1.

INTRODUCCIN menor para ocupar progresivamente el cauce mayor,

hasta alcanzar un mximo, o caudal-punta y descender
El fenmeno del cambio climtico genera a continuacin. Segn Paoli et al. (1998), las crecidas
muchas inquietudes acerca del comportamiento de que se presentan en trminos hidrolgicos, poseen un
algunas variables; es por esto que, variables grado de riesgo y una probabilidad de excedencia
hidrolgicas como las precipitaciones y los caudales, diferente, segn el caudal mximo, el volumen o la
muestran un papel fundamental en este aspecto, duracin que se considere. Como consecuencia de ello
debido a que son variables directamente influenciables las obras y medidas no estructurales que se disponen,
por fenmenos de amplio espectro temporal y estarn sometidas a un nivel de riesgo diferente segn
espacial. la variable utilizada, para determinar valores de diseo
correspondientes a un determinado perodo de retorno.
Por otra parte, para solucionar los problemas
que implican el diseo de obras y la planificacin En este marco, el presente documento tcnico
hidrolgica, se debe recurrir al estudio de la basado en los contenidos del segundo curso del
probabilidad, dado que dichos problemas se refieren a proyecto FONDEF D08I1054, tiene como fin realizar un
eventos que se podran producir en el futuro, sin base aporte al conocimiento de las funciones de distribucin
en una estimacin real, (Linsley et. al., 1988). Sin de probabilidad que mejor ajustan al comportamiento
embargo no solamente se debe estimar la magnitud de eventos extremos y en particular de la variable
del diseo, tambin se debe indicar la probabilidad de caudales mximos instantneos (caudales punta), a
excedencia, con el fin de dar un cierto grado de travs de un ejemplo prctico, en donde se utilizarn
seguridad a la obra, o bien el riesgo de falla, (Muoz, las 4 funciones ms utilizadas en estudios de variables
2004). De esta forma es necesario construir un modelo hidrolgicas, a saber Gumbel, Goodrich, Log-Normal y
probabilstico, en donde se debe contar con una Pearson Tipo III, adicionalmente y a travs de pruebas
funcin de distribucin de probabilidad (FDP), que de bondad de ajuste como son el el coeficiente de
represente la variable hidrolgica de inters. determinacin R cuadrado y el test de Kolmogorov
Smirnov, se podr realizar un anlisis comparativo y
Las crecidas corresponden a fenmenos de una proyeccin de posibles eventos extremos
concentracin. Segn Ollero (1996), son procesos asociados a diferentes perodos de retorno de los
naturales, sin periodicidad, constituidos por un caudales punta, obtenidos de la informacin
incremento importante y repentino del caudal en un fluviomtrica proporcionada por la Direccin General
sistema fluvial, el cual lleva consigo un ascenso del de Aguas.
nivel de la corriente, que puede desbordar el cauce
 lmite,
cuando
n y
0, se
denomina
funcin de
distribucin
de

2. FUNCIONES DE DISTRIBUCIN DE
PROBABILIDAD (FDP)

2.1 Definicin de las FDP

Segn Chow et al. (1994), al conjunto de

observaciones x1, x2, . . . , xn, de la variable aleatoria,
se denomina muestra. Una muestra es sacada de una
poblacin hipotticamente infinita, que posee
propiedades estadsticas constantes. Las propiedades
de una muestra pueden cambiar de una muestra a otra
y, el conjunto de todas las muestras posibles que
puede extraerse de una poblacin, se conoce como
espacio muestral, en donde un evento es un
subconjunto muestral. Si las observaciones de una
muestra estn idnticamente distribuidas, stas
pueden ordenarse para formar un histograma de
frecuencia. Ahora bien, si el nmero de observaciones
ni, en el intervalo i que cubre un cierto rango, se divide
por el nmero total de observaciones n, el resultado se
conoce como frecuencia relativa. Asimismo, la suma probabilidad (F.D.P.). De igual forma, la derivada o
de los valores de la frecuencia relativa hasta un punto incremento finito de la F.D.P., se conoce como funcin
dado, es la funcin de frecuencia acumulada, y en su de densidad de probabilidad (f.d.p.).
 x
considerando que
x
1
F ( x) f ( x)dx P( x X ) 1 T

3.3.- Formas de Determinar la Probabilidad Luego, la probabilidad de que x sea mayor que
X, viene a estar dada por la funcin complementaria.
Pizarro y Novoa (1986), afirman que para
conseguir definir la probabilidad implcita es preciso x
1
consignar dos conceptos previos, que son el perodo de P( x X ) 1 F ( X ) 1 f ( x)dx
retorno y la probabilidad de excedencia. T

Perodo de retorno: Se define como el tiempo

que transcurre entre dos sucesos iguales. Sea ese De esta forma es importante definir las Funciones
tiempo T. de Distribucin de Probabilidad que mejor se ajustan al
comportamiento de las variables hidrolgicas, donde
Probabilidad de excedencia: Es la probabilidad no se considerar para este ejemplo la funcin
asociada al perodo de retorno. Normal, la cul si bien es el modelo ms utilizado y con
mayor importancia en el campo de la estadstica, su
1
uso es muy limitado en hidrologa, dado que las
T
variables raramente se comportan de esta forma
P (x>X) =
(Varas y Bois, 1998).
En otras palabras la probabilidad de que la variable
aleatoria tome un valor igual o inferior a cierto nmero Por otra parte existen otros modelos que
X, est dada por la funcin de distribucin de representan de mejor forma el comportamiento de
probabilidad F(X). variables hidrolgicas, un ejemplo de esto es la Ley de
Distribucin de Gumbel la cul ha demostrado
poseer una adecuada capacidad de ajuste, a valores
mximos de caudales, (Pizarro y Nova 1986). As 1
mismo y segn Aparicio 1997, la funcin de d
0,779696 * S x 0,450047 * S
distribucin de probabilidad de Gumbel se comporta de
la siguiente forma: ;

Distribucin Gumbel: Otra FDP conocida en hidrologa es la funcin de

Distribucin de Goodrich, la que posee la cualidad
d ( x ) de eliminar valores extremos, es decir aquellos cuya
P( x X ) F ( x) e e probabilidad de ocurrencia es muy pequea. Por lo
mismo, consigue suprimir las distorsiones que pueda
(Ecuacin 1) provocar un slo valor anmalo. Posee la siguiente
funcin de distribucin de probabilidad (Pizarro et. al.,
Donde: 1993).

