Académique Documents
Professionnel Documents
Culture Documents
AFA V.1.0
i
CONTENIDO
1. Introduccin 1
1.1. Conceptos bsicos 5
5. Referencias 61
1. Introduccin
Estas pruebas estadsticas tienen por objeto medir la certidumbre que se obtiene al hacer una
hiptesis estadstica sobre una poblacin, es decir; calificar el hecho de suponer que una variable
aleatoria se distribuya segn una cierta funcin de probabilidades.
Dentro del anlisis de frecuencias existe el anlisis de frecuencia de Crecientes, esta tcnica
permite estimar las crecientes de diseo y consiste en hacer la prediccin de eventos extremos
asociados a perodos de retorno grandes, con base en tcnicas de la inferencia estadstica. El
estudio de estos fenmenos extremos es de gran importancia ya que la principal causa de falla en
las presas (tierra y enrocamiento) es el desbordamiento ante avenidas y an cuando en Mxico no
se han presentado fallas por desbordamiento en grandes presas, nuestro pas est sujeto a
trayectorias ciclnicas que han ocasionado situaciones no previstas inicialmente en grandes
proyectos.
El Anlisis de Frecuencias (AF) de datos hidrolgicos considera a los fenmenos hidrolgicos como
variables aleatorias y a partir de ellos se determina la frecuencia o la probabilidad y un periodo de
retorno que es el que generalmente se maneja pues se presenta en las mismas unidades que la vida
til de las obras.
Cabe mencionar que para este programa se utiliza el ajuste grfico y el Error estndar de ajuste
como criterios de eleccin del mejor ajuste.
El programa Statistica no cuenta con las fdp que se utilizan comnmente en hidrologa como lo
son: Gumbel, Doble-Gumbel, GVE y no proporciona los mtodos de obtencin de parmetros
por fdp.
Es el nmero de aos en que un evento puede ser igualado o excedido en promedio y a la larga.
n 1
Tr
m
Se dice que X es una variable aleatoria continua, si existe una funcin f(x) llamada funcin de
densidad de probabilidad de x, que cumpla con las siguientes condiciones:
f ( x ) dx 1
b
P (a X b) f ( x)dx
a
Si X es una variable aleatoria continua, F(x) se define como una funcin de distribucin de
probabilidad acumulada de la variable aleatoria X como la probabilidad de que dicha variable
con densidad de probabilidad f(x) tome un valor menor o igual de x, esto es:
X
F ( x ) P( X x) f ( x) dx
1
P
Tr
1
por lo que Tr
1 F ( x)
Entonces:
1 m
F ( x) 1 1
Tr n 1
Estimacin de parmetros
Existen varios mtodos para la estimacin de los parmetros, aqu solamente se describirn los
utilizados en el software.
a) Mtodo de Momentos
El mtodo de momentos consiste en igualar los momentos de la FDP con los momentos de la
muestra.
M k'
D
x k f(x)dx |
Donde f(x) es la funcin de densidad de probabilidad, la cual se relaciona con F(x) como:
X
F ( x ) f ( x) dx
Por otra parte los primeros tres momentos de la muestra estn definidos como:
1
1 n
M1 xi x
n i 1
n
1
M2 S2
( n 1) i 1
( xi x )
M 3 S 3Cs
As por ejemplo, la FDP Gumbel tiene dos parmetros por lo que se tendr que igualar.
M 1' M 1 y M 2' M 2
Con lo anterior resulta un sistema de dos ecuaciones con 2 incgnitas, el cual al resolverlo se
tienen los valores de los dos parmetros.
x i n
x i 1
n (x x)i
2
S i 1
n 1
n n
( xi x ) 3 n2 n
( xi x ) 4
g S3
(n 1)(n 2) i 1
k S4
(n 1)(n 2)(n 3) i 1
f(xi)dx=Probabilidad
f(x)
x
dx
n
f(x1)dx* f(x2)dx* f(x3)dx*...* f(xn)dx= f ( xi ) dx
i 1
n
L f ( xi )
i 1
1
Para calcular los parmetros es necesario maximizar L, esto se logra derivando dicha funcin con
respecto a cada uno de los parmetros a determinar e igualando a cero cada derivada, esto es:
L
0
i
Lo anterior es similar a:
LL
0
i
Donde:
LL=ln L
Este mtodo consiste en minimizar la suma de los errores cuadrticos pesados E entre los valores
estimados de F(xm) y los valores empricos F (xm ) esto es:
Minimizar:
n
E F (xi ) F(xi ) 2Wi
i 1
Donde :
1 m
F (xm ) 1 1
Tr n 1
Existen varios mtodos para solucionar la ecuacin de E, sin embargo el que se utilizar para
calcular los parmetros de la funcin Gumbel doble es el algoritmo de Rosenbrock.
