Cr*d" el lmite de de clase clase a absoluta a relativa densidad acumulad
condiciones fsicas ser cero. (r) (21 (3) (4) (s) a
16t
6. Clcuio de las marcas de clase 0-12 6 I 0.1286 0.0107 0.1286
De (2.7),la marca de clase del primer intervalo es:
12-24 18 22 0.3143 0.0262 o.4429
24-36 30 28 0.4000 0.0333 o.8429
O+12
MCI= -6 36-48 42 5 o.o714 0.0060 0.9143
48-60 54 3 0.04296 0.0036 0.9571
Ax 60 -72
Las marcas de clase de lo otros'intervalos se obtienen sumando 66 2 0.0286 o.0024 0.9857
a la precedente; los resultados se muestran en la columna 2 de la 72- 84 78 1 0.0f 43 0.0012 1.0000
tabla2.3.
Nmero total de datos: 70
o.4
0.3
o.4 o.2
0.3
0.1
o.2
0.1 -6 0 6 18 30 42 54 06 78 90 marca
de clase
0 12 24 36 48 60 72 U intervalo
de clase Figura 2.4.Polgono de frecuencia de los caudales del ro Chicama
Figura 2.3. Histograma o distribucin de frecuencias relativas de los
caudales del o Chicama Funcin de densidad de probabilidad emprica
Polgono de frecuencia El histograma o el polgono de frecuencia, son dependientes del
tamao del intervalo de clase y la posicin del lmite de clase. para
Un polgono de frecuencia es la representacin grffica de las evitar esta dependencia el histograma o el polgono de frecuencia
frecuencias, se obtiene uniendo con lneas rectas, los puntos puede transformarse en una funcin de densidad de probabilidad
formados por las marcas de clase vs. la frecuencia absoluta o emprica, usando la ecuacin (2.11) propuesta por yevjevich. En
relativa. Para que el polgono alcance al eje horizontal, a ambos esta ecuacin el intervalo de clase tiende a cero, con lo que el
lados de la distribucin, se le agtega un intervalo de clase con nmero de intervalos tiende a infinito.
frecuencia igual a cero. El grfico es parecido al polgono de frecuencia, pero con la variante
r:n la escala vertical, que se hace pequea y la unin de los puntos se
En forma prctsca, un polgono de frecuencia se obtiene, uniendo hace mediante lneas curvas.
con lneas rectas los puntos medios de todas las ba:ras de un
histograma. lin la figura 2.5, se muestra la funcin de densidad de probabilidad
tlol ejemplo anterior, que se obtiene graficando las columnas (2) vs.
Enla ejemPlo (.5), de latabla2.3.
anteri (4) de la
tabla clase los
valores -6 y 90.
Distribucin de frecuencias de una muestra - pgina (86 ) Hidrologa Estadstica - pgina (g7)
100
0 035 0 ir3
0.030
*\ 080
0.025
I 0"70
0.020
I 060
0.015
I 050
040
0,010
0,005
I I
\
Ll30
f 020
.6 6 18 30 42 54 66 7E SO marca de clase 00
Permite ver el porcentaje de las observaciones que quedan por LC MEL LCS FeAbsoluta FreBelativa FunDensidad FunAcumulada
encima o por debajo de ciertos valores, con respecto al totai. El 00 6.0 12.0 I 12.8571 1.071 I 12 8E
12.0
grfico se obtiene uniendo los puntos obtenidos por las marcas de 1 7.99 23.S9 22 3r.4286 2.6200 44 29
13 99 29.99 35.99 28 40.0000 3.3345
clase vs. la funcin acumulada. J5 39 41.99 47.98 5
84 29
7.1429 0.5s55 sl 43
47 38 53.38 59.98 4 2857 0.3573 95 7l
En la Figura 2.6, se muestra la funcin acumulada del ejemplo 53 98
71 97
65.S8 71.97 2 2.8571 o.2382 s8 57
97
anterior, que se obtiene graficando las columnas (2) vs. (6) de la 00
Figura. 3.1 Comparacin de la localizacin central de tres curvas Figura. 3.3 Curva simtrica
Medidas de dispersin Las curvas asimtricas o sesgadas, como las que se muestran en la
figura 3.4, son aquellas en las cuales la distribucin de frecuencia,
Se refiere a la forma como se encuentran esparcidas las se concentran en el extremo inferior o superior de la escala de
observaciones. En Ia figura 3.2, se observa que la curva A tiene una medida sobr el eje horizontal. Los valores no se distribuyen
mayor separacin o dispersin que la curva B. igualmente, por lo que pueden ser sesgadas a la derecha, (curva A) o
sesgadas a la izquierda (curva B)
Curva O B
\
Las curvas que representan los datos puntuales de un conjunto Medidas de achatamiento o curtosis
pueden ser simtricas o asimtricas. Las curvas simtricas, como la
que se muestra en la figura 3.3, son las que al ttazar una lnea Indican el grado de llanura de la curva. Por ejemplo en la figura 3.5,
vertical desde el pico de la curva al eje horizontal dividen su rea en las curvas A y B tienen la misma localizacin central, pero difieren
dos partes iguales, cada una idntica a la otra. por el hecho que una es ms puntiaguda que la otra, por 1o que
tienen diferente grado de curtosis.
Hidrologla Estadstica - pgina (94) Medidas de las distribuciones - pgina (95)
La media aritmtica
Curva A (mesocrtica
I Curva C (platicrtica) _ i*,
!
I
x- i-s - ...(3.2)
n
I
donde:
l = media poblacional
x = media muestral
ri = valor i-simo de la muestra
Figura 3.6. Grados de achatamiento n = nmero de datos de la muestra o poblacin
Se define una medida de tendencia central, como un ndice de Para el caso de datos agrupados, la frmula es:
localizacin central, empleado en la descripcin de las
K
distribuciones de frecuencias.
Dr' x
En trminos generales se tienen tres medidas: la media, la mediana y ...(3.3)
n
la moda-
I
Hidrologa Estadstica - pgina (96) Medidas de las distribuciones - pgina (97)
donde:
' fi= frecuencia absoluta (nmero de observaciones) en el
intervalo i
ri = marca de clase del intervalo i
k = nmero de intervalos de clase
= nmero de observaciones de la muestra
donde:
P - precipitacin promedio
Pi = valor de la precipitacin en la estacin
La media ponderada
Ai= oeu de influencia de la estacin i
n = nmero de estaciones
El promedio ponderado permite calcular un promedio que toma en
cuenta la pOnderacin de los datos con respecto a un factor, es un
Otro ejemplo del uso de la media ponderada, es el clculo del
caso particular de ta frmla del clculo de la media para los datos
promedio de la nota de los estudiantes en el TEC, donde para cada
agrupados, su frmula es:
n nota obtenida en un curso, el factor de ponderacin es el nmero de
)
LJ I
xi crditos, as:
-
i=1
x, = n
2,,
i=l
donde:
donde:
rp = media Ponderada
N = nota promedio
ri = valor i-simo de la muestra
de la N -nota del curso i
. = valor del factor de ponderacin del i-simo valor
muestra. C = nmero de crditos del curso i
= nmero de cursos
n = nmero de observaciones de la muestra.
Med =x il2
+
! ilZ+t, para npat ...(3.2)
xG ...(3.5) 2
Rango
\(x' - x'
Es una medida de distancia y representa la diferencia entre el mayor oa2 -- ----
i=l
(3.12)
y el menor de los valores observados, es decir:
n--l
R=Xmx-Xmn ... (3.10)
Para el clculo computacional es til expresar la sumatoria de la
siguiente forma:
dondp:
= rango
R ){x, -i)'= ) (*i2-2ixr+*')
Xmx = valor mximo de los datos
Xmn = valor mnimo de los datos
= x? -2*) *i +nx' ,.. (3.13)
El rango o la amplitud es una manera conveniente de describir la pero:
1
Coeficiente de variacin
o- ... (3.22)
Es una medida relativa de dispersin, que relaciona la desviacin
estndar y la media, es decir:
,=^ff91,,-;A
ijn[,",
... (3.2s) El sesgo es el estadstico que mide Ia simetra y asimetra.
)
Datos no agrupados:
_2
2- . ... (3.26)
rlf -nx El sesgo (y ) para datos poblacionales, se obtiene con la siguiente
ecuacin:
4r-L u3
I- 2 ... (3.2e)
siendo: o'
tk donde:
ls
x =tL=;L*rr, ... (3.27) n,
xi = valor de la i-sima marca de clase 2G,-
:_1
PY
,12-l-L ... (3.30)
x= F = media n
es decir, nmero
f = valor de la i-sima frecuencia absoluta,
de datos en el intervalo i
ft= nmero de intervalos de clase _D2
n = nmero total de datos " = l:2o
Hidrologa Estadstica - pgina (108) Medidas de las distribuciones - pgina (109)
', = 1s,'
nf=l' o-
)a, - D2 r
tk
El sesgo para datos muestrales, se obtiene con:
*:;
u =1! f.
?rrr*,
,i = marca de clase del intervalo i
cr=- "Y'- -
(n-lXn-2)S'
... (3.31)
f
= valor de la i-sima frecuencia
fr = nmero deintervalos de clase
donde: n = nmero total de datos
El sesgo para datos muestrales, se obtiene con:
r=1s,
..L I
" i=l
Datos agrupados:
Curtosis
*, t4
=;o ... (3.36) Datos agrupados:
i,6, - pY , 14
P4 =i=l ... (3.37) o4
donde:
-t')'
"=i;){*, f^u,-
Da r
lt4 = ... (3.40)
n
'u=! *'
nl=l' ;k -
=
" 1; ilru, - tt)2 r,
El coeficiente de curtosis para datos muestrales, se define como:
'k x.
u=lIr.
.... (3.38) ' nf-:tr I
,i = marca de clase del intervalo i
Hidrologa Estadstica - pgina (ll2) Medidas de las distribuciones - pgina (113)
,fi = valor de la i-sima frecuencia realice estos clculos. El autor en la aplicacin HidroEsta, presenta
k = nmero de intervalos de clase una opcin para stos clculos,
n = nmero total de datos
Ejemplo 3.4:
El coeficiente de curtosis para datos muestrales, se define como:
,'*o Dado los datos de precipitacin anual, en mm de la estacin El
Coyol, para el perodo 1974-1986, los mismos que se muestran en la
ck= ... (3.41)
(n - lXn - 2)(n- 3) 54 tabla 3.1. Calcular su media, varanza, desviacin estndar, coefi-
ciente de variacin, coeficiente de sesgo y el coeficiente de curtosis.
donde:
Tabla 3.1 Precipitacin anual de la estacin El Coyol
k
)(*, -i)4 ri
Ao Precptacn Ao Precipitacin
M4= l=I ... (3.42) (mm) lmm)
1974 1418.60 1 981 1441.50
1 975 1527.30 1 982 1133.20
ir\;.) 1976 1 108,60 1 983 891.00
s- i ' !rx.-xlf.
?t' t 1977 1084.20 1 984 1429.80
V'-l 1 978 1 509.1 0 1 985 1141.50
1 979 1394.90 1 986 1312.60
tk 1 980 1334.40
i='nlJ"'
l, f ,*,
Solucin:
ri = marca de clase del intervalo
. = valor de la i-sima frecuencia En la tabla 3.2 se muestran los resultados parciales de las potencias
ft = nmero de intervalos de clase
X2, X3, x4, 1x-xm3, 1x-xma y sus sumatorias.
n = nmero total de datos
. Clculo de la media:
Los clculos de los estadsticos de una serie de datos son por s
laboriosos. Para la simplificacin de los clculos, donde se requieren De la ecuacin (3.2), se tiene:
la determinacin de la media, varianza, desviacin estndar, el n
q q \ s o o o) r\ N
"=*[ f,*;-,r')
(h $ co (o (Y) N $
d
F*
q q s2 u? q oq l q q o? q
r
o D F
r.r)
(Y)
@
rft
(Y) @ (o o
.+
tI-
F
o)
o
(f)
(o (o
ro (f)
ro @
e (f)
(o (o t $ o
E (o t
(Y) (f) ct) @ @ @ (f)
(
x (Y)
q, (f)
(o o) t F-
$ o (0 @
o t- t T o) I-
(f)
$ a) lo oi
Sustituyendo valores, resulta:
(fI o) o
F
x !
t C t o N @ o) o) (\l
t (f) roI @I
(A
h
(f) (f)
I (o
(f)
I
-l! s' = * Qonszt.Sl - t3xtzs6.66szr)
!f,
I
12'
X
H t @
o?
o c)
n q O)
n
C\I O) (o
o? qq q
t o s (o sf o
l q l q q u? NJ
I 52 = 38149.2790
o; (o F- o t-
(f) lo t (o o ro o) o oo)h
x
I
@ ro t @ t- $o(f) lo cf) o) ro -l Aci .
$
.+ O)
s @
l-
(Y)
$ t.l o) (o
F- t t
(f)
(f)
ro o t*
(f)
1r) N o)
ro
t
F
t rO
$
(f)
(o @
O) ro N
(r)
rO
-l gEF Clculo de la desviacin estndar:
e
x t o (o @ raf ro to @ t o o
@ st rO t F* o, o
lr) (f) t N T\ r (o t
s
o) (o t'\ o
N r- (o
r\
o)
(o
N
o) (o
t c)
so
EB
X @ t t N t t @ C') s = J3Stqyngo
X
I o)
$ $ ro @
o (o rO o r\ o)
@ o t- s o o) r-
(f) N o) (o (o
@ HTH
o
t ro$ (r) F* (v) (o (o (o
t o) C" tsllll = 195.3184
tt
X (o N (o
t.. cr) c) $
r- @ @ t- o o, @
F cr
@
(f
t%h
s* .
oq f q q CD
u?
r.c)
a? u? q (f? q rf? o? c) (o Clculo del coeficiente de variacin:
X (o $ F- @ o) (o @ + + iltlN
o o
CD
(o lO o
r- @
o) t @ l- (f) o) (o
N
X
.lf
t- o) t
@
ro
(o (o @
(f) r @ o) o) o)
(o $
(f) o) r-
t @ (f) (o
o o)
o t T<
N^^
a De la ecuacin (3.28), se tiene:
x
I
t $ o) t
o @ ! @ o, eit
$ t
t t\
.A @ (o (f) a) o) (f) lo
q) r (o ro ro t- t },- (o @
l
$ t
lo (o
@ rf)
(o
(f) t
@
(f)
t T\
n-
(f)
o)
o)
!O o
f.-s t @
o) t -l S C.,={
"X
o (r) (f) t t l t I C') lt
a c
(o o) (o \t (o o
rr) $ t tJ: (o \
E \o
Sustituyendo valores, resulta:
ch q l o) q q q q l c! q l \ u?
1 _ 195.3184
o(! rr) rO i o) ,t
t $ o) @ @
(o cr) t t
!+ N N $ @
a
]
N
]
o t E
N
r-
\o -u -
x $ (o q) $ (f)
N o ro F-
I\ (o O)
to o r- t
o (f) ts c o,
t
,
o)
rt
c{ c,
12g6.6692
U)
(r)
o (f) t N F-
l F t
so) @ T\ @ o)
t- o f.-
t
i.r o) -lfl-
ItOl- il Cv = 0.1518
o t t N ] r
C\I
NI
cl q q lg? F o? fs r? l q q u? q \
N
E
ioN| nl
* . Clculo del coeficiente del sesgo:
@ t- o o;
ca
$ (f) o, t (o I
(
x * llO o @o orr) O) C') $ cr)
F
O) l st
s t r^" De la ecuacin (3.32), se tiene:
.o
(
cr) CY) $
r F
@ e)
(o XXX-"
NNN X
F
Hidrologa Estadstica - pgina (116) Medidas de las distribuciones - pgina (117)
. Clculo del coeficiente de curtosis: Figura 3.8 Clculo de los parmetros estadsticos para datos no
De la ecuacin (3.39), se tiene: agrupados
n
rx. - il4
?-' I 3.6 Momentos Lineales (L-moments)
fu[ . =t=l
4n
Introduccin
Sustituyendo valores, resulta:
Los momentos lineales (L - momerzrs), constituyen una metodologa
35434771791.03
M4= moderna que permite estimar los parmetros estadsticos de una
l3 poblacin o de una muestra. Son similares a los momentos
M+=272575L676.23 ordinarios pues proporcionan las medidas de localizacin,
De la ecuacin (3.38), se tiene: dispersin, asimetra, curtosis, pero se calculan de las
n3 M4 combinaciones lineales de los datos (de aqu el nombre de momento
ck= lineal). Los parmetros estadsticos estimados con esta metodologa,
(n-lXn -2)(n-3)54 son menos sensibles a los valores extremos, por 1o que permite
l' Hidrologa Estadstica - pgina (l l8) Medidas de las distribuciones - pgina (l 19)
... (3.47)
Definicin de los momentos lineales
que toma valores entre 0 y 1.
Jonathan R. M. Hosking rrqgol desarroll lafeorade los momentos
de los
lineales basada en el oidenamiento estadstico, a diferencia Dividiendo el momento lineal de orden r, entre la medida de
pesados'
clculos indirectos usando la probabilidad de los momentos dispersin, se obtiene la relacin de momentos, es decir:
Hosking defini los cuatro primeros momentos lineales de la
sisuiente forma: t, =LU parat =3,4,... ... (3.48)
L,=ElXr.,] "(3'43)
I El'ts es una medida de asimetra y t4 es una medida de curtosis,
'2=lolxz,z-xn)
7, ..(3.44) stas son respectivamente el coeficiente lineal de asimetra o sesgo
(CS) y el coeficiente lineal de curtosis (CLn, es decir:
L^ =\Elxr,r-2xr,r* X,,r]
J^
"' (3'45) ... (3.4e)
5
1^ =1 Elx
"4 o,o -3x r,o + 3x 2.4 - x r,o] "' t'+ol
... (3.s0)
donde:
4,r= eli-simo valor de la variable aleatoria X' de un
es
g*po de tamao m' ctyos valores han sido ordenados en Ellos toman valores entre -1 y +1 (existe excepcin para algunas
forma ascendente muestras muy pequeas, las cuales pueden tener valores menores de
Hidrologa Estadstica - pgina (122) Medidas de Ias distribuciones - pgina (123)
-1). Si es casi seguro que X ) 0, entonces 0 < CLV < 1. En el caso Cuando la poblacin es reemplazadapor una muestra, los momentos
de una distribucin simtrica, como es el caso de la distribucin lineales dan sus respectivos estimados.
normal, f3 es igual a cero, mientras que para esta misma distribucin,
t = 0.1226. Dado que los resultados de los posibles nmeros de combinaciones
de2 (C2n),3 (C3') y 4 (Co'), valores de la muestra, pueden ser
Estimado directo de los momentos lineales cantidades grandes, esto hace que los clculos de los momentos
lineales sea un poco laborioso. En este caso, a fin de simplificar los
Existe una manera indirecta para el clculo de los momentos clculos, Hosking muestra el conjunto de ecuaciones equivalentes de
lineales, la cual es utilizar los momentos pesados por probabilidad, estimacin directa de los momentos lineales, las cuales resultan ms
definido por Greenwood et al. Sin embargo una forma directa de sencillas para implementar clculos computacionales, las ecuaciones
estimar los momentos lineales, es siguiendo la definicin misma de simplificadas, son:
los momentos lineales desarrollada por Hosking.
El clculo de )uz (ecuacin 3.44), para una poblacin finita de
tamao n, se realiza con la combinacin de n elementos tomados en hr= ... (3.51)
grupos de 2 en 2 (Cr" ), tomando en todos los casos la diferencia
entre el valor mayor (Xzi), menos el menor (Xt,z). Lr= - ci-')x , ... (3.52)
El clculo de 1. (ecuacin 3.45), se realiza de forma similar Lr= _2Ci-1Cn-, +C;-,)X, ... (3.s3)
considerando todas las posibles combinaciones de n elementos
tomados en grupos de 3 en 3 (Cr" ), en este caso, cada elemento del
tro= - 3c;-t ci-t + 3citc;-t - c;-')x, .. qz.s+
valor esperado est dado por el valor mayor (Xt,z), menos 2 veces el
valor intermedio (Xz.:), ms el valor menor (Xr,), es decir: (Xyz-2 donde:
Xzs* Xrz). X (parai= 1,2 ,3, ..., n) = son los valores de la muestra
ordenados ascendentemente
Similarmente, el clculo de l.a (ecuacit 3.46), se obtiene de las C = combinaciones de n elementos en grupos de k en k
combinaciones de n elementos tomados en grupos de 4 en 4 (Co'),
(r\ n! n(n-L)(n-2)...(n-k+t)
en este caso, cada elemento del valor esperado est compuesto del ^n =[n
valor mayor (Xq,+), menos 3 veces el valor inmediato inferior del
'o )= k,l"-fr)!= kI
grupo (Xt,q), ms 3 veces del siguiente valor inferior (Xz,i, menos el paru k <n
valor menor del grupo (Xt,D, es decir: (X+,+-3 Xz.ct 3 Xz,,-Xru). Sift=n)Cn=I
Hidrologa Estadstica - pgina (124)
Medidas de las distribuciones - pgina (L25)
Los clculos de los momentos lineales L, lr, 13, 14, con el uso de 3. Clculo de l.z:
Las combinaciones de 6 elementos en grupos de2, es
calculadoras e incluso con la computadora, resulta bastante
Hidrologa Estadstica - pgina (126) Medidas de las distribuciones - pgina (127)
2 ci 81 61 33 -8
81 56 JJ 2
Lr= L"!2 =12.4 78 61 56 12
215 78 61 33 -11
78 56 33 -1
4. Clculo de 1.3: 61 56 33 -18
Las combinaciones de 6 elementos en grupos de 3, es: E = -166
c!= 6x5x4 =20
lx2x3 De acuerdo a la ecuacin (3.45), se tiene:
89 81 78 56 24 =0.1869
47 66.3333
89 81 78 33
89 81 61 56 -27
-4
9. Clculo del coeficiente lineal de sesgo:
89 81 61 33
-19
De la ecuacin (3.49), se tiene:
89 81 56 33
89 78 61 56 -18 CLS =L
12
89 78 61 33 5
89 78 56 33 -10 -2.1667
41
CLS = = -0.2231
89 61 56 33 12.4
81 78 61 56 -26
78 61 33 -3
81 10. Clculo del coeficiente lineal de curtosis:
81 61 56 33 33 De la ecuacin (3.50), se tiene:
8'l 7B 56 33 -18
ao
ta 61 56 33 30
L4
=74 CLK =
12
L.'415
--l *74 =1.2333 Para los datos del ejemplo, utilizando la opcin Parmetros
Estadsticos/Datos no agrupados de HidroEsta, se obtienen los
resultados que se muestran en la figura 3.9.
6. Clculo de la media:
Media=l.r=66.3333 De los resultados obtenidos con HidroEsta, puede observarse que
los valores de los parmetros estadsticos calculados por el mtodo
7. Clculo de la desviacin estndar: de los momentos lineales, son en todos los casos menores que los
Desviacin estndar =Xz= 12.4 calculados por el mtodo tradicional, por supuesto, exceptuando el
valor de la media que por los dos procesos, tiene la misma frmula
8. Clculo del coeficiente lineal de variacin: de clculo. De los resultados de los parmetros estadsticos, se
- pgina (132) Medidas de las distribuciones - pgina (133)
Hidrologa Estadstica
lngreso. de -
Ao o Ao o
Coeficientes Lineales: m3/s m3/s
Ll: 166.3333 1971 399 1 981 4.52
58.0 1972 2.96 1982 3.09
81.0 u2: Fzoo-- 1973 1.79 1 983 5.00
8S.0 1974 1.55 1 984 6.03
33.0 L3: [ffi 1975 2.48 1 985 2.73
78.0 1 976 2.61 1 986 3.13
61.0 La: llf, 1977 2.27 1987 4.18
1 978 1.86 1 988 3.26
1979 2.O7 1 989 403
Poblacionales Momentos Lineales 1 980 2.70
Parmetros Muestrales
66.3333 66.3333
Media: 68.3333
153.76
Varianza: 42?:.2867 351.8883 Calcular la media, varianza, coeficiente de variacin, coeficiente
12.4000
Desviacin Estndar: 20.5491 18.7587
de asimetra o sesgo y coeficiente de curtosis, usando tanto los
2828 0.186S
Coeficiente Variacin: 0.30s8 momentos tradicionales, como los momentos lineales.