: Representa el valor a asumir por la variable

aleatoria
Distribucin de Goodrich:
e: Constante de Neper. 1/ p

y d: Parmetros
P ( x X ) F ( X ) 1 e a ( x x1 )
(Ecuacin 2)

Para X1< X
Los parmetros de la distribucin de una
muestra de tamao infinito, tienden a los siguientes En tanto los parmetros se determinan a partir
valores, en base a la media aritmtica y la desviacin del siguiente sistema de ecuaciones:
estndar de la muestra:
m3
P p
s3
;
a2p
s
1
2
2 p 1 2 p 1
Una tercera FDP importante de considerar
;
importante es la Distribucin Log-Normal, la cul
tiene la desventaja sobre la distribucin normal de que
( p 1)
X1 x est limitada a (X>0) y tambin que la transformacin
ap Log tiende a reducir la asimetra positiva comnmente
encontrada en la informacin hidrolgica, debido a que
al tomar los logaritmos, se reduce una proporcin
Donde: mayor de los nmeros grandes en relacin a los
m3 : Momento central de orden tres, pequeos (Chow et. al. 1994). Presenta la siguiente funcin
n ( xi x ) 3 de distribucin de probabilidad:
m3 i 1 n
S3 : Desviacin tpica al cubo. Distribucin Log-Normal:
P(p): Funcin auxiliar de Goodrich.
2
S2 : Varianza muestral. x 1 ln x a

1

2x 0
: Funcin Gamma. F ( x) e 2
dx
x
: Media muestral. (Ecuacin 3)
e : Constante de Neper

Finalmente, despejando la variable aleatoria x Donde los parmetros existentes que se basan
de la funcin de distribucin de probabilidad de en los logaritmos de la variable aleatoria, estn
Goodrich, se obtiene lo siguiente: definidos de la siguiente forma:

n
ln xi
1
a n
x x1 p
ln( 1 F ( X )) P i 1

a
 1 informacin es muy asimtrica positivamente, se
(ln x i a ) 2
n 2
utiliza una transformacin Log para reducir su

n asimetra, la cual se presenta de la siguiente forma
i 1
(Chow et. al., 1994):

Donde:
: Representa el valor a asumir por la variable
Distribucin Pearson Tipo III:
aleatoria
, : Parmetros
e: Constante de Neper
x
x
x
1

0
En el mismo caso que la distribucin normal, se asigna
F ( x) e
dx
z como una variable estandarizada:
(Ecuacin 4)
ln x a
z

Donde los parmetros de la distribucin pueden
x
Y la probabilidad se encuentra en la tabla ser estimados en funcin del promedio ( ) y
desviacin estndar (S) de la muestra, por medio de
Normal, donde el valor de la variable x es: las siguientes expresiones:
2
*z a 2
xe
S

x
(Ecuacin 3 modificada) ; ;

La ltima Funcin a estudiar es la Distribucin

Pearson Tipo III, la cul se aplic por primera vez en
Donde:
la hidrologa por Foster (1924), para poder describir la
probabilidad de caudales mximos anuales. Cuando la
 n
( xi x ) 3 / n x ya

i 1 S3 , (Ecuacin 4 modificada)
: Coeficiente de sesgo

e : Constante de Neper Y la probabilidad es obtenida a travs de los

, y : parmetros valores presentes en la tabla de percentiles de la
S: Desviacin tpica distribucin x2, con n grados de libertad.
x
Los resultados del estudio de Kroll y Vogel (2002,
: media aritmtica
en 1505 estaciones de Estados Unidos, determinan que
la funcin de Pearson Tipo III, es la que mejor
Asimismo la variable estandarizada y se presenta a representa a las series de caudales mnimos
continuacin: intermitentes, donde se presentan descargas con
valores cero.
x Al contar con los ajustes necesarios de estas 4
y
a FDP se desea representar en este trabajo cul es la
que mejor representa la tendencia y comportamiento
de los caudales punta, para esto se presenta la
Posteriormente, el ajuste, se realiza a travs de la siguiente metodologa de trabajo:
tabla chi-cuadrado, donde:

x2 2y 3. METODOLOGA

2 El ejemplo a considerar contempla la estacin

Ro Maipo en El Manzano (Latitud Sur: 3335; Longitud
Oeste: 7022), ubicada en la Regin Metropolitana y
Por lo tanto, el valor que asume la variable aleatoria x para ejemplificar se considerar un perodo de registro
a partir de lo anteriormente sealado, se define como: que est comprendido entre los aos 1993 2007 (15
datos anuales de caudales mximos instantneos).
 Media : Es el valor esperado de la variable
misma o primer momento respecto al origen.
Muestra la tendencia central de la distribucin y
su valor estimado a partir de la muestra es:
1 n
x n xi
n i 1

Desviacin Estndar: Es una medida de la

variabilidad, ya que es la raz cuadrada, de los
cuadrados de las diferencias y, su valor
estimado, se denota como:

1 n
Figura 1: Estacin Fluviomtrica
3.1. Tratamiento inicial de la informacin y
S
n 1 i 1
( x x) 2
clculo de Estadgrafos

Para cada serie de datos, se determinaron por

una parte, los estadgrafos de posicin, tambin En la siguiente tabla se entrega la informacin
llamados de tendencia central, para indicar alrededor fluviomtrica de la estacin a trabajar y los
de qu valor se agruparon los datos obtenidos, como estadgrafos media y desviacin estndar necesarias
es el caso de la media, y por otra parte, los
para comenzar a ajustar las funciones:
estadgrafos de dispersin. Estos estadgrafos o
estadsticos, extraen informacin de una muestra,
indicando las caractersticas de la poblacin: Tabla N1: Informacin de Caudales Punta
Estacin Rio Maipo en El Manzano, vlida para el
clculo de las FDP.
 considerada, (Gumbel). Como antecedente, este
ejemplo puede ser acotado para otras variables
hidrolgicas de igual forma, como por ejemplo son las
precipitaciones mximas.