X
N
oi X ei
EEA i 1
N np
Donde:
1
2. Funciones de Distribucin de Probabilidad
1
2.1. Distribucin Uniforme
Una distribucin uniforme es aquella que tiene una probabilidad constante, algunas veces
tambin se le llama distribucin rectangular.
0 x
F x x x / x
1 x
1
f x x
1
La media de esta funcin es x y la variancia x2 2
2 12
x 3S
x 3S 3.4
mn x
mx x
1
2.2. Distribucin Normal
Esta es la distribucin de mayor importancia pues se pueden encontrar muchas variables
aleatorias que aparecen en relacin con experimentos u observaciones prcticas que estn
distribuidas normalmente y otras que estn distribuidas normalmente en forma aproximada. En
otros casos una variable no est distribuida normalmente, ni siquiera en forma aproximada, pero
se puede convertir en una variable con distribucin normal por medio de una transformacin
sencilla (proceso de normalizacin). Tambin hay ciertas distribuciones ms complicadas se
pueden aproximar mediante la distribucin normal.
2
1 x
1
f x e 2
2
x 1 x
1
F x e 2
dx
2
Donde:
= Parmetro de ubicacin
= Parmetro de escala
Para esta FDP los parmetros tanto por momentos como por mxima verosimilitud resultan
iguales, los cuales son:
= x
2
=
x x i
2
i 1
n 1
1
2.3. Distribucin Exponencial de 1 Parmetro
Esta distribucin tambin se conoce como distribucin Exponencial Negativa. El tiempo de
ocurrencia de fenmenos como la precipitacin, pueden considerarse Procesos de Poisson ya que
los eventos ocurren instantnea e independientemente en un horizonte de tiempo, a lo largo de
una lnea. El tiempo entre dichos eventos lo describe la distribucin exponencial cuyo parmetro
es la tasa media de ocurrencia de los eventos. La ventaja de la distribucin exponencial radica
en que es fcil estimar el parmetro a partir de la informacin observada. Su desventaja es que
requiere que la ocurrencia de cada evento sea completamente independiente (Ven Te Chow et al.,
1988).
F x 1 e x
La FDP es valida para el rango 0 x , es decir la variable no puede tomar valores negativos.
f x e x
Donde:
es el parmetro de escala
1 1
y 2
2
La estimacin del parmetro tanto por momentos como por mxima verosimilitud es:
1 1
x
Donde:
x es la media de la muestra
1
2.4. Distribucin Exponencial de 2 Parmetros
La distribucin Doble Exponencial tambin se conoce como distribucin de Laplace, nombrada
as en honor a Pierre Simn Laplace (1979-1827), matemtico y astrnomo francs. El nombre de
distribucin Doble Exponencial se debe a que su grfica es simtrica y similar a dos
distribuciones exponenciales (Wikipedia contributors, 2005).
x
F x 1 e
La FDP es valida para el rango x , es decir la variable no puede tomar valores negativos, ya
que >0
x
1
f x e
Donde:
Parmetro de ubicacin
Parmetro de escala
, 2 2 2
1
Los parmetros por medio del mtodo de momentos son:
S
x S
Donde:
S es la desviacin estndar de la muestra
x x
n
i 1
i1
n 1
x x
n
i 1
x1 i 1
n 1
Donde:
x 1 Primer valor de la muestra ordenada de menor a mayor
n Nmero total de datos
1
2.5. Distribucin Log Normal de 2 Parmetros
La distribucin Log Normal corresponde a una variable aleatoria X cuyos logaritmos estn
distribuidos en forma normal. Se ha encontrado que esta distribucin describe la distribucin de
la conductividad hidrulica en un medio poroso (Freeze, 1975), la distribucin del tamao de las
gotas de lluvia en una tormenta y otras variables hidrolgicas. La distribucin Log-Normal tiene
ventajas sobre la normal ya que est limitada (X > 0) y de que la transformacin logartmica
reduce la asimetra positiva que comnmente se presenta en los datos hidrolgicos pues la
reduccin con los logaritmos es ms notable en los valores grandes que en los pequeos (Ven Te
Chow et al., 1988).
