Académique Documents
Professionnel Documents
Culture Documents
DISTRIBUCIONES ESTADISTICAS EN
HIDROLOGA Y SU APLICACIN EN R
HUANCAVELICA - 2016
Dedico de manera muy especial a mis padres, ya que ellos son el cimiento para la
construccin de mi vida profesional.
ndice general
INTRODUCCIN
OBJETIVOS
1. UN POCO DE HISTORIA
1.1. R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
5
2. DISTRIBUCIONES DE PROBABILIDAD
2.1. DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS . . . . .
2.1.1. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2. Estimacin de parmetros, mtodo de Mxima Verisimilitud
2.1.3. Funcin de distribucin acumulada . . . . . . . . . . . . . .
2.1.4. Procedimiento para el clculo y aplicacin en R . . . . . . .
2.2. DISTRIBUCIN GAMMA 2 PARMETROS . . . . . . . . . . .
2.2.1. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2. Funcin Acumulada . . . . . . . . . . . . . . . . . . . . . . .
2.2.3. Estimacin de parmetros, mtodo de Mxima Verisimilitud
2.3. DISTRIBUCIN GAMMA 3 PARMETROS . . . . . . . . . . .
2.3.1. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.3.2. Funcin Acumulada . . . . . . . . . . . . . . . . . . . . . . .
2.3.3. Estimacin de parmetros, mtodo de momentos . . . . . . .
2.4. DISTRIBUCIN LOG-PEARSON TIPO III . . . . . . . . . . . .
2.4.1. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2. Funcin Acumulada . . . . . . . . . . . . . . . . . . . . . . .
2.4.3. Estimacin de parmetros, mtodo de momentos . . . . . . .
2.5. DISTRIBUCIN GUMBEL . . . . . . . . . . . . . . . . . . . . . .
2.5.1. Funcin acumulada . . . . . . . . . . . . . . . . . . . . . . .
2.5.2. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.5.3. Estimacin de parmetros, mtodo de momentos . . . . . . .
2.6. DISTRIBUCIN LOG-GUMBEL . . . . . . . . . . . . . . . . . .
2.6.1. Funcin acumulada . . . . . . . . . . . . . . . . . . . . . . .
2.6.2. Funcin densidad . . . . . . . . . . . . . . . . . . . . . . . .
2.6.3. Estimacin de parmetros, mtodo de momentos . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
7
7
8
8
12
12
12
12
15
15
15
15
18
18
18
18
21
21
21
21
24
24
24
24
Conclusiones
28
Bibliografa
29
INTRODUCCIN
Las distribuciones estadsticos en el campo de la hidrologa, tienen una gran importancia
para la estimacin de valores de diseo a un periodo de retorno segn al tipo de estructura
a la que se proyecta; a continuacin se presenta 8 distribuciones estadsticas, entre ellas:
1. Log-Normal 3 parmetros
2. Gamma 2 parmetros
3. Gamma 3 Parmetros
4. Log-Pearson tipo III
5. Gumbel
6. Log-Gumbel.
Los parmetros de las distribuciones ya mencionadas pueden ser estimados por varios mtodos, los ms usados son el mtodo de momentos, mtodo simplificado y el mtodo de
mxima verisimilitud. El mtodo de momentos tiene una limitacin, pues para su aplicacin
el coeficiente de cesgo tiene que se mayor a 0.52, caso contrario este mtdodo no podria
ser aplicado. El mtodo simplificado solo aproxima el valor del parmetro de posicin y por
tanto los valores de los dems parmetros tambien son solo aproximaciones, y esto conlleva a
que no podra usarse para algunas de las distribuciones. El mtodo de mxima verisimilitud
es uno de los mtodos ms confiables para el clculo de los parmetros.
En el presente trabajo se detalla el procedimiento para el clculo de cada uno de los diferentes
parmetros; adems de los algoritmos en el lenguaje de programacin estadstico R.
OBJETIVOS
Optimizar y reducir tiempo en el clculo de valores de diseos hidrolgicos e hidrulicos usando el lenguaje de programacin estadistico R.
Ampliar conocimientos sobre la programacin orientados a la hidrologa.
Por medio del test de bondad de ajuste de Kolmogorov-Smirnov, determinar las funciones de distribucin de probabilidad que mejor representan a la serie.
