Вы находитесь на странице: 1из 30

UNIVERSIDAD NACIONAL DE HUANCAVELICA

(Creada por Ley Nro. 25265)

Facultad de Ciencias de Ingeniera


Escuela Profesional de Civil-Hvca

DISTRIBUCIONES ESTADISTICAS EN
HIDROLOGA Y SU APLICACIN EN R

CTEDRA : HIDROLOGA GENERAL


CATEDRTICO : Ing. IVAN AYALA BIZARRO
ESTUDIANTE : VENTURA HUAMAN, Dennis Oliver
CICLO Y SECCIN : VII A

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.

1. CAPTULO 1. UN POCO DE HISTORIA

Captulo 1
UN POCO DE HISTORIA
1.1.

Fue desarrollado inicialmente por Robert Gentleman


y Ross Ihaka del Departamento de Estadstica de la Universidad de Auckland en 1993. Sin embargo, si se remonta
a sus bases iniciales, puede decirse que inici en los Bell
Laboratories de AT&T y ahora Alcatel-Lucent en Nueva
Jersey con el lenguaje S. ste ltimo, un sistema para el
anlisis de datos desarrollado por John Chambers, Rick
Becker, y colaboradores diferentes desde finales de 1970.
La historia desde este punto es prcticamente la del lenguaje S. Los diseadores iniciales, Gentleman y Ihaka,
combinaron las fortalezas de dos lenguajes existentes, S y Scheme. En sus propias palabras:
El lenguaje resultante es muy similar en apariencia a S, pero en el uso de fondo y la semntica es derivado desde Scheme. El resultado se llam R en parte al reconocimiento de la
influencia de S y en parte para hacer gala de sus propios logros.
R proporciona un amplio abanico de herramientas estadsticas (modelos lineales y no
lineales, tests estadsticos, anlisis de series temporales, algoritmos de clasificacin y agrupamiento, etc.) y grficas.
Al igual que S, se trata de un lenguaje de programacin, lo que permite que los usuarios lo
extiendan definiendo sus propias funciones. De hecho, gran parte de las funciones de R estn
escritas en el mismo R, aunque para algoritmos computacionalmente exigentes es posible
desarrollar bibliotecas en C, C++ o Fortran que se cargan dinmicamente.

CAPTULO 1. 1.1. R

(a) Interfaz R en su versin 3.3.

(b) Iterfaz de Rstudio, Un IDE para R.

Figura 1.1: R como lenguaje de programacin.

HIDROLOGA GENERAL

2. CAPTULO 2. DISTRIBUCIONES DE PROBABILIDAD

Captulo 2
DISTRIBUCIONES DE
PROBABILIDAD
2.1.

DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS

La distribucin Log-Normal de tres parmetros es similar a la distribucin Log-Normal


2P excepto que la variable x es restada en una cantidad xo que representa un lmite inferior
para dicha variable, tal que: y = ln(x x0 )

2.1.1.

Funcin densidad

La funcin densidad, de la distribucin log-normal de 3 parmetros es:


f (x) =

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.

Estimacin de parmetros, mtodo de Mxima Verisimilitud

Los prmetros de la distribucin log-normal de 3 parmetros, estimados por el mtodo


de mxima verisimilitud son:
N
1 X
y =
ln(xi xo )
(2.2)
N i=1
y =

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

CAPTULO 2. 2.1. DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS

se calcula mediante un proceso iterativo como solucin de la siguiente expresin resumida:


N
X

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.

Funcin de distribucin acumulada


1 Z Z Z 2
F (Z) =
e 2 dZ
2

donde:
Z=

ln(x xo ) y
y

(2.6)

(2.7)

Se utiliz la solucin emprica para la funcin acumulada de Abramowitz y Stegun(1965):


F (Z) = 1 f (Z)(0,4361836t 0,1201676t2 + 0,937298t3 )
1
donde: para Z 0 t = 1+0,33267|Z|

2.1.4.

Procedimiento para el clculo y aplicacin en R

1 Lectura e importacin de datos


1
2
3
4
5
6
7

### 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 )

Min. 1st Qu.


360.0
581.0

Median
818.0

Mean 3rd Qu.


957.6 1030.0

Max.
3800.0

2 Distribucin emprica propuesta por Weilbull: Pe =


1
2
3
4
5
6
7

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

CAPTULO 2. 2.1. DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS

[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

p l o t ( x , P_E , pch =18 , c o l=" b l u e " , type="b" , l t y =1 , y l a b = "P" ,


main = " E m p i r i c a l D i s t r i b u t i o n " )
grid () 6

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

Eo<sum ( ( l o g ( xxo , exp ( 1 ) ) ) / ( xxo ) )+sum ( 1 / ( xxo ) ) ( sigma 2mu)


w h i l e ( abs ( Eo )>=1E5){
mu<sum ( l o g ( xx1 , exp ( 1 ) ) ) /n
sigma<sum ( ( l o g ( xx1 , exp ( 1 ) )mu) 2 /n ) 0 . 5