Determinacin de parmetros y d:

1
d
0,779696 * S x 0,450047 * S

S = desviacin estndar de la muestra

= media de la muestra.

Tabla N2: Parmetros

Gumbel
D
0,004590323

306,0642297

3.2. Clculo de la FDP de Gumbel

Posteriormente, con el resultado de los Una vez determinados los parmetros de

estadsticos media y desviacin estndar, se procede a Gumbel, se debe ajustar la FDP para esto, primero se
ajustar las series anuales de caudales mximos debe ordenar la variable aleatoria en forma creciente,
anteriormente presentados. Para esto es preciso posteriormente se debe determinar la frecuencia
determinar los parmetros de la primera funcin observada acumulada Fn(x) y la frecuencia terica
acumulada F(x). Las frecuencias observadas se Para finalizar con el ajuste, se debe comprobar
calculan ordenando en forma ascendente la siguiente la calidad del ajuste, para esto se contrastaran 2
expresin de Weibull: pruebas el Test de Kolmogorov-Smirnov (test K-S) y
el Coeficiente de Determinacin (R2).

El primero se calcula mediante la obtencin del

(Ecuacin 5) supremo de las diferencias (ver tabla 3), que consiste
Donde: en determinar el valor absoluto de la mxima
diferencia entre las frecuencias observadas y
Fn(X) = Frecuencia Observada Acumulada. acumuladas. Esta diferencia se denomina por la letra
n = Nmero del dato n. Dc y su expresin es la siguiente:
N = Nmero total de datos.

Por su parte, la frecuencia terica acumulada de

la funcin de Gumbel se obtiene a travs de la
(Ecuacin 6)
siguiente expresin, donde se consideran los
parmetros y la variable ordenada que corresponda
Donde:
para los 15 datos ejemplificados:
Dc = Supremo de las Diferencias.
Fn(X)i = Frecuencia Observada Acumulada.
e 0 ,004 59 0332( x 3 06 ,0 64 2 29
7) F(X)i = Frecuencia Terica Acumulada.
F(X ) e
Una vez obtenido el supremo de las diferencias,
se compara con el valor de la tabla Kolmogorov-
Smirnov. Si el valor obtenido de la tabla K-S (D t), (Tabla
Anexa N1) es mayor que el supremo de las
diferencias (Dc), se puede aceptar la hiptesis nula
(Ho) que indicara que se est en presencia de un buen
ajuste con el nivel de confianza asumido (Dt > Dc).
Por otra parte para calcular el Coeficiente de
Determinacin (R2) se debe considerar la ecuacin 7.
Dicho Coeficiente es un indicador que mide cul
proporcin o porcentaje de la variacin total de la
variable dependiente, es explicada por el modelo de
regresin (Gujarati, 1992):

R2 1
( Fn ( x)i F ( x)i ) 2 Tabla N3. Ejemplo para el ajuste de la
(Fn ( x)i Fn x i )2 FDP de Gumbel
(Ecuacin 7)

Donde:

R2 : Coeficiente de determinacin; 0R21

Fn x i
: Media de las frecuencias observadas
acumuladas
Fn ( x) i
: Frecuencia observada
F ( x) i
: Frecuencia terica acumulada

A continuacin, se presenta en la Tabla N3 el

clculo de la frecuencia observada acumulada F n(x), la
F (x)
frecuencia terica acumulada y el Supremo de las
diferencias que se explica con posterioridad:
 FDP Ajuste K-
Ajustada Dc Dt S R2
Gumbel 0,139 0,338 Acepta Ho 0,951

Donde:

A = Se acepta el ajuste.
Dc = Supremo de las diferencias.
Dt = Valor tabla K-S.
R2 = Coeficiente de determinacin.

Los resultados de esta tabla indican que el valor

Dc=0,139, es menor que el valor Dt=0,338, obtenido
a
de la tabla K-S con un 95% de confianza ( = 0,05 con
n = 15), con lo cual se cumple la condicin de un buen
ajuste K-S.

Por otra parte el Coeficiente de Determinacin R 2

alcanza un 95,1%, lo que tambin indica un buen
ajuste del modelo, por lo que se puede indicar que la
FDP Gumbel es una Distribucin que se ajusta bien a
los datos de caudales presentados en el ejemplo.
Por otra parte, en la Tabla 4 se presentan los
resultados de las pruebas de bondad del ajuste (Test La forma de calcular el R2, para que quede mejor
Kolmogorov-Smirnov y Coeficiente de Determinacin), ejemplificado y de acuerdo a la Tabla 3 es la siguiente:
para el ejemplo de la funcin de Gumbel desarrollado.

Tabla N4. Resultados tests de bondad del

ajuste Gumbel Gumbel
 15
(0,063 0,0683) 2 (0,125 0,1114) 2 y d: Parmetros
R2 1 ........
( 0,063 0,5) 2
( 0,125 0,5) 2 3.3. Clculo de la Probabilidad de Excedencia
1

En la Tabla N5, se entregan los valores de

Como ltimo punto relacionado con la FDP caudales mximos asociados a los perodos de retorno
Gumbel y para ejemplificar de mejor forma el ejercicio, nombrados anteriormente, de acuerdo a los valores
es necesario conocer el valor a asumir por la variable despejados de la variable x y a los parmetros
aleatoria (caudal, precipitacin etc.) para cierto asociados. Para esto se debe considerar que la
perodo de retorno asociado, de tal manera de poder probabilidad de excedencia: Es la probabilidad
predecir posibles eventos futuros y poder tomar asociada al perodo de retorno, y viene dada por la
decisiones de gestin. Para esto se pretende despejar siguiente expresin:
dicha variable y calcular su valor asociado a 10, 20 y .
50 aos. El despeje se presenta a continuacin: 1
d ( x ) T
F ( x) e e P (x>X) =