0 x y 2
Donde:
y Parmetro de ubicacin
y Parmetro de escala
El coeficiente de sesgo es > 0
Los parmetros estimados de ubicacin y escala tanto por momentos como por mxima
verosimilitud son:
1 n
y ln xi
n i 1
ln xi y
n
2
y i 1
Donde:
x 0 Parmetro de ubicacin
y Parmetro de escala
y Parmetro de forma
x o x 1 x
z
Donde:
2
x =
S
z =
1 w 3
w
g 2
1
4 2 g
x 1
w 3 2
S 1
y ln
ln z2 1
z 2
1
1
y ln z2 1 2
n ln x x
y i 0
i 1 n
ln x x / n
n
y
2
i 0 y
i 1
Y el estimador de x0 se obtiene al resolver
n
1
n
1
F x0 y y ln xi x0 0
2
xi x
i1 xi x0 i 1 xi x0
0
1
2.7. Distribucin Gamma de 2 Parmetros
x 1e
x
f x 0 x
si 0 0
0
x 1e a
x x
F x dx
0
Donde:
Parmetro de escala, 0
Parmetro de forma, 0
Funcin Gamma completa
2 2
S x
x S
x
El estimador se obtiene al resolver:
F y ln x ln 0
Empleando como valor inicial del parmetro
4
1 1 C
3
4C
C ln( x ) y
La aproximacin de la funcin digamma de es:
1 1 1 1 1 1
( ) ln( 2)
2( 2) 12( 2) 120( 2)
2 4
252( 2) 6
( 1)
1
2.8. Distribucin Gamma de 3 Parmetros
La funcin de densidad de probabilidad est dada por la siguiente ecuacin:
1 x x0
1 x x0
f x e x0 x si 0 y 0
Donde:
x0 Parmetro de ubicacin
Parmetro de escala
Parmetro de forma
x 1 x x0
1 x x0
F ( x) e
dx
xo
x0 (Media)
2 2 (Varianza)
2
g (Coeficiente de asimetra)
g2
k 3 1 (Coeficiente de curtosis)
2
1
Estimadores por momentos:
4
g2
xS
x 0
1
n2
1
n n 1
xi x 0
i 1 i 1 x x
i 0
1 n n
xi x 0
n i 1 n 1
i 1 x x
i 0
El valor de x0 se obtiene al resolver:
n
F ( ) ln( xi xo ) n ln( ) n ( ) 0
i 1
La aproximacin de la funcin digamma de es:
1 1 1 1 1 1
( ) ln( 2)
2( 2) 12( 2) 120( 2)
2 4
252( 2)
6
( 1)
1
2.9. Distribucin Log Pearson Tipo III
Si los logaritmos naturales de una variable x (ln x) presentan una distribucin Pearson tipo III
entonces la variable x presentar una distribucin Log Pearson tipo III. Estando una distribucin
de tres parmetros operando sobre los logaritmos de la variable, la Log Pearson tipo III parecer
ser una distribucin extremadamente verstil. Sin embargo, su aplicacin en hidrologa est
estrictamente limitada.
La funcin de densidad de la Log Pearson tipo III puede tomar forma de J, J invertida, U, U
invertida, U invertida con inflexin, forma de campana con lmite superior, forma de campana
con lmite inferior, etctera. Para el anlisis de frecuencias de inundaciones la nica forma de
inters es aquella que es unimodal, continua de 0 a + .
Respecto a su aplicacin, en 1967 el Federal Water Resources Council de Estados Unidos sugiri
que las agencias de tipo gubernamental adoptaran la distribucin Log Pearson tipo III como la
distribucin de frecuencias estndar para inundaciones; a lo que Benson agrega que no existe un
criterio estadstico riguroso en el cual basarse para la aplicacin de la distribucin Log Pearson
tipo III y por lo tanto esta eleccin es hasta cierto punto subjetiva (Kite, 1988).