Captulo 1
UN POCO DE HISTORIA
1.1.
CAPTULO 1. 1.1. R
HIDROLOGA GENERAL
Captulo 2
DISTRIBUCIONES DE
PROBABILIDAD
2.1.
2.1.1.
Funcin densidad
1 ln(xx0 )y 2
1
]
y
e 2 [
(x x0 )y 2
(2.1)
para xo x
donde:
xo : Parmetro de posicin en el dominio x
y : Parmetro de escala en el dominio x
o2 : Parmetro de forma en el dominio x
2.1.2.
v
u
u
t
N
1 X
(ln(xi xo ) y )2 )
N i=1
(2.3)
donde:
y =Parmetro de escala, igual al promedio de los ln(x xo ) y =Parmetro de forma, igual a
la desviacin estndar de los ln(x xo ) xo =Parmetro de posicin El parmetro de posicin
N
X
1
ln (xi xo )
=0
y2 y +
xi xo
i=1 xi xo
i=1
(2.4)
Para poder obtener los valores de los parmetros se tiene que recurrir a utilizar los mtodos
numricos, en este caso el mtodo de la secante:
xn+1 = xn
xn xn1
f (xn )
f (xn ) f (xn1 )
(2.5)
Como se puede ver, este mtodo necesitar dos aproximaciones iniciales de la raz para poder
inducir una pendiente inicial.
2.1.3.
donde:
Z=
ln(x xo ) y
y
(2.6)
(2.7)
2.1.4.
### A p l i c a t i o n 0 1 : LogNormal 3P
### BY: DENNIS VENTURA HUAMAN
# L o c a t i o n o f work f o l d e r
setwd ( D: /UNH_CIVIL_VII_A/HIDROLOGIA/W5/DISTRIBUCIONES R )
Data< r e a d . t a b l e ( Data_Qmax( 1 ) . t x t , h e a d e r=TRUE)
x<s o r t ( Data$Qmax)
summary ( x )
Median
818.0
Max.
3800.0
m
n+1
n<l e n g t h ( x )
P_E < c ( )
for ( i in 1: n)
{
P_E [ i ] < i / ( n+1)
}
P_E
HIDROLOGA GENERAL
[1]
[6]
[11]
[16]
[21]
[26]
1
2
3
0.03333333
0.20000000
0.36666667
0.53333333
0.70000000
0.86666667
0.06666667
0.23333333
0.40000000
0.56666667
0.73333333
0.90000000
0.10000000
0.26666667
0.43333333
0.60000000
0.76666667
0.93333333
0.13333333
0.30000000
0.46666667
0.63333333
0.80000000
0.96666667
0.16666667
0.33333333
0.50000000
0.66666667
0.83333333
0.0
0.2
0.4
0.6
0.8
1.0
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
3 Dar un valor inicial a xo , en este caso le damos una unidad menor al primer elemento de
nuestros datos, para el clculo de los parmetros de forma y escala iniciales se usaron