En otras palabras la probabilidad de que la variable

aleatoria tome un valor igual o inferior a cierto nmero
Al despejar el valor de la variable aleatoria de la X, est dada por la funcin de distribucin de
probabilidad F(X).
funcin original, se obtiene lo siguiente:
1
ln(-ln(F(x ))) F ( x) P ( x X ) 1
x - T
d

Donde:

: Representa el valor a asumir por la variable Por ejemplo para un perodo de retorno (T) de 30
aleatoria aos:
e: Constante de Neper
 1
F ( x) 1 0,96
30 Perodo de Probabilidad Probabilidad Gumbel
retorno de excedencia de no excedencia
10 0,100 0,900 796
20 0,050 0,950 953
50 0,020 0,980 1156
El valor de la variable aleatoria asumiendo ese
De esta forma se ha trabajado con la FDP
perodo debiera ser: Gumbel, por lo tanto se procede a realizar todo el
ejercicio, desde la obtencin de parmetros, los
ln(-ln(F(0 ,966))) ajustes, la comprobacin de la calidad del ajuste y el
x 306,065 - 1039 valor estimado de la variable asociada a diversos
0,00459
perodos de retorno, para las 3 FDP restantes:

3.4. Clculo de la FDP de Goodrich

Lo que indicara que considerando dicha serie de
datos y un perodo de retorno de 30 aos, el valor del Con la serie de datos original pertenecientes a la
caudal punta podra adquirir un valor igual o inferior a: Tabla N1, la cual se presenta a continuacin se
m3 procede a calcular los parmetros de esta FDP.
s
1039 Tabla N1: Informacin de Caudales Punta
Estacin Rio Maipo en El Manzano, vlida para el
Por lo tanto considerando los perodos de retorno clculo de las FDP.
10, 20 y 50 aos para el ejercicio se presenta la
siguiente tabla de resultados:

Tabla N5: Probabilidad de Caudales Mximos

para los Distintos Perodos de Retorno segn
Gumbel.
 p a
Es necesario contar con los parmetros , y
X1
, de los cules su forma de obtener se detalla a
continuacin:

m3
P p
s3

a2p
1

2 p 1 2 p 1
s2

( p 1)
X1 x
ap

S3 : Desviacin tpica al cubo.

P(p): Funcin auxiliar de Goodrich.
S2 : Varianza muestral.
Para poder realizar los ajustes respectivos de la
: Funcin Gamma.
FDP Goodrich:
x
: Media muestral.
a ( x x1 )1 / p
F ( X ) 1 e p
Para obtener , primero es necesario conocer
3
m
(momento de orden tres), el cual se define como la
sumatoria de los desvos de la serie de datos, con
respecto a su respectiva media, elevado al cubo y cuya p
sumatoria se divide por el nmero total de datos: corresponde a la Tabla Anexa N2, se obtiene ,
P( p)
n ( xi x ) 3 interpretado por el valor ubicado en la derecha de
m3 i 1 n
la Tabla.

Para el caso del ejercicio el valor obtenido es

P( p)
Para este ejemplo dicha sumatoria se debe
calcular de la siguiente forma: necesario interpolarlo ya que los valores de se
encuentran entre 0,737553 y 0,764037.
15
(90,99 431,79) 3 (134,84 431,79) 3
m3 .....
i 1 15 15 a
El segundo parmetro a calcular es , el cual se
obtiene de:
P p m3
Es necesario obtener , para esto se a2p
1
2
2 p 1 2 p 1
s
S3
divide por (Desviacin estndar a cubo): Para esto se debe consideran S 2, que

m3 corresponde a la Varianza muestral y (Funcin
P p
s3 Gamma), esta ltima se obtiene teniendo presente lo
siguiente:

P( p)
( p ) = ( p 1)!
Con el valor de se obtiene en la Tabla

P( p) ( p +1) = p!= p ( p )
denominada Valores de la Funcin Auxiliar de
Goodrich que se presenta al final de este documento, y ( p 1) = ( p 2) ( p 2)
 p 1 1,6
Se utiliza la tabla de valores de la funcin Para entonces al buscar en la tabla
Gamma, que tambin se encuentra al final del
captulo, en este caso es la la Tabla Anexa N3, donde de valores de la funcin Gamma ( ) de 1,6, se
se debe entrar por la parte izquierda, y ubicando el p 1 0,894
segundo decimal, se determina la fila y columna que
obtiene , por lo tanto
expresa el valor a asumir por la funcin.
p 1 0,894
2
2
0,799
Por lo tanto, en algunas ocasiones no ser .
posible aplicar directamente la tabla, por lo cual se
debe hacer una transformacin, la que en trminos 2 p 1 2,2
generales puede plantearse como: Y para este caso entonces como el

valor de 2,2 no se encuentra en la tabla se procede a
( p + m) = ( p + m 1)( p + m 2)( p + m descomponer de esta forma:
3)............( p + m n)r( p) 2,2 (1,2 1 1) * (1,2) 1,2 * 0,918 1,1016

con 1 p 1.99
a
Por lo tanto para despejar la ecuacin final
queda de la siguiente forma:
1
1

a 2 2 p 1 2 p 1

2p

s
Un ejemplo para aclarar cmo se obtienen los
2 p 1 2 p 1 X1
valores , que es la parte ms
Como ltimo punto para despejar solo se debe
compleja dentro de la expresin, es el siguiente:
considerar los valores ya obtenidos anteriormente e
p 0,6 x
Si : incluir : Media muestral del total de los datos.
 ( p 1) Donde:
X1 x
ap
Fn(X) = Frecuencia Observada Acumulada.
n = Nmero del dato n.
a p N = Nmero total de datos
A continuacin se presentan los parmetros , A continuacin, en la Tabla 7 se ejemplifica el
X1 clculo de la frecuencia observada acumulada Fn(x),
frecuencia terica acumulada F(x), y el Supremo de las
y .
diferencias Dc, tal como en el ejemplo anterior.
Tabla N 6: Parmetros Goodrich Tabla N7. Ejemplo para el ajuste de la
FDP de Goodrich

De acuerdo a la ecuacin 2, y considerando los

parmetros calculados recientemente la frecuencia
Terica queda expresada de la siguiente forma:
0.00000092( x 62, 039074 )1 / 0 , 5448 855
F(X ) 1 e

La frecuencia relativa se obtiene de igual forma

que en el ejercicio anterior, considerando:

(Ecuacin 5)
 donde debe ser comparado el Dc mximo con el Dt
igual como en el ejemplo de Gumbel a travs de las
ecuacin 6, esto se realiza al nivel de confianza del
95% y con un n observado de 15 datos.