13
14
15
16
17

E1<sum ( ( l o g ( xx1 , exp ( 1 ) ) ) / ( xx1 ) )+sum ( 1 / ( xx1 ) ) ( sigma 2mu)


x2<x1(E1 ( xox1 ) ) / ( EoE1 )
xo<x1
x1<x2

HIDROLOGA GENERAL

CAPTULO 2. 2.1. DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS

18
19
20
21

10

Eo<E1
}
xo<x1
data . frame ( xo , mu, sigma )

xo
mu
sigma
1 265.2597 6.224071 0.7827017

4 La funcin de distribucin acumulada de la distribucin Log-Normal3P, usando


1
2
3
4
5
6
7
8
9
10
11
12
13

# 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

CAPTULO 2. 2.1. DISTRIBUCIN LOG-NORMAL DE 3 PARMETROS

LogNormal3P Distributin

0.0

Empirical Distribution

500

1000

1500

2000

2500

3000

3500

5 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4
5
6
7

# 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 " )
}

[1] "The LOG-NORMAL3P distribution fit the curve"

HIDROLOGA GENERAL

11

CAPTULO 2. 2.2. DISTRIBUCIN GAMMA 2 PARMETROS

12

2.2.

DISTRIBUCIN GAMMA 2 PARMETROS

2.2.1.

Funcin densidad

La funcin densidad, de la distribucin Gamma 2 parmetros es:


x

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)

Estimacin de parmetros, mtodo de Mxima Verisimilitud

Los prmetros de la distribucin Gamma 2 parmetros, estimados por el mtodo de


mxima verisimilitud son:
Parmetro de forma
El parmetro de forma se puede calcular por la siguiente relacin aproximada de Greenwood y Durand(1960):
para: 0 y 0,5772
=

0,5000876 + 0,1648852y 0,0544274y 2


y

(2.12)

8,898919 + 9,05995y + 0,9775373y 2


y(17,79728 + 11,968477y + y 2 )

(2.13)

y para: 0,5772 < y 17,0


=
donde:
y = lnx lnx
HIDROLOGA GENERAL

CAPTULO 2. 2.2. DISTRIBUCIN GAMMA 2 PARMETROS

13

Parmetro de escala

(2.14)

Procedimiento para el clculo y aplicacin en R

1 Los pasos para el clculo y el grfico de la distribucin de probabilidad emprica son


explicados anteriormente en la distribucin Log-Normal 3P, usando los mismos datos.
2 Para el clculo de los parmetros de la distribucin Gamma2P se usarn las ecuaciones
2.12, 2.13 y 2.14
1
2
3

### 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

YP<l o g ( mean ( x ) , exp ( 1 ) )mean ( l o g ( x , exp ( 1 ) ) )


# Form parameter (+) :
i f (0<=YP | | YP<=0.5772)
gam<( 0 . 5 0 0 0 8 7 6 + 0 . 1 6 4 8 8 5 2 YP0.0544274 YP 2 ) /YP
i f (0.5772 <YP | | YP<=17)
gam<( 8 . 8 9 8 9 1 9 + 9 . 0 5 9 9 5 YP+0.9775373 YP 2 ) / (YP ( 1 7 . 7 9 7 2 8 + 1 1 . 9 6 8 4 7 7 YP+
YP 2 ) )
# S c a l e parameter (+) :
Beta<mean ( x ) /gam
data . frame (gam , Beta )

gam
Beta
1 3.432879 278.9455

3 La funcin de distribucin acumulada de la distribucin Gamma2P, si se cumple con


la condicin: > 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

### 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

CAPTULO 2. 2.2. DISTRIBUCIN GAMMA 2 PARMETROS

1
2
3
4

p l o t ( x , Gy , 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 ( Gamma2P 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

14

0.2

Gamma2P Distributin

Empirical Distribution

500

1000

1500

2000

2500

3000

3500

4 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4
5
6
7

# 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 " )
}

[1] "GAMMA2P distribution fit the curve"

HIDROLOGA GENERAL

CAPTULO 2. 2.3. DISTRIBUCIN GAMMA 3 PARMETROS

15

2.3.

DISTRIBUCIN GAMMA 3 PARMETROS

2.3.1.

Funcin densidad

La funcin densidad, de la distribucin Gamma 3 parmetros es:


(x xo )1 e
f (x) =
()

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)

La solucin a la ecuacin de la funcin acumulada Gamma, se puede obtener por el desarrollo


de la serie:
!
y +1
y +n+1
ey y
+
+ ... +
(2.18)
G (y) =
(y)
( + 1)
( + 1) ... ( + n + 1)

2.3.3.

Estimacin de parmetros, mtodo de momentos

Aplicando el mtodo de momentos se obtienen las siguientes ecuaciones:


4
= 2
Cs