las ecuaciones 2.2, 2.3 y 2.4; se iter hasta obtener un error de 0.00001
1
2
3
4
5
6
7
### Parameters c a l c u l a t i o n .
# Parameters c a l c u l a t i o n by o f maximum l i k e l i h o o d method
# Using t h e s e c a n t method
xo<x [1] 1
x1<xo10
mu<sum ( l o g ( xxo , exp ( 1 ) ) ) /n
sigma<sum ( ( l o g ( xxo , exp ( 1 ) )mu) 2 /n ) 0 . 5
8
9
10
11
12
13
14
15
16
17
HIDROLOGA GENERAL
18
19
20
21
10
Eo<E1
}
xo<x1
data . frame ( xo , mu, sigma )
xo
mu
sigma
1 265.2597 6.224071 0.7827017
# The c u m u l a t i v e d i s t r i b u t i o n f u n c t i o n o f LogNormal3P D i s t r i b u t i o n
F_A<c ( )
for ( i in 1: n)
{
z<( l o g ( x [ i ]xo )mu) / sigma
f z < 1 / ( s q r t ( 2 p i ) ) exp ( 0.5 z ^2)
w < 1 . / (1+0.33267 abs ( z ) )
F_A[ i ]<1 f z ( 0 . 4 3 6 1 8 3 6 w0.1201676 w 2+0.937280 w 3 )
i f ( z <0){
F_A[ i ]<1F_A[ i ]
}
}
F_A
[1]
[7]
[13]
[19]
[25]
1
2
3
4
5
6
0.01629376
0.25003546
0.46876900
0.62798899
0.79606151
0.02037232
0.27446035
0.50900526
0.63094134
0.85227513
0.06335211
0.31308922
0.54620254
0.64036091
0.90296489
0.19114418
0.32354610
0.55166365
0.70221669
0.96150490
0.19387792
0.37426083
0.55166365
0.74950822
0.99354272
0.24184177
0.40448191
0.59620549
0.76331959
p l o t ( x , F_A, type=" l " , pch =20 , c o l=" r e d " , l t y =2, x l a b=" " ,
y l a b=" Cumulative p r o b a b i l i t y " , main=" " )
l i n e s ( x , P_E , pch =18 , c o l=" b l u e " , type="b" , l t y =1)
l e g e n d ( b o t t o m r i g h t , l e g e n d=c ( LogNormal3P D i s t r i b u t i o n , E m p i r i c a l
Distribution ) ,
l t y =1:2 , c o l=c ( r e d , b l u e ) , cex =0.8 , t e x t . f o n t =4)
grid ()
HIDROLOGA GENERAL
0.6
0.4
0.2
Cumulative probability
0.8
1.0
LogNormal3P Distributin
0.0
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
# KolmogorovSmirnov Test
dFP<abs (P_EF_A)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a<dFP [ 1 ] ; d e l t a
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
8
9
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
10
11
12
}; deltao
data . frame ( d e l t a , d e l t a o )
delta
deltao
1 0.05963909 0.2272891
1
2
3
4
i f ( d e l t a o >d e l t a ) {
p r i n t ( "The LOGNORMAL3P d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "LOGNORMAL3P d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
}
HIDROLOGA GENERAL
11
12
2.2.
2.2.1.
Funcin densidad
x1 e
f (x) =
()
(2.8)
para:
0x<
0<<
0<<
donde:
: Parmetro de forma (+)
: Parmetro de escala (+)
() : Funcin gamma completa.
2.2.2.
Funcin Acumulada
x
x1 e
dx
(2.9)
F (x) =
0 ()
La variable aleatoria reducida gamma de 2 parmetros, est dad por: y = x la cual reduce
la funcin acumulada a:
Z y 1 y
y e
dy
(2.10)
G(y) =
()
0
La solucin a la ecuacin de la funcin acumulada Gamma, se puede obtener por el desarrollo
de la serie:
Z x
ey
G (y) =
(y)
2.2.3.
y
y +1
y +n+1
+
+ ... +
( + 1)
( + 1) ... ( + n + 1)
(2.11)
(2.12)
(2.13)
13
Parmetro de escala
(2.14)
### Parameters c a l c u l a t i o n .
# Parameters c a l c u l a t i o n by o f maximum l i k e l i h o o d method .
4
5
6
7
8
9
10
11
12
13
gam
Beta
1 3.432879 278.9455
### Accumulated D i s t r i b u t i o n :
DNMR<c (gam)
Lga<gam (gam+1)
f o r ( i i n 1 : ( n1) )
{
DNMR[ i +1]<Lga
Lga=Lga (gam+i +1)
}
Gy<c ( )
LY<x/ Beta
for ( i in 1: n)
{
NMDR<c ( )
f o r ( j i n 0 : ( n1) )
{NMDR[ j +1]<LY [ i ] (gam+j ) }
Gy [ i ]<exp(LY [ i ] ) sum (NMDR/DNMR) /gamma(gam)
} ; Gy
[1]
[6]
[11]
[16]
[21]
[26]
0.08577258
0.23179129
0.31977970
0.46474612
0.55382441
0.82670686
0.08997629
0.23688890
0.34192782
0.46474612
0.62424380
0.90219894
0.12321476
0.25231196
0.39226960
0.50784752
0.68321489
0.97951670
0.20093495
0.27749971
0.42627395
0.54059829
0.70130930
0.99971924
HIDROLOGA GENERAL
0.20257440
0.28450614
0.45967330
0.54372960
0.74576767
1
2
3
4
0.6
0.4
Cumulative probability
0.8
1.0
14
0.2
Gamma2P Distributin
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
# KolmogorovSmirnov t e s t
dFP<abs (P_EGy)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a<dFP [ 1 ] ; d e l t a
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
8
9
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
10
11
12
}; deltao
data . frame ( d e l t a , d e l t a o )
delta
deltao
1 0.1461756 0.2272891
1
2
3
4
i f ( d e l t a o >d e l t a ) {
p r i n t ( "GAMMA2P d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "GAMMA2P d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
}
HIDROLOGA GENERAL
15
2.3.
