METODO LOG PEARSON

TIPO III
DOCENTE :ING. RUSBIT NUEZ NUEZ

INTEGRANTES LUIS OSCAR TICONA MAMANI

HELDER FLORES VENTURA
CESAR CORMILLUNI AGUILAR

ASIGNATURA :HIDROLOGIA

INTRODUCCIN

El sistema Pearson fue originalmente ideado en un esfuerzo para modelar observaciones

visiblemente asimtricas. Era bien conocido en aquel tiempo cmo ajustar un modelo terico
para acomodar los primeros dos cumulantes o los momentos de observados datos: Cualquier
distribucin de probabilidad puede estar extendida directamente para formar una familia de
escala de posicin. Excepto en los casos patolgicos, una familia de escala de posicin puede
estar hecha para acomodar la media (primer cumulante) y la varianza (segundo cumulante)
arbitrariamente bien. Sin embargo, no era conocido cmo construir distribuciones de probabilidad
en las cuales la asimetra (tercer cumulante estndar) y la curtosis (cuarto cumulante estndar)
pudieron estar ajustados igualmente. Esta necesidad surgi al intentar acomodar modelos
tericos conocidos a datos observados que exhibieron asimetra. Los ejemplos de Pearson
incluyen datos de supervivencia, cules son usualmente asimtricos. En su escrito original,
Pearson (1895, p. 360) identific cuatro tipos de distribuciones (numeradas del I al IV) adems de
la distribucin normal (la cual era originalmente conocida como tipo V). La clasificacin dependi
en si las distribuciones estaban definidas en un intervalo definido, en una semirrecta, o en los
reales y si estaban potencialmente asimtricas o necesariamente simtricas. Un segundo escrito
(Pearson 1901) arregl dos omisiones: Redefini la distribucin de tipo V (originalmente inclua la
distribucin normal, ahora incorporaba la distribucin gamma inversa) e introdujo la distribucin
de tipo VI. Conjuntamente los primeros dos documentos de identificacin cubren los cinco tipos
principales del sistema Pearson (I, III, VI, V y IV). En un tercer escrito, Pearson (1916) introdujo
an ms casos especiales y subtipos (del VII al XII).

METODO LOG PEARSON TIPO III

Una funcin de densidad de Pearson,
p, est definida para ser una solucin
vlida a una ecuacin diferencial (cf.
Pearson 1895, p. 381)

Segn Ord,3 Pearson ide la forma subyacente de la

ecuacin (1), con base, primeramente, en la frmula
para la derivada del logaritmo de la funcin de densidad
de la distribucin normal (la cual da una funcin lineal)
y, en segundo lugar, de una relacin de recurrencia para
los valores en la funcin de probabilidad de la masa de
la distribucin hipergeomtrica (que produce la funcin
lineal dividida por una estructura cuadrtica).

En la ecuacin (1), el parmetro a determina un punto

estacionario, y por lo tanto bajo ciertas condiciones un
moda de la distribucin, ya que

Sale directamente de la ecuacin diferencial.

Dado que nos enfrentamos a una ecuacin
diferencial lineal de primer orden con coeficientes
variables, su solucin es directa:

La integral en esta solucin simplifica

considerablemente cuando ciertos casos especiales
de integrando son considerados. Pearson (1895, p.
367) distingue dos casos principales, determinados
por el signo del discriminante (y por tanto el
nmero de races reales) de la funcin cuadrtica.

OBJETIVO:
Aprender el uso de mtodos estadsticos hidrolgicos, para su uso
en el campo de la Irrigacin de cultivos.

FUNDAMENTO TERICO:
B.1. ESTADSTICA APLICADA A LA HIDROLOGA
Es importante en la ingeniera utilizar la estadstica como un medio
numrico para predecir los cambios hidrolgicos producidos por la
naturaleza, contando como elemento principal el uso del agua.
La estadstica fundamentalmente se aplica sobre datos hidrolgicos
recolectados de estaciones meteorolgicas, que pueden medir las
precipitaciones, caudales de ros, radiacin solar, etc. Que son
factores que influyen en el comportamiento del agua en nuestro
medio. Es precisamente que mediante la estadstica se busca
encontrar un comportamiento tpico del agua a travs del tiempo
en una determinada rea, para as ayudar al ingeniero a disear las
estructuras necesarias.