Por otra parte, para conocer el porcentaje de los

datos observados que son explicados por el modelo en
este caso el Coeficiente de Determinacin (R2) se
utiliza la ecuacin 7, de igual forma que el ejercicio
anterior.

Tabla 8. Resultados tests de bondad del

ajuste Goodrich
FDP Ajuste K-
Ajustada Dc Dt S R2
Goodrich 0,116 0,338 Acepta Ho 0,97

Los valores obtenidos de K-S muestran un

Dc=0,116, menor que el valor Dt=0,338, aceptndose
la Hiptesis Nula de un buen ajuste. Para el caso del
Coeficiente de Determinacin R2 se presenta un 97%,
lo que tambin indica un buen ajuste del modelo. Por
lo que el ajuste de Goodrich es ptimo al igual que el
caso de Gumbel. Los valores mencionados
En la Tabla 8 se presentan los resultados de las
anteriormente se presentan a continuacin:
pruebas de bondad del ajust (Test Kolmogorov-Smirnov
y Coeficiente de Determinacin). Los cuales se
obtienen de las ecuaciones 7 y 8.
Por otra parte para conocer el valor asumido por
la variable aleatoria asociado a los perodos de retorno
Para la calidad del ajuste en la tabla 8 se
observa el test de Kolmogorov-Smirnov (test K-S)
estudiados 10, 20 y 50 aos, se realiza el despeje de la
siguiente FDP:

1/ p
F ( X ) 1 e a ( x x1 )
3.5. Clculo de la Probabilidad de Excedencia

Finalmente, despejando la variable aleatoria x Se procede a entregar la Tabla N9, con los
de la funcin de distribucin de probabilidad de valores de caudales mximos asociados a los perodos
Goodrich, se obtiene lo siguiente: de retorno, de acuerdo al despeje de la variable x,
junto con los parmetros asociados a la funcin de
Goodrich.

1
x x1 p
ln( 1 F ( X )) P Tabla N 9: Probabilidad de Caudales Mximos
para los Distintos Perodos de Retorno segn
a
Goodrich.

Donde: Probabilid Goodric

Perodo de ad Probabilidad h
: Representa el valor a asumir por la variable de de no
aleatoria. retorno excedencia excedencia
p a X1 10 0,100 0,900 812
, y : Parmetros obtenidos anteriormente. 20 0,050 0,950 947
F(X): Probabilidad de no excedencia asociada al 50 0,020 0,980 1105
perodo de retorno:
Estos valores son obtenidos del despeje anterior
1 y se asocian a los perodos de retorno nombrados.
F ( x) P ( x X ) 1
T Como referencia se puede considerar el ejemplo de
Gumbel, donde se muestra como al despejar la
variable aleatoria con la probabilidad asociada se
puede estimar dichos valores de caudales para el
futuro.

A continuacin se presentan los resultados de la

tercera Funcin considerada Log-Normal:

3.6. Clculo de la FDP Log-Normal

,
En primera instancia se presenta nuevamente la
Tabla 1, la cual conserva los estadgrafos media y
desviacin estndar por ser la base con los mismos 15
datos para el ejercicio, los cules son considerados
para calcular los nuevos parmetros.

Tabla N1: Informacin de Caudales Punta

Estacin Rio Maipo en El Manzano, vlida para el
clculo de las FDP.
A continuacin se presenta la FDP Log-Normal
correspondiente a la ecuacin 3:

2
x 1 ln x a

1

2x 0
F ( x) e 2
dx
 Los parmetros necesarios para este caso son El clculo se realiza de forma similar pero esta
los que se basan en los logaritmos de la variable vez se considera la diferencia los cuadrados de los ln y
aleatoria, los cuales son los siguientes: a
(obtenido anteriormente) dividida por n (15), en
n
ln xi sumatoria, al final a todo este valor se le aplica raz o
a se eleva a .
i 1 n

a a
Para el caso de cada valor de la variable Por ejemplo si = 4,5 en este caso el clculo
ordenada se le calcula el ln de cada dato, se sumay se sera de la siguiente forma:
divide por el n de datos que es en este caso 15, por lo
tanto el ejercicio partira de la siguiente forma: 1
ln 90,99 4,5 ln 134,84 4,5 2
.......
15 15
15
ln 90,99 ln 134,84
a ..... .......
i 1 15 15
A continuacin se presentan los valores
a
obtenidos de los parmetros y en el ejemplo de la
FDP Log-Normal.

Tabla N 10: Parmetros Log-Normal

El segundo parmetro de esta FDP es :
a
1 5,852
n
(ln x i a ) 2 2
n
0,689
i 1
De acuerdo a la ecuacin 3, considerando los
parmetros obtenidos la F(X) es la siguiente:
 x 1 ln x 5 ,852
2
Si z = -1,95, entonces F(X) = 1 z(1,95), donde
1
0 , 689

z(1,95) =.0,9744, por lo tanto F(X) = 1- 0,9744 =
F ( x)
2x 0,689 0
e 2 dx 0,0256.