-0.5530 -0.2231
-0.7573
CoeIiciente de Ses1o:
2.1206 0.09s5
Coeficiente de Cutosts 5.3016
2. Si los datos del problema L, se agrupan en los siguientes
intervalos de clase:
estadsticos para datos no
Figura 3.9 Clculo de los parmetros
;;;"t utilizando los omentos ordinarios y lineales !ntervalos de clase Marca de clase
1-2 1.5
buenos resultados' para el
Esta metodologa es usada con muy en el Instituto
2-3 2.5
nrocesamiento de la informacin hidrometeorolgica' 3-4 3.5
ilr"'u.j1.il;" Br""tricided(rcE), fue recomendada por los 4-5 45
Lars Gottschaly e Irina Krasovskaia'
5-6 55
"*rultore, 6-7 65
\--
Hidrologa Estadstica - pgina (134)
Medidas de las distribuciones pgina (135)
Calcular:
. Lamedia de los caudales picos
. La desviacin estndar
. El coeficiente de variacin
Ao o Ao o
m'ls m'/s
1975 880 1 988 1 070
1 976 1 360 1 989 1 060
1977 885 1 990 718
1978 1 180 1 991 965
1 979 1 100 1992 370
Estimacin de
,
parmetros
Este mtodo, consiste en plotear los valores de la distribucin Figura 4.1 Probabilidades en una distribucin normal
emprica sobre un papel especial, donde la distribucin terica
asignada a priori, se pued representar como una lnea recta, y de 4. Calcular el valor para una probahilidad del 84.137o, el mismo
all estimar los parmetros buscados. que corresponde a X +,S, es decir:
As:
X+S=KZ + S=KZ-X
. El papel de probabilidades normal, representa la distribucin
es un estimador de o .
normal como una lnea recta. ^S
142.4 58.8 48.8 52.3 97.2 144.7 112.2 16 72.5 0.4103 35 148.3 o.8974
205.8 57.4 148.3 36.3 52.5 109.2 137.1 17 76.3 0.4359 36 162.1 0.9231
114.5 79.O 67,5 88.0 165.5 48.5 32.9 18 76.9 0.4615 37 165.5 0.9487
72.5 76.9 70.0
19 79.0 0.4872 38 205.8 0.9744
,S= 135 -X
S=135-92
S = 34 m3ls
aI=-r$ (v.
da ?_l" t -a-bx)=o
t' ...(4.r)
6 o=
E
o
Q[=-r$ x.(v. -a-bx.\=o ...(4.2)
c
c
o
ab 3_t,"t t'
o.
I
o o
o t
(n
Las ecuaciones (4.1) y (4.2) se denominan ecuaciones normales, las
(, (f,
il
o+I x
cuales resueltas dan para ay b:
lX
Estimacin de parmetros - pgina (146) Hidrologa Estadstica - pgna (147l'
Solucin:
...(4.3)
1. Clculo de la sumatorias:
Los clculos se muestran en la tabla 4.3
...(4.4)
2. Estimacin de :
De la ecuacin (4.3), se tiene:
Ejemplo 4.2: ,!r.v.
L) l"t -)x.) r.
Se cuenta con 13 pares de datos de caudales picos para el ao 2000,
- *r'-E
L_ L 1.t-t7
Ejemplo 4.3:
Mtodo de los momentos
1. Dada la funcin de densidad de probabilidad de la distribucin
El mtodo de los momentos fue desarollado por KarI Pearson en
normal:
1902. El principio bsico de la estimacin por este mtodo, es
establecer para cada funcin de distribucin, la relacin entre los
parmetros y los momentos centrales, de tal manera que:
pafa - oo< X < oo
d, =i(lti, tti+I,...)
estimar los parmetros 0 y 0 2, por el mtodo de momentos.
A =fZ (lt i, +t,
tt ...) ...(4.s)
Solucin:
y =f3 (ttk, lt k+l, ...)
Sabemos que:
donde:
1. La media poblacional es igual al ler momento con respecto al
,0 ,T son los parmetros de la funcin de distribucin
origen, es decir:
Iti, lti, llk sn los momentos con respecto a la media, o
momentos centrales de la poblacin '
u=E(x\=u'7=lJ-o xf(x)dx ...(4.6)
Como los momentos, son estimados a partir de los momentos de la
muestra, como estimadores sesgados o insesgados, el resultado que
Estimacin de parimetros - pgina (150) Hidrologa Estadstica - pgina (151)
roo I
l- ye 2 y
.I-
... (4.10)
P= J-**' lzoer' A.
Clculo de:
-F-
2 ) 2
v v' v
ll=-l 1r- t-* x'e
- -n-
-f r0 e ' + l? e 2
f^
^lznor
...(4.8) A=l J-
e " dy
J-
v
"J0 dy .,. (4.11)
Haciendo: -vry2
-_A siendo: f(y) = e
I =y -) x =0t + 0r! ) dx=7rdy ...(4.e)
^"'
02
-V'(-Y)2 -V'Y2
Si X -+-co )/-)-oo f(-y)=e =e =f(y)
.
lmites:
Si x -++"" )-)*oo dado que: f(-y) = f(y) , f(y) matemticamente, es una funcin par,
por lo cual se tiene:
Sustituyendo (a.9) en (4.8), se tiene:
!!*rrtor-f rl)dv
v2
luego (4.1I), se escribe:
P= J]-tr, +oril'e lz 12
@0,
"ro, o=li n- 2' dr+ I;,- 2' dy
Estimacin de parmetros - pgina (152)
Hiclrologa Estadstica - pgina (153)
l,l luego:
.oo --v-
z^ r ",frl
A=21 e dv ... (4.12) A= -:--
J0 I
,D
Haciendo:
Y2
... (4.13)
y2=t + y=t A= ^lri
2YdY=i = dY-
dt dt Clculo de:
2vl
' 2t2
roo -l^ y2
lmites: B= i- ye 2' dy
"-
)=0 + t=0 I _,2 _L ,,2
par
y-+"o + t+6 , = I:"" y, o, *!; ,, 2' dv ... (4.14)
''
luego (4.I2), se convierte ein: lZ
L, ---v
dt donde: f(y) = ye
-J0-e 2"
A=z* l pero:
2tz -V'(-Y)2 -/'Y2
f(-y)=(-y)e =-!e =-U)
, _L,
2e 2 ,lt puesto que: fl-y) = -Ky), fly) matemticamente, es una funcin
A=f*t
J0 impar, por lo tanto se tiene:
Aplicando la transformada de LapLace, se tiene: I z -;l
l..z
"!- dY = -lo t' L dY
)l*r"
r0 foo
, -!.r'
- l,* uz"
o2=F2= '
^[-zle,J:""
G-ot"-;l';)'*
Haciendo:
^ 20"2
o'= J0
^,2II
z dv
dt
Haciendo: yZ=t = y=tVz =dy= -I
x-0. 2t2
--J=y + x=0t+02y + dx=?zdy lmites:
02
si )=0 + t=0
lmites: Y-+- =+ t)6
se tiene:
I
Estimacin de parmetros - pgina (156) Hidrologa Estadstica - pgina (157 )
Solucin:
pero: I (yr) =^tE, luego:
1. Como X es una variable discreta:
o2=
tt=E(X)= )xf(x)
0"2 ,/ tr=i*q':
o', = !--rx yfn l=0 xl
"izfl
r
Estimacin de parmetros - pgina (158)
- pgina (159
Hidrologa Estadstica )
t,-ifr o2=E(*)-(E(x)),
o2=E(*)-Qt')
oor-o + ?ax"-d
tr=Tll -rT: o2 =E(x2) - a2 ... (4.16)
[o' )
, d,1or2
*l l+.-
-*( - ... )
It=de
Ir! 2t )
I
donde:
E(x2)= r + r-
o o2fr.
I
-* . d, B , y , ... son los parmetros que deben ser estimados
)
-s- Se define
productoria:
la funcin verosimilitud de la muestra, como la
Sustituyendo (4.17) en (4.16), resulta: Puesto que flx) es no negativa, un valor mximo de L ser, en
general positivo. Como el logaritmo natural lnL es una funcin
o2 =o*o2 -o2 monotmicamente creciente de L, sta tiene un mximo,
o2 =d
r
Estimacin de parrmefros - pgina (162)
Hidrologa Estadstica - pgina (163 )
/
N
tnL= )l t, )"+tn,-tu.\
'"'i
Las propiedades de los estimadores calculados por el mtodo de
mxima verosimilitud, son; I
. Usualmente insesgado
i=l\ )
. Si la eficiencia de estimadores existe para los parmetros U, B,
Nt \
T ,..., el mtodo puede producirlos. 7nL=Itr^ -tu,)
. La solucin de la ecuacin de verosimilitud, proporciona un i=l
estimador que converge al valor poblacional, cuando el tamao
muestral tiende a infinito, por 1o que el estimador es consistente. derivando con respecto a ),, se tiene:
otnL-=
Ejemplos 4.5: '[S hnt"-"
al Ol'"la'r"'" '*' i=o"
')-
Dada la funcin de densidad de probabilidad de la distribucin
( !-,.)=0
tl
exponencial:
(i
?,lL
r-r\ ,/
ntfl
f(x)=1
lln-* para r ) o, h>o
; -),; =0
.i=1tv =1
en otros
I
L0 casos
Estimar el parmetro2, usando el mtodo de mxima verosimilitud.
Estimacin de parmetros - pgina (164) Hidrologa Estadstica - pgina (165 )
t
nl
1r=)tnl
=1
I
,l
Ejemplo 4.6:
tnL= l-
,=1L
rnL=I "1' ]
3. , resulta:
2. Tomando ln:
r
Estimacin de parmetros - pgina (166) Hidrologa Estadstica - pgina (167 )
nn
E*,=Eo,
i=l i=l -
0,2
'
i6,
=lnF.t -e1)2 =12
n
\x
t=l
-- no,
Nota. El mtodo de mxima verosimilitud, tericamente es el ms
correcto para el clculo de los parmetros de las distribuciones, en el
sentido que produce menos errores, en la estimacin de los
,=)L*, =, parmetros de la poblacin. Pero, para algunas distribuciones de
probabilidad, no existe solucin analtica para todos los parmetros,
en trminos de los estadsticos de la muestra, lo cual lleva a calcular
stos parmetros por mtodos numricos. En general, el mtodo de
trY(-zor-3)]=t los momentos es ms fcil de aplicar que el mtodo de mxima
'(, - verosimilitud, y resulta ms apropiado para anlisis prctico en
hidrologa.
tf"l,.+I]=, uniforme:
1
para o(<rS p
f(x) =
Lb4:-=o
F,)* i=l
i=l 02'
B-cr
v
Calcular los parmetros pty, or, utilizando el mtodo de mxima
Calcular el parmetroa, usando el mtodo de mxima verosimilitud.
verosimilitud.
7. Dada la funcin de densidad de probabilidad de la distribucin
4. Dada la funcin de densidad de probabilidad de la distribucin gamma de parmetros y y B:
exponencial de dos parmetros: x
-1.(x - e)
*Y -1, P
f(x)=)"e para x)E, ,>0 f(x)-
PY r<v)
Estimar sus parmetros l, y g utilizando el mtodo de momentos. para: 0(x<""
0<Y<""
5. Dada la funcin de densidad de probabilidad de la distribucin
0 < 0<""
exponencial de dos parmetros:
-i.(x - e)
Calcular los parmetros utilizando el mtodo de momentos.
f(x)=)"e para x)8, I>0
Estimar sus parmetros l, y e, utilizando el mtodo de mxima
verosimilitud.
5.1 Definicin
. Ajuste grfico
Pruebas de bondad de ajuste - pgtna (172) Hidrologa Estadstica - pgina (173)
funcin acumulada
5.2 Ajuste grafico terica
El ajuste grrfico se puede realizar de las siguientes formas:
,|
y.o
,"c = valor calculado de Chi-cuadrado, a partir de los datos
variable
aleatoria distribucin
0 i = nmero de valores observados en el intervalo de clase i
empirica
ei = nmero de valores esperados en el intervalo de clase i
ibucin | = nmero de intervalos de clase
terica
Asignando probabilidades a la ecuacin (5.1) es decir, asignando
igual probabilidad de ocurrencia a cada intervalo de clase, se tiene:
probabilidad ...(s.2)
(o/o)
donde:
Figura 5.3 Ajuste grfico con la funcin acumulada en papel Ni nmero de observaciones que caen dentro de los lmites
=
especial de clases ajustadas del intervalo i.
N = tamao muestral
5.3 Prueba Chi-cuadrado U2 ) P = probabilidad igual pala todos los intervalos de clases
La prueba Chi-cuadrado se basa en el clculo de frecuencias, tanto Pi= llk ei= PiN ... (5.3)
de valores observados, como valores esperados, para un nmero
determinado de intervalos. Esta prueba es comnmente usada, para Simplificando la ecuacin (5.2), se obtiene la frmula
verificar la bondad de ajuste de la distribucin emprica a una computacional desarrollada por Markovic ( 1965):
distribucin terica conocida, fue propuesta por Karl Pearson en
1900. x? =#frl? -- ...(5.4)
.)
La expresin general de la prueba Chi-cuadrado est dada por: El valor d" X,; obtenido por la ecuacin (5.4) se compara con el x7
de la tabla A.8 del apndice, cuyo valor se determina con:
Eo,=Er,
i=l i=l
=fy'
donde:
r
Pruebas de bondad de ajuste - pgina (176) Hidrologfa Estadfstica - peina (177)
Criterio de decisin: Dada la serie histrica de caudales medios anuales en m3/s, que
corresponde a un registro de 38 aos:
El criterio de decisin se fundamenta en la comparacin del valor
calculado de Chi-cuadrado con el valor tabular encontrado, esto es: 121.3 26.7 1 10.1 63.4 122,4 64,2 59.6
. Si el Chi-cuadrado calculado es menor o igual que el valor 144.9 92.8 95.6 76.3 162,1 110.2 40.3
142,4 58.8 48.8 s2.3 97.2 144.7 112.2
tabular, es decir: 205.8 57.4 148.3 36.3 52.5 109,2 137.1
)) 1 14.5 79.0 67.5 88,0 165,6 48.5 32.9
x;<x; 72.5 76.9 70.0
entonces, se acepta la hiptesis que eI ajuste es bueno al nivel de
significacin seleccionado Realizar la prueba de bondad de ajuste Chi-cuadrado para ver si se
ajustan a una distribucin nornul.
Si el Chi-cuadrado calculado es mayor que el valor tabular, es
decir: SOLUCION:
'))
x;, x; 1. La hiptesis ser:
entonces, el ajuste es malo yse rechaza la hiptesis, siendo Ho : frecuencia observada = frecuerlcia esperada
necesario probar con otra distribucin terica. H : frecuencia observada * frecuencia esperada
3.2. Clculo de la amplitud de cada intervalo: 3.4 Clculo de la media y desviacin estndar para datos agrupados,
X max- Xmin 205.8 - 26.5 utilizando las columnas (2) y (3):
--l=
NC_l = 5
t_
&
N( =35.82=36
-
AX
=18
2
!ntervalos Marcas Frecuencia Frecuencia Frecuencia Clculo de la frecuencia esperada, utilizando la distribucin
de clase de clase absotuta (0 relativa )
acumulada terica normal, los resultados se muestran en la tabla 5.2
(1) (21 (3) (4) (5)
donde:
-
8.7 44.7 26.7 4 0.1053 0.1053
x-X
44.7 - 80.7 62.7 15 o.3947 0.5000 Columna (3): Z - variable estandarizada de la
80.7 - 116.7 98.7 9 0.2368 0.7368
't16.7 - 152.7 134.7 7 o.1842 0.9211 distribucin normal paru x = lmites de clase, de la
152.7 - 188.7 170.7 2 0.0526 o.9737 columna (2).
188.7 - 224.7 206.7 1 0.0263 1.0000
Columna (4): rea bajo la curva normal, puede usar la tabla A.1 del
apndice.
donde:
(3): nmero de valores comprendido en el intervalo de la
Columna (5): reap xa cada intervalo de cl se, se obtiene restando
Columna
los valores de la columna (4), si los signos de Z dela
columna (1).
columna (3) son iguales, y sumando los valores de la
columna (4), si los signos de Z son diferentes.
Columna (4): columna (3) entre N = 38
Pruebas de bondad de ajuste - pgina (180) Hidrologa Estadstica - pgina (181)
(7): sonlos mismos valores de la columna (3) de la tabla se acepta la hiptesis nula Ho
Columna
5.1.
.'. Los datos se ajustan a la distribucin normal, con un nivel
) de significacin del 5Vo 95Vo de probabilidad.
5. Clculo de 7':
De (5.1), se tiene: Nota. En la aplicacin Cestadis, existe una opcin para el cIculo de
)
@_:J x;
^.2_
Lc -2
t=r ei
sustituyendo valores de las columnas (6) y (7) de la tabla 5.2, se 5.4 Prueba de Smirnov-Kolmogorov
tiene:
(r--r)2 La prueba de ajuste de Smirnov-Kolmogorov, consiste en comparar
,z -@-s)z * (rs -ro)2 *(g -tz)z n0 -t)z *Q'])z
/Lc- 3
* las diferencias existentes, entre la probabilidad emprica de los datos
5 10 12 7 1
de la muestra y la probabilidad terica, tomando el valor mximo
r
Pruebas de bondad de ajuste - pgina (182) Hidrologa Estadstica - pgina (183)
que: X 50
X+S 80.13
rlm,axlr 6) - P(x)l 2 L,o]= 6
X-S 15.87
o P(A > Lo)=q ...(s.6)
representados en un papel de probabilidad normal, forman una
tambin: recta.
P(4. Lo)=1-o ...(s.7)
3o Calcular las diferencias P(x) - F(x), para todos los valores de x
El procedimiento para efectuar el ajuste, mediante el estadstico de 4" Seleccionar la mxima diferencia:
Smirnov-Kolmogorov, es el siguiente: a= mx ]nqx-e1xl
1o Calcular la probabilidad emprica o experimental P(x) de los
datos, para esto usar la frmula de Weibull: 5'Calcular el valor crtico del estadstico A, es decir Ao, para un
M a = 0.05 y N igual al nmero de datos. Los valores de Ao, se
P(.r) = ...(s.8)
N+1 muestran en la tabla 5.3.
donde:
P(x) = probabilidad emprica o experimental
Pruebas de bondad de ajuste - pgina (184) Hidrologa Estadstica - pgina (185)
6o Comparar el valor del estadstico A, con el valor crtico A o de la Tabla 5.3 Valores crticos de L,o del estadstico Smirnov-
tabla 5.3, con los siguientes criterios de decisin deducidos de la Kolmogorov a, para varios valores de N y niveles de significacin
ecuacin (5.6): a
Ejemplo 5.2: Tabla 5.4 Clculo de P(X), F(4 y A, para la prueba de Smirnov-
Kolmogorov
Para los mismos datos del ejemplo 5.1, realizar la prueba de bondad
de ajuste Smirnov-Kolmogorov, p&ro ver si se ajustan a una m Q=X P(x) F(z) A
distribucin normal, usando :
lnlz -r1xl
mtls m/n+1
121.3 26.7 110.1 63.4 122.4 64.2 59.6 (1) (2) (3) (5)
144.9 92.8 95.6 76.3 162.1 110.2 40.3 l6)
26.7 0.0256 -1.53
142.4 58.8 48.8 52.3 97.2 144.7 112.2 1
2 32.9
0.0630 0.0374
205.8 57.4 148.3 36.3 52.5 109.2 137.1 0.0513 1.39 0.0823 0.0310
114.5 79.0 67.5 88.0 165.6 48.5 32.9 3 36.3 0.0769 -1.31 0.0951 0.0182
72.5 76.9 70.0 4 40.3 0.1026 -1.22 0.1112 0.0086
5 485 0.1282 -1.02 0.1 539 0.0257
. El clculo de los valores de F(x) para todos los valores de x
6
7
48.8
52.3
0.1538
0.1 795
-1.02
-0.94
0.1 539 0.0001
0.1736 0.0059
(donde x,representa el caudal). 8 52.5 0.2051 -0.93 0.1762 0.0289
I 57.4 0.2308 -0.82 0.2061 o.0247
. Usando el procedimiento grfico. 10 58.8 0.2564 -0.78 0.2177 0.0387
11 59.6 0.2821 -o.76 0.2236 0.0585
Solucin:
12 634 0.3077 -0.68 0.2483 0.0594
13 64.2 0.3333 -0.66 0.2546 0.0787
14 67.5 0.3590 -0.58 0.2810 0.0780
1. Clculo de P(x): 15 70.o 0.3846 -0.52 0,3015 0.0831
Ordenando los datos de caudales en forma creciente y calculando 16 72.5 0.4103 -0.46 03228 0.0875
la probabilidad emprica P(x), usando la frmula de Weibull: 17 76.3 0.4359 -0.37 0.3557 0.0802
1B 76.9 0.4615 -0.36 0.3594 0.1021
Pifx:)=h 19 79.0 0.4872 -0.31 0.3783 0.1 089 <- max
20 88.0 0.5128 -0.10 0.4602 0.0526
se obtienen las columnas (2) y (3) de la tabla 5.4. 21 92.8 0.5385 0.01 0.5040 c.0345
22 95.6 0.5641 0.08 0.5319 0.0322
2. Clculo de X y,, de los datos no agrupados 23 97.2 0.5897 0.11 0.5438 0.04s9
24 109.2 0.61s4 0.39 0.6517 0.0363
25 1 10.1 0.6410 0.42 0.6628 0.0218
='nuI x. =92.32
1
x L
26 110.2 0.6667 o.42 0,6628 0.0039
27 1'12.2 0.6923 0.46 0.6772 0.0151
28 114.5 0.7179 0.52 0.6985 0.0194
29 121.3 0.7436 0.60 0.7517 0.0081
30 122.4 0.7692 0.70 0.7580 0.0112
Pruebas de bondad de ajuste - pgina (188) Hidrologa Estadsrica - pgina (189)
Tabla 5.4 Continuacin ... A partir de las columnas (3) y (5) de la tabla 5.4, se obtiene los
A = n1z - p(x)l , Ia misma que se muesrra en la columna (6).
m Q=X P(x) F(z) A
X_X
mtls m/n+1 s lrlz -e1xl
6. Clculo del A - Amx:
(1) (21 (3) (4) (5) t6) De la tabla 5.4, se observa que:
31 137.1 0.7949 1.05 0.8531 0.0582 A = -u* lrfrl - p(x)l = 0.1089
32 142.4 0.8205 1.17 0.8790 0,0585
33 144.7 o.8462 1.22 0.8888 o.0424
34 144.9 0.8718 1.23 0.8907 0.0189 7. Clculo de Ao crrico:
35 148.3 0.8974 1.31 0.9049 0.0075
36 162.1 0.9231 1.63 0.9484 0.0253
De la tabla 5.3, para a = 0.05 se tiene:
37 165.5 o.9487 1.71 0.9564 0.0077 ^ =- t.36
ci
1.36
38 205.8 0.9744 2.65 0.9960 0.0216
"ln J38
--= -
Lo= 0'22
1 Y (x
=
n-lu -v\2
/ =42.80 8. Criteriode decisin
Como:
Clculo de la variable estandarizada Z: A = 0.1089 < Ao =0.22
Usando la..ecuacin: Se concluye que los datos de caudales se ajustan a la distribucin
normal, con un nivel de significacin del 5vo o una probabilidad
X_X 95Vo.
del
s
se obtiene la columna (a) de la tabla 5'4'
La aplicacin cestadis, permite rearizar la prueba de bondad de
ajuste, para varias distribuciones tericas, entre ellas la normal.