B.2. FUNCIONES DE FRECUENCIA Y DE PROBABILIDAD

En una muestra dada, que puede ser una precipitacin (mm), se
observa que est idnticamente distribuido; a partir de este se puede
construir un histograma de frecuencias, mediante los siguientes pasos:
El rango de datos de la muestra aleatoria se divide en intervalos
discretos
Se cuenta el nmero de observaciones dentro de la muestra
Se dibuja como un grfico de barras

 Si el nmero total de observaciones de cada barra del histograma de

frecuencias, se divide entre el nmero de observaciones contadas, se
obtiene otro de diagrama de barras, llamada Funcin de Frecuencia
Relativa (fm(x)), que est dado por la expresin matemtica:

 La sumatoria de Frecuencias Relativas se convierte en una nueva

Funcin de Frecuencias Acumuladas Fm(x), expresado de la
siguiente manera:

 Esta funcin se lleva al lmite de aproximacin a cero,

obteniendo la siguiente figura:

 Esta ltima funcin se llama Funcin de Distribucin de

Probabilidad, la cual se deriva y se obtiene la Funcin de
Densidad de probabilidad para la poblacin:

 Esta ltima funcin es un grado de ajuste de la

informacin, la cual por su forma puede ser ajustada
por funciones de densidad conocida, como la
funcin normal, la cual forma la campana de Gauss.

CICLO DE FUNCIONES DE
FRECUENCIA Y PROBABILIDAD
La funcin Normal, tiene
desventajas como el de
tener valores negativos, la
cual la muestra hidrolgica
no tiene y tiene forma
simtrica, y la funcin de
densidad obtenida por lo
general no lo tiene, as que
tambin se tiene otras
funciones, la cual es nuestro
tema ver la Distribucin Log
Pearson Tipo III.

b.3. Distribucin Log Pearson Tipo III:

Esta Distribucin se aplica al logaritmo de los datos, es muy
utilizada por sus resultados de aceptable confiabilidad
cuando se efectan predicciones con grandes periodos de
retorno, la expresin de la funcin es la siguiente:

Donde los 3 parmetros son:

Clog = es el coeficiente de
Asimetra de los logaritmos de
datos

 La funcin es muy complicada analticamente, por lo que

se usa la frmula de Chow transformada logartmicamente:

El valor de KT, se obtiene tabulando de una tabla, de acuerdo a la

probabilidad de ocurrencia y al tiempo de retorno; en la siguiente
tabla presentada, se obtiene dicho coeficiente (KT = k):

 puede obtenerse con la frmula siguiente, la cual depende del coeficiente de

asimetra de los logaritmos de datos (S = C log) y de la variable normalizada z que
depende del periodo de Retorno como una variable de probabilidad de excedencia.
Aqu se muestra las siguientes frmulas:
2.51557 0.802853w 0.010328w 2
z w
1 1.432788w 0.189269 w 2 0.001308w 3

Donde:
w=ln1p21/2; 0<p0.5
w=ln1(1-p)21/2; p>0.5
Para p>0.5 se le agrega a z un signo negativo
Donde :
p=1/Tr
Siendo
w: Variable intermedia
p: Probabilidad de excedencia
T: Periodo de retorno (aos)
De los parmetros z y Coeficiente de Asimetra:

CAPITULO II

2.1 CONCLUSIONES:
Despus de lo investigado se pudo entender la necesidad de la hidrologa
estadstica y de tener datos de estaciones hidrolgicas para su desarrollo y
mejor prediccin; el mtodo de Distribucin Log Pearson Tipo III, es una funcin
muy adaptable a las funciones obtenidas por las muestras de campo, la cual la
hace una buena eleccin para largos periodos de retorno.

2.2 RECOMENDACIONES DE ALGUNOS INVESTIGADORES:

Para ajustar distribuciones de tres parmetros (Log Normal III, Log Pearson) se
requiere estimar el coeficiente de asimetra de la distribucin; para ello es
necesario disponer de una serie con longitud de registros larga, mayor de 50
aos, (Kite, 1988). Las distribuciones de dos parmetros son usualmente
preferidas cuando se dispone de pocos datos, porque reducen la varianza de la
muestra, (Ashkar, et al. 1994).