Por otra parte la frecuencia relativa se obtiene

de igual forma que en los ejercicios anteriores,
Pero de acuerdo a la complejidad de la funcin
considerando:
que considera una integral se debe estandarizar la
expresin quedando expresada de la siguiente forma:

ln x a (Ecuacin 5)
z Donde:

Fn(X) = Frecuencia Observada Acumulada.
Para este caso incluyendo los parmetros de la n = Nmero del dato n.
funcin se obtiene lo siguiente: N = Nmero total de datos.

ln x 5,852 A continuacin, en la Tabla N11 se presenta el

z clculo de la frecuencia observada acumulada F n(x), la
0,689
frecuencia terica el Dc con el supremo de dichas
diferencias, para la Funcin Log-Normal, de igual forma
como los ejercicios anteriores.
Donde el clculo de la frecuencia terica F(X),
se obtiene del valor z, el cual se busca en la tabla
normal estndar (Tabla Anexa N4). Si el z es positivo
la Frecuencia Terica es el valor directo que se entrega
en dicha tabla, pero si z es negativo el valor F(X) a
asumir es 1 el valor de z, pero dicho z debe ir en
valor absoluto. Un ejemplo de lo anterior es lo
siguiente:
Tabla N11. Ejemplo para el ajuste de la
Posteriormente la Tabla 12 presenta los
FDP Log-Normal
resultados de las pruebas de bondad del ajuste (Test
Kolmogorov-Smirnov y Coeficiente de Determinacin).
Estos se calculan de la misma forma que en los
ejercicios anteriores considerando las ecuaciones 7 y
8, a partir de los datos obtenidos de la Tabla 11.

Tabla 12. Resultados tests de Bondad de Ajuste

Log-Normal
FDP Ajuste K-
Ajustada Dc Dt S R2
Log-Normal 0,130 0,338 Acepta Ho 0,938

1
F ( x) 1 0,96
30
En la comparacin del test de
Kolmogorov-Smirnov (Test K-S) el Dc mximo con el
Dt al nivel de confianza del 95% y con un n observado
de 15 datos para el caso de Log-Normal se obtiene lo
siguiente: Dc = 0,116 es menor que el Dt = 0,338, por
lo que el ajuste es aceptable.

Por otra parte el porcentaje de los datos

observados explicados por el modelo a travs del
Coeficiente de Determinacin (R2) entregan un
93,8%, lo que es un valor alto y aceptable tambin.
 Para conocer el valor asumido por la variable Por lo tanto al ingresar a la tabla Z, con una
aleatoria asociado a los 3 perodos de retorno
probabilidad de 0,96 se asume un Z = 0,9608 se
estudiados es necesario conocer el despeje de la
variable aleatoria x, la cul de acuerdo a la obtiene un valor de Z aproximado de 1,76.
complejidad de la Funcin original esta se realiza de la
estandarizacin de z, obtenindose la siguiente Entonces con todos estos valores se despeja la
frmula: variable aleatoria, la cual se presenta a continuacin.

x e *z a
(Despeje de X en la Ecuacin 3 estandarizada)

Donde: 3.7. Clculo de la Probabilidad de Excedencia

a Con la expresin anterior se procede a entregar

la tabla N13, que incluyen los valores de caudales
, = Parmetros obtenidos mximos asociados a los perodos de retorno para la
e FDP Log-Normal, de acuerdo al despeje de la variable
= Constante de neper x.

Y donde Z = es el valor que se obtiene de la

Tabla Anexa N4, el cual se aproximo para este Tabla N 13: Probabilidad de Caudales Mximos
ejercicio, en este caso se ingresa con una probabilidad para los Distintos Perodos de Retorno segn
y se obtiene Z, por ejemplo: Log-Normal.

Si se considera un perodo de retorno T = 30 Probabilid

aos, entonces: Perodo de ad Probabilidad Log-
de de no
Retorno excedencia excedencia Normal
10 0,100 0,900 846
20 0,050 0,950 1085
 50 0,020 0,980 1439

Estos valores se asocian a los perodos de

retorno considerados de acuerdo a la cantidad de
datos y al ajuste obtenido a travs de Log-Normal

Finalmente se presentan los resultados de

acuerdo a la FDP Pearson Tipo III.

3.8. Clculo de la FDP Pearson Tipo III

Para ejemplificar de forma ms clara la

obtencin de los parmetros de esta FDP, es necesario
nuevamente considerar la Tabla 1, que representa la
base original de la informacin.

Tabla N1: Informacin de Caudales Punta Los parmetros necesarios para ajustar la
Estacin Rio Maipo en El Manzano, vlida para el
clculo de las FDP. distribucin Pearson Tipo III, son , y , los cuales
x
pueden ser estimados en funcin del promedio ( ) y
desviacin estndar (S) de la muestra,
pero en primera instancia se requiere calcular del
, y : Parmetros directos de la funcin
coeficiente de sesgo , el cual presenta la siguiente S: Desviacin estndar
frmula: x
: Media aritmtica
n
( xi x ) 3 / n

i 1 S3 ,
: Coeficiente de sesgo A continuacin se presentan los valores
a
obtenidos de los parmetros y en el ejemplo de la
Por lo tanto a partir del coeficiente de sesgo ,
FDP Log-Normal.
se pueden calcular los restantes parmetros, ahora se
ejemplifica la forma de calcularlo de acuerdo a los
Tabla N 14: Parmetros Pearson Tipo III
datos que se tienen considerados:

(90,99 431,79) 3 (134,84 431,79) 3

15
104,841
15 .. 15 ...... ...
i 1
279,39 3 279,39 3


7,102

-312,766
Con el valor de se obtienen los parmetros a
finales los cuales se entregan en las siguientes
expresiones: De acuerdo a la ecuacin 4, considerando los
parmetros obtenidos se obtiene la F(X) siguiente:
2
S 2
x x 312, 766
x 1
x 312,766
F ( x)
104,841 7,102 e
0
312, 766

312,766
dx
 2
Para hacer menos compleja la FDP anterior se
presenta estandarizada de la siguiente forma:
Un ejemplo de cmo obtener dicha frecuencia
x terica acumulada y considerando los datos originales
y
a es el siguiente:

Para X = 90,99 m3/s (primer dato de la serie

En este caso incluyendo los parmetros seria: ordenada), entonces:

x 312,766 90,99 312,766

y y 3,8511
104,841 104,841
y
Posteriormente con los valores de obtenidos
x 2 2 y 2 * (3,8511) 7,702
de la expresin anterior, se procede a calcular la
Entonces el valor
x2
frecuencia terica del ajuste, la cual corresponde a ,
2 2 * (7,102) 14,204 14
con grados de libertad, obtenidas de la Tabla de Ahora
2
x p

percentiles, de la Distribucin Chi-Cuadrado (Tabla Por lo tanto se busca el valor en la Tabla anexa
Anexa N5). De no encontrarse el valor exacto, se x 2 7,702
aproxima al ms cercano, de lo contrario se procede a y14 grados de libertad, de lo que
interpolar. N5 de
se obtiene que el valor de probabilidad exacto se
presenta entre 6,57 correspondiente a un 0,05 y 7,79
x2 2y correspondiente a 0,10, luego interpolando dicho valor
se obtiene que para X = 90,99 m3/s la frecuencia
terica acumulada es 0,096. De esta forma se
construye completamente el F(X) Pearson Tipo III.

Para el caso de la frecuencia observada o

frecuencia relativa se conserva la frmula:

(Ecuacin 5)

Donde:

Fn(X) = Frecuencia Observada Acumulada.

n = Nmero del dato n.
N = Nmero total de datos.

A continuacin, en la Tabla N15 se presentan

los valores de la frecuencia observada acumulada
Fn(x), la frecuencia terica el Dc con el supremo de
dichas diferencias, tal como en el ejemplo anterior:

Posteriormente la Tabla 16 presenta los

resultados de las pruebas de bondad del ajuste (Test
Tabla N15. Ejemplo para el ajuste de la FDP R2
Pearson Tipo III Kolmogorov-Smirnov y de ).
 x ya
Para esto nuevamente se calculan las (Despeje de la Ecuacin 4 modificada)
ecuaciones 7 y 8, a partir de los datos obtenidos en
FDP
este caso de la Tabla 11 y siguiendo el primer ejemplo. Ajuste K-
Ajustada Dc Dt S R2
Pearson Tipo
Tabla N16. Resultados tests de bondad del ajuste
III 0,118 0,338 Acepta Ho 0,965

Se comprueba la calidad del ajuste, con las

ecuaciones 6 y 7 consideradas para las 2 pruebas ya
utilizadas obtenindose para el test de Kolmogorov-
Smirnov (test K-S) un Dc = 0,118 menor el mismo Dt
a,
= 0,338 obtenido para todos ejemplos realizados, por Los valores de fueron los parmetros
lo que se acepta Ho.
y
obtenidos anteriormente, mientras que el caso de se
Mientras que para el Coeficiente de obtiene de la ecuacin:
2
Determinacin (R ) se alcanza un 96,5 %, lo que
referencialmente es bastante bueno tambin. Los x2 2y 14 grados
resultados se presentan a continuacin:

Para conocer el valor asumido por la variable Por ejemplo si se considera se considera un
aleatoria asociado a los 3 perodos de retorno perodo de 40 aos:
estudiados es necesario conocer el despeje de X, la
que tambin al ser una FDP compleja se le realiza un 1
y F ( x) 1 0,75
40
despeje pero con los valores de obtenidos de la
2
x
expresin asociada a la ecuacin presentada
anteriormente la cual representa a x de la siguiente
forma: A lo que le correspondera segn la Tabla Anexa
N5:
 x 02,975 2 y 26,1 Tabla N 17: Probabilidad de Caudales Mximos
para los Distintos Perodos de Retorno segn
Pearson Tipo III.

Probabilid
Asumiendo los 14 grados de libertad, por lo Perodo de ad Probabilidad Pearson
tanto el valor de: de de no
retorno excedencia excedencia Tipo III
y 13,05 10 0,100 0,900 793
20 0,050 0,950 930
50 0,020 0,980 1108
De esta forma se obtienen los parmetros para
poder calcular el valor a asumir por la variable
Para finalizar se presenta como cuadro resumen
aleatoria que para la probabilidad de excedencia se
los Testsde Bondad de Ajuste de las 4 FDP y se procede
consideran los perodos de retorno 10, 20 y 50 aos al
a elegir la que mejor representa la tendencia de los
igual que en los ejercicios anteriores.
datos considerados en el ejercicio:

3.9. Clculo de la Probabilidad de Excedencia

Tabla N18: Resumen FDP y test de bondad de ajuste
Con la expresin anterior se procede a entregar
la tabla N17, que incluyen los valores de caudales
mximos asociados a los perodos de retorno para la
FDP Pearson Tipo III, de acuerdo al despeje de la
variable x, segn la ecuacin anterior y considerando
x 2 2 y 2 .
las ecuaciones ,
 Por lo tanto la Funcin que entrega una Aguilera, M.A. 2007. Anlisis de las funciones de
distribucin de probabilidad para caudales mximos en
diferencia mayor entre el valor de tabla y el valor
la Regin del Maule. Talca, Chile. Universidad de Talca,
crtico supremo en la prueba K-S, es Goodrich, lo que Facultad de Ciencias Forestales. 86 p.
estara indicando una leve inclinacin a un mejor Aparicio, F. 1997. Fundamentos de Hidrologa de
ajuste de los datos presentados, sobre todo si tambin Superficie. 11 ed. Mxico. Editorial Limusa S.A. 303 p.
se presenta el mayor R2 de las 4 Funciones. Ashakar, F.; T.B.M.J Ouarda, R. Roy and B. Bobe. 1993.
Robust estimators in hydrologic frequency analysis, in
Estos resultados demuestra lo que algunos Engineering Hydrology. Edited by C.Y, Am. Soc. Civ.
estudios indican como por ejemplo Blazkova y Beven Eng. 347-352 p.
(2003), determinan la probabilidad de excedencia
Blazkova, S.; Beven, K.; 2003. Flood frequency
asociada para los caudales a travs de Goodrich,
estimation by continuos simulation of subcatchment
encontrando mayor claridad para la evaluacin del rainfalls and discharges with the aim improving dam
grado de seguridad en el funcionamiento de obras para safety assessment in a large basin in the Czech
mitigar eventos extremos. Sin embargo otros autores Republic. Journal of hydrology. 294 (1-4) 153-172.
Consultado 03 Junio 2008. Disponible en base de datos
siguen proponiendo el uso de las 4 funciones para
Science Direct.
ajustar valores extremos, dado que va a depender del
espacio geogrfico donde se est estimando, la Casassa, G.; Echelmeyer, K.; Neumman, T.; Raymond,
variabilidad, la cantidad de datos con que se cuente, Ch.; Rignot, E.; Rivera, A. 2005. Reatreat of Glaciar
Tyndall, Patagonia, over the last half-century. Journal of
entre otros. Glaciology. 51 (1) 239-247. Consultado 28 Jul. 2008.
Disponible en
http://www.glaciologia.cl/textos/raymd.pdf