4. Clculo de F(D = F(X):
Usando la tabla A.2 del apndice, se obtiene la columna (5) de Procedimiento grafico:
la tabla 5.4. Para valores positivos de Z, los valores se obtienen
en forma directa. Para valores negativos de Z, los resultados se l. Grfico de P(X) y F(Z) en papel de probabilidad normal.
obtienen de: 1 - valor tabla A.2
1.1. Grfico de disrribucin ernprica p(.tr):
5. Clculo de A - lrlz - e1xl Plotear en un papel de probabilidad normal los valores de las
columnas (2)V Q) de la tabla5.4.
1.2. Grfico de la distribucin terica F(4 = F(X):
Pruebas de bondad de ajuste - pgina (190)
Hidrologfa Estadsrica - pgina (191)
1.36 t.36 5\ t\
A-
^o - -]3s O
t\
I E-
^[n
'd '
)e
Ao = 0.4
il
4. Criterio de decisin:
Como:
A =0.10<Ao=0.22
Se concluye que los datos de caudales se ajustan a una distribucin
normal, con un nivel de significacin del57o, o una probabilidad del
95 7o.
op o
o
N
o
ro oo
5
Pruebas de bondad de ajuste - pgina (192)
Hidrologa Estadstica - pgina (193)
5.5 Problemas propuestos Tabla 5.5 Caudales mximos anuales de la estacin Tacares
6.1 Introduccin
hidrometeorolgico. Tambin se podr determinar Ia magnitud de un Las distribuciones tericas comnmente utilizadas en Hidrologa,
fenmeno para un determinado periodo de retorno. son entre otras:
. Distribucin normal
. Distribucin log-normal de 2 3 parmetros
. Distribucin gammade2 3 parmetros
. Distribucin log-Pearson tipo III
. Distribucin Gumbel
. Distribucinlog-Gumbel
:1._:)rl
r (x) = ___L EXpl _
Jzns Lrt sl] ..\--l
.. (6. r)
Utilizar distribucin
terica elegida
pAfA -@ <.tr< oo
donde:
f(x) = funcin densidad normal de la variable x
x = variable independiente
Figura 6.1 Proceso de seleccin de una distribucin terica
Distribuciones tericas - pgina (198) Hidrologfa Estadlstica - pgina (199)
- u) +rfi
X
-co fm
l"rz = 0
Figura 6.2 Funcin densidad de la distribucin normal Figura 6.3 Funcin densidad de la distribucin normal estndar
c0+c1x w+c2xw2
s=o=[+, ik,
1i
-.i: ... (6.1e)
^(,rtJ ,*'
w= o's<FZ<t "'(6'17) lineales
c0= 2.515517: c1 = 0.802853: c2 = 0.010328 Los parmetros de la distribucin normal, estimados por el mtodo
dl= 1,432788: d2 = 0,189269: d3 = 0.001308 de momentos lineales son:
FZ = fucin acumulada de la distibucin normal estndar X=lt=lt ,.. (2.20)
Z = ordenada inversa de la distribucin normal estndar
s = J-Ir2, ,.. (2.21)
Distribuciones tericas - pgina (204) Hidrologa Estadstica - pgina (205)
-
u-
Q-O 180 - 152.2476 i
s 43.6124 t
Z = 0.6363
F (Q = 180) = F(Z = 0.6363) = 0.7377 (valor interpolado) Figura 6.4 Probabilidades de ocurrencia de caudales
.'. P(Q < 180) = 0.7377 =73.77 Vo 2.3. P(50 < Q < 200) = F (200) - F(sO)
F(Q=50) = F(Z= -2.345) = l- 0.9905 = 0.0095 (valor F(Q = 210) = F(Z = L32) = 0.9066
interpolado)
sustituyendo en (6.23), se tiene:
Luego: 1
F(200) - F(50) =0.8632 - 0.0095 = 0.8537
.'.@ 1- 0.9066
P(O< q)=t- !
T
p(o<q)= r -
+
P(a<q)= o.es - F(z)
Figura 6.5 Probabilidades de ocurrencia de caudales menores que 50
y 200 m3/s Si F(4 = 0.98 Z = 2.055 (valor interpolado)
=
2.4 Perodo de retorno para un caudal de 210 m3/s:
pero: Z =9+
s
+ e= e+ S Z
Q= 152.2476 + 43.6L24x2.055
De la ecuacin (1.9), se tiene:
(y) = fv)!
dy
... (6.26) La funcin de distribucin acumulada de la distribucin log-normal
de 2 parmeffos, es la integral de las ecuaciones (6.24) o (6.27), es
sustituyendo (6.24) y (6.25), en (6.26), resulta: decir:
_1
2
f(y)= , !-,
/x"tZtto, v
o tambin:
v v
finalmehte, reemplazando y = lnx, se tiene: v-u
"vv lnx-u
/,-
yv
Entonces se obtiene, la distrib cin normal estndar:
... (6.27)
2
F(z)= L=|',
J- e 2 dz ... (6.30)
v2fI -
siertdo: z - N(o,t)
r, - parmetro de escala
o, = parmetro de forma Nota. Para el clculo de la distribucin acumulada de la normal o la
log-normal, una vez conocido sus parmetros, hacer la transforma-
cin a la distribucin normal estndar y usar las tablas o las
ecuaciones de aproximacin, elaboradas para su clculo.
r
Distribuciones tericas - pgina (214) Hidrologa Estadstica - pgina (215)
utilizando el mtodo de los momentos, las relaciones entre la media Tomando logaritmos a (6.31), resulta:
y la varianza de la variable X y los parmetros Fy y o 2y , eue se
o2
obtiene, son:
U +- v
lnx= 'v
o2 2
u+-1- o2
media: X=E(x)="'! 2
u =lni- Y
... (6.31)
'v 2
... (6.3s)
."'rl
varianza: S2 = Elx- n@)12 =
"",
tl ""3 -r) sustituye (6.33) en (6.35), se tiene:
u =tnx- 2r-n(t+c2)
'v \ ,/
S=rF u =ltri2
'y 2 -!2lnft*c2')
desviacinestndar: -rl"' \
) u =!(2[,n2 -n{ t* c2"/)')
'Y \ '))
)r/2
coeficiente de variacin: Cu - 1
... (6.36)
I
02
C2 =e v_l
v Luego, dado un conjunto de valores xb xz, x3, ...,.trn, con parmetros
o2 , 'v',o!.v',de la distribucin log-normal
,S, 52, Cy,los parmetros /r-.
L+C2 =e v ... (6.32)
v de 2 parmetros, obtenidos por el mtodo de/momentos, se calculan
con las ecuaciones (6.36) y (6.33), respectivamente.
Tomando logaritmos a(6.32), se tiene:
tnfl' + c2l--o2 Tambin se obtiene del mtodo de momentos, la siguiente ecuacin:
v' y
o?' =n6+ c2)
y'v ... (6.33)
r
Distribuciones tericas - pgina (216) Hidrologa Estadstica - pgha (217)
I
Fa
Fy=I2,"', ... (6.39)
cr= 8= a,rj= e -r] ... (6.37)
l-t2 o2 =:7=F.,-ur) ... (6.40)
Para valores prcticos de o2,'.0.1 < o2, < 0.6, la relacin es casi
lineal y puede ser aproximada por: 6. Estimacin de parmetros, mtodo de momentos
lineales
Cs=8=0.52+4.85 o2t ... (6.38)
Utilizando el mtodo de momentos lineales, Fy y o 2y , se obtienen,
que es correcta dentro del2Vo, en el rango mencionado. con las siguientes relaciones:
Hr=4, ... (6.41)
Recordar que para datos muestrales, de acuerdo a la ecuacin (3.31),
se tiene:
o, = ^f-f, ... (6.42)
t1 n'M ,
(--
-J - donde:
@-D(-2)5', Lr, tr, = primer y segundo momento lineal calculados con
siendo:
n los y - ln-ri
_
\(x, x),
Mr=E Nota. Muchos registros hidrometeorolgicos, tienen como valores
n de sus variables un valor igual a 0 (ejemplo, sino llueve la
y que de acuerdo a la ecuacin (3.23), se tiene: precipitacin ser 0). Al ilizar la distribucin log-normal, cuando
se toma logaritmos a stos valores, el resultado es -
"". para dar
solucin a este problema, se pueden hacer cualquiera de los
siguientes artificios :
1. Sumar 1 a todos los datos
5. Estimacin de parmetros, mtodo de mxim 2. Sumar un valor pequeo a todos los datos ( por ejemplo: 0.1,
verosimilitud 0.01,0.001, etc.)
3. Sustituir los ceros por un I
Utilizando el mtodo de mxima verosimilitud, los parmetros r,, y 4. Sustituir los ceros por un valor positivo pequeo
o2y, s obtienen, con las siguientes relaciones: 5. Ignorar todos los ceros del registro
r
Distribuciones tericas - pgina (218) Hidrologa Estadstica - pgina (219)
En la figura 6.7, se presenta la funcin densidad de la distribucin f(x)= (x-x ... (6.43)
log-normal de2.partmetros, para varios valores de p" y o2. \o ^m
o'y
r(x) para .ro I x< ""
1.0 donde:
xol parmetro de posicin en el dominio x
0.8
Fy: parmetro de escala en el dominio x
0.5 o'y parmetro de forma en el dominio x
'
o.4
o.:2
2. Estimacin de parmetros, mtodo de momentos
0
0 1 2 3 4 5 6
x 7 Utilizando el mtodo de los momentos, las relaciones entre la media,
Figura 6.7 Distribucin log-normal de 2 parmetros, con varios la vaianza y el coeficiente de sesgo, de la variable X y los
valores de p" y o parmetros *o, lty y o ry , que se obtiene, son:
M3=
Z@-,o3 ... (6.49) normal de 3 parmetros, obtenidos por el mtodo de momentos, se
calculan con las ecuaciones (6.54), (6.53) y (6.52), respectivamente.
Nota limitante
... (6.s0) De la ecuacin (6.52), se observa que para que exista un valor real
deo Cs debe ser mayor que 0.52, en caso contrario, su valor ser
r,
vLl
!x. imaginario.
... (6.s1)
N 3. Estimacin de parmetros, mtodo de mxima
luego:
verosimilitud
Q = e5.600155 x
p
=270.63 xy-le
f(x)= ... (6.64)
El cqq4al para un perodo de retorno de 75 aos, es: PY r(y)
e=W: thrrc' para:
(
0 X< ""
Utilizando la opcin Distribuciones/l.ogNormnl 2 parmetros de 0< 1z < ""
HidroEsta, se obtienen los resultados de la figura 6.8, se observa que 0<B< ""
el caudal para un perodo de retorno de 75 aos, es 270.16 m3ls. siendo:
y- parmetro de forma (+)
B- parmetro de escala (+)
f(f ) = funcin garma completa, definida como:
x
y la funcin de distribucin acumulada a:
*T -1, B v-l
-v
F(x) =
f pY re)
c ... (6.6s)
G(y)=lJ ,_OO' d, ... (6.70)
La integral de la ecuacin (6.65) puede evaluarse para valores dados Las funciones reducidas contienen el parmetroy , por lo cual, cada
de B y y, usando la tabla A.7 del apndice, en la cual se ha tabulado
valor positivo de y, determina una funcin diferente. Un extracto
Ia funcin garnma incompleta. En esta tabla, se ingresa con los
a de las tablas de Wik, Gnanadesikan Huyett (1962), para las variables
valores de 7'(Chi-caadrado) y v (grados de libertad), y se aleatorias reducida Gamma, se muestra en la tabla 6.1.
determina los valores de la probabilidad de excedencia | - F(x),
siendo: La solucin de la integral de la funcin gamma reducida de la
ecuacin (6.70), se puede obtener por el desarrollo de la serie:
)2x Y
,'= v=27 ... (6.66)
p v+n-l
v' ... (6.71)
y(y +t)...(y + n-r)
Si y es entero, la funcin de distribucin gamma acumulada, segn
Mood et al (1974), puede calcularse por:
yy +i-l
G(y)=#,2, k
... (6.72)
rI (y + j-l)
j=l
La variable aleatoria reducida garnma de 2 parmetros,
En la ecuacin (6.71) o (6.72), con un par de valores de y, f , se
est
por: determina G(y), siendo:
x x
'p
v- ... (6.68) "p
\7=-
r
Distribuciones tericas - pgina (230) Hidrologa Estadstica - pgina (231)
f(/) = TT e-T
2TT
l+-+11 t39
3. Estimacin de parmetros, mtodo de momentos
v t2y 288y2 5t84}y3
Utilizando el mtodo de los.momentos, las relaciones entre la media
La aplicacin HidroEsta, permite calcular la funcin garma
X,lavaianza 52 y el coeficiente de sesgo Cs, de la variable X, y
acumulada F(x) = G), utilizando la transformacin a la variable
los parmetros B y y de la distribucin gamma, que se obtiene,
reducida y.
son:
4'
X') ... (6.76)
a
P
_x
- ... (6.81)
t.l - v
S. Greenwood y Durand (1960), establecieron que el mximo error de
De las ecuaciones (6.73) y (6.76), se tiene:
' o2 la ecuacin (6.69) es de 0.00887o y en la ecuacin (6.79) es
B=!
,X ... (6.77) 0.005470,
Greenwood y Durand (1960), presentan las siguientes relaciones Si cvl < 0.5 + tl = flcvlz
aproximadas, de estimacin de parmetros por el mtodo de mxima l+ alxtl)
verosimilitud:
. T= tl(l+ tl(aZ+ a3xtl)) ... (6.83)
para:0<y<0.5772 donde:
F@)=
(* - *o)Y-r, dx
0,01
o.2
lx
txO ... (6.87)
Y r(y 0 0
10 20 30 40 50 1020 3040 50 x
en la cual:
funcin densidad funcin acumulada
x = variable aleatoria garnma de 3 parmetros o pearson tipo
u Figura 6.10 Funcin densidad y funcin acumulada de la
ro = origen de la variable x, parmetro de posicin distribucin gamma de 3 parmetros
Distibuciones tericas - pgina (236) Hidrologa Estadstica - pgina (237)
La variable reducida y gamma de 3 parmetros o Pearson tipo III, es: Para el clculo de Cs, para datos muestrales, usar la ecuacin:
y=4 N2twz
'p ... (6.90) Cs--8=
(N-lXN -2)53
donde:
La funcin acumulada Pearson tipo III reducida es:
v-l -v Z@-x)3
M3=
c(y)=fJ
+* ...(6.er)
origenony=Ox=xo, 2@,-x)'
La ecuacin (6.91), como es similar que la ecuacin (6.70), se
calcula de la misma forma.
u
r.
,) I
A -2
--
3. Estimacin de parmetros, mtodo de momentos N
Nota limitante: Si Cs (
0, de la ecuacin (6.96), B sera negativo,
Aplicando el mtodo de momentos, se obtienen las siguientes
por 1o que no cumple con la condicin que B>0.
relaciones:
media: X =xo+By ... (6.e2)
4. Estimacin de parmetros, mtodo de momentos
vaianza; ... (6.e3) lineales
Sz = [JzT
sesgo: Cs =8 =+ ... (6.e4) Los 3 parmetros de la distribucin gatma, por el mtodo de los
momentos lineales se encuentras con las siguientes ecuaciones:
1v
5. Aplicaciones en hidrologa
Solucin:
Su uso en hidrologa est casi tan difundido, como el uso de la
1. Ajuste de los datos de la serie a la distribucin gamma de dos
distribucin log-normal de 3 parrrrctros, con la desventaja, que
parmetros
tiene mayor complicacin al estimar sus parmetros y calcular los
valores de la funcin de distribucin acumulada.
1.1 Clculo de parmetros
, Calculo de los parmetros de la serie de caudales:
La prctica ha demostrado que los resultados entre la distribucin
Para los datos indicados, utilizando la opcin Parmetros
log-normal y la distribucin Pearson tipo III, para el ajuste de series
Estadsticos/Datos no agrupados de HidroEsta, se obtienen los
de precipitaciones anuales, rndulos anuales, precipitaciones resultados que se muestran en la figura 6.1 1.
mensuales, etc. no difieren.
Distribuciones tericas - pgina (240) Hidrologa Estadstica - pgina (Ul)
Figura 6.11 Parmetros de la serie de caudales 2. Clculo del caudal de diseo, paraT = 50 aos
F(O=a)=1- r-1-
11
' =0.98
Adems del clculo me la media de los logaritmos de los caudales se 750
tiene: F(Q= q) = F(x) = 0,98
ln X = 4.9037 L-F(x)=1-0.98=O.02
Y =3'4283
Pero de la ecuacin (6.66):
2. Proceso de clculo
! ln,
media: Xlnx ... (6.103)
Figura 6.12 Catdal para un perodo de retorno de 50 aos
-oo (fO ( @
vaianza: t?n*= P'Y ... (6.107)
0<B< "" 2
sesgol /1
-Slnx ... (6.108)
o< y < -
T
Distribuciones tericas - pgtrrl (244) Hidrologa Estadstica - pgina (245)
Resolviendo las ecuaciones (6.106), (6,107) y (6.108), se.obtiener bl = 0.36067:b2 = -0.59567: b3 = 0.25361
4 b4 = -2.18861: b5 =2.56096:b6 = -0.77045
... (6.10e) h L, = segundo y tercer momento lineal
'n2
ln,
",s
c^s t sln, ... (6.tt4)
p= ln, ... (6.110)
determina los valores de la probabilidad de excedencia I - F(x), 563 520 360 367 658
siendo: 824 824 1230 522 581
*o)
557 818 1 030 418
-, _z(lnx-
tup ... (6.r17)
Solucin:
y v=27 ... (6.118)
1. Clculo de parmetros
La variable reducida y log-Pearson tipo III, es:
_._lnx-xo Tomando logaritmos neperianos a los datos del problema,
t- p ... (6.119) obtienen los datos de la tabla 6.4.
Siendo la funcin acumulada log-pearson tipo III reducida: Tabla 6.4 Ln de los caudales mximos, de la estacin Angostura
_ y-l -Y
c(y)=fi ! L- a, ... (6.120) 7.414573 6.821107 8.242756 7.251345 7.731931
6.426488 6.526495 6.839476 6.658011 6.825460
la cual tiene como parmetroy, y cuya variable aleatoria tienen 6.775366 6,606650 7.021084 6,413459 7 .047517
origenery=Ox=xo. 6.333280 6.253829 5.886104 5.905362 6,489205
6.714171 6.71417',t 7.114769 6.257668 6.364751
La ecuacin (6.120), como es similar que la ecuacin (6.61), 6,322s65 6.706862 6.937314 6.035481
calcula de la misma forma.
Los parmetros estadsticos de los LnQ, se obtienen con HidroEsta,
Ejemplo 6.4: utilizando la opcin Parmetros Estadsticos/Datos no agrupados,
los mismos que se muestran en la figura 6.13
se tiene el registro de caudales mximos de 29 aos, para la estacin
9-3 Angostura, como se muestra en la tabla 6.3.
Parmetros Muestrales
En este ro se desea construir una presa de armacenamiento, calcular
,Yh x Media: 8.7116
el caudal de diseo para el vertedor de demasas, con un perodo de
Varianza: 0.2688
retorno de 50 aos. Usar la distribucin log-pearson tipo III. .S.
lnx Desviacin Estndar: 0.5184
Coef iciente Variacin: 0.0772
c-slo
Tabla 6.3 Caudales mximos, en m3/s, de la estacin Angostura , Coeficiente de Sesgo: 0.9629
Coeficiente de f,urtosis: 4.8883
o
-C sln, x sln, v =8.6284=9
Para los datos indicados, utilizando la opcin Distribuciones F(x) = EXP(-EXP(-(x - r) /cr)) ... (6.121)
/LogPearson tipo III de HidroUsta, se obtienen los resultados que se 6
muestran en la gura 6.14. En la f,rgura se observa que el caudal
para un perodo de retorno de 50 aos, es 3042.02 m3ls.
G-p)
a
F(x) = -e ... (6.122)
pafa: -oo <I < oo
donde:
tE(uttuttt.
0<o<- , es el parmetro de escala
Probabilidad[PJ:l Z i
-oo<lr<oo , es el parmetro de posicin, llamado tambin
valor central o moda
2. Funcin densidad
Figura 6.14 Caudal para un perodo de retorno de 50 aos
Derivando la funcin de distribucin acumulada, ecuacin (6.121),
con respecto a x, se obtiene la funcin densidad de probabilidad, es
Nota: Observar que hay upa ligera diferencia entre los resultados decir:
obtenidos, con el proceso manual y computacional, eso se debe que
dF(x)
en el proceso manual, se usa la tabla A.l y su clculo, por la f(x)=
interpolacin que se tiene que realizar, es en forma aproximada, dx
mientras que en el proceso computacional, se calcuian los valores
por desamollo de series, por lo que son ms aproximados, adems
r(x)=*^\* ,.\t d-) o;)
que ste proceso usa todos los decimales en los clculos.
x-p
6.6 Distribucin Gumbel , -*-F -e a
f(x)= d, '" d, ... (6.124)
La distribucin Gumbel, es una de las distribuciones de valor
extremo, es llamada tambin Valor Extremo Tipo I, Fisher-Tippett para:
tipo I distribucin doble exponencial. -oo <.f < oo
utilizando el mtodo de mornentos, se obtienen las siguientes 4. Estimacin de parmetros, mtodo de momentos
relaciones: lineales
. Moda: xmoda = F
. Media: Los parmetros de la distribucin Gumbel, por el mtodo de los
E(x)= Y - p+aC ... (6.r28) momentos lineales se encuentras con las siguientes ecuaciones:
donde C, es la constante de Euler, cuyo valor es: (l= )",- ... (6.133)
ln2
c=lim t l+1*1*.... + 1 - hnl lt = lt -0.577215664901532861a ... (6.134)
23n
n -)@
C = 0.57721566490153286061 ... donde:
Lr, 1, - primer y segundo momento lineal
por lo tanto, de la ecuacin (6.128), se tiene:
X = tL + 0.57721566490153286061 cr ... (6.129)
Distribuciones tericas - pgina(254) Hidrologa Estadstica - pgha (255)
F(Q=d=P(Q3q)=l- _1
T
F(Q=q)=I-L
50
F(Q= 4) = 0.98 = F(!)