2.3.1.
Funcin densidad
xxo
(2.15)
para:
xo x <
< xo <
0<<
0<<
donde:
xo : parmetro de posicin, origen de la variable x
: Parmetro de forma (+)
: Parmetro de escala (+)
() : Funcin gamma completa.
2.3.2.
Funcin Acumulada
xxo
(x xo )1 e
dx
F (x) =
()
xo
La variable aleatoria reducida gamma de 2 parmetros, est dada por: y =
reduce la funcin acumulada a:
Z y 1 y
y e
G(y) =
dy
()
0
Z x
(2.16)
xxo
la cual
(2.17)
2.3.3.
(x X)3
M3 = r Ni
P
(xi X)2
M3 =
N 1
X=
xi
N
HIDROLOGA GENERAL
(2.19)
(2.20)
(2.21)
16
###############
Parameter c a l c u l a t i o n
################
#Method o f Moments :
YP<l o g ( mean ( x ) , exp ( 1 ) )mean ( l o g ( x , exp ( 1 ) ) )
4
5
6
# B i a s t o c a l c u l a t i n g t h e p o s i t i o n parameter
CSG<nsum ( ( xmean ( x ) ) 3 ) / ( ( n1) ( n2) sd ( x ) 3 )
7
8
9
# P o s i t i o n parameter (+) :
Xo<mean ( x )2 sd ( x ) /CSG
10
11
12
13
14
15
16
# S c a l e Parameter (+) :
Beta<CSG sd ( x ) / 2
data . frame (Xo , gam , Beta )
Xo
gam
Beta
1 498.4895 0.452186 1015.283
### Accumulated D i s t r i b u t i o n :
DNMR<c (gam)
Lga<gam (gam+1)
f o r ( i i n 1 : ( n1) )
{
DNMR[ i +1]<Lga
Lga=Lga (gam+i +1)
}
Gy<c ( )
LY<x/ Beta
for ( i in 1: n)
{
NMDR<c ( )
f o r ( j i n 0 : ( n1) )
{NMDR[ j +1]<LY [ i ] (gam+j ) }
Gy [ i ]<exp(LY [ i ] ) sum (NMDR/DNMR) /gamma(gam)
} ; Gy
[1]
[7]
[13]
[19]
[25]
NaN
0.3184041
0.5490640
0.6700193
0.7947864
NaN
0.3539636
0.5810193
0.6721739
0.8402646
NaN
0.4021123
0.6095052
0.6790426
0.8853763
0.1963155
0.4139251
0.6136216
0.7241820
0.9471425
HIDROLOGA GENERAL
0.2042440
0.4661149
0.6136216
0.7592202
0.9908901
0.3052061
0.4942094
0.6467346
0.7696310
1
2
3
4
0.6
0.4
Cumulative probability
0.8
1.0
17
Gamma3P Distribution
0.2
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
# KolmogorovSmirnov t e s t
dFP<abs (P_EGy)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a<dFP [ 1 ] ; d e l t a
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
8
9
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
10
11
12
}; deltao
data . frame ( d e l t a , d e l t a o )
delta
deltao
1 0.1157306 0.2272891
1
2
3
4
i f ( d e l t a o >d e l t a ) {
p r i n t ( "GAMMA3P d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "GAMMA3P d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
}
18
2.4.
2.4.1.
Funcin densidad
lnxxo
(2.22)
para:
xo x <
< xo <
0<<
0<<
donde:
xo : parmetro de posicin, origen de la variable x
: Parmetro de forma (+)
: Parmetro de escala (+)
() : Funcin gamma completa.
2.4.2.
Funcin Acumulada
F (x) =
Z x
xo
(x xo )1 e
()
xxo
dx
(2.23)
lnxxo
la cual reduce la
(2.24)
2.4.3.