Chavarri, E. 2004. Curso IA-4026, Hidrologa Aplicada.

(en lnea). Consultado 19 nov. 2007. Disponible en
http://tarwi.lamolina.edu.pe/ ~echavarri/echv_7.html
REFERENCIAS BIBLIOGRFICAS
Chow, V.; Maidment, D.; Mays, L. 1994. Hidrologa Morales, C. M. 2005. Anlisis de las escorrentas
aplicada. Colombia. Editorial McGraw-Hill. mensuales y anuales de la cuenca del Lontu y la
Interamericana S.A. 584 p. potencial influencia glaciar en la produccin de agua.
Talca, Chile. Universidad de Talca, Facultad de Ciencias
Combes, S.; Prentice, M.; Hansen, L.; Rosentrater, L. Forestales. 127 p.
2002. Climate change and global glacier decline. (en
lnea). Consultado 06 diciembre 2007. Disponible en: Muoz, M.F. 2004. Anlisis de algunas de las variables
http://www.wwf.fi/wwf/www/uploads/pdf/glacier sraportti hidrolgicas y su ajuste a funciones de distribucin de
.pdf probabilidad, en tres cuencas de la Regin del Maule.
Talca, Chile. Universidad de Talca, Facultad de Ciencias
Foster, H. 1988. Theoretical frequency curves and their Forestales. 86 p.
application to engineering problems. Trans. Am. Soc.
Civ. Eng. 87 (2) 142-173. Ollero, A.1996. El curso medio del Ebro: geomorfologa
fluvial, ecogeografa y riesgos. (en lnea). Consultado
Kroll, C.; Vogel, R. 2002. The probability distribution of 26 Jun. 2008. Disponible en
low streamflow series in the Unit United States. Journal http://www.ingeba.euskalnet.net/lurralde/lurranet/lur20
of Hydrologic Engineering. EEUU. ASCE, 7(2), 137-146. / 200oller/ollero20.htm

Linsley, R.; Kohler, M.; Paulus, J. 1988. Hidrologa para noz, B.; Bayazit, M. T. 2001. Effect of the occurrence
ingenieros. 2 ed. Mxico. Editorial McGraw-Hill process of the peaks over threshold on the flood
Interamericana S.A. 386 p. estimates. Journal of hydrology. 224 (1-2) 86-96.

Llamas. 1993. Hidrologa General. Edicin espaola. Consultado 06 Abril 2008. Disponible en base de datos
Servicio Editorial Universidad del Pas Vasco. 635 p. Sicence Direct.
Paoli C.; Cacik P.; Bolzicco J. 1998. Anlisis de riesgo
Miller N., Bashford K. ,Strem E. 2003. Potential Impacts conjunto en la determinacin de crecidas de proyectos
of Climate Change on California hydrology Journal of de rgimenes complejos. (en lnea). Consultado 24 nov.
the American Water Resources Association 39 (4), 771 2007. Disponible en
784. Consultado 13 junio 2008. Disponible en base de https://upcommons.upc.edu/revistes/bitstream/2099/2
datos Dialnet. 986/1/52arti cle.pdf
Pizarro, R.; Gonzlez, P.; Wittersheim, M.; Saavedra, J.;
Soto, C. 1993.
 Consultado 06 diciembre 2007. Disponible en base de
Elementos tcnicos de Hidrologa III. Proyecto regional datos Science Direct.
sobre el uso y conservacin del recurso hdrico en
reas de Amrica Latina y el Caribe. Talca, Chile. Varas, E.; Bois, P. 1998. Hidrologa probabilstica.
Editorial Universidad de Talca. 136 p. Santiago. Chile. Editorial Universidad Catlica de Chile.
156 p.
Pizarro, R.; Novoa, P. 1986. Elementos tcnicos de
Hidrologa I. Instructivos tcnicos. La Serena, Chile. Waylen, P.; Woo , M. Prediction of Annual Floods
Corporacin Nacional Forestal, Ministerio de Generated by Mixed Processes. Water Resources
Agricultura. 57 p. Research. 18 (4) 1283-1286. Consultado 03 Junio
2008. Disponible en base de datos CSA.
Pizarro, R.; Morales, C; Moran, L.; Vargas, J.; Sanguesa,
C.; Godoy, C.; 2006. Informe Pas. Estado del Medio Yue, S.; Ouarda, T.; Bobe, B.; 2006, Legendre; P.;
Ambiente en Chile 2005. Santiago. Chile. Captulo 2. Bruneau, P. The Gumbel mixed model for flood
Aguas Continentales. Instituto de Asuntos Pblicos, frequency analysis. Journal of hydrology. 226 (1-2) 88-
Universidad de Chile. Editorial LOM. 371 p. 100. Consultado 06 diciembre 2007. Disponible en
base de datos Sicence Direct.
Sullivan, A.; Ternan, J.; Williams, A. Land use change
and hydrological response in the Camel catchment,
Cornwall. Applied Geography. 24 (2) 119-137.