1 ln x y0
1 ln x y0
f x e 0 x
x
0
Donde:
y0 Parmetro de ubicacin
Parmetro de escala
Parmetro de forma
1
Estimadores por momentos (mtodo directo):
1
A3
n
xir
r r 1,2,3
i 1 n
ln 3 3 ln 1
B
ln 2 2 ln 1
1
C
B 3
Si 3.5 < B 6
Si 3 < B 3.5
A 0.45157 1.99955C
ln 2 2 ln 1
ln1 ln 1 2
2
y 0 ln 1 ln1
2
2
gy
Sy
1
y 0 y S y
1
n2
1 n n
1
y
y
i1 i 0 i1 y y
i 0
n
y y n
1
n i1
i 0 n
1
i1 y y
i 0
El estimador y0 se obtiene al resolver:
n
F Y0 yi y0 n ln n 0
i 1
La aproximacin de la funcin digamma de es:
1 1 1 1 1 1
( ) ln( 2)
2( 2) 12( 2) 2 120( 2) 4 252( 2) 6 ( 1)
1
2.10. Distribucin General de Valores Extremos
La distribucin General de Valores Extremos tiene sus bases en la Teora de Valores Extremos,
dicha teora proporciona una descripcin del comportamiento aleatorio de los n-simos valores
ms grandes o ms pequeos de una muestra. Esta se debe en gran parte a Tippet quien en 1925,
obtienen las probabilidades de los valores ms grandes para diferentes tamaos de muestra de una
distribucin normal y en 1928 junto con Fisher public el artculo que es considerado el cimiento
de la teora asinttica de valores extremos.
Las distribuciones de valor extremo han sido ampliamente utilizadas en hidrologa. stas forman
por ejemplo, la bases para el mtodo estndar de anlisis de frecuencia de crecientes en Gran
Bretaa (Natural Environment Research Council, 1975) (Ven Te Chow et al., 1996)
Si k 0 x , entonces la distribucin es tipo II (Frchet)
k
Si k 0 x , entonces la distribucin es tipo III (Weibull)
k
Donde:
Parmetro de ubicacin
Parmetro de escala, 0
k Parmetro de forma
1
La variable reducida es:
1
x k
y ln1 k
Para -11.35<g<1.1396
Y para 1.14<g<18.95
A x BE y x BE y Var ( x ) 2
B
Var ( y)
Donde:
E ( y) (1 k )
2
Var ( x ) x S 2x
Var ( y) (1 2k ) 2 (1 k )
Los dos parmetros restantes se calculan de acuerdo con las siguientes condiciones:
A B A B 6
S 0.78 S
1
2.11. Distribucin Gumbel
La distribucin de Valores Extremos Tipo I o Distribucin Gumbel nace con Fisher y Tippet, en
los aos veintes con la Teora de Valores Extremos. En los aos treinta, Gumbel realiza
aplicaciones prcticas usando los estadsticos de valores extremos de distribuciones del tiempo de
duracin de la vida humana y en 1941 publica algunos artculos con respecto a sus aplicaciones
en el anlisis de frecuencias de gastos mximos y mnimos. Jenkinson (1955) demostr que est
distribucin es un caso especial de la Distribucin General de valores Extremos (Ven Te Chow et
al., 1996).
F x e e
x x
1
f x e e
e
Donde:
Parmetro de ubicacin
Parmetro de escala
xi
yi
1
El valor de los parmetros de acuerdo con el mtodo de momentos es:
x 0.45 S
6
S 0.78 S
n n
R n yi yi e yi
i 1 i 1
P R
0 y 0
Incrementos:
i
j 1.11Pj 0.26 R j
n
i
j 0.26 Pj 0.61R j
n
Nuevos valores:
j 1 j j
j 1 j j
1
2.12. Distribucin Gumbel Doble
En zonas costeras como el Golfo de Mxico el tratar de ajustar variables climatolgicas como la
precipitacin mxima en 24 horas o los gastos mximos anuales a una funcin de distribucin de
probabilidad de una poblacin (por ejemplo Gumbel) no sera del todo razonable, ya que se
puede observar con claridad la existencia de dos grupos con caractersticas diferentes, el primero
originado por precipitaciones debido a los fenmenos dominantes en la regin y el segundo,
originado por precipitaciones de origen ciclnico, que comnmente provocan las avenidas ms
grandes. Por esto es necesario estudiar y hacer un anlisis de frecuencias considerando que los
gastos mximos anuales se originan por dos procesos diferentes que dan lugar a una funcin de
distribucin mezclada o de dos poblaciones (Campos, 1989).