4
2
CSlnx
CSlnx Slnx
2
2Slnx
xo = X lnx
CSlnx
=
donde:
CSlnx =
Slnx =
N
(lnxi X lnx )3
3
(N 1)(N 2)Slnx
rP
X lnx =
(lnxi X lnx )2
N 1
P
lnxi
N
HIDROLOGA GENERAL
(2.26)
(2.27)
(2.28)
19
###############
Parameter c a l c u l a t i o n
#Method o f Moments :
################
3
4
5
# B i a s t o c a l c u l a t i n g t h e p o s i t i o n parameter
CSG<nsum ( ( l o g ( x , exp ( 1 ) )mean ( l o g ( x , exp ( 1 ) ) ) ) 3 ) / ( ( n1) ( n2) sd ( l o g ( x ,
exp ( 1 ) ) ) 3 )
6
7
8
# P o s i t i o n parameter (+) :
Xo<mean ( l o g ( x , exp ( 1 ) ) )2 sd ( l o g ( x , exp ( 1 ) ) ) /CSG
9
10
11
12
13
14
15
# S c a l e Parameter (+) :
Beta<CSG sd ( l o g ( x , exp ( 1 ) ) ) / 2
data . frame (Xo , gam , Beta )
Xo
gam
Beta
1 5.634817 4.314336 0.2495894
### Cumulative D i s t r i b u t i o n :
DNMR<c (gam)
Lga<gam (gam+1)
f o r ( i i n 1 : ( n1) )
{
DNMR[ i +1]<Lga
Lga=Lga (gam+i +1)
}
Gy<c ( )
LY<( l o g ( x , exp ( 1 ) )Xo) / Beta ; LY
for ( i in 1: n)
{
NMDR<c ( )
f o r ( j i n 0 : ( n1) )
{NMDR[ j +1]<LY [ i ] (gam+j ) }
i f ( xo >0){Gy [ i ]<( exp(LY [ i ] ) sum (NMDR/DNMR) /gamma(gam) ) }
} ; Gy
[1]
[6]
[11]
[16]
[21]
[26]
0.01182794
0.24196779
0.38261916
0.56597704
0.65441066
0.85557916
0.01531047
0.25070361
0.41438445
0.56597704
0.71460003
0.90199601
0.05561809
0.27674124
0.48129624
0.61068942
0.75977243
0.95622752
0.18799983
0.31785714
0.52262241
0.64222278
0.77282873
0.98930592
HIDROLOGA GENERAL
0.19090283
0.32896379
0.56045487
0.64513567
0.80354416
1
2
3
4
0.6
0.4
0.2
Cumulative probability
0.8
1.0
0.0
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
# KolmogorovSmirnov t e s t
dFP<abs (P_EGy)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a<dFP [ 1 ] ; d e l t a
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
8
9
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
10
11
12
}; deltao
data . frame ( d e l t a , d e l t a o )
delta
deltao
1 0.06045487 0.2272891
1
2
3
i f ( d e l t a o >d e l t a ) {
p r i n t ( "LOGPEARSON I I I d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "LOGPEARSON I I I d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
4
5
20
21
2.5.
DISTRIBUCIN GUMBEL
2.5.1.
Funcin acumulada
(2.29)
para:
< x <
donde:
0 < < , es el parmetro de escala
< < , es el parmetro de posicin
2.5.2.
Funcin densidad
dF (x)
dx
(2.30)
1 x e x
(2.31)
f (x) =
f (x) =
para:
< x < La variable aleatoria reducida Gumbel, se define como:
y=
(2.32)
2.5.3.