F(y)=e-e
-v- Figura 6.15 Caudal para un perodo de retorno de 50 aos, utilizando
=0.98
la distribucin Gumbel
-e-Y = 1n 0'98
e-Y = 9'929202707 6.7 Distribucin log-Gumbel
-) = ln (0.020202707)
y = 39019 1. Funcin acumulada
pero de la ecuacin (6.L25): La funcin de distribucin acumulada de la distribucin Gumbel,
Q- l.t
y=-__, ^
tiene la forma:
=3.9019
d,
Q=+3.9019xcr
-G-t')
a
F(x) = -e ... (6.r35)
l. Clculo de parmetros
r
Distribuciones tericas - pgina (260) Hidrologa Estadstica - pgina (261)
Tomando logaritmos neperianos a los datos del problema, se 2. Prueba de bondad de ajuste
obtienen los datos de la tabla 6.7. Los resultados que se obtienen con la aplicacin HidroEsta, son:
A = 0.0666
Tabla 6.1 Ln de los caudales mximos, de la estacin Angostura Lo= 0.2525 , para un nivel de significacin del5 Vo
7.414573 6.821107 8.242756 7.251345 7.731931 Puesto que: A = 0.0666 < Ao = 0.2525, se concluye que los datos
6.426488 6.526495 6.839476 6.658011 6.825460
se ajustan a una distribucin log-Gumbel, con un nivel de
6.775366 6.606650 7.021084 6.413459 7.047517
significacin del5 Vo
6.333280 6.253829 5.886104 5.905362 6.489205
6.714171 6.714171 7.114769 6.257668 6.364751
6.322565 6.706862 6.937314 6.035481 3. Clculo del caudal de diseo, para un perodo de retorno de 50
aos.
Los parmetros estadsticos de los LnQ, se obtienen con HidroEsta, F(Q=q)=P(Q<q)=r-
utilizando la opcin Parmetros Estadsticos/Datos no agrupados, +
los mismos que se muestran en la figura 6.16
F(Q=q)=r- L
50
Parmekos Muestlales
xln x Media: 6.7116
F(Q=4)=0.98=F(y)
Varianz: 0.2688
F(y)=e '
_--v
.s.
lrr x Desviacin Estndar: 0.5184 =0.98
Coeficiente Variacin: 0.0772
c.srr,
, Coeficiente de Sesgo: 0.3829 -e-Y = ln 0.98 = -0.020202707
Coeficiente de Eurtosis: 4.8683
e-Y = 0.020202707
Figura 6.L6Parmetros estadsticos delos LnQ -/ = ln (0.020202707) = -3.9019
De la ecuacin (6.140), se tiene: y = 3.9019
T;
a={o^s-tnx rcro de la ecuacin (6.136):
II lnQ- p
o =&x0.5184 =o.4o4z
v- a
= 3.9019
II lnQ= t + 3.9019 xa
De la ecuacin (6.141), se tiene:
lnQ- 6.4783 + 3.9019 x 0.4042
lnQ= 8.0555
P, = Xlnx - 0.45 ,Shr
Q = e8.0555
lt= 6.7LL6 - 0.45 x 0.5184 = 6.4783
r
Distribuciones tericas - pgina (262) flidrologa Estadstica - pgina (263)
Tabla 6.10 Caudal y su distribucin emprica . Determina estadfsticamente, si stos caudales mximo anuales,
se distribuyen segn la distribucin Gumbel. Si as fuera,
o P(x) = m(n+l) determina el caudal mximo anual, con un perodo de retorno
IMM3}
de 50 aos.
292.696
33.036
0.056
0.098
. Determinar estadfsticamente, si stos caudales mximo anuales,
382.376 0.155 se distribuyen segn 1a distribucin log-Gumbel. Si as fuera,
493.536 0.197 determinar el caudal mximo anual, con un perodo de retorno
644.736 0.310 de 50 aos.
709.546 0.409
80s.966 0.507
Tabla 6.11 Caudales mximos anuales de la Estacin Guardia
923.456 0.606
1058.286 0.704
Ao Gaudal mximo Ao
1132.276 0.803
anual
1386.224 0.901
1700.716 0.944 -3/"
1 962 273 1977 734
1963 1045 1 978 134
Adems, mediante un proceso computacional y utilizando el mtodo 1 964 1875 1 979 1706
de mxima verosimilitud, se estimaron sus parmetros, resultando: 1 965. 2876 1 980 2409
parmetro de posicin ; xo = -997 .603 1 966 1967 1 981 551
media de ln (x - xo) = 7.4865 1967 1643 1982 597
1 968 133 1983 80
Distribuciones tericas - pgina (266)
Correlacin y
.2
regresron
7.1 Covarianza
La covarianza, es una medida que permite determinar que tan
independiente es una variable aleatoria de otra, es decir, el grado de
independencia de dos variables aleatorias.
Desarrollando:
cov(x,g= nfxr-xily- lt,Y+ ,Fr)
= E(XY)- ltrE(x- lt,E(Y)+ lt,lt,
= E(xY)- ltylt,- lt,lty* lt,lty
=E(xy)- ltylt*
r
Correlacin y regresin - pgina (268) Hidrologa Estadstica - pgina (269)
cov(x, Y) = E(xY) - E(Y).E(D ...(7.2) rrs utilizados son los coeficientes de correlacin y determinacin y
lr desviacin tpica de los residuos.
Casos:
1. Si X e I son independientes, se cumple que: 7.4 Anlisis de correlacin
E(xn = E Q).E(X)
y de (7 .2), se tiene: ('onsiste en el clculo de una medida del grado de correlacin y la
COV(X, Y) = E(XY) - E(XY) = 0 rcalizacin de pruebas, p&r determinar si es aceptable el grado de
.'. Si X e y son independientes -> COV (X,I0 = 0 irsociacin correlativa.
7.2 Correlacin
7.5 Coeficiente de correlacin
lil coeficientede correlacin, es el estadstico que permite medir el
La correlacin, se define como la asociacin entre dos o ms
1rado de asociacin de dos variables linealmente relacionadas.
variables aleatorias, que explica slo parcialmente la variacin total
de una variable aleatoria, por la variacin de otras variables l)ara el caso de una poblacin se define como:
aleatorias involucradas en la ecuacin de asociacin.
COV(x,y) O, nltx-tt*)(y-tD)
p(*,v) = ..(7.3)
La parte de la variacin total que queda sin explicar, o sea, la oro,
variacin no explicada, se debe a errores o a otras variables (VARxVARy)z lrr* - p)2 EO - F;z1,z
aleatorias, que no han sido tomadas en cuenta en la correlacin.
l)ara una muestra:
sry (, -;Xy - y) Zry - "iy ... (7.4)
S,S, rS,S, nS*S,
7.3 Medidas de correlacin
donde:
Se necesita un estadstico para medir el
grado de asociacin
correlativa entre las variables bajo consideracin. Los estadsticos ; Sr=
6-i'
Correlacin y regresin - pgina (270) Hidrologa Estadstica - pgtna (271)
; y= 2,
2,* Pasos para el anlisis de regresin
^- n n
tambin:
I. Seleccin de una funcin de relacin correlativa, simple o
mltiple,lineal o no lineal.
"2*y-}*Zy ...(7.s) y =flx)
!=atbx
!=ab*
Valores de r entre -1 y 1 describen los varios grados de asociacin. Y = ax'b
etc
2. Estimacin de los parmetros que miden el grado de asociacin
7.6 Coeficiente de determinacin correlativa
r2
Es la proporcin o porcentaje, de la variacin total de la variable r
dependiente y, que es explicada por la variable independiente r, por
lo cual, es un criterio para explicar la importancia de la variable 3. Prueba de significacin de los estadsticos que miden la
independiente dentro del modelo. asociacin correlativa, para lo cual se aplica la prueba f.
rr/2 = 0.025
),L
x=- nn ; y=-
.5. Determinar la significacin de los parmetros de la ecuacin de
regresin, encontrando los lmites de confianza de su variacin
As: (se usa el anlisis de varianza).
para n=15 -) v=15-2=13
a '7.8 Regresin lineal simple
para957o de probabilidad ->
i = o'ozs
En hidrologa el modelo ms simple y comn, est basado en la
entonces, de la tabla ,4.5 del apndice: ) t = 2J60
suposicin de que dos variables se relacionan en forma lineal.
3.4 Criterios de decisin: Como ejemplo se puede mencionar:
. Si lt"l< h, se acepta la hiptesis nula, por lo que p =O,y por lo . Caudales y precipitacin de una misma cuenca
tanto no hay correlacin significativa.
. Precipitacin de una estacin, con precipitacin de otra estacin
. Si lr"l , /, se rechaza Ia hiptesis nula, por lo que p I 0, . Caudal de una estacin con caudal de otra estacin
indicndose que es significativo y por lo tanto existe correlacin
. Precipitacin con la altitud de una cuenca
entre las variables.
Este hecho, permite correlacionar estas variables para completar
datos o extender un registro.
4. Estimacin de los parmetros de la ecuacin o funcin de
regresin
Por ejemplo para la ecuacin de regresin lineal: Ecuacin de regresin
!=a+bx
Los parmetros y b,lutllizando mnimos cuadrados son: La ecuacin general de la ecuacin de regresin lineal es:
!= a*bx ...(7.8)
a
as
donde:
x =variable independiente, variable conocida ===0
da
ff=-r(r,-a-bx,)=s ... (7.10)
s =2r,, =26,-o-b*,)'
j=l
...(7.e) Ejemplo 7.1:
3. Hacer que la suma de cuadrados de los errores sea mnimo: En una cuenca, como se muestra en la figura 7.1 se tienen dos
Para que S sea mnimo, se requiere que la derivada parcial de S de la estaciones de aforo A y B, en las que se midieron los caudales
3/s
ecuacin (7.9), con respecto a cada parmetro sea igual a cero, es medios mensuales, en n para el ao 1995, los que se muestran en
decir: la tabla 7.1. Considerando que los caudales de la estacin A, son las
Correlacin y regresin - ptgina (276) Hidrologa Estadstica - pgina (277)
J, Clculo de r:
l)c la ecuacin (7.5), se tiene:
"Z*y- Ir),
,Z*' -(,)')( nDy' -()r)')
A
Figura 7.1. Estaciones de aforo A y B de una cuenca
ttst i tuyendo valores, resulta:
Correlacin y regresin - pgina (278) Hidrologa Estadstica - pgina (279)
- 8222x3384
12x4151378 5. Clculo de los parmetros a y b:
' De la ecuaci (7.14), se tiene:
,(-z 883626 -Bezz'W"n654io - z+'
I_
2l'993,288.00 " - EvE*'-ErZ*
nE*' -(')'
22',28r,026.59
en la estacin B.
se tiene: h=2.228 Sustituyendo valores en la ecuacin (7.18), resulta:
y = -13.459O + O.4312 x 800
4.4 Criterio de decisin:
y = 331.5010 m3/s
Como: I r. I = lg.47l3 ) t = 2.228 se rechaza la hiptesis nula,
siendo r + 0
.'. existe correlacin entre las variables x e y.
a
Proceso computacional
7.9 Regresin no lineal simple
Para los datos indicados, utilizando la opcin Regresin/Regresin
Existen varias relaciones no lineales, que con un artificio adecuado
simple de HidroEsta, se obtienen los resultados que se muestran en
lafigura7.2. rueden reducirse a relaciones lineales, dentro de las cuales se
pueden mencionar:
1
Correlacin Ecuacin y= ... (7.te)
a+bx
Lineal Y = 13.4590'l7 + 0.4312221 .H 0.38703 0.37434
Exponencial Y = 77.s880355. [ 1.001 3237 J ^X 4
0.91 0.81 253 t=alb 1 (inversa) ... (7.20)
Potencial Y = 0.1359426 . X ^ f].107t57 0.s653 11.33181 x
!=ab^(exponencial) ... (7.2t)
Figura. 7.2 Regresin entre los caudales de las estaciones de aforo
Ay B deunacuenca y=axb (potencial) .." (1.22)
Ecuacin Linel
iniciales ay b.
4. Utllizar la ecuacin siempre y cuando exista correlacin
i
',1_"ro'*'
dey: jtBi
Vator
i adecuada entre las variables.
lmt ;
1
-=a+bx
x 1
v
w w= -v
1
haciendo: -v = w, se tiene la ecuacin linealizada:
w= a+bx ... (7.24)
1
x y w=lny
De la ecuacin (7 .20), haciendo
; = *, se tiene:
!=a*bw ... (7.2s)
x v w =lnv
Para aplicar el mtodo de mnimos cuadrados y estimar Y,se
trabajan con las variables:
1
w=-x a !
Correlacin y regresin - pgina (284)
Hidrologa Estadstica - pgina (285)
x v z=lnx w =lnv
Correlacin y regtesin - pgina (286) Hidrologa Estadstica - pgina (287)
HidroEsta, permite resolver el problema del ajuste de pares de L*ry = aoExr+ orl*', * or)*r*r* ar)r,rr*.... .+a.\xrx*
valores experimentales a:
. Una lnea recta L * ry = a,Z x, + arl x rx, + or\ *l + arl xrx 3+.....+a nE *r* ^
. Una curva exponencial
' Una curva poteucial E *. y = a,E x ^ + a rl rx. + r\ x, * r\ * r* *'.
x a x
^
a
^*.....+
o
^\
(7
Para cualquier tipo de curva, la aplicacin permite calcular: "' '33)
. donde: n = nmero de grupos de elementos de la muestra.
Los parmetros a y
. Loscoeficientet,y,2 [,a solucin del sistema (7 .33) proporcionan los valores as, a1, o.2, . .
variabl e independiente
El nmero de ecuaciones normales, deben ser tantas como
incgnitas se tienen, a fin de que se tenga un sistema resoluble y as
oncontrar: ao, al, a2, - .,, am
7.L0 Ecuacin de regresin lineal mltiple
Hl conjunto de ecuaciones normales (7.33) son fciles de recordar,
Esta tcnica de anlisis, se utiliza cuando la variable dependiente y, observar que la primera se obtiene aplicando la sumatoria a ambos
es funcin de dos o ms variables independientes ,r1, x2, x3,. . ., rm, rniembros de la ecuacin (7.32), es decir:
siendo el modelo lineal:
!=ao* a1x1*a2x2* a34 +... + an#m ...(7.32) L, =E@" + atxr + azxz + a3x3 +..... + a*x^)
E, = aon+ or2*, + ar\x, + ar\xr+..... + o-2*^
donde:
m = nmero de variables independientes La segunda se obtiene multiplicando ambos miembros de la
ao, a\, a2, . . , am= parmetlos a estimar
p = m+ 1 = nmero de parmetros ccuacin (7.32) por .r y luego aplicando la sumatoria, es decir:
Z*ry =Z*r(ao + arx, + azx2 + a3x3 +..... + a^x*)
Estimacin de parmetros
E*ry = o"Z*, + ar\xl + ar)xrx, * arZ*r*, +..... + a^\xrx^
Extendiendo el mtodo de mnimos cuadrados, para el caso de una
Anlogamente, la tercara se obtiene multiplicando ambos miembros
regresin lineal mltiple, las ecuaciones normales que se obtienen
de la ecuacin (7.32) por x2, ! luego aplicando la sumatoria, es
son:
decir:
Correlacin y regresin - pgina (288) Hidrologa Estadstica - pgina (289)
E*r, --Err(ao + arx, + a2xz + a3x3+.....+ a^x^) La ecuacin (7.34) es muy tediosa de calcular, p [o que los
estadsticos han derivado una frmula ms corta de calcular por el
Z*r, = oo2*, + ar\x, x2 + azZ*3 * ar\*rx, + ..... + a*\*rx* mtodo computacional, la cual se muestra en la ecuacin (7.35).
Error estndar del estimado para regresin mttiple Coeficiente de determinacin mltiple
(Se)
Representa la proporcin de la variacin total de y que es
explicada por las variables involucradas en la ecuacin de regresin
Es la medida de dispersin que se calcula con la siguiente ecuacin:
mltiple, se puede calcular a partir de la ecuacin (7-36) o (7.37).
R'^= 1---^
Sez
Se= ... (7.34) ... (7.36)
S'Y
donde:
R2=
o,2 y * o r\ *,y + a r\ x ry + a r\ x ry +......+ a
^2 ^, -
* nt'
.S = error estndar del estimado
y = valores muestrales (experimentales) de la variable 2v'-"v'
dependiente ... (7.37)
donde:
9 = oo* ay x1 * a2x2+ . . . + amxm
= valores estimados de la variable dependiente con la
R2 = coeficiente de determinacin
ecuacin de regresin Se = effor estndar del estimado, calculado con las
e = ! - = e..o. entre el valor observado y estimado de la ecuaciones (7 .34) o (7.35)
variable dependiente
S'y = vaianza de la variable dependientey
n = nmero de grupos de la muestra s'y=*(t, -(t)')) =*( y'-n(y)') . rz.rsl
p = m+l = nmero de parmetros a estimar a partir de la
muestra
p grados
, =:)r= media de la variable dependiente
n - = de libertad
n = nmero de grupos de la muestra
r
Correlacin y regresin - pgina (290) Hidrologa Estadstica - pgina (291)
Coeficiente de correlacin mltiple (r, Calcular los coeficientes de determinacin y correlacin mltiple
7. Estimar el valor de Q, si A = 4 km2 e I = 1.5 cmt}4h
El coeficiente de correlacin mltiple, se puede calcular a partir de
las ecuaciones (7.39) (1.40). 'l'rrtrla 7.3 Valores de A, I y Qpara 14 subcuencas
... (7.39)
A I o
Estacin (xm') (cml24 horas) (m%)
I
1.250 1.70 15.50
oo}y + orl*ry + ar)xr! t asE*rr*......+a^lx,y - n ' 1
1.2. En la tabla 1.4 se encuentra tabulado los valores de las )s, que 1.4 Multiplicando la ecuacin (7.43) por -34.3 y la ecuacin
reemplazado en el conjunto de ecuaciones (7.42), resulta: 11.45)
304.12 = 14 as + 21.332 q + 34.3 a2 ... (7.43)
1465.8929 = 21.332 ao + 108.7412 a1+ 43.3419 az ... (7.44)
627.8 = 34.3 as+ 43.3419 + 86.99 az q ... (7.4s)
Tabla 7.4 Yalores para el cIculo de los parmetros -1642.116 = - l24.9Ota1 + 41.37 a2 Q.47)
A I o AxI AxQ IxQ A" lz Q, 1..5. Multiplicando la ecuacin (7.46) por 124.901 y la ecuacin
(r) (2) (3) (4) (s) (6) (7\ (8)
(7.47) por 1067.322576, se obtiene:
l9)
r.250 t.7 15.50 2.t250 l 9.3750 26.3500 t.5625 2.8900 240.2500
0.87 r 2.t 850 .829 7.4035 17.8500 0.7586 4.4lOO
t
r 1 72.2500
I
5.690 t9 85.00 10.81 10 483.6.500 161 500 32.f76r 3.6100 7225.OOOO t t.46) x 124.901: 1752987.129 = 133309.6$71 a1- 15600.2598 a2
8.210 19 105.00 15.7130 868.3500 199.500 68.3929
t.620 2t 24.80 3 4020 40.1760 s2.0800 2.6244
3.6100
4.4100
r 1025.000
615.0400
- 175266'7.479 = -r33309.f571
I
0.1 75 3.80 0.4200 0.6650 9. l 200 0.0306 5.7600 14.4400
r t.47) xr067.322576: ar + 44155 .t3497 u
0.148 32 1;76 0.4'736 0.2605 s.6320 0.02t9 10.240 3.0976
1.400 27 18.00 3.7800 25.2000 48 6000 1.9600 7.2900 324.0000 319.65 = 28554.87517a2
0.291 29 8.75 0.86 r3 2.s987 25.3750 0.0882 8.4100 76.5625 rk: donde:
0 322 z9 8.25 0.9338 2.6565 23.92s0 0.1037 8.4100 68 062s
0.178 28 3.56 0.4984 0.6337
az= 0.01LI94 ... (7.48)
9.9680 0.031 7 7.8400 t2.6736
0.148 27 190 0.3996 o 2812 s.1300 o.0219 7.2900 3.6100
0.872 21 16.5 1.83 l2 l 4.3880 34.6s00 0.'7604 4.4100 272.2500 I .(r. Sustituyendo (7.48) en (7.46), se obtiene:
0.091 29 280 0.2639 0.2548 8.1200 0.0083 8.4100 '7.8400
21.332 34.3 304.12 43.3419 1465-8929 627.800 108.7412 86.990 19960.O742
14035.01276 = 1067.322516 a1- 124901 x 0.011194
tlc donde:
1.3. Multiplicando la ecuacin (7.43) por -21.332 y la ecuacin at = 13.151048 ... (7.49)
(7 .44) por 14, se obtiene:
1.7. Sustituyendo (7.48) y Q.a9) en (7.43), se obtiene:
304.12 = 14 ao + 21.332 x 13.151048 + 34.3 x 0.011194
rlc: donde:
ao= 1.656991 ... (7.s0)
R'^= 1
Sez
------
S,
tklnde:
Se2 = 3.9439072 = 15 .5544
S'a= lo2l -209152
171.0984
4. De la ecuacin (7.34), se tiene: lucgo:
J=-
7 ^
R-=l
155544
1027.209152
\n- p R2 = 0.984858
Correlacin y regresin - pgina (296)
Hidrologa Estadstica - pgina (297)
L -
HidroEsta permite resolver el problema de la ecuacin de regresin I
I
Para los datos indicados, utilizando la opcin Regresin/Regresin l,u forma general de una ecuacin de regresin no iineal mltiple es:
mltiple 2 var. independientes de HidroEsta, se obtienen los ! = aoxrot xro'*r" ..... .,, (7.52)
resultados que se muestran en la figura 7.4. ll misma que es posible transformar con un adecuado artificio, en
ula ecuacin de regresin lineal mltiple, de la siguiente forma:
E cuEcirr ln H^2
l. Tomando Iz a ambos miembros de Ia ecuacin (7.52), se tiene:
Y = 1.ris7ll +13.151 U i(l
+0 112 i42 0.ss3E 0.9872 3.S43S
ln y - lnao + arlnx, + arlnx, I arlnxr+. . .
y= 11 3383X1^trt t2rl6l y2^t0 38751
[ 9688 0 9388 4.7153
se tiene:
! = ao + afl + arx' + arx3 +....+a^x^ ... (7.s4)
z = a'o + atwt + azwz + a3w3 +.... ... (7.s3) l\rra el ajuste de los pares de valores, se puede utilizar la
tnetodologa descrita para el caso de una ecuacin de regresin
La ecuacin (7.53) es una ecuacin de regresin lineal mltiple, lireal mltiple, siendo las ecuaciones normales:
similar a la de la ecuacin (7.32).
Por ejemplo, en hidrologa existe una frmula utilizada para el X, = aon+at)r* orZ*' +or\*'+....+a^x^
clculo de la intensidad mxima: E*, = ooZ* + or\*' + ar\x3 + ar\xa +....+a^x**l
, KT' E*'y = aoEx' + ar\x' + ar\xo + or\*t +....+a^x^*2
max
Du
cuyos parmetros K, a y se pueden determinar a partir de una
correlacin mltiple entre las variables, donde:
Z- perodo de retorno L*^y = aoEx^ + ar\x^*' + ar\x^*' *or}*^*t+....+a^x2^
D = duracin de la lluvia ... (7.ss)
I mx = intensidad mxima
HidroEsta, permite resolver el problema de la ecuacin de regresin I De una prueba de infiltracin, con cilindros infiltrmetros, se
potencial mltiple, el programa permite calcular: obtuviel ln los ssl
leron n de datos:
. Parmetros ao, ab a2,.... T 4
(cm)
T
(min)
De
lmin) lcm)
. Coeficiente de determinacin mltiple: 5 1.0 75 3.8
. Coeficiente de correlacin mltiple: R R2 10 1.2 200 8.0
. Error estndar estimado: . 15 1.4 255 9.6
20 1.6 300 11.0
25 1.8 450 14.5
Correlacin y regresin - pgina (300) Hidrologa Estadstica - pgina (301)
3.2. Encontrar la intensidad mxima I, para un perodo de retorno .5. La tabla 7.9 muestra los valores correspondientes a 3 variables
T = l0 aos y una duracin D = 45 min. X], X2, Y.