(x-1 ) (x- 2 )
F(x) P exp- exp - ( 1-P) exp- exp - (1)
1 1
Donde:
dF(x) P (x 1 ) (x 1 ) ( 1-P) (x 2 ) (x 2 )
f(x) exp exp exp exp
dx 1 1 1 2 2 2
(2)
1
Estimacin de parmetros
Una vez que se ha planteado la funcin de distribucin de probabilidad que se usar es necesario
calcular sus respectivos parmetros para poder determinar los valores de las variables de diseo
para diferentes periodos de retorno.
El mtodo utilizado para calcular los parmetros es el conocido como "Error cuadrtico mnimo".
Este criterio consiste en minimizar la suma de los errores cuadrticos pesados (E), entre los
valores empricos de la funcin de distribucin de probabilidad acumulada F(x) (ecuacin 1) y
los valores estimados, esto es (Gonzlez, 1970):
n
E F(xi ) F(xi ) 2 Wi (3)
i 1
Donde los valores estimados de la funcin de probabilidad acumulada estn dados por:
m
F ( xm ) 1
n 1 (4)
Donde:
F (xm ) Valor estimado de la funcin de distribucin de probabilidad para la variable mximo
anual
M Nmero de orden de la variable mximo anual (x), cuando estos son ordenados en forma
decreciente
N Nmero de registros
Wi Peso asignado al error cometido, que es la estimacin de la funcin de distribucin en la
variable de orden i. En este caso se considero igual a 1. Es decir todos los valores de las
variables tienen la misma importancia
Existe un gran nmero de mtodos para minimizar funciones como la dada por la ecuacin 4, de
los cuales algunos ya han sido aplicados a este tipo de anlisis como son el mtodo del mximo
ascenso (Gonzlez, 1970), cuya caracterstica es su lenta convergencia, adems de que es
necesario evaluar las derivadas de la funcin con respecto a cada parmetro a determinar, y el
algoritmo de Rosenbrock (Campos, 1989), el cual se aplica a funciones de mltiples variables no
restringidas y su caracterstica principal es la bsqueda de la solucin de forma directa y rpida,
es decir no hay que evaluar las derivadas de la funcin.
1
El mtodo utilizado en este software es el algoritmo de Rosenbrock, ya que conduce a valores
menores del error estndar que el mtodo del mximo ascenso (Campos, 1989).
Algoritmo de Rosenbrock
En este caso el algoritmo se aplica a minimizar el error entre los valores de la variable mximos
anuales registrados y los valores estimados mediante la funcin de distribucin de probabilidad
(FDP) Gumbel doble, esto es:
n
E F(xi ) F(xi ) 2Wi
Minimizar i 1 (6)
Con
m
F ( xm ) 1
n 1 (7)
y
(x-1 ) (x-2 )
F(x) P exp- exp - ( 1-P) exp- exp -
1 1 (8)
Donde:
F(x) Es la funcin de distribucin de probabilidad Gumbel doble.
F (xm ) Es el valor estimado de la funcin de distribucin de probabilidad para la variable.
m Es el nmero de orden de la variable mximo anual (x), cuando estos son ordenados en
forma decreciente.
n Es el nmero de registros.
1
Wi Es el peso asignado al error cometido, que es la estimacin de la funcin de distribucin
en la variable de orden i. En este caso se tomo igual a 1.
Es decir todos los valores de las variables tienen la misma importancia
El punto inicial se calcula proponiendo el valor del parmetro P de la FDP Gumbel doble y
posteriormente se calculan los otros cuatro parmetros mediante las formulas (Kite, 1977).
6
1 S1 1 x 1 0.5772 1 (9)
6
2 S2 2 x 2 0.5772 2 (10)
Donde:
x 1 y S1 son la media y la desviacin estndar de los valores mximos registrados de la
poblacin de eventos no ciclnicos respectivamente.
x 2 y S2 son la media y la desviacin estndar de los valores mximos registrados de la
poblacin de eventos ciclnicos respectivamente.
c) Los pasos anteriores se repiten para las dems variables, hasta encontrar un xito
(reduccin de Fo y un fracaso (aumento de Fo) en todas las N direcciones.