(2.33)
6
=
S
= X 0,57721
(2.34)
(2.35)
### Parameter c a l c u l a t i o n :
#Method o f Moments :
a l p h<s q r t ( 6 ) sd ( x ) / p i
mu<mean ( x ) 0.57721 a l p h
data . frame ( alph ,mu)
HIDROLOGA GENERAL
22
alph
mu
1 532.3182 650.3268
### Cumulative D i s t r i b u t i o n :
F_GM<c ( )
for ( i in 1: n)
{
F_GM[ i ]<exp(exp ((x [ i ]mu) / a l p h ) )
} ; F_GM
[1]
[7]
[13]
[19]
[25]
1
2
3
4
0.1821799
0.3201080
0.4559947
0.5480389
0.7866254
0.2128442
0.3400372
0.4820061
0.5560486
0.8606599
0.2787604
0.3455527
0.4859649
0.6125948
0.9542600
0.2800990
0.3731821
0.4859649
0.6611179
0.9973101
0.3037260
0.3904456
0.5197224
0.6762813
p l o t ( x , F_GM, type=" l " , pch =20 , c o l=" r e d " , l t y =2, x l a b=" " ,
y l a b=" Cumulative p r o b a b i l i t y " , main=" " )
l i n e s ( x , P_E , pch =18 , c o l=" b l u e " , type="b" , l t y =1)
l e g e n d ( b o t t o m r i g h t , l e g e n d=c ( Gumbel D i s t r i b u t i o n , E m p i r i c a l
Distribution ) ,
l t y =1:2 , c o l=c ( r e d , b l u e ) , cex =0.8 , t e x t . f o n t =4)
grid ()
0.6
0.4
Cumulative probability
0.8
1.0
0.1781196
0.3078098
0.4295716
0.5455585
0.7142185
Gumbel Distribution
0.2
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
Tr<c ( 2 , 5 , 1 0 , 1 5 , 2 0 , 2 5 , 5 0 , 1 0 0 , 2 0 0 , 2 5 0 , 5 0 0 , 1 0 0 0 ) # P e r i o d o s de r e t o r n o
p<11/Tr ; p
1
2
Tr
1
2
2
5
3
10
4
15
5
20
6
25
7
50
8
100
9
200
10 250
11 500
12 1000
1
2
3
4
23
p
0.5000000
0.8000000
0.9000000
0.9333333
0.9500000
0.9600000
0.9800000
0.9900000
0.9950000
0.9960000
0.9980000
0.9990000
Q
845.4283
1448.7722
1848.2384
2073.6138
2231.4159
2352.9649
2727.3999
3099.0701
3469.3842
3588.4347
3957.9433
4327.1846
Quantile
1000
1500
2000
2500
3000
3500
4000
200
400
600
800
1000
# KolmogorvSmirnov Test
dFP<abs (P_EF_GM)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a<dFP [ 1 ] ; d e l t a
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
HIDROLOGA GENERAL
24
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
10
11
12
}
data . frame ( d e l t a , d e l t a o )
delta
deltao
1 0.1454271 0.2272891
1
2
3
4
i f ( d e l t a o >d e l t a ) {
p r i n t ( "GUMBEL d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "GUMBEL d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
}
2.6.
DISTRIBUCIN LOG-GUMBEL
2.6.1.
Funcin acumulada
lnx
(2.36)
para:
< x <
donde:
0 < < , es el parmetro de escala
< < , es el parmetro de posicin
2.6.2.
Funcin densidad
dF (x)
dx
(2.37)
1 lnx e lnx
(2.38)
f (x) =
f (x) =
para:
0 < x < La variable aleatoria reducida Gumbel, se define como:
lnx
G(y) = ee
2.6.3.
(2.39)
(2.40)
6
=
Slnx
= X lnx 0,57721
HIDROLOGA GENERAL
(2.41)
(2.42)
25
### Parameter c a l c u l a t i o n :
# Method o f Moments :
a l p h<s q r t ( 6 ) sd ( l o g ( x , exp ( 1 ) ) ) / p i
mu<mean ( l o g ( x , exp ( 1 ) ) ) 0.57721 a l p h
data . frame ( alph , mu)
alph
mu
1 0.4042117 6.478314
# Cumulative p r o b a b i l i t y :
F_GM<c ( )
for ( i in 1: n)
{
F_GM[ i ]<exp(exp (( l o g ( x [ i ] , exp ( 1 ) )mu) / a l p h ) )
} ; F_GM
[1]
[6]
[11]
[16]
[21]
[26]
1
2
3
4
5
6
0.01319426
0.22990750
0.37778997
0.57238471
0.66416677
0.86267308
0.01613748
0.23892085
0.41162871
0.57238471