Tabla 7.10 Datos de carga h, en cm, y caudal e, en lps Considerando los modelos de regresin lineal mltiple y
potencial mltiple (la que mejor se ajuste), se desea completar
Carga h Caudal Q los datos faltantes para la estacin D, para los aos 1994 y 1995
(cm) (lps)
a partir de los datos de las estaciones A, B y C.
0.19 0.037974
1.36 0.057915
2.O2 0.113981
tt. En una rea sembrada de banano se tiene instalado un sistema de
2.15 0.115118
drenaje subterrneo. En una seccin de sta se hicieron las
3.15 0.292397 mediciones de los parmetros h (carga en el centro del dren) y Q
(caudal descargado por el dren), cuyos resultados se muestran en
7. se desea conocer la relacin existente entre los caudares latabla7.l2.
mximos de la estacin D en funcin de sus afluentes principales Se sabe que las variables h y Q se relacionan con la siguiente
A, B y C.Para obtener la relacin deseada, se eligieron sobre las ecuacin:
corrientes afectadas, las
estaciones hidromtricas ms Q=ah+bh2
representativas, de las cuales para las 4 estaciones se tienen
registros de caudales desde 1996 al 2003,1os mismos que se
. Determinar los parmetros de la ecuacin
muestran en la tablr 7 .l l.
, Determinar el valor de Q, si h = 0.82
Ao Qa Qb Qc od
tm3lst tm3lsl lm3lst fm3lsl h o
1 994 325 555 777
0.16 4.3
1995 600 1209 931
0.51 17.28
1 996 290 828 853 3295
0.60 22.68
1 997 157 642 739 1735
0.63 25.20
1 998 287 774 1 800 4037
o.70 28.08
1 999 225 604 748 2038 o.75 31.32
2000 327 856 793 2621 0.80 34.20
2001 341 522 1778 541 0 0.85 37.44
2002 625 1118 2245 5233 0.90 41.04
2003 670 1272 1145 2696
Anlisis de
consistencia
tl. I Introduccion
lil hidrlogo o especialista que desea desarroilar un estudio
lridrolgico, debe buscar la infonnacin de la cuenca en estudio, en
Its instituciones encargadas de su recopilacin, pero una vez que
dstu se ha obtenido, una de las interrogantes que se debe hacer es:
,1,)s
confiable la informacin disponible?
xt
estudio, es de mucha importancia para determinar los errores
sistemticos que puedan afectarlas. informacin
lridrometeorolgica
8.2 Antlisis visual grafico l. Cuando se tienen estaciones vecinas, se comparan los grficos de
las series histricas, y se observa cul perodo vaa notoriamente
uno con respecto al otro.
En coordenadas cartesianas se plotea la informacin hidrolgica
histrica, ubicndose en las ordenadas, los valores de la serie y en 2. Cuando se tiene una sola estacin, sta se divide en varios
periodos y se compara con la informacin de campo obtenida.
las abscisas el tiempo (aos , meses , das , etc).
Un ejemplo de una serie de caudales promedio anuales se muestra 3. Cuando se tienen datos de precipitacin y escorrenta, se
en la figura 8.3. Este grfico sirve para analizar la consistencia de la
comparan los diagramas, los cuales deben ser similares en su
informacin hidrolgica en forma visual, e indicar el perodo o comportamiento.
perodos en los cuales la informacin es dudosa, lo cual se puede
l,a interpretacin de estas comparaciones, se efecta conjuntamente
reflejar como " picos" muy altos o valores muy bajos, saltos ylo
con el anlisis doble masa.
tendencias, los mismos que debern comprobarse, si son fenmenos
naturales que efectivamente han ocurrido, o si son producto de
errores sistemticos .
lijemplo 8.1:
o50
cf)
5 quiebres
Acumulade de
5-40 <;ada estacin
ogo hidro"
3 qurebres
rneteololgica
20
2 qurebres
10 se eligs con
estacrn base
0
sf (oorc\tto@r S l"* O
r.c) O
l'.- )
lr) (o (o (o (o f'- F- l*- co 6@O)O)
Cr)
o,
rrrr
o, o) o) o,
trrrrr
o, o, o) o) o) o) ct o,
rr
o,
Tiempo en aos
Figura 8.4 Serie histrica del o Bebedero.
Realizando el anlisis visual de la serie histrica, se observa que a ff tlixrtr s l:;3r3ffi IJSL
Figura 8.5 Anlisis doble masa para determinar la estacin "base
partir del ao l9l9 se produce un salto, esto se explica fsicamente,
ya que en ese ao existe un trasvase al ro Bebedero, al entrar a
l)c estos doble masas se selecciona como la estacin ms confiable,
operar el proyecto hidroelctrico Arenal-Tempisque.
lir que presenta el menor nmero de quiebres, en el ejemplo de la
ligura 8.5, corresponde a la estacin C, la cual se usa como estacin
lrirse para el nuevo diagrama doble masa, es decir, se vuelve a
8.3 Anlisis doble masa t'onstruir el diagrama de doble masa colocando en el eje de las
rbscisas la estacin base y en el de las ordenadas la estacin en
Este anlisis se utiliza pata tener una cierta confiabilidad en la cstudio, como se muestra en la figura 8.6.
informacin, as como tambin, para analizar la consistencia en lo
Anrlisis de consistencia - pgina (314) Hidrologa Estadstica - pgina (315)
Anlisis de Saltos
1. Consistencia de la Media
...(8.6)
Sr'(')
F^
' = si_,(x) si,sr2(x)> s,r(x)
Anlisis de consistencia - pgina (318) Hidrologa Estadstica - pgina (319)
clonde:
Xi,= valor corregido de saltos
G.L.N = .ra-11 , si ,s,'(r), Sle)
G.L.D = nz -l) rr = vlor a ser corregido
La ecuacin (8.7), se utiliza cuando se deben corregir los valores de
G.L.N =nz-11 , si Sr2(x)> sf (x)
la submuestra de tamao ry,y la ecuacin (8.8), si se deben corregir
G.L.D = nrl)
la submuestra de tamafio n2 .
donde:
G.L.N = grados de libertad del numerador Anlisis de Tendencias
G.L.D - grados de libertad del denominador
Antes de realizar el anlisis de tendencias, se realiza el anlisis de
d) Comparacin del Fc con el Fr: saltos y con la serie libre de saltos, se procede a analizar las
. Si Fc < Ft (957o) j Sr(x) =.Sz (x) (estadsticamente) tendencias en la media y en la desviacin estndar.
n-l I
... (8.13)
b) Evaluacin de la tendencia I-
Para averiguar si la tendencia es signicativa, se analiza el coefi-
donde: ciente de regresin Btn o tambin el coeficiente de correlacin R.
1 .r* donde:
t .T^ = ... (8.14) = valor del estadstico r calculado.
i lt, fc
n = nmero total de datos
R = coeficiente de correlacin
Anrlisis de consistencia - pgina (322) Hidrologa Estadstica - pgha (323)
donde:
La seie Z, es una serie homognea y consistente al 95Vo de
p = desviacin estndar del ao p, es decir de los datos
probabilidad.
mensuales del ao p
Yp = serie sin tendencia en la media
Ejemplo 8.1:
fp = promedio de datos mensuales del ao p
p =1,2,3,..,.,12 Con el registro de volmenes anuales de caudales en MIV3, que se
muestra en la tabla 8.2, se realiz el anlisis de doble masa, y se
c) Se calculan los parmetros de la ecuacin (8.19), a partir de las obtuvo un quiebre que permiti separar los datos en los peodos
desviaciones estndar anuales y el tiempo r (en aos ), utilizando
1964-1985 y 1986-1999.
las ecuaciones de la (8.11) a la (8.14), dadas para la tendencia en
Realizar el anlisis estadstico de saltos en la media y desviacin
la media
estndar para ambos perodos. Si obtiene diferencia significativa (al
95 Vo de probabilidad), rcalizar la correccin del primer perodo.
d) Se realiza la evaluacin de Zs siguiendo el mismo proceso
descrito paraTm.
Tabla 8.2 Volmenes anuales de caudales en MM3
Z,
x( -r. ... (8.21)
1 966 504.878 1 984 450.2
-
Perodo 2 L986 1999: nz= 14
s.=169.45+Zlt*l-l'
. " 122 t4)
Clculo de los parmetros de cada perodo
S = 57 '9333
Utilizando el conjunto de frmulas (8.1), se obtiene los parmetros
de cada perodo:
Srrstituyendo valores en la ecuacin (8.23), resulta:
Xt = 467.8782 Xz = 606.1381
t-
467.8782- 606.1381
S2t = 17660.3057 S2z= 46571.8378 c
- 51.9333
St = 132.8921 Sz = 215.8051
t"= -2.3865
. Evaluacin de la consistencia en la media
.1. Clculo del t tabular t,:
1.Clculo del /, Irl valor crtico de / se obtiene de la tablaA.5 del apndice, con una
De la ecuacin (83), se tiene: rrobabilidad al 957o, con un nivel de significacin del 5%o, es
rlccir con aJ2 = 0.025 y con grados de libertad v = 22 + 14 - 2 = 34.
x,-x^
t,=-? ... (8.23) l'rra estos valores, se tiene:
.)-a tt= 1960
Anrflisis de consistencia - pgina (328)
Hidrologa Estadstica - pgina (329)
3. Criterio de decisin
Como ld=2.3965> tr= 1.960 -+ xl+x, (estadsticamente)
( 'omo
\ + 72 y Sr(x) * S2(x), para corregir los datos del 1"' perodo
En este caso, siendo las medias xr* x-, estadsticamente, se debe
(1964 - 1985), se usa la ecuacin (8.7):
corregir la informacin. 1/' _ x,' -.x,:.Sr 1x) + x,
^() S,(r/
. Evaluacin de la consistencia en la desviacin estndar
S rrstituyendo valores, resulta:
1. Clculo de F" x' - 467.!782
xi., = xzt5.go5t + 606.1381
(
' 132.8921
De la ecuacin (8.6), se tiene:
,s^2lx) X', =1.6239x, - 153.6550 ... (8.26)
F' =# , si,Sr2(x)> S,,(x)
'" (x) llsando la ecuacin (8.26) se corrige el perodo (1964 - 1985), los
Sustituyendo valores, resulta: rcsultados obtenidos, se muestran en la tabla 8.3.
46s71.8378
' n660.3057
'l'abla 8.3 Resultados del anlisis de saltos
F"=2.6371
Ao xt Ao xt
2. Calculo de Ft 1 964 714.3342 1 982 364.1775
Este valor se obtiene de la tabla A.4 para una probabilidad del95vo, 1 965 502.4558 1 983 351.8862
es decir, con un nivel de significacin cr = 0.05 y grados de libertad: 1 966 666.2164 1 984 577.4248
G.L.N = l4-r = l3l
, si ^srz (x) > sf (x) 1 967 567.4086 1 985 474.7245
G.L.D =22-1=21) 1 968 1213.8669 1 986 668.201
En la tabla A.4, paru G.L.N = 12 y G.L.D = 21, se obtiene: F, -
2.25
1 969 556.7525 1987 536.824
1970 275.1196 1 988 598.446
3. criterio de decisin 1971 600.8544 1 989 573.582
Como F"=2.6371> Ft=2.25 -+ r(x) t Sz@) (estadsticamente). 1972 555.s281 1 990 569.369
En este caso, siendo las desviaciones estndar ,S1(x) + Sz(x) 1973 648.5321 1 991 330.482
estadsticamente, se debe corregir la informacin.
1974 452.4337 1992 949.436
1975 388.2973 993 260.183
' Correccin de la informacin 1
1977 840.6s09 1 995 577.293 Tabla 8.4 Serie histrica de caudales medios anuales, en m3/s, del ro
1978 854.3972 1 996 502.513 Chancay-Huaral, estacin Santo Domingo, Pen (1939 - 1981)
1979 752.2896 1997 1055.812
Ao Caudal Ao Gauda! Ao Gaudal
1 980 649.3879 1 998 792.781 m3rc m'ls mols
1 981 434.5200 1 999 640.843 1 939 16.949 1954 17.690 1 969 13.641
't940 12.812 1955 1970 18.306
1941 16.010 1 956 11.485 1971 15.935
1942 14.080 1957 10.112 1972 33.480
8.5 Problemas propuestos 1 943 26.704 1 958 9.872 1 973 25.139
't944 13.872 1959 14.276 1974 20.321
l, Anlisis de saltos 1 945 8.373 I 960 12.270 1 975 r3.632
Dada la informacin de las tablas 8.4 y 8.5, serie de caudales 1 946 14.733 1 961 21 .189 1 976 15.395
anuales. 1947 13.848 1 962 17.023 1977 15.277
1 948 15.664 1 963 22.148 1978 10.026
1. Completar el dato faltante para el ao 1955 de la tabla 8.4, 1 949 11.827 1 964 1 8.1 88 1 979 11.300
haciendo la correlacin de los datos de la tabla 8.4 y 8.5 para los 1 950 10.583 1 965 18.055 1 980 9.613
1 951 20.459 1 966 10.480 1 981 20.69
aos comunes.
1952 19.416 1 967 30.1 06
1 953 19.684 1 968 8.250
2. Graficar la serie histrica de la tabla 8.4 en papel milimtrico,
hacer un anlisis visual e indicar si se presenta un salto.
Proceso:
. Acumular los valores de los caudales.
o . Graficar el diagrama de doble masa.
1rn3ls
Caudales acumulados
estacin en estudio
T (aos)
J. Para estar seguro de que se presenta salto, con los datos de las Caudales acumulados
tablas 8.4 y 8.5 rcalizar el anlisis de doble masa, considerando estacin base
como estacin base los datos de la tabla 8.5.
Anlisis de consistencia - pgina (332) Hidrologa Estadstica - pgina (333)
Tabla 8.5 Serie histrica de caudales medios anuales, en m3/s, del ro Graficar nuevamente la serie una vez corregida, con lneas
Jequetepeque, estacin Ventanilla, Per (1939 - 1980) punteadas.
1941
34.92
31.36
42.74
1
1
963
964
18.20
24.69 Completacin y
1 965 22.99
1918
1919
1920
27.71
28.63
30.27
1942
1
1944
943
12.94
41.16
35.90
1 966
1 967
1 968
11.78
32.26
4.76
extensin
1921 33.43 1 945 33.76 1 969 12.70
1922 35.16 1 946 29.28 1 970 16.19
1923 27.21 1947 19.77 1971 30.14 9.1 Definiciones
1924 15.58 1 948 29.37 1972 30.57
1925 64.81 1 949 30.06 1973 45.38 l.ir extensin de informacin, es el proceso de transferencia de
1926 51.26 1 950 9.67 1974 18.91 rnlirrmacin desde una estacin con nn "largo" registro histrico a
1927 33.48 I 951 10.42 1975 34.99 ( )l rit con un "corto"tegistro.
1928 25.79 1952 23.99 1 976 21.49
1929 25.80 953 42.17 1977 29.26
l,rr completacin de datos, es el proceso por el cual, se llenan
1
1 930 18.93 1 954 16.00 1 978 458 "ltuecos" que existen en un registro de datos. La completacin es un
1 931 16.15 1 955 22.78 1979 12.46
1932
clso particular de la extensin.
38.30 1 956 32.69 1 980 3.14
1 933 54.54 1 957 34.28
1 934 59.40 1 958 20.24 l,ir extensin de datos, es ms importante que la completacin, por
r'ranto modifican sustancialmente a los estimadores de los
rrmetros poblacionales, por ejemplo, la media de una rnuestra
corta, ser diferente a la media de una muestra extendida.
Completacin y extensin - pgina (336) Hidrologa Estadstica - pgina (337)
Las tcnicas que se utilizan para la completacin, en orden de El proceso a seguir para la completacin o extensin, es como se
indica:
prioridad son:
. Regresin lineal simple, entre stas: , Obtener la serie de tamao N1, cornpletar o extender (figura
o ms estaciones, 9.2):
o Correlacin cruzada entre dos
situacin (1) sin defasaje de la figura 9.1 !t,!2,!3,.,...,! ,
o
(m3ls)
tiempo T
(1) Correlacin cruzada sin defasaje (correlacin espacial)
(2) Conelacin serial con defasaje (correlacin temporal o
autocorrelacin)
(3) Conelacin cruzada con defasaje (correlacin espacial y Figura 9.2 Series de tamaos & y N= Nr+ Af2
temporal) donde:
Figura 9.1 Serie histrica de caudales de las cuencas Ay B
Completacin y extensin - pgina (338)
Hidrologa Estadstica - pgina (339)
a= yr-bx, ...(e.3)
l)ara mejorar la informacin, a la ecuacin (9.5) se le agrega otra
componente, que es una variable aleatoria, que tiene por objeto dar
lt= > tuna mejor representatividad de la serie hidrolgica, especialmente
Nr t:uando se quiere extender la informacin a un periodo largo (por
Completacin y extensin - pgina (340) HidrologaEstadstica - pgina (341)
ejemplo incrementar el registro en 20 30 aos), por lo cual, la ir) Clculo del estadstico t", segn:
ecuacin (9.5) se puede expresar de la siguiente forma: ,^,1
s t,=-:-
- "ll- r' ...(9.8)
y, =l*r#(r, -l)* deil-r'z.s,rr)r, ...(9.6)
donde:
donde: /c = valor del estadstico / calculado
Nr = tamao del registro comn d las series
lt Y xt= son los estimados de las medias, de los perodos
r = coeficiente de correlacin
comunes de tamao, Nr de las variables ! xt
S,,r, , S,,,, = son los estimados no sesgados de las
b) Clculo de r
desviaciones estndar, de yt y x de los perodos
El valor crtico de t (t,), se obtiene de las tablas r de Student (tabla
comunes de tamao N1
,21.5 del apndice), con 95Vo de probabilidad, o con un nivel de
r = coeficiente de correlacin significacin del 5 7o, es decir'.
tr = variable aleatoria normal e independiente, con media al2 = 0.025
cero y varianza unitaria G.L. = Nt-Z
t- NI(0, 1).
0= 0 se usa en completacin, en este caso el ruido aleatorio c) Comparacin del /" con el /,
no es considerado
0= I se usa en extensin, en este caso el ruido o factor
aleatorio si es considerado correlacin significativ
cr = f (Nl, N2) corrige el sesgo en la variancia del proceso
N, (N, - +)(r'r, - r)
. Si I t" l, t,
-> r es significativo, por lo que s existe correlacin
*-
u-T ...(e.7) significativa entre las variables )1 ] /1, y se puede hacer uso de la
(r, -0(r, -l)(r'r, -z) ecuacin (9.5) (9.6), para la completacin y extensin.
largo de la serie x, de otra estacin con tamao N = Nr* N2, surge la Con este registro, completar los datos faltantes de los aos 1990 y
pregunta, si la extensin de Nz valores mejora o no, los parmetros 1998, de la estacin San Antonio, a partir de su correlacin con la
requeridos de la serie y?. cstacin Cach.
Es muy posible, que la adicin de Nz valores, puede dar un estimado
peor (ms malo), de los parmetros de la serie y, por lo cual, es 2. En la tabla 9.2, se muestran los registros de caudales medios
necesario conocer algunas medidas de confiabilidad de los anuales, para el perodo 7g5g-lgg8, de las estacione A y
parmetros estimados, antes y despus de la extensin. B.
"n -'ls,
Se puede ltilizar La varianza, para medir la precisin de los 'l'abla 9.2 Catdales medios anuales de las estaciones A y B
estimados, as se tiene:
. Si la VAR(serie y reconstituida) > VAR(serie y histrica), Ao A B Ao A B
entonces el estimado es menos preciso, por lo cual no se (m3/s) rm3lsl rm3lst lm3/s)
recomienda la extensin de los datos. 1 959 26.26 34.25 1979 22.14 25.89
. Si la VAR(serie y reconsrituida) < VAR(serie y histrica), 1 960 22.12 30.82 1980 22.57 20.70
1 961 33.39 42.56 1 981 20.14 17.88
entonces el estimado es ms preciso, por lo cual se puede usar la
1962 21.15 12.54 1982 26.51 34.85
extensin de los datos.
1 963 25.64 41.35 1 983 15.06 21.92
1964 20.99 36.20 1 984 28.83 31.58
9.5 Problemas propuestos 1 965 22.06 34.22 1 985 26.03 27.15
'15.99
1 966 25.74 29.87 1 986 21.02
967 30.90 20.42 1987 25.88 36.95
1. En la tabla 9.7, se muestran los datos de precipitacin anual,
1
'1968 25.97 30.35 1 988 13.62 9.25
rnm, de las estaciones San Antonio y Cach. 1 969 20.56 31.24 1 989 22.42 17.49
1970 15.81 10.76 1 990 25.11 21.22
Tabla 9.1 Precipitacin anual de las estaciones San Antonio y Cach 1971 17.28 11.72 199'1 35.84 35.57
1972 18.86 25.67 1 992 24,11 36.'19
Ao San Cach Ao San Cachi 1973 33.48 44.30 1 993 29.16 51.40
Antonio Antonio 1974 19.75 17.95 1 994 24.29 24.76
986 4151 .0 2149.2 993 2987.7 1975 20.82 25.01 't995 38.08 41.25
1 1 1888.1
1987 3736.6 2115.5 1 994 3633.3 2020.1 1976 26.23 35.26 1996 21.36 27.76
1 988 3263.2 2195.1 1 995 3606.8 2095.2 1977 23.99 37.06 1997 18.16 35.83
1 989 3438.1 1822.O 1 996 3945.4 2104.3 1978 21.56 23.02 1 998 14.98 1 1.00
1 990 2616.7 1997 3004.1 1678.0
'1991 3140.4 1739.8 1 998 1703.0 Suponiendo que en la estacin A, elperiodo 1989-1998 no tiene
1 992 3474.4 1799.0 1 999 2918.8 2083.5 informacin, realizat el proceso de extensin de esta informacin
2000 31 1 6.1 1621.7
para este perodo, a partir de la serie de la estacin B.
Completacin y extensin - pgina (344) Hidrologa Estadstica - pgina (345)
Una vez dado un valor inicial po, un factor constante a y una Nota:
constante aditiva c, las ecuaciones (10.2) conducen a una relacin En forma prctica, la generacin de nmeros uniformemente
de
congruencia, para todo valor de i en la sucesin: distribuidos entre 0 y 1, se puede hacer con una calculadora manual,
ellas tienen incorporada la funcin RAN#, que genera estos nmeros.
{F,, ilr, r1r,.,.}
Tambin, todos los lenguajes de computacin, tienen incorporado
se han desarrollado tres mtodos bsicos para generar nmeros subrutinas para la generacin de nmeros uniformemente
pseudoaleatorios, mediante el empleo de las diferentes
versiones de distribuidos comprendidos entre 0 y 1. Por ejemplo Basic y Visual
la ecuacin (10.1): el aditivo, el murtiplicativo y er mixto, sin
Basic, tienen la funcin de biblioteca Rnd,la que genera nmeros
embargo, existe evidencia emprica de que ts mtodos
de uniformemente distribuidos, comprendidos entre 0 y 1.
congruencia multiplicativos, producen nmeros pseudoaleatorios
aceptables que pasan toda prueba estadstic que permite
El listado 10.1 permite generar la cantidad de nmeros aleatorios
considerarlos como verdaQeros nmeros aleatorios. La ecuacin
de uniformemente distribuidos, indicado por el usuario.
este mtodo es:
Listado l0.l; Generacin de nmeros uniformemente distribuidos . En computacin, permite la simulacin de juegos.
entre 0 y l.