d) Una vez que los pasos anteriores se han llevado a cabo, se realiza la rotacin de los ejes,
la cual se designa como una etapa, por medio de las ecuaciones (Kuester y Mize, 1973)
1
( k 1)
Di(,kj)
M i, j 2
N
( D (k ) 2
l, j )
l 1
(11)
con
Di(,1k ) Ai(,1k )
(12)
j
j 1
D (k )
A (k )
M n( k,l1) An( k, j) M i(,kl 1) j 2,3,...N
l 1 n 1
i, j i, j
(13)
Ai(,1k ) d l
(k )
M i(,kl )
(14)
Donde:
i es el ndice de las variables 1,2,3,...,N
j es el ndice de la direccin 1,2,3,...,N
k es el ndice que indica una etapa
di es la suma de las distancias movidas en la direccin i desde la ltima rotacin de los ejes
Mi,j es la componente de la nueva direccin del vector
e) La bsqueda prosigue en cada una de las x direcciones usando los nuevos ejes
coordenados:
Este programa fue desarrollado en plataforma Visual Basic V.6.0 para realizar el Anlisis de
Frecuencias, mediante el ajuste de Funciones de Distribucin de Probabilidad (FDP).
El programa AFA presenta una interfaz amigable y fcil de utilizar para el usuario, en cada unas
de las funciones de distribucin se muestran los parmetros estadsticos de la muestra de datos
analizada (media, variancia no sesgada, variancia sesgada, desviacin estndar, coeficiente de
sesgo de asimetra, coeficiente no sesgado de asimetra, coeficiente sesgado de Curtosis,
coeficiente no sesgado de Curtosis, coeficiente de variacin).
Para estimar los parmetros de las funciones de distribucin de probabilidad se utilizan los
mtodos de Momentos, Mxima Verosimilitud y Error Cuadrtico Mnimo en el caso de la FDP
Gumbel Doble.
Una vez que se han estimado los parmetros de la FDP, se calcula la variable analizada para
diferentes perodos de retorno (Tr) establecidos en el programa, los cuales el usuario puede
modificar.
El programa muestra los resultados de manera grfica los ajustes obtenidos con los valores
registrados de la variable.
1
El sistema genera un archivo de resultados en cada una de las funciones de distribucin, estos
archivos se guardan en el directorio de trabajo seleccionado.
3.1.1. Requerimientos mnimos del sistema para su instalacin
2. Dentro de la carpeta AFA V.1.0 hay una carpeta que contiene los archivos de instalacin.
1
3. Ejecutar el archivo setup.exe que se encuentra dentro de la carpeta de Instalacin.
1
1
Proceso de instalacin:
1
Si en el proceso de instalacin del programa aparecen ventanas con el ttulo Conflicto de
versiones se recomienda que cuando el sistema pregunte Desea conservar este archivo? Dar
click en SI.
1
4. Se recomienda copiar el ejemplo que viene en el CD en una carpeta de la unidad C:\
La carpeta que contiene el ejemplo puede utilizarse como Directorio de Trabajo para el
programa.
1
3.3. Interfaz del programa AFA
A continuacin se describe de forma detallada como est integrado el sistema AFA (Anlisis de
Frecuencias Automatizada), para lograr un funcionamiento adecuado del programa.
Se recomienda que el directorio de trabajo est en una unidad que se pueda guardar la
informacin de los resultados y no en CD o unidad A por tener limitantes de espacio de
almacenamiento. El sistema definir por default la unidad "C:\" en caso de que el usuario no elija
alguna unidad.
El programa permite que el usuario cambie los valores para los periodos de retorno de acuerdo a
sus necesidades, como se muestra en la (Fig. 4).
Para consultar la Ayuda se presiona la tecla F1 en cualquier ventana del sistema o tambin se
puede accesar desde la pantalla donde se presenta la barra de men, seleccionar la opcin
Ayuda como se muestra en la (Fig. 6).
1
Fig. 7. Archivo de salida para la Distribucin Exponencial (1 Parmetro)
Ejemplo: Archivos de resultados para la serie de valores registrados Cua
Cada uno de los archivos de resultados de las funciones de distribucin de probabilidad muestra
la siguiente informacin:
Datos estadsticos de la serie de valores registrados (media, variancia no sesgada,
variancia sesgada, desviacin estndar, coeficiente sesgado de asimetra, coeficiente no
sesgado de asimetra, coeficiente sesgado de Curtosis, coeficiente no sesgado de Curtosis,
coeficiente de variacin).
Tabla con la Serie de valores registrados y Serie de valores ajustados.
Parmetros finales por el mtodo (momentos y/o mxima verosimilitud y/o error
cuadrtico mnimo).
Tabla con los valores extrapolados para cada periodo de retorno (Tr) de los diferentes
mtodos utilizados.
A continuacin se presenta el clculo del gasto mencionado con cada una de las Funciones de
distribucin de probabilidad FDP, la funcin de mejor ajuste ser aquella en la que su error
estndar de ajuste (EEA) sea el menor.
