Modelos de distribucin

El

anlisis

de

frecuencias

tiene

la

finalidad

de

estimar

precipitaciones, intensidades o caudales mximos, segn sea el

caso, para diferentes perodos de retorno, mediante la aplicacin de
modelos probabilsticos, los cuales pueden ser discretos o continuos.
En la estadstica existen diversas funciones de distribucin de
probabilidad
funciones:

tericas;

recomendndose

utilizar

las

siguientes

Distribucin Normal
La funcin de densidad de probabilidad normal se define como:

f x

1 x

1
e 2
S 2

(2)

Donde

f x funcin densidad normal de la variable x

X = variable independiente
= parmetro de localizacin, igual a la media aritmtica de x.
S = parmetro de escala, igual a la desviacin estndar de x.
3.7.1.2 Distribucin Log Normal 2 Parmetros
La funcin de distribucin de probabilidad es:

P x xi

1
S 2

xi

x X 2

2 S 2

dx

(3)

Donde X y S son los parmetros de la distribucin.

Si la variable x de la ecuacin (2) se reemplaza por una funcin
y=f(x),

tal

que

y=log(x),

la

funcin

puede

normalizarse,

transformndose en una ley de probabilidades denominada log

normal, N(Y, Sy). Los valores originales de la variable aleatoria x,
deben ser transformados a y = log x, de tal manera que:
n

Y log xi / n
i 1

Donde Y es la media de los datos de la muestra transformada.

n

Sy

i 1

n1

Donde Sy es la desviacin estndar de los datos de la muestra

transformada.
Asimismo; se tiene las siguientes relaciones:
3

Cs a / S y

yi Y
n

n 1n 2 i 1

(4)

Donde Cs es el coeficiente de oblicuidad de los datos de la muestra

transformada. (Monsalve, 1999).
Distribucin Log Normal 3 Parmetros
La funcin de densidad de x es:

1
f x x x
(

Para x > x0
Donde:
X0: parmetro de posicin

1 / 2
u y

Sy
0

Ln x x0

Sy

(5)

Uy: parmetro de escala o media

Sy: parmetro de forma o varianza
Distribucin Gamma 2 Parmetros
La funcin de densidad es:
1

x e
f x

(7)

Vlido para:
0x<
0<<
0<<
Donde:
: parmetro de forma
: parmetro de escala
Distribucin Gamma 3 Parmetros
La funcin de densidad es:

f x

(xx
0

e ( x x0 )

(7)

Vlido para:
x0 x <

- < x 0 <
0<<
0<<
Donde:
x 0 : origen de la variable x, parmetro de posicin
: parmetro de forma

 : parmetro de escala
Distribucin Log Pearson Tipo III
La funcin de densidad es:

f x

(ln x x
0

e (ln x x0 )
(8)

Vlido para:
x0 x <
- < x 0 <
0<<
0<<
Donde:
x 0 : parmetro de posicin
: parmetro de forma
: parmetro de escala
Distribucin Gumbel
La distribucin de Valores Tipo I conocida como Distribucin Gumbel
o Doble Exponencial, tiene como funcin de distribucin de
probabilidades la siguiente expresin:

F ( x) e e ( x )

(9)

Utilizando el mtodo de momentos, se obtienen las siguientes

relaciones:

1.2825

0.45

Donde:

: Parmetro de concentracin.
: Parmetro de localizacin.
Segn Ven Te Chow, la distribucin puede expresarse de la siguiente
forma:

x x k x

(10)

Donde:

x:

Valor con una probabilidad dada.

x:

Media de la serie.

k:

Factor de frecuencia.

Distribucin Log Gumbel

La variable aleatoria reducida log gumbel, se define como:

ln x

Con lo cual, la funcin acumulada reducida log gumbel es:

G( y) e e y

(11)

Pruebas de bondad de ajuste

Las pruebas de bondad de ajuste son pruebas de hiptesis que se
usan para evaluar si un conjunto de datos es una muestra
independiente de la distribucin elegida.
En la teora estadstica, las pruebas de bondad de ajuste ms
2 y la Kolmogorov Smirnov, las cuales se
conocidas son la
describen a continuacin.
a) Prueba

Esta prueba fue propuesta por Karl Pearson en 1900, se aplica para
verificar bondad de las distribuciones normales y log normales.
Para aplicar la prueba, el primer paso es dividir los datos en un
nmero k de intervalos de clase. Luego se calcula el parmetro
estadstico:

D ( i i ) 2 /
k

(12)

i 1

Donde:

i es el nmero observado de eventos en el intervalo i y i es el

nmero esperado de eventos en el mismo intervalo.

i se calcula como:
i nF(S i ) F(Ii )

i = 1,2,...,k

Asimismo; F (S i ) es la funcin de distribucin de probabilidad en el

lmite superior del intervalo i, F (I i ) es la misma funcin en el lmite
inferior y n es el nmero de eventos.
Una vez calculado el parmetro D para cada funcin de distribucin
considerada, se determina el valor de una variable aleatoria con
2

distribucin para = k-1-m grados de libertad y un nivel de

significancia , donde m es el nmero de parmetros estimados a
partir de los datos.
Para aceptar una funcin de distribucin dada, se debe cumplir:

DX

1 , k 1 m

 12 ,k 1m

El valor de

se obtiene de tablas de la funcin de

distribucin .
2

Cabe recalcar que la prueba del X , desde un punto de vista

matemtico solo debera usarse para comprobar la normalidad de las
funciones normal y Log normal.
b) Prueba Kolmogorov Smirnov
Mtodo por el cual se comprueba la bondad de ajuste de las
distribuciones, asimismo permite elegir la ms representativa, es
decir la de mejor ajuste.
Esta prueba consiste en comparar el mximo valor absoluto de la
diferencia D entre la funcin de distribucin de probabilidad
observada Fo (xm) y la estimada F (xm):
D = mx / Fo(xm) F(xm)/
Con un valor crtico d que depende del nmero de datos y el nivel de
significancia seleccionado (Tabla N 03). Si Dd, se acepta la
2

hiptesis nula. Esta prueba tiene la ventaja sobre la prueba de X de

que compara los datos con el modelo estadstico sin necesidad de
agruparlos. La funcin de distribucin de probabilidad observada se
calcula como:
Fo(xm) = 1- m / (n+1)

(13)

Donde m es el nmero de orden de dato xm en una lista de mayor a

menor y n es el nmero total de datos. (Aparicio, 1996)
TABLA N 03: Valores crticos d para la prueba Kolmogorov Smirnov
TAMAO DE LA
MUESTRA

= 0.10

= 0.05

= 0.01

5
10

0.51
0.37

0.56
0.41

0.67
0.49

15

0.30

0.34

0.40

20

0.26

0.29

0.35

25

0.24

0.26

0.32

30

0.22

0.24

0.29

35

0.20

0.22

0.27

40

0.19

0.21

0.25

Fuente: Aparicio, 1999.