CLS
Pata el clculo de los nmeros normales, se utiliza un polinomio do pi= 4 * Atn(1)
5o grado que tiene como variable, a los nmeros uniformemento lNPUT "lngresar la cantidad de nmeros aleatorios a generar"; n
distribuidos. nn=nl2
RANDOMIZE TIMER
Se afirma que esta tcnica es la ms rpida, aunque se le imputa, quo
CLS
emplea varios cientos de ubicaciones de memoria para almacenar en S=0
la computadora ciertas constantes especficas. f)RINT n; "Nmeros normalmente distribuidos "
FOR i= 1 TO nn
u'l = RND
Procedimiento directo u2 = RND
nx1 = SQR((-2. LOG(u1))) . COS(2 " pi* u2)
El mtodo de Box y Muller es el ms prctico, requiere de dos nx2 = SQR((-2. LOG(u1))) . SIN(2 . pi* u2)
nmeros u t, uz aledtorios independientes uniformemente distribuidog PRINT USING ' ##.####### "; nx1;
y definidos en el intervalo (0,1), los cuales son transformados en dog PRINT USING ', ##.####### "; nx2;
NEXT i
nmeros ni, tti+r aleatorios independientes normales, con media 0, y lFnMOD2=0THEN
vaianza 1, donde:
n, = {-ztnu, cos(zlur) LLSE
u1 = RND
... (10.8) u2 = RND
sin(znu, ) nx1 = SQR((-2. LOG(u1))). COS(2 * pi * u2)
ni*t = "Frln\ PRINT USING ' ##.####### "; nx1;
END IF
El listado 10.3 permite generar nmeros aleatorios normalmentc PRINT: PRINT
distribuidos, utilizando el mtodo de Box y Muller. t:ND
2
... (10.11) 3
u l-S n.t+l 4
LN,*r=EXP(u, Srn,*r)=e ! Y 5r
0
donde: 7
LNi, LNi*t = son dos valores log-normales independientes {}
Explicar detalladamente como se generaron los nmeros para las . Calcular la mediana de la serie generada.
filas y columnas, mostrando todos los resultados parciales.
Nota. Explicar detalladamente como se generaron los caudales de la
2. En el Departamento de Hidrologa del ICE, existe una sr'r'ie generada, mostrar todos los resultados parciales.
metodologa, para calcular valores mximos de caudales y
precipitaciones, utilizando valores ndices. Los valores ndices, 1. Una estacin tiene un registro de caudales anuales de20 aos, en
se obtienen calculando la mediana de la serie y de las series m3/s, los mismos que se muestran en la tabla 10.2.
generadas.
I'lbla 10.2 Registro de caudales,
Dada la serie de 15 datos de caudales que se muestra en la tabla ", -'/.
10.1. 273 1 045 1875 2876 1 967
o .
(m3/s) Realizar la prueba de bondad de ajuste Smirnov-
1 51.9 Kolmogorov, para ver si estos datos se ajustan a la
2 42.5 distribucin normal. Si el ajuste fuera bueno, generat 20
3 58.8 datos normales con parmetros X , S de Ia serie.
4 59.6
5 62.5 . Realizar la prueba de bondad de ajuste Smirnov-
6 55.3
7 59.0
Kolmogorov, para ver si estos datos se ajustan a la
8 41.2 distribucin log-normal de 2 parmetros (py, oy). Si el ajuste
9 30.9 fuera bueno, generar 20 datos log-normales con parmetros
10 44.0 [ty, oy de la serie.
11 43.4
12 45.5 . Realizar un anlisis estadstico para probar si los datos de la
48.5
tabla lO.2 (,, ',) y de las series generadas (X* S2z)
13
14 49.2
15 40.4 normal y log-normal, tienen las medias iguales (X, = X r) o
diferentes, las varianzas iguales (S2r=S2z) o diferentes.
T Calcular la mediana de la serie.
I Generar una serie de 15 datos, que contengan nicamente Nota: Mostrar todos los resultados parciales y explicar como se
valores de caudales de la tabla 10.1, stos pueden ser repetidos. obtuvieron.
r-
Intervalos de
confianza
11.1 Estimacin puntual y estimacin por
intervalos
Dada una muestra de20 datos de caudales anuales, e, *3/r, de una
roblacin (estacin de aforo), que se indican en la tabla 11.1, al
calcular sus parmetros estadsticos, se obtiene:
Media: 55.82
Varianza'. 666.84
Desviacin estndar: 25.82
Coeficiente de sesgo: 0.42
Coeficiente de variacin: 0.46
Coeficiente de curtosis: 2.27
Poblacin
(rr,"2)
Muestra
(x,s2,cv)
Intervalos de confianza - pgina (360) Estadstica Aplicada - pgina (361)
Tabla 11.1 Muestra de 20 datos de caudales, en m3ls, de una ll.zlntervalos de confianza para la media de
poblacin
una distribucin normal, cuya varianza es
30.1 26.5 80.4 50.3 60.2 conocida
27.8 90.6 34.1 17.l 48.3
s0.4 90.1 50.6 44.4 33.3 Sea X1, X2, ..., X, una muestra dada extrada de una poblacin
100.1 85.3 95.2 40.2 60.8 clistribuida normalmente, y cuya vaianzao2 es conocida.
Tabla 11.2 Valores dec paray- 90,95, gg,gg.g % 3. De la tabla 11.2, para Y = 0.95, se tiene c = L.960
k k
Determinar paraun 95vo de probabilidad, un intervalo de confianza L=2k
para la media de una distribucin normal, con varianza o2 9, La longitud L es:
usando una muestra de n = 100 valores, con media T 5.
=
= L=2k =2'o
-
"1"
Solucin: donde:
- 2co
1. ValordeX=5(dato) ^Jn =
L
2. Valor de y = 0.95 (dato) 4c2o2
Intervalos de confianza - pgina (364) Estadstica Aplicada - pgina (365)
4x7.9602 x9 L/o
0.42
l t
05 n=5j
n=870
l=ioo .l
t
L/o
0.6
U
0.90 0.95
7--)
1 .00
I
o.4 \ lrigura 11.2 Longitud del intervalo de confianza, medido en mltiplo
\ \ tlc o, como una funcin del tamao n dela muestra
o.2
\
Y=99%
'!=95Yo
11.3 Intervalo de confianza para la media de
0 una distribucin normal, con varianza
0 500 rooo desconocida
Figura l l.r Longirud der intervalo de confianzu,
,1"roo en mlriplo
de o, como una funcin del tama o n dela
muestra
lilproceso para el clculo del intervalo de confianza es como sigue:
l. Calcular la media X y lavarianza,S2 de la muestra X1,X2,...,X'.
La figura 11.2 muestra cmo crece L, cuando y
crece ( con 2. Escoger el nivel de confianzay (95Vo,99Vo, etc.)
n
constante ). Es claro que: L _+ * cuando y _+
l. .t. Determinar la solucin c de la ecuacin:
F(c)=)O. rl .... (1 1.3)
t
rr partir de la tabla de la distribucin con n-l grados de libertad
(tabla 4.6 del apndice, donde n = tamaio de la muestra)
c li.jemplo 11.3:
.... (11.4)
"l; Ljsando la tabla 11.1, determinar un intervalo de confianza, con una
En la tabla 11.3, se muestran algunos valores de c t Ji, p&r y
0.95 y \ = 0.99, para algunos valores de n.
= probabilidad del 95Vo, para la media de la poblacin
correspondiente. Suponer que la poblacin se distribuye
Tabla 11.3 Valores de normalmente.
!^ln , en funcin de nyy
C Solucin:
n
T"
cuando l. De los datos, se tiene:
X = 55.82
Y = 0.95 Y = 0.99
2 8.99 45.0 52 =
666.84
3 248 5.73 S = 25.82
4 1.59 2.92 '). Por dato del problema, el nivel de confianza es: y = 0.95
5 124 2.06
6 105 1.65 .1. Puesto quen=20,delatabla 11.3, setiene: f =0.468
7 0.925 140 ^Jn
8 0.836 124
9 0.764 1.12
Nota: El clculo d" f- , se puede tambin realizar utilizando la
^Jn
10 0.715 103
15 0.554 0.769 tabla 4.6 del apndice, para esto hacer:
20 0.468 0.640 . 1+ 0.95
25
De la ecuacin (11.3), para un F(c)= =0.975 y con
0.413 0.559
30 0.373 0.s03
40 0.320 0.428
grados de libertad: 20-L=19, de la tabla (4.6), se encuentra
50 0.284 0.379
c=2.09
100 0.198 0.263
200 0.139 0.'184 De la ecuacin (1 1.4), se tiene:
500 0.088 0.1 16 c
=0.4673
^,ln=2,P9
'120
4. Calcular:
_ .tc
k=- .... (11.s) El valor de k de Ia ecuacin (1 1.5), es:
"ln k=25.82 x 0.468
5. Calcular el intervalo de confianza para p: k= 12.0838
)(-kSttSX+k .... (11.6)
5. Los lmites del intervalo, utilizando la ecuacin (11.6), son:
Estadstica Aplicada - pgina (369)
Intervalos de confianza - pgina (368)
yy
X + k = 55.82+ 12.0838 = 67.9038 Tabla 11.4 Valores de ct, cz en funcin de n
X - k = 55.82-12.0838 = 43.7362 v = 0.95 v = 0.999
n q Ct h
C1
Por lo tanto, la media de la poblacin p, pertenece al intervalo: 2 0.00 5.02 0.00 7.88
43.73621tr I 67.9038 3 0.05 738 001 10.6
4 0.22 9.35 0.07 12.8
5 0.48 11.1 o.21 14.9
De los clculos anteriores se puede concluir, que al 95Vo de 6 0.83 12.8 0.41 167
confranza,la media poblacional de los caudales, se encontrar entre 7 1.24 14.4 0.68 18.5
los valores 43.7362 m'/s y 67.9038 m3ls. I 1.69 16.0 0.99 20.3
I 2.18 17.5 134 22.O
10 2.70 19.0 1.73 23.6
15 5.63 26.1 407 31.3
ll.Alntervalo de confianza para l'a varianza de 20 8.91 32.9 6.84 38.6
la distribucin normal 25 12.4 39.4 9.89 45.6
30 16.0 45.7 13.1 52.3
40 23.7 58.1 20.0 65.5
El proceso de clculo del intervalo de confianza, es como sigue: 31.6 70.2 27.2 78.2
50
1. Calcutar la varianza',S2 de la muestrai X1, X2, ...,Xn, luego 100 73.4 128 66.5 139
calcular (n-1)S2
2. Elegir el nivel de confianza! (95Vo,997a, etc.) 4. Calcular:
3. Determinar las solucioles c1, cz de las,ecuaciones:
I
F(ci =:0-Y)
. (n-
Kl---
1)s2
2. cl
... (11.8)
" ot'7)
r
F(cZ)=:(l+y) k2=*h-t\sz
c2
a partir de la, tabla y2 con n - I grados de libertad (tabla A.g dl
es:
apndice, siendo n = tamao de la muestra) 5. El intervalo de confianzaparao2
3 kt ... (11.e)
En la tabla 11.4, se muestran algunos valores de c c2,palrty = 0.95 kz<o2
y T = 0.99, para algunos valores de n.
Intervalos de confianza - pgina (370) Estadstica Aplicada - pgina (371)
De la tabla A.9, para F(c) = 0.025 y F(cz) 0.915 y grados de Si los datos se distribuyen normalmente, determinar un intervalo
libertad 19, obtener ct y c2, art este caso, para estos datos, se de confianza con 95 Vo de probabilidad, para la media p' y
tiene que: varianzao2 de la poblacin correspondiente'
cr = 8'91
Intervalos de confianza - pgina (372)
Si los datos se distribuyen normalmente, determinar un intervalo Abramowitz, Milton - Stegun Irene. Handbook of Mathematical
de confianza con 95 % de probabilidad, para la media p, y Func:tions. Dover Publications, Inc. New York, U.S.A, 1972
varianza o2 de la poblacin correspondiente.
Aliaga, Segundo. Tratamiento de Datos Hidrometeorolgicos.
Editorial Horizonte Latinoamericano, Lima, Per, 1983.
B. Funciones trigonomtricas
Transformada de
Laplace y funcin
gamma
4.1 Justificacin
Hrr Hidrologla es de uso frecuente las distribuciones normal, log-
nrrrmal, gamma de 2 parmetros, de 3 parmetros o Pearson tipo III,
krg-Pearson tipo III, Chi-cuadrado, / de Student, F, y otras.
f t/(r)) = F(s) = f,'-" f (t)dt lrlrr integral se evala de acuerdo con la regla:
Ejemplo 4.1:
s-a
'lirrnbin se puede concluir que:
Hallar la transformada de Laplace de la funcin:
f(t) = eo', donde a s con tante. 'er{r(s)}-r {ls-a)
' I=r^ -r
Solucin:
lljcntplo A.2:
De acuerdo a la definici n:
(lrrlcular la transformada de Laplace de la funcin:
I {uo'} - lr*
e-" e"'dt
,llt) = sen at, donde a es constante
{ro'} - l,* e-$-a' dt trlucin:
(s-a)t
= lim l- - r= tirnl- 'I
r-t'-"" t") l,
S-a-
Aplicando la definicin:
i---Jo ,-{ -1 '
=_ ,
{sen at}=J* e-" sen at dt
,r*qr_r,_ru_uo)
s-ab-
I lr*b^'-'' - 1)/
2, Clculo de:
-4+-\ I
e-" sen at dt ...(a.2)
3. Clculo de:
Ie-" sen at dt = -! cos at - cos at dt ... (a .3)
"-,, IIu,, t = I, senat at =y1J! e-" senat dt
Clculo de:
Je-,,sen atdt=f-l
+o'Ll(*ro,,,
)l
a ---""+-senatl I = lu-" senat dt = -; para s > 0
[ ' -"!
.'+a'
= ,,[.o, o, !r"no,)
Je-" sen at dt
j#, *
.'. {sen o*= para s > o
?+t
Observar que:
Transformada de Laplace y funcin gamma - pgina (386) Hidrologa Estadlstica - pgina (387)
Domlnlo Dornlnlo
Frmulas elementales
(0 r de (0 t t(ol de
t(t)l deflnlcln definicin
La forma de calcular la transformada de Laplace, se puede observar en
los dos ejemplos anteriores. Pero el clculo de la transformada do 9 C
Laplace, se simplifica, si se hace uso de tablas elaboradas para tal fin.
C s>0 I Ce^l
S-a S>a
s
I t
En la tabla A.1, se muestra la transformada de Laplace de algunas e^' S>a 10 g"' S>a
S-a S-a
funciones, la misma que es suficientemente amplia, para lo
propsitos prcticos presentes. I 1
t ) s>0 t1 e"tt S>a
s- (s - o)2
Propiedades de la transformada de Laplace 1. nl.
{ -
---: o s>0 12 e^'f S>a
s'?+l (S - a)n+l
Existen una serie de propidades de la transformada de Laplace, quo
pueden demostrarse. Para efectos prcticos, solo se enuncian 0 f(r + l)
continuacin: , n+l
0)a {af Q)+bs|)+ch|)}="* {1:1t}+6 * {g@}+re {n@} b b
Sen bt s>0 13 e^tsen bt S>a
s2 +u2 (S-a)2 +b2
(2) si a t/(r))= F(s) -+ a k'' f @j= FG - a)
s S-a
s>0 sa+ll
(r))=, * {Ffrl}-ffo)
Cos bt 14 e^tcos bt
(3) d s2 +02 (s - a)2 +b2
li.jamplo 4.3:
"e Lj= +
.t
(Frmula 3)
(10
"e {ro'}=
L r s-4 (Frmula 2)
l'"- st
f(t)t olrcin:
(13) "e UOI=Jo-'-
l- e- ws llrurdo la propiedad (1) de la transformada de Laplace, se tiene:
---con perodo w > 0' es decir:
donde:flr) es peridica,
f(t)= F(t+w)
Transformada de Laplace
y funcin gamma _ pgina Hidrologa Estadstica - pgina (391)
(390)
Demosffar que:
a-ri +s+s I
ls' 6s +341
ot {senh at}= _a_
s'-a'
Demostracin: (irmpletando cuadrados en el denominador:
Sabemos
s2 +6s +34 = sz + 6s+9 + 25 = (r +3)2 + 52
que: senh ot = "''__"_*_ sc puede escribir:
Iuego:
d,l-jl I=*-,J
-- ,+s l
.e d ls2 +3a[-+ 6s y l@rf . I
{senh at}=
{r;al l)cscomponiendo el numerador de la siguiente forma:
Aplicando la propiedad (1)
de Ia fansformada de
s*5=(s+3)+2
Laplace, se tiene: 'csulta:
Transformada de Laplace y funcin gamma _ -
pgina (392) Hidrologa Estadsticu rllttrt I lU I t
til lllr
('-r)(s-r)
tlc donde:
A(s-3)+B(s-l)=2 A+B=Q=] = I
(n+r), -3A- B =2= _ 3A_ B =Z= B - |
' *-,f-L+5 I
cos5r +?'-''"nsr
f
''*6j=s-3'l Aplic 1, se tiene:
Djemplo A.7:
Calcular:
I z-l
*'l(;il,-l Ejemplo A.8:
(ae)
Calcular:
Solucin:
.-rl s3+3s2+l
+zt +i)l
I
... (a.12)
Descomponiendo en fracciones parciales,
se tiene:
tr'(,'
Transformada de Laplace y funcin gamma - pgina (394) Hidrologa Estadstica - pgina (395)
Solucin: 1 37
s3 +3s2 +1 2 .2 -s+-
2 2
f
Descomponiendo en fracciones parciales, se tiene: s'1s' + 2s +2) s s'^t s'+2s+2
^
-
... (a.13) s3 +3s2 +1 1 11113s+7
_J-_._r ...(a.18)
2
s'1s' + 2s +2) s' 2 s' ' 2 s2 +2s+2
+2s+2 + s2(Cs + D)
2
+2s+2 Sustituyendo (a.18) en (a.12), se tiene:
de donde: s3 +3s2 +1
J= *,f-1 1* 11 t 3s + 7
ar(r' + 2s +2)+rG' * 2s +2)+s'1cs + D) =s3 + 3s2 + 1 s'1s' + 2s +2) j t2 2s' 2 s .
2
+ 2s + 2
Igualando los coeficientes de las potencias iguales, se tiene: Aplic ando la propiedad (1), resulta:
s3:A+C=I
s2 2A+B+D=3
...(a.14)
.. . (a.15)
3
s + 3s2 + 1
) ,
^-1 s +2s + , ) =-;",{:}
*;*'{i}.
s :2A+28 =O ...(a.16) *;"'{;X*} @te)
so :28 =l ...(a.r7)
(frmula I de la tabla 4,1)
de (a.17) a=!2
(frmula 2 de la tabla A. 1)
de (a.16) ,q. = -!2
de (a.15) *D=31 p=7
-t+122 a-,f 3s+z l= *.,f(s+t)++J
lsz +2s +2) l(s + t)' + t J
de (a.14) -!+C=1= C =1
3(s + 1)
='jrr
i;+-)*o*'i#-i y
s2 +4s+10
s+2
A.3 Ejercicios proPuestos s2 +2s +13
4. e'' sen'2t
5. e3' 7t + cosh r)
6. cos', t1 2s3 +8s2 -14s+109
"' 15'-+jqr, -+"+zq
7. sen'2t
8. (senr + 1)3
trbiendo que:
=!p, y coshx=
Hallar la transformada inversa de Laplace, de las funcioneg
2' -e-,)
errlrx +
siguientes:
){". "-')
('ttlcular:
5s+l
9.
(s+1)(s2 +s-2) , * $"n3ar.(senh ot)o\
llcnrostrar que:
Trunslbrmada de Lapluce y funcin garnno _ pgina (39g) Hidrologir listrrltnlh t lrrl!llil | tttUl
impropia:
l,rr lbrma recurrente para la funcin gamma, se obtiene de (a.24):
f(x) = I; nt,x-7* ... (,20) f(x + 1) = x!- x'(x - l)! ... (a.25)
la cual converge parax> O.
rt'ro de (a.22): f(x) = (x-1)!
Se observa que la funcin gamma, es una forma particulrr
transforma da de Laplace:
th
lrrt'go (a.25), se puede escribir:
l(x+1)=xf(x) ... (a.26)
e {tl=
I; u', f O)a* ... (a.2t)
rlr' lrr ecuacin (a.24):
en donde, de (a.20) y (a.21), se tiene:
J-_l-L para x=0 =f(1)=0!=1
f (t) = t'-t para x =l =r f(2) = 1!= 1
frurrfo.-ua de Laplace y funcin gamma - pgina (400) Hidrologa Estadstica - pgina (401)
Resumiendo, algunas de las propiedades de la funcin gamma son: 't'abla A.2.Yalores de la funcin gamma, para 1< x<-2
1. f(x) = ti r-'t*'a*= (x-1)! I-(x)=fr-t,x-T*
2.
J. (x) x f(x) x f(x) x r(x) x f(x)
4. 1
00 1.00000 1.25 0.90640 1.50 0.88623 1.75 0.91906
5.
01 0.99433 1.26 0.90440 1.51 0.88659 1.76 0.92't38
02 0.98885 1.27 0.90250 1.52 0.88704 1.77 0.92376
03 0.98355 1.28 0.90072 1.53 0.88757 1.78 0.92623
6.
o4 0.97844 1.29 0.89904 1.54 0.88818 1.79 0.92877
05 0.97351 1.30 0.89747 1.55 0.88887 1.80 0.93138
Evaluacin 06 0.96874 1.31 0.89600 1.56 0.88964 1.81 0.93408
07 0.96415 1.32 0.89464 1.57 0.89049 1.82 0.93685
Para calcular el valor numrico de f(X), se puede utilizar: 08 0.95973 1.33 0.89338 1.58 o.89142 't.83 0.93969
09 0.95546 1.34 0.89222 1.59 0.89243 1.84 0.94261
1. Las propiedades anteriores 10 0.95135 1.35 0.891 15 1.60 0.89352 1.85 0.94561
11 0.94740 1.36 0.89019 1.61 0.89468 1.86 0.94869
2. Los valores que se muestran en la tabla A.2 para l< x < 2 12 0.94359 1.37 0.88931 1.62 0.89592 1.87 0.95'184
.13 0.93993 1.38 0.88854 1.63 0.89725 1.88 0.95507
3. La aproximacin factorial de Stirling (para x grande) .14 0.93642 1.39 0.88785 1.64 0.89864 1.89 0.95838
15 0.93304 1.40 0.88726 1.65 0.90012 1.90 0.96177
f(x + l) = ^L2tux' e-* = x! 16 0.92980 1.41 0.88677 1.66 0.90167 1.91 0.96523
.17 0.92670 1.42 0.88636 1.67 0.90330 1.92 0.96878
4. La serie asinttica de Stirling .18 0.92373 1.43 0,88604 1.68 0.90500 1.93 o.97240
r.r;; (1+ I + I
.19 0.92089 1.44 0.88581 1.69 0.90678 1.94 0.97610
t39 57t
f(x) = ,x ,- - ^: ,
^^ 288x'
2! 0.91817 1.45 0.88s66 1.70 0.90864 1.95 0.97988
\ x -lZx
^,1,'"
51840x3 2488320.x'l 21 0.91558 1.46 0.88560 1.7'l 0.91057 1.96 0.98374
163819+____
5246819 534703531
+)
22 0.91311
0.91076
1.47 0.88563 1.72 0.91258 1.97 0.98769
23 1.48 0.88575 1.73 0.91467 1.98 0.99171
209018880x5 75246796800x" 902961561600x7 24 0.90852 1.49 0.88595 1.74 0.91683 1.99 0.99581
2.00 1.00000
5. La aproximacin polinomial de 5" grado, para 0 < x < I
donde:
Transformada de Laplace y funcin gamma _ pgina Hidrologa Estadsrica - pgina (403)
(402)
az = -0.6998588 a4 =0.4245549 E
as = -0.10L0678 I
6. La aproximacin polinomial de go grado I
V
A
a
T
, paa 0 < x <
I
I
I I
I
\)
f(x+1) = != I+brx+brxz +...+ brxT +e(x)
I
donde: 2
iJ
lt(r)l< o.oooooo3 \ /-\
4 = -0.577191652 bz = 0.988205891
V ft.
r-1 'r-0
1
{ \..-
4 -3 t-)
l4 1 2 3 4
bt = -0.897056937 bq = 0.918206857 t-r
bs = -0.756704078
bt = -0.193527818
be = 0.482199394 n -1
-l
s = 0.035868343
Representacin grfica -3
/\
En la figuraA.l, se muestra el grfico de la
funcin gamnllt, T
Ejemplo A.9:
Solucin:
Solucin:
f(-1.2)=\?= (=1.2)(-0.2)
f(0.8) f(r.8) l)ura x=0 ?.y=0
(-r.2)(-0.2x0.8)
o'e3138
,r_r___) y)@
r(-1.2) - 1.2x0.2x0.8
Irrego, la integral se puede expresar, como:
f(-1.2) = 4.85094 ,ll.