1
2. En el caso de que se requiera la estimacin de los gastos para periodos de retorno
diferentes a los definidos por default en el software, entrar al Men Periodo de retorno
y definir los Tr requeridos. En caso contrario omitir este paso.
1
3. Aplicar a la serie de gastos mximos anuales Cua las diferentes Funciones de
Distribucin de Probabilidad, lo cual se logra seleccionando en la barra de Men la
opcin Funciones de Distribuciones y posteriormente dar clic en la FDP deseada.
Para este ejemplo se consider un valor de P=0.90 por lo que se seleccion la opcin (b).
1
Independientemente de la FDP seleccionada, los resultados se muestran en una pantalla como
la siguiente donde se presentan los estadsticos de la muestra, los parmetros de ajuste de la
FDP seleccionada (momentos y/o mxima verosimilitud y/o error cuadrtico mnimo), los
gastos calculados con la FDP para los periodos de retorno definidos por el usuario en el paso
2.
1
5. De acuerdo a los resultados obtenidos con todas las FDP del programa AFA, se presentan
dos tablas, una muestra los Errores Estndar de Ajuste (EEA) para cada FDP y la segunda
tabla presenta los gastos calculados para los diferentes periodos de retorno con la FDP
que resulto con menor EEA.
Con lo anterior concluimos que la FDP Gumbel Doble (optimizando el parmetro P),
donde P result con un valor de 0.91 es la que presenta el mnimo error de ajuste con un
valor de 66.6 m3/s y el gasto para un Tr de 10,000 aos es de 4,288.270 m3/s.
1
4.2. Serie de gastos mximos anuales de la estacin hidromtrica
Calapilla
Orden Gasto
(m) Ao (m3/s)
1 1955 117.8
2 1956 139.1
3 1957 37
4 1958 192.8
5 1959 126.1
6 1960 71.5
7 1961 15.4
8 1962 34.5
9 1963 68.5
10 1964 240.5
11 1965 48.2
12 1966 65.7
13 1967 526.4
14 1968 135.6
15 1969 134.4
16 1970 128.6
1
Procedimiento para ejecutar el Programa AFA:
1
2. Seleccionar los periodos de retorno (Tr aos) para iniciar el clculo de las funciones de
distribucin de probabilidad.
1
3. Se aplica a la serie de gastos mximos anuales Calapilla cada una de las FDP, y
posteriormente se selecciona la funcin de distribucin de probabilidad que resulte con el
menor error estndar de ajuste.
En la siguiente pantalla se muestran los resultados los cuales corresponden a la FDP Log
Pearson (tipo III) la cual resulto con menor error estndar de ajuste (45.3). Y el gasto
correspondiente a un Tr de 10,000 aos es de 3,857.873 m3/s.
Campos, A.D.F., "Estimacin de los parmetros ptimos de la distribucin Gumbel mixta por
medio del algoritmo de Rosenbrock", Ingeniera Hidrulica en Mxico, enero-abril, Mxico.,
1989.
Gonzlez, V., F.J. "Contribucin al anlisis de frecuencias de valores extremos de los gastos
mximos en un ro", Instituto de Ingeniera de la UNAM, nm. 277, 24 pp., Mxico, D.F., 1970.
Haan, Charles. T., "Statistical Methods in Hydrology". Iowa State University Press, Ames, Iowa,
1977.
Jenkinson, A. F., "The frequency distribution of the annual maximum (or minimum) values of
metereological elements. Quaterly Journal of the Royal Metereological Society., 1955.
Kite G. W., "Frequency and risk analysis in hydrology", Water Resources Publications, Colo. St.
Univ. Fort Collins., 1988.
Kuester, J.L and Mize, J.H., "Optimization Techniques with Fortran", (9): Multivariable
unconstrained Methods (Rosenbrock Algorithm), pp. 320-330, McGraw-Hill book Co., New
York, EUA, 1973.
Rosenbrock, H.H., "An automatic method for finding the greatest or least value of a function",
Computer Journal, Vol. 3, 1960.
Chow V. T. , Maidment D. R., Mays L. W., "Hidrologa aplicada", Editorial Mc Graw Hill,
Mexico, 1994.
Walpole R. E., Mayers R. H., "Probabilidad y Estadstica", Editorial Mc Graw Hill, Mxico,
1992.
1