0.72524364
0.90606701
0.05024631
0.26596560
0.48288870
0.61905731
0.77019059
0.95601009
0.17506832
0.30911624
0.52670972
0.65165000
0.78302710
0.98736764
0.17797572
0.32084505
0.56658771
0.65464575
0.81293927
p l o t ( x , F_GM, type=" l " , pch =20 , c o l=" r e d " , l t y =2, x l a b=" " ,
y l a b=" Cumulative p r o b a b i l i t y " , main=" " )
l i n e s ( x , P_E , pch =18 , c o l=" b l u e " , type="b" , l t y =1)
l e g e n d ( b o t t o m r i g h t , l e g e n d=c ( LogGumbel D i s t r i b u t i o n , E m p i r i c a l
Distribution ) ,
l t y =1:2 , c o l=c ( r e d , b l u e ) , cex =0.8 , t e x t . f o n t =4)
grid ()
HIDROLOGA GENERAL
26
0.6
0.4
0.2
Cumulative probability
0.8
1.0
LogGumbel Distribution
0.0
Empirical Distribution
500
1000
1500
2000
2500
3000
3500
Tr<c ( 2 , 5 , 1 0 , 1 5 , 2 0 , 2 5 , 5 0 , 1 0 0 , 2 0 0 , 2 5 0 , 5 0 0 , 1 0 0 0 ) # P e r i o d o s de r e t o r n o
p<11/Tr ; p
Tr
1
2
2
5
3
10
4
15
5
20
6
25
7
50
8
100
9
200
10 250
11 500
12 1000
1
2
3
4
p
Q
0.5000000
754.8078
0.8000000 1193.4548
0.9000000 1616.3715
0.9333333 1918.0727
0.9500000 2162.2442
0.9600000 2371.3133
0.9800000 3151.1524
0.9900000 4178.6703
0.9950000 5535.5347
0.9960000 6059.2635
0.9980000 8021.8709
0.9990000 10618.0165
HIDROLOGA GENERAL
27
6000
2000
4000
Quantile
8000
10000
200
400
600
800
1000
# KolmogorvSmirnov Test
dFP<abs (P_EF_GM)
dFP<s o r t (dFP , d e c r e a s i n g = TRUE) ; dFP
d e l t a t<dFP [ 1 ]
5
6
7
8
# Theoretical delta
i f ( n<35){
d e l t a o<0 . 0 0 0 0 0 3 8 4 8 1 8 6 n 4 0.00033109622 n 3+0.010220554 n
2 0.141035449935 n +1.07518805168
9
10
11
12
} e l s e { d e l t a o<1 . 3 6 / s q r t ( n )
}
data . frame ( d e l t a t , d e l t a o )
deltat
deltao
1 0.06658771 0.2272891
1
2
3
4
i f ( d e l t a o >d e l t a t ) {
p r i n t ( "LOGGUMBEL d i s t r i b u t i o n f i t t h e c u r v e " )
} e l s e { p r i n t ( "LOGGUMBEL d i s t r i b u t i o n doesn t f i t t h e c u r v e " )
}
HIDROLOGA GENERAL
28
Conclusiones
Las distribuciones estadsticas que ms se ajustaron a la serie fueron: Log-Normal
3 Parmetros, Log-Pearson tipo III y la distribucin Log-Gumbel con con diferencias
mximas entre la probabilidad de ajuste y la probabilidad emprica de 0.05964, 0.06045
y 0.06658 respectivamente.
El caudal de diseo para un periodo de retorno de 50 aos es, segn a la distribucin
Gumbel de 2727.3999 m3 /s y segn a la distribucin log-Gumbel es de 3151.1524 m3 /s
, por lo tanto se concluye que es ms creible a la distribucin log-Gumbel, por el mismo
hecho de que se ajusta ms a la serie.
La funcin de distribucin de probabilidad Gamma 2 parmetros, presenta la calidad
ms baja de los ajustes, pudiendo concluirse que esta funcin no es la recomendable,
para estimar el comportamiento de los caudales mximos de los datos que se analizan
en el trabajo.
2. BIBLIOGRAFA
29
Bibliografa
[1] Mximo Villn Bjar, Hidrologa Estadstica, segunda edicin, MaxSoft, Lima Per, 2002.
[2] Christian Prez Toro, APLICACIN DE MTODOS NUMRICOS PARA LA
ESTIMACIN DE LOS PARMETROS DE LA DISTRIBUCIN LOG NORMAL
3P MEDIANTE EL MTODO DE MXIMA VERISIMILITUD,Fecha de consulta:
11 de julio de 2016 , URL: http://es.slideshare.net/ChristianPrezToro/parmetros-lognormal3p