,= y'e-'dy
Ejemplo A.l2: )Jo
Calcular:
Arlicando la frmula 4 delatabla A.l, de la transformada de Laplace,
Ii *'"-" a* Irr tiene:
Solucin:
1=
f (- y)' (- ,-' ay)= [o f ,-' ay = -f f e-v dy
adems:
li) = JfI , por propie dad (2)de la funcin garlrma Aplicando la propiedad (a) de la tabla .4.1 de la transformada
12) Laplace, se tiene:
luego: I = -f(4)
I l*,)=@ 6
[2 )
2 pero: f(4) = 3!= , por propiedad (1) de la funcin galnma
luego:
finalmente: I=-6
lfi
I-- -._
22 Nota: el signo (-) indica que el rea de la funcin est en el 4"
cuadrante.
=Jn
,4
4.5 Ejercicios propuestos
Ejemplo A.13:
Calcular: Calcular:
1t
lo(t") a'
Solucin:
Haciendo el siguiente cambio de variables:
2. I; .r"-2,' *
Transformada de Laplace y frrncin gamma - pgina (408)
3.
!; n,3 d*
d*
4.
I;r&n"li
5.
!;.'"-'*t d*
fton*>a
a* Funciones
7.
lj,,n 3 a* trigonomtricas
8 fi,F(*J *
s l# Frmulas de ngulo doble
1
CSCX =
senx
-
sen2 xt cos2 x = I
sec2 x-tan2 x=l
csc2 x-cot2 x=L
Apndice
. Tablas esteilsticas
' Papelesprobabilsticos
o normal
o log-normal
o Gumbel
o log-Gumbel
r
Hidrologa Estadstica - pgina (415)
0.0 0.00000 0.00399 0.00796 0.0t 197 0.01595 0 01994 0.02392 0 02790 0 03188 0.03586
0.t 0.03983 0.04380 0.04776 0.051 72 0.05567 0.05962 0 06356 0 06749 0.07 r 42 0.07s35
o.2 0.07926 0.08317 0.08706 0.09095 0.09483 0.09871 0.10257 0.10642 0 r 1026 0.r r409
0.3 0.1r791 0.12r720 125520.129300.133070.136830.r40580.14131 0 r48030.rs173
0.4 0_15542 0.15910 0 16276 0.166400,17003 0.17364 0 r77240.18082 0 r89 0.r8793
0.5 o 19146 0.1 9,t97 0. 1 9847 0,201 94 0 .20540 0 20444 0.21226 0 21566 0.21904 0.22240
0.6 o.22575 0.22907 0.23237 0.205A5 0.23891 0.24215 0 24537 0-24857 0.25175 0.25490
o.7 0.25804 0.26 r I 5 0.26424 0.26730 0 .27035 0.27337 0.27637 0.27935 0.28230 0.28524
0.8 o 28a14 0.29103 0 2s389 0.29673 0 29955 0.30234 0.3051 1 0 30785 0.31057 0 31 327
0.9 0 31594 0.31859 0 32121 0.32381 0.32639 0.32894 0.33147 0 $39a 0 $645 0.3389i
1.0 0 34134 0 34375 0.34614 0 34849 0 35083 0 35314 0 35543 0 35769 0.35993 0 35214
1.1 0.35433 0.36650 0.35864 0 37076 0.37286 0 37493 0 37698 0 37900 0.38100 0 38298
1,2 0.38493 0 38686 0 38877 0.39065 0.39251 0.39435 0.39617 0 39796 0.39973 0 40147
1.3 0 40320 0 404s0 0,40658 0,40824 0.40988 0.41149 0.41308 0 41466 0.41621 0 41774
1.4 0.41924 o 42Of3 O 42220 O 42364 0.42507 O 426/7 0_42785 0_42922 0 43055 0.431 E9
1.5 0.433r9 0_434480 43574 0 436990 438220 439430 440620.44179 0_442950 44408
't.6 o 44520 0 44630 0.44738 0.44845 0 44950 0 45053 0.45154 0.45254 0.45352 0,45449
1.7 0..15543 0.45837 0.45728 0 458t8 0.45907 0 45994 0 46080 0.46164 0.46246 0 46327
t.8 046407 0.46485 0.46562 0 46ma 0.467r2 o 46784 0 46856 0.46926 0 46995 0 47062
t.9 o 47124 o 47193 0.47257 0.47320 0 47341 0 47441 0 475 O.4755A O 47615 0.47670
2.O o.47725 0.477740.478310 478820.47932 0 47982 0 48030 0.48077 0.4a124 0.48r69
2-l 0 48214 0 48257 0 483000 4834r 0.48382 0 484220 48461 0.485m 0.4a537 0.48574
2.2 o 48510 0.486450.48679 0.487r3 0 48745 0.4828 0.48809 0.48840 0 4a870 0.48899
2.3 o 48928 0,489560.48983 0,490100.490360 4906r 0.49086 0 49fi 1 0.491340.49158
2,4 0 49180 0,49202 0,49224 0.49245 0 49256 0 49286 0 49305 0 49324 0.49343 0 4936r
2.5 o_49379 0 49395 0.4941 3 0 49430 0.49446 0 49461 0 4942 0 49492 0 49506 0 49520
2.6 o 49534 0 49547 0 49560 0 495730 495850 49598 0 496090.4962t O 49632049543
2.7 0 49653 0.49664 0 49674 0 49663 0 49693 0 49702 0 49711 0.49720 0 49728 0 49736
2.8 0.49744 0 49752 0.49760 0 49767 0 49774 0 497A10 4978e O 49795 0 49801 0 49807
2.9 0.49813 0 49619 0.49825 0 4983r 0 49835 0 49841 0 49E46 0.49A51 0 49856 0 49861
3.0 0.49865 0.49869 0.49874 0 49878 0.49882 0.498a6 0.498890.49893 0 49896 0 49900
3.'l 0 49903 0.49908 0.49910 0.49913 0 499160 49918 0 49921 0_49924 0.49926 0 49929
3.2 0.49931 0.49934 0 49936 0 49938 0 499400 49942 0 49944 0_49946 0.49948 O 49950
3.3 0.49952 0.499530 499550 49957 0 49958 0 49960 0.49961 0.49962 0.49981 0 4996s
3.4 0.49966 0.49e68 0,4996S 0,499700 4997r 0.49972 0.49S730.49974 0.49975 0.49976
o.49en 0.49070 0,49s790.409790.499800,49981 0.49981 0.49982 0 4998i] 0.49983
3 0.49S84 0.49985 0.4S85 0,49986 0.49986 0.49987 0.49987 0.49988 0.499Ea 0.49989
3.7 0.49999 o.4gogo o,4gdgoo,4og9oo.49g9't 0,49991 0.49992 o 49992 o 498)2 0.49992
3.8 0.49903 0.40093 0.4s993 0.4S094 0.49994 0.49994 0.49994 0,49995 0.49995 0.49995
v
Tablas estadsticas - pEi,na (416) Ilirhologa Estadsrrca - pgina (417)
tl a.8t 3.OE 3.59 3.20 3.09 3.0 2.C3 2.90 2.t5 2.7e 2.72 2.65 2.6r 2,49 2,5 2.10
12 4.75 3.80 3.a9 3,26 3,1I 3.@ 2.0t 2.&5 2.80 2.7b 2.4) 2.62 2-b4 2.5t 2.17 2-4X 2.XE 2.31 2,:ro
13 Ltt? 3.al 341 3.r8 3.0| 2,92 2.77 2,7 t 2.47 2-@ 2.it 2.16 2.12 ,.3E 2.31 2.30 2.2t
14 4.00 3.74 3,3' 3.)l 2.0n 2,7A 2.10 2.65 2.)O 2.5X 2.16 2.80 2.3t 2,27 2,lE 2,l3
16 a,{ 3.68 3,20 3,0G 2.00 2,70 2,7L 2.64 2,s0 2.a1 2.48 2.10 2.2C 2.25 2,20 216 2,rt 207
l6 4.49 3.03 3. 3.01 2.E5 2.71 2.60 2.50 2.54 2.19 2.42 2,35 2.24 2,21 2.t9 2.tt 2. 2,Ol
77 4,10 3,59 'J,20 2.96 2.8r 2.70 2,0r 2.40 2.45 2.3E 2.31 2.te 2.t5 2,10 2.06 2,O1 l.c0
l8 4,1t 3,6 2,0x 2.17 2.(r( 2.54 2,tt 2.4t1 2.11 2.11 2.t9 2.15 2.rl 2,OA t.0? .92
19 ,,38 3,13 2,90 2.t!3 2,54 2.49 2.42 2.3E 2.8 2.16 2.ll 2.07 r,98 l.sB .88
20 t,35 3.{9 3.r0 2, 2,71 2.@ 2.15 2.35 2.35 2.28 2.20 2.L2 2.t 2.04 1.09 t.o5 1,90 .&r
2l 8.47 3.07 2U 2,na 2,49 2.42 2.X7 2.la 2.10 2.05 ,,01 ,90 l a7 ,.Er
4,J0 3.44 J,05 2,00 2.55 2.4 2.40 2.34 2,30 2.15 2,qt 2.03 1,08 .04 ,as r.8r .78
2t 4.28 :t.42 3,03 2,ta 2,41 2.37 2.:12 2.20 2.t3 2.05 2.01 r.00 t.0t 1.86 l,8I 1.16
24 4.20 3,r0 30r 2,74 2,12 230 2.18 2.ll 2.03 .cE .e4 l,8c r.8 t.70
124 3.39 2.99 2.76 2.OO 2.49 2.40 2.X4 2.28 2,24 2.t6 2.09 2.0\ r.96 t.92 l.E7 1.82 7.77 .7
30 411 3.32 !69 253 2.42 2.t13 2,21 2.t0 2.09 2.01 r.D3 r.89 t.u 1.70 t.74 t.6E r.G2
.t0 4,0E 2,U 2Gt 245 2,44 2,I8 2.08 2,@ t.02 I.84 t,70 t.74 ,69 1.64 1.54 t,5t
60 2,3 2,1? 2, t0 2,O4 1,0t 1,92 .E4 1.?5 1,70 1.65 1.9 t,47 r.3
t20 3.92 3.07 2,6E 2,45 2,29 2,18 2,09 1,96 l,8t 1,83 1.06 l,6r 1.66 r.50 t.43 t.35 1.25
3.00 2,00 210 2,0r t,04 t.E3 1,75 1.67 1.57 1.62 1.40 1,3S t.22 1.00
n - D.e q l hl lG ^!@tG
, 9 l0 't7 5 21 3) ao tm
6 7 E
st2
^
6J 6,9t5 6.ta
0()
ll 0.65 7.2r 6.2? 5.6? 52 5.0; ro {,03 ,1.4,t a{0 1.25 ,,t0 +42 3.0{ 3.86 3.76 l.6e z.@
12 033 6,03 a,05 5.at 5.f6 a8 a.u t50 4.3t a,30 {t6 {.0 3.86 3.7a s.70 .@ 3.5. 3.a5 t6
9.q 6-70 674 {.Et 4.8: 4.1,1 4.30 ,f.t0 a.r0 3.06 38 3,66 8.50 3.51 t.t ?.u ?.25 ?.17
l{ 8.66 651 5t6 5,Ol a.70 a.r0 a.2a 1.11 .ot 3.9t 3.80 3.66 3.5r 3.a3 .35 3.8 3.0e 3.@
I6 8.64 G3t 6,12 ,r.89 4.60 1.?2 a,ta a.@ 3.60 3.a0 a.n7 3.52 3.n 3.29 3.21 3.1 3.05 2.e0 2,81
6 6.3 6.23 tm 4,71 1,11 1N 4.(B 3.89 3,78 3.09 355 3,al 3.16 3.10 3.02 2.&i 2.tA 2.75
l? a.{0 0.t 5.t0 1,67 1.?1 a.l0 8.03 3-79 3.04 3.59 3_r6 3.31 3-16 3.08 3.@ 2.C 2.4 2.05
IE 8.2e 6.0t 509 1.25 {,0t 3.11 3.71 3,60 337 8.08 3.m 2.C2 2.U 2.6 2.57
,9 8,0 s_03 5.01 '.58
a,5) 1,t7 3.0i 3.n 3.3 7.52 3,a3 3.30 3.5 3-m 2.C2 2_U 2,70 2-tt 2.54 2.19
20 8,O 5.85 {_9.1 ,t,.13 a,l0 zg, 3.?0 3.56 3.,r6 x,23 3.0! 2.C,I 2.86 2.74 2.09 2,01 2.42
2\ a.u2 5_75 Lx7 ,r.0,1 3.81 3,64 3.61 3.40 317 3.03 2.84 2,80 2.72 2,6{ 2.t5 2.10 2.30
7.05 5,?2 4.82 ..3 4.09 3,7G 3.69 3.45 3.35 3.20 312 2.86 2.83 2.15 2. 2.l 2.@ 2,10
2i 7.88 b_06 ,?0 1.24 3,et 3.8 3.41 3.30 3.21 3,0? 2.9X 2.18 2,70 2.02 2,4 2,15 2.20
21 1,82 56I 172 3.go x.67 3.50 3.36 3.26 3,17 3.03 2.89 2.74 2,N 2.119 2,10 2.31
7.7? 557 4 C,9 4.18 3.86 t.03 3,t6 2.ee 2,85 2.70 2.50 !.a6 2.46 2,/t ,,17
80 7.60 5.39 t,5l a.o2 4.70 3,17 a.a0 a,t7 3.O7 2.08 2,&t 2.17 2.dg 2.2t ,.lt 2.OL
10 6l8 a,3r 3,83 a,5t 4,20 a.t2 2,C0 2.AO 2.W 2na 2.X7 2.2e 2-20 2.lt 2.n2 r.02 .&)
6t) 7,04 4.0E 4.ta 3.65 a3a tr,t2 2.06 2.V 2,03 2,50 2.20 2,t2 2.N t.9 l.8l r.78 1.60
t20 6.&5 1.10 J,05 ,aa 3.17 2.en 4,10 2,66 2.66 2.t 0 2.03 t.05 1.60 r.70 l.@ t.5s 1.3E
6.63 t.6t 3,7a 4.32 3.fn 2,@ 2. 2-5I 2-1t 2,32 2,rE 2.Or 1.88 r.7g r.?0 l.Eo 1.17 1.32 t.m
Tablas esudsticas - pgina (420) Flidrologa Estadstica - pgina (421)
o:0.10 o c:0.0.11'r a:001 7c,rplo. Para 9 8rdos dc ibcIld F(,) = 0.9, cuando z: l.8l
-0.05 n:0.(X)5
F(-4-l-F(.).
I 3.07S 6.31-1 r2.700 03.657 1 tr/.rr2lo. l'u3 9 trrdos ds Il,crlxd F(-1.81) : r - F(r 83) : r - 0e5 = 0.05.
2 r.&3(i 2.0:0 4.J0:l .9(;f) 9.025 Nocro de grrdos d libe(rd
ll
4
l.{;:lft
L5:t:t
::|.lSj
2.77\i
,1 5ll 5.&11
4.00,1 { ,l,ll 5 I 6 I 7 I 8 I 9 I t0
5 1.1?e 2.01ii 2 i' t'I 1.032 5 0.5 000 000 0-00 0.00 000 000 000
0.6 0.1l 0.21 0.21 026 o.26 0.26 o.26
6 1.4{0 1.9.r3 2.4,t7 :J 143 071 0.56 0.55 0.55 0.55 0.54 0.54
3.?O7 6 0.7
1.415 r.895 ll 99s 0.8 t.l8 0.92 09t 0.90 089 0.88 088
3.409 7 t48 L44 t42 l 40 l 38 l.37
0.9 108
8 1.397 1.860 2 300 .r s96 3.355 8
I 1.383 1.833 2.'16.1 :t 8.21 3.250 I 095 .1I 202 191 i90 186 l8l I 8l
t0 L37'2 l;812 3.169 IO 0 975 121 251 145 211 I3t 216 273
099 3r8 331 I 1,1 100 290 r8l ?16
lt 1.363 r:790 2.10r r 718 0.9r5 61 7 403 lll 150 316 I2t I 17
3.106 11 589 J lr 419 450 110 4 t4
t2 0 9r9 lr8:1
1.356 I 6EL i1.055 l2
r3 t.:]50 t.77r 2.I(l) :l 050 3.012 13
N'1,',r,,, Jc tr.dos dc LLerid
14 1.315 1.761 2.14; I l+ ).9 t-7 l4
I5 1.34r I i53 2.602 2.947 r5 ll It r I L5 i i5
0.ll o,r[a 0. roata 0,04t! O E'? 0.qroa 0 oatD 0,077t 0_G 2 o.o
o 03820 0 c332 0,92?3 0,tzt12 0 02t 2 0.t? 0.lolre 0,lt 0 aao o.rnD o,Dte0 0. lltl 0. r'l0 0. ttlt o. rtr
0,07{L 0 96{3 0 e5032
0 09&50
0 er97
0.9t8D
o 01333
0 00750 0 97' 0 t005 0 09n01 0 0!551 0 0050r I 0.tl9l 0.ae$l 0,tlro 0t t0 0 9rt 0,al 0. a$7 o-3,aB 0.28l 0.cHl
0 99r 0 99000
0 0!!77 0, sll 0 tclo 0.l43 0.flrat 0 6r illGl 0 aB2l o a62E{ 0 {337t 0.4{ot
0 09990 0 q!99 0.e990! 0,09t03 0.m091 0 9998E 0.9008t 0,oeEr 0 e99?l
0 lul o,re4, 0, ra' 0, ?$rt 0 @ee 0.iEerg o. tE? o 0@r 0 7Eta o..ar
0 01999 0 ce900 0 e!9! 0 999t0
0.9@{! 0.t e. 0.1! 0.oto 0 uat 0 ,a 0 5?rl 0.I02 0_ ?lBl 0..?!aa
I 0,0arll 0 aat 0 el$ 0 90t4, 0 88! o L6oo l, Etlsm 0.8!{s1 0,Irtt
0 !ol!0
0@ 0.03 0.0{ 0,05 0,06 0.ot 0.08 00
0.oli
0,r0
0l50
I o.9ral0 0..arl 0 9a0l 0 o.a 0 eaa 0.olre o 681 o. 2l 0.t!?ll
0.8t?!
00t0 0.0t5 0.020 0.01{, 0.tx5 0.0{o 0.tt7t0 0.9aat 0 97' 0 e?rm 0,efllo 0 e5e o ctoll o e35r, 0.er6 o-iua
r0 o,00t, 0. e9et 0 elra 0 91r?! 0 ell, 0.070t, o, r89 0 ca35l 0 e.tti4 0.e!
0,s28{ 0 68?f o 82tl 0,tr8 0, !30 0 E065) 0.7el3l 0,111W 0 16{8 0,?18 tl 0.e9rca 0 t00t! 0_oao 0 til I o 0e0D 0 e8?8r o @t 0.efl, 0 ,?5{ 0,eaogt
0,9950t o $not 0,olur 0,0804) 0 97t! t 0 070{5 0 0656r 0,96a?c 0.05640 o 05t23 t, 0.egl(! 0 es& 0.9t?r, 0. 'io 0, eet 0,&le6 o.t4 0 446, 0.a?6 0_e@at
3 0_m973 0 9t0rt 0 80663 0.09790 0 99?07 0 99610 0 09518 0 0t 2 0 80301 0,0018a I 0.mcr 0 e00! 0 e9E 0 9tta 0 ger! 0 re?l l 0 ll!04 0 er?! 0.cclt 0_e,lll
t 0 99!99 0 9s995 0 l8e 0 00980 0 9c009 0 909t4 0 90010 0,9t 22 0 s9902 0,99979 t( 0.eu 0 m?l 0.$ll0 0. oliqtt 0.90? 0,$t 0,eeEt! 0,at?{ 0,ea 0.eetr,
5 0 e$$ 0 0!9c8 0 00!0, 0.!!995 0,tlt03 0.00lfr 0 00087 0.0906l ll 0.eo9l 0 0ee00 0 9t6t 0.ma 0. loto 0,99 0.mlt 0.tit?E 0:901t2 0,er?t
0 c000 0 !09!9 0-9!990 0 09098 IE 0.tot 0,emo 0 tc04 0 0e9Ec 0 e998 0 0r?{ 0,c9r 0.tD{l 0-0q2 0.e$eo
t1 0 eloe 0. ceo 0.eeot o ettlc 0.9e98 o.c$8e 0.0e0qt 0 $eru 0- 0r96,t 0-e${E
IE 0.9e0ce 0 e$!t 0,mfl 0 m! 0. c90(l o e089 0. rloE 0.m?a
02 03 0,{ 05 0.6 0.7 08 00 1,0 l 0 oeecc 0 ctcc 0.eee8 0 4ee, 0.toe05 o !o'! o,0908e
0m 0) 04t ,0 0.9m 0.9cef 0,c8 0.ee{? 0 olet
0r0 0l 021 0.30 0,35 0.50
2t o 9ee!0 0.t99 0. e0e0
0 3t278 0.3 Jr
0. t9
0_ 75la3 0 63{72 O 5E8 o 5210.9 o {?950 0 4385E 0 rd2t8 0 37toc
2 0.0it23 0-tot8 0 8007 o 8llr3 0- 880 0 7t08 0.?0{69 0 6?tB2 0 03701 0- do653
o 82t3 0 It t
3 0 99lgr 0,9ire o.c@3 0 t{02( 0 91880 0 E6a3 0 87321' 0 8t9{7 8{,125
a.t a 0 at ta !
I 0 998?9 0 99512 0 9808r 0 0E-2,8 o.o?50
0.t92
0,96:t4 0 05131 0 0tar5 0 t2{56
0.91022
o 9oq8
0.9257
l rl t-a L' tt ,.7 ,u ,.0
t 0,9$a{ 0.909u 0,9970a 0,00533 0 088@ 0.e627 0,07
Tabla A.7 FDA de las distribuciones X2 , gurot',uy Poison Tabla A.7 IiDA tlc lus rtistribucioncs XZ , gammay Poison
64 00 6.3 71 70 ?8 80
3) 3- 3-5 3G x7 33 3.9 {0 l0 r0 15
675
26 0 q0993 0 99i 0 99996 0 9909. 0 99902 0 09990 o 99087 0 99933 0 !9973 0 90!i3
0 99993 0 9990 r 0 99989 0 t0095 2g 0 e0e0 0 07m1 0 07300 0 9658t 0 95733
27 0 9c999 0 99900 0 999!8 0 00997 0 c9c00 0 ecro 0 08567 0 98125 o 97588 0 06913
0 0 09090 0 9990{ 0 99C9: 21
0 99990 0 99100 99998 0 09998 0 99997
2 0 e00m 0 90037 0 0871s 0 0&!t 0 0?8{{
19 0 99999 0 99999 0 99993 0 99098
t9 0 co9tt 0 0eJ03 0 00138 0 0885t 0.0&t02
0 99999
0 ccc6 0 0c585 0 99{23
30
6 0 223S1 0 2t01{ 0 1976 01851{ 0 I?356 016201 0,t5230 0l{25{ 0 r333 0l1d5
0 m{16 0 003{0 @2lt
7 0 315?9 0 29365 0 28206 0 2073{ o 25266 0 2386 0 2252n 0 2tu10 0 ?0019 0 t85i 0 01010 0 008t9
0 0 27035 0 26503 0 670 00557
I 0 lt.os 0 39i11
0
0
0.r799
?715 0 3r9t5
0 1559,1
0 31r0
0 .13727
o 32i71
0 a tD02
0,30008
0 i0t20 0
20123
38333 0 36692 0 350]q 0 01,130 0 012{0 010{
0 0 5l{l ? {9.131
0 07800 0 02519 0 0l7ol
0 5 l8 0 {5821 0 1119 02126
l0 0 6fi r 0 53933 0 70r{ 0 532t0 0 31321 0 {9161 0 t7626 0
t0 01,37 0{0!6 0 0313t 0205
rl 0 695!6 0 6770) 0 653;6 0 61035 0 62t69 0 603.r 0 58502 0 56669 o 5{8!6 0 53039
0 0 ii3Ll 0 7686 0 7199r 0 702qt 0 85?'i 0 668r,1 0 65101 0 61350 0 61506 0l60il tflt 0 07008 0 06t09 0 05200 olt3{
tz ?6911
t, 0,l22 0 r0llJ 0 08453 06709
l3 0 63033 0 81660 0 78733 0 ?5?6 0 7t2ll 0 izl)21 0 71020 0 6033
l3 0 277t0 012310 0 l@r0 09521
0 3i45 0 s5579 0 31365 0 6310s 0 81 303 0 E0{6r 0 70osr 0 7dB 0 tttur 0 r0t95 0la07r tlol {
0 91551 0 900r-3 0 8377{ 0 E?752 0 8693 0 8556S 0 6{$2 0 432r3 0 3ts7
, 0 t l00l 1 2fi10 0 21373 0 lelo ITIDJ
6 0 gllds 0 9!06 0 192tr2 0 9t3{ 0 90105 0 89603 0 8067 0 87686 0 80661
t6 0 ael? 0 26866 o 2at59
0 96105 0 95i:l 0 0 9{d33 0 9t026 0 933i3 0 92687 0 9105{ 0 91179 0 90361 0 0
0 0J8r{ 0 0310t l7 1t5707 32353 0 30060 21+r3
rs 0 9l:0i 0 0 96120 0 997{ 0 05193 0 9{9?r 0 9{.r 13 r8 0 30182 0 36160 33292
9 0 9sr5{ 0 962 0 ?660 0 97318 0 0?00r 0 96023 0 06213 0 05?7r 0 0529s
e 0 0001 0 {l10il I 0 i508r 0 12721 39158
2n 0 9sssi
',: 0 0 98511 0 93291 0 s801i 0 97179 0 87t80 0 91106 0 9i8r1 20 0 t551 0 42!83 0 tSet? l5?93
2l 0 0 093?0 0 !920 0 08921 o 08755 0.0870 0 9865 0 0839 0 978S1 2t o 7070[ 0 t85ll 0 5510
22 0 9959i 0 99518 0 99t31 0 99333 0 e0221 0 09003 rJ 09958 0 0303 0 03630 0 0{J33 0 6U28 5$0r
23 0 9916t 0 99it( 0 99650 0 9e596 0 9e52 0 gg.uz 0 09J,10 0 992{5 0 09t!8 23 0 373' 0 72083 0 70tr2 0 67tf5 6(91
,t 0 0 9ss63 0 00&33 0 09?90 0 99760 0 99661 0 90001 0 s!t32 0 99{5 2t 0 corl 0 77810 0 7100 0 7,183 69073
0 9905 0 l,8t{ 0 qgcal 0 90708 0 00760 0 0!710 0 99065
25 0 0 9992: 0.!9860 25 0 e200 | 0 7072 a 77241 7t6&3
2,i o 99906 0 9995t o 0.9r93{ 0 09919 0 0 0988! 0 0t&5 0 s9830 0 00793 0 836t3 0 8tr6t 70156
26
21 o 9961 0 9997i 0 0 0!903 0 e9955 0.c102 0 00t7 0 9t{rl0 0 e9880 21 0 c6131 0 87000 0 81107 8t70
0 099!{ 0 090ii 0 0 09930 0 9!975 0 0 00062 0 0t{53 0 090.t2 0 09030
28 0 e710 0 0t285 0 806lt 0 88100 83{{6
29 0 9n9!5 0 999 0 0 09089 0 9t!56 0 0,09s70 0 9!9?3 0 00960
79 0 08071 0 02120 o m779 8920t
0 99t4i 0 0990i 0 0 09m{ 0 0!003 0 0 0!38! 0 09085 0 99182 0 00071
30 0 91651
Hidrologfo Estadstic^ - pEina (42'7)
Tabias esradsticas - pgina (42)
Tabla A.7 FDA de las distribuciones 72, gamma y Poison
Tabla A.7 FDA de las distribuciones 72 , gurn^u y Poison
{0 5' t 50 3 @
, 25 2n 27 20 30
2X 2t 25 2i 27 2b 20 30
n - 10.6 u0 rt tz0 u5 l:l.0 l3J r{.0 tr5 160
t0 0 00@r
I 0 00@l
ll 0 00@2
0 flbo
qmr l2 0 00q)
0.@m3 0_QtD2 0.(amr 0 t3 0 tl)oa
3 0.@rl 0 m@7 0 txu) 0.0000 0 002 0-00q,1 0 (Dol 0 000, 0 @@l
4 0 00031 0.00ut 0 0,r 0,0(m8 0.@005 0m3 0 (Do2 0,0{001 0.0000r 0 ml
5 0.0@8r 0 @52 0 @03t 0 000x2 0 @lr 0@t 0 0006 0 @00r 0,t0002 0 lxmt 5 0 00023 0 00001 0 0ool
r6 0 @q)t 0 00mr 0 0r
0 0_00r8{ 0 ml2r 0 @80 0 0005, 0 0{034 0 @72 0,m15 0_(x)000 0 0{006 0 0000 l? 0 0@01 0 u)otr 0 @r) 0 m02 0 @(xll 0 @(x[
1 0.m377 0 00t 0,00r71 0 00lll 0 00076 0nlo 0 000!3 0 00022 0 00015 0.000t0 '18 0 00tt 0 )! 0 (B008 0 m)l 0 000(R 0.@00
a 0.(x)715 0 @tc2 0.t0330 0 m2e 0 00155 0.or05 0,0{D7l 0 0{0.t 0 1rc032 o @02t l9 0 00177 0 024 0 !13 0 0@1 0 @00! 0 @@2 0 tooi,r
I 0.01265 O OOEEE 0.Gro o 0030 0 m27 o.Ir20{ 0_erl0 o 00095 0,00065 0 00011
r0 0.0209 0 015tl 0.0f,75 0 00?6{ 0.005:t5 o.Er{ 0 (tr2!o 0 @llt 0 mt25 0 0008a 20 0 oo2r7 0 tmt 0 00it 0 00 0 txll o @00 o d)0 0 00(x)l 0 ootx,l
ll r.t 2t 0 oorl 0 d,oe o@i 0 oto 0 o@ro 0 d)ot 0 00@ 0.ooool
t2
0.(&r3? 0 02ra? 0,0708
0.0t1tx
0.012?
0 02031
0 00912
0 0raE2
0.tEr0
0 0lc7
0.(pt60 0 @:t2a
0 00553
0
o 30,r
0 lrsc
0 002?0
22 0 0oa2 0 ro 0q}llc o l 0 @ol! 0 I)00
0 m{
0 m00r om('2
0 tmr
t3
0.05038
0.07203
0,03752
0_05116 0 0|108 0,0 lt, 0.02308 c.0l?o
0,@?7
0 0r2ll 0 0090t 0, 0655 0.m.?t u 0 oor 0 otal
0 ollt
0 @0
0 00lr
0 00ro 0
0
@(D1
oqx! 0 @0z,
0
0
o@?
0@2 0 @(D6
2l 0 orer
t{ 0,t0t63 0 078nt 0,0602? 0 0t582 0,0{57 0.0r6 0 0re25 0,olt23 0 010{5 0.@70t
l5 0.l36Ei 0 lo?ut 0 08tt4 0.06500 0,oags{ 0 4802 0.0r8?l 0.02r? 0 01609 0 0[92 0 0r?c7 u m?r 0 I20 0 00000 0 @03rr 0 00010 0,000ll
0 t4a9 0.1r37{ 0 o2rsi
2n 0 0r!r 0 0td l? o rdao o m 0 ml8] 0 0010? 0 00036 0 m03t 0,oqlt7
I6 0. t7851 0.oEt50 0,06982 0,0510 0.0{118 0_0l162 0,0180tt 0 0lt2 o dr6r 0 oalr o t! 0 ml6 0 @3t 0 0@{8 0 00026
t7 0.12629 0 lE(?2 0,1t925 0lDll 0.00171 o.@N o.$$7 0 0{,t01 0.0i[i3 0,02535
21
2A 0 nJ3 0 oot 0 000a, 0 E& 0 @2a 0 00r20 0 oooJ 0.@tt
t8 0 2?0ll 0.2r90 0.19059 0 t5503 0 ta92 0_E ta 0.0r9(() 0 002,4 o oGla 0,037t5 29 0 oan 0 0la0 o 0a, 0 rq|l 0 tlr! 0 0ct2a 0 ({19 0 mrol 0 qtoat
l0 0.300 0.2{26 o 27{ o te6 o lms{ 0_r0ro 0 l).65 0 0e3rt 0 005ee 0 03tE0
20 0.3c713 0_ 3to5r 0 2380 0 2t23C 0 201{t 0 16581 0 lui26 0.t09a0 0 08770 0 06985
0 07r7 0 0r?40 0 lD76 0 mt6l o. (m02
2t 0,1589.r 0 3e$ 0 1308 0 2el)d 0 217t8 0 20615 0 17085 0llott 0.100 0.001e0
tr2 0 5207 0,,t5080 0 r0l?3 0 3172! 0 2t?07 0 168 0 2ll3 0 1708 0 t{{86 0.118{0
,d
23 o.5tt09 0.54D5 0 t@71 0 t03Et 0 35020 0 !0087 0 25t97 0,2167i 0 t803t 0-las{0 6a 0a a ?0
21 0.03873 0 57er? 0 5198) o t0160 0 i05?6 0 3$17 0,<5 0,2@0{ 0 2ml3 0 18{75 t l . t a 3l
0_69261 0_6lt57a 0 5776 O 5IE? 0,162i1 0 ,7@ 0 xt588 0 0785 0 2092 0 22129
26 0.7{196 0.6EEr0 o_6329 o lr50? 0.5r60E 0-$3ll 0. t@33 0 358{6 0 308 0 2676r 7t 0 @or
0 7862t 0.73738 0 6&$r 0 60 0 5?{16 0 5!60 0 {57' 0 a100? 0 36090 0 3l{ t5 , o,dEt 00r!t
0.8253s 0 ?8rre 0 830{ 0 08rr 0 62?8{ 0,5?{!5 0.618r- 0.1253 0 36322 zt o,ot 0.ffi
,0 0 n651 0 {6f)7 0 0m
30
0 85915
0 88?89
0 82019
0 a5a0{ 0 81526
0 72{0
o 7120t
0 07E25
0 7250i1
0 625t0
0,67l
0 67t7t 0 5l?9r
0.57{Xt 0 51760
0
0
{ r{00
{6565
2t
0 00a 3f,m tffir
2n 0 @0! 0 @0!
x2
160
3;
16.5
3{
170
35
175
36
r30
37
r8_5
38
100
39
ls5
{0
m_0 u 0 dr,2!
o 600r
0 ttl
o dorr
Iffi
aa
&m
.&r 0.oor
tu! 0m,
0,qmt
0 tDot
29
3
0 @0!i
0 mou om [ffii
ao.
0 o&ol
5 0 m@r 0 tmor
0.00003 o (It00, 0 m@r 0 oo0{l
1 0 00006 0 0@or 0 @003 0 )002 0_00@1 o m00 , Compilad[,Jo l'). S, l' rrorryll I) llrrthy(orh,) llr):/fl. U'om.rrLa Tsbles fo strr3ti'
0 0001{ 0 00000 0 0000t 0 00002 0 00@r
0 0 00030 0.0&m 0 c00r3 0 00000 0 00006 0 0000{ 0.0000, 0,0000r 0 0000r ciai'. vol. I. (lrrhrklr Pror, liurhhlr Lr'ltr,| (co"."rori.cior.
o 0 0m59 0 qD{o o 00027 0,000t0 0 000t2 0 00006 0 0m0( 0 00003 0 00002 .Nor Vcr rcc.:1.4,2 .r. lh.|..$k r.. d..Ilk..lt' l trbl dn:
l
t2
0_@
0 @roi
0 0 @76
0 mr!3
o 00Gt 0 0006
0 0006s
0 qr025 0 oqt7 o 0@I2 0.0@8
0 @5
0 00m5
0 000t I
0 0000r
l. ll.lrlhxolalrr ' 'trrt ' rrrlor rlo lil,orr.,l.
l3 0 d1337 0 (hr{o o mr70 0 00110 0 00085 o @59 0 000 r 0 00020 0 00020 0 0ool{ 2. .r/l.t.r.llrr.'ll.l.ll'oltrt.nm.conp.r,ndcosk-./2yx.
l{ o 0055.{ 0 mol 0 m233 0 00206 0 001{? 0 o0l0{ 0 0007t 0 00052 0 0m36 0 0@26
otrrr ' - l, .r ' 2^/
.
t5 0.msi8 0 0c6-H 0 0016s 0.m31 0 00216 0 0177 0 00127 0 000m 0 0c00{ 0 000{5 X- l, rl rr rltllrrr,i l l'rron con mcdia m - [ r' Aplior
t6 o 01316 0 0ro0o 0.00?39 0 00tr3 0,00397 0 @289 0 00210 0 00lir 0 0009 0 000?8 '
l abl con y ' - :l(t, I ll
t1 0 01997 0 0t505 0 01r27 0 m8lo o @622 o ml59 0 0033? 0 m20 0 0or?0 0 00120
l8 0 0270 0 0 0r66e 0 012d0 o @9{5 0 m52t 0 0
9 0.0{037 0
0!199
03r9J 0 02t01 0 0la8 0 0r39? 0 or)56 o 00793
00387
0_00503 o
@285
tu1t2 P6r. , 30. l. dr.lrlruolr r r .. .tto.l.lxn roru|, co rodi , y vrrirnzr 2 '. Algo
m! clcro (H.ld ll021 ur , lo, rl hr r tl rtu l (, r) - pc aprorirudamentc
0 055r o (Hro o 0 0 02010 o 0 0170 0 0 Go66? 0 0o5oo
20
2t 0 07366 0,05ll 0
0337{
01622 0
026t3
0362{ 0.0?424 0
0t538
02ll? 0 01681 0
00886
01249 0 0081 0 o07r{ a,, - v,l,/tr'- I L,l', ,l"n. r r rl vrl'r l l norml rlPic. T.bl trl quc
22 0,09612 0 0?{0 0 0687 0 01912 0 03875 0 (3037 0.o2366 0 0r832 0 ot{lt o 0108 Fltp) - p ^,1'
23 0.12219 0 r@ 0 08r0? 0 0616 0.05202 0 0{t!5 0 03251 0 02rr7 0 01e34 0.0rt37
2t 0 t53i8 0 12609 0 08.167 0 068{0 0 05189 o 0.13?6 0 0316? 0 0273r 0 02Ie
25 0 18902 o 5.ol 0 13l0? 0 0791 0 08320 0 0?160 0 0577{ 0 04026 0 0368.{ 0 02010
26 o 22&i 0 t0311 016210 0 13502 0lt6 0 ocr67 0 07{75 0 06056 0 0{875 0 oJ$r
0 27lrr 0 ?3?0 0 19707 0 t6e5 0 3887 011530 0 0t5{t7 0 07?86 0 06336 0 o 2(
0 3r?03 0 2?l5l 0 2371 0 2m3, 16987 0 t{260 0 11886 0 09810 0 08092 0 006r
29 0 365.2 0 3t981 0 23926 0 2015{ 0 17356 0 tr622 0 t22Jt 0I0166 0 0l39r
0 0 5ll 0 36;53 0 3225{ 0 233il 0 21261 0 03 0l17t{ 0_rr07t o 12573 0 086
Tablas estadsticas - pgina (428) Hidrologfo Estadfstica - pgina (429)
1.06 1.92 33.6 5.39 7.74 9.49 11.1 13.3 14.9 0.05 0,00 0, t0 o.rs I o,;l r. 164 z11 213 tr3 ,94
1.61 2.67 4.35 6.63 9.24 11.1 12.8 15.1 16.7 0,lr o.l I L0
I
t.t 2.20 z.8l 3.49 4.17 4.87
220 3 45 5 35 7.84 10 6 12.6 14.4 16.8 18.5 0.t 0,02
0.l0 0.5 lI
r.r ,cz 2.61 I r.s 4.75 5.07 J.90 6.14
2.A3 4.25 6.35 9.04 120 14.1 160 '18.5 20.3
0,25
l,r9 , r, I t.6 4.!t I s.s 635 1.14 E.l4 9.34
3.49 5.07 7.34 10.2 13.4 15.5 17.5 20.1 22.O
o.5
0,75
0,4r
l.t2 7.11 a, | 5.Je 6.61 I rn 9.0{ t0.22 I t.39 t2,55
4.17 5.90 8.34 11.4 14.7 16.9 19.O 21.7 23.6 0.9 2,1t a. I 6,rl 7?8 e.24 l2 0: l].36 t4.68 t5.
4.A7 6.74 9.34 12.5 16.0 18.3 20.5 23.2 25.2 lro
't1 5.58 7.58 10.3 13.7 17 3 19.7 21.9 247 26.8 0-95 !,t4 t,9r, rr' I uou t,.0, I t1.19
Irs
t407 15.51 t6.92 l8.ll
0.975 ,,02 ?.1 c.!l I U,l4 12.81 l6 0l r7.53 19.02 20.48
6.30 8.44 11.3 r4.8 18.s 21.0 23.3 26.2 28.3 6.t 0.l r r.r I n.lt .oc lrc.tr r8.48 20.o9 2t.61 2i.21
7.O4 9.3 12.3 16.0 19.8 22.4 24.7 27.7 29.4 7,8 10,00 l,,r t I r to.rs I ! 8.55 20 28 2196 21.59 25,t9
7.79 10.2 13.3 '17.1 21.1 23.7 26.1 29,1 3f.3
8.55 11.0 14.3 1A.2 22.3 25.0 27.5 30.6 32.8
0.991
0.999 r0,8 lltl rr1 1 !L7 215' l,:g a412 a7.88 29.59
13.2 16.3 20.3 24.9 29.6 32.7 35.5 38.9 41.4 2,0 :t0/ rl, ,t 0il 4.0 5 II J.70 6.84 I 1.43
,0J tt? ,t ll 4 lt f ?l J.fll .6.1r 1.631
E9l I
8.26
14.O 17.2 21.3 26.0 30 8 33.9 36,8 40.3 42.8 I lr l ,10 t0l l(, (,9l 7,J 9.59
14.A 1A.1 22.3 27.1 32.O 35.2 38 1 416 44.2 4, Jl ttl t9 I l.tt 796 8.67 ro. r: I to.s
15.7 19.0 233 2A.2 33 2 36 4 39.4 43.0 45.6 I ll 11.65 | ll.4{
16.5 19.9 24.3 293 34.4 37.7 406 4.3 46.9 t. rt tl0 / 0,t r0 09
?tll i,la 9lll t0 t/ II r)"1 9l 12.19 14.56 | 15.45
17.3 20.A 25.3 30,4 35.6 38.9 41.9 45.6 48.3 t0.:t,i lt I l,l I I l,l t4 r.l 15 l4 l6 .ll r8 l4 I r9-14
1A.1 21.7 263 31.5 36.7 40.1 43.2 470 49.6 r t,70 l,l t Ir9l It l) It lr l9 l? 20.49 1172 I 23.8)
'r. r I
18.9 22.7 27,3 32.6 37.9 41.3 44.5 48.3 51.0 17,2i t tt l{ tl )I l|, 2t 54 24 77 27 20 I 28.41
19.8 23.6 28.3 33.7 39.1 42.6 45.7 49.6 523
t9.t I l ol :lJ lo ,r 0l rn I 2d J0 21.59 l0 14 I 3t.41
20.6 24.5 29 3 34.8 40.3 43.8 47.0 50.9 53 7 2r.9 I l,la a l,l ln t,
11
,/ 4, I 1E.85 l0 19 l2 8t l4-17
29.1 33.7 39 3 45.6 51.8 55.8 59.3 63.7 66 I a,r.,I . r ,, 0r ,{ t,t xr r | l2 ) ll4l 16.t9 37.s1
37.3 429 49 3 56 3 63 2 67 5 71.4 76.2 79 5 20,? I r t0 c t I I l,r t 80 I 14.27 JJ 72 18.58 I 40.00
46.5 52 3 59 3 67.A 74.4 79 1 83.3 8A.4 92.0 lr,l I t.ll ra l0u t, xr | 19.25 4019 13 8L 4512
61 7 693 776 85.5 90.5 95,0 100.4 104,2
64.3 71.1 79.3 88.1 96.6 101.9 106.6 112.3 116.3
80.6 a9.3 98.6 107.6 '113.1 118.1 124.1 128.3
a2.4
Tablas estadfsticas - Pgina (430) I{idrologla Estadstica - pgina (431)
I
E
0.1 r.2 t4.0 14.8 l5-1 16.5 r?.3 l8.t r8.9 19.8 zJ-6
0.25 16.3 t7.2 l8.l r9-0 t9.9 20.8 21.1 n.1 2r.6 21.5
0.5 0., 71., 22.3 25.3 24,1 25.3 26.3 21-3 2.3 29.'
0.?5 24,9 26.0 21.1 282 29.r 30-4 31.5 12.6 tt.7 34.E
0.9 29.6 30.8 32.0 11.2 34.4 35.6 36.7 37.9 39.1 40.1
0.95 t2.7 lt.9 ,5.2 16.4 11.1 t8.9 40.1 4t.1 42.6 43.8
0.975 15.5 368 38,1 ' 39.4 40.6 41,9 41.2 44_5 45.1 47.0
o.99 t8-9 403 4t.6 43.0 1{.! 45.6 47.O 48.3 49.6 r).9
g
0.995 4t.{ 42.8 u.2 45.6 46.9 48.3 49.6 51.0 523 53.1
0.999 46.8 48.1 49.7 51.2 52.6 54.1 J5.5 56.9 58.3 59-7
3
3
!s
,i
Is
3
I
|"
I ,t :
I e
,t
I "
. {-
-.! L\
,...-'\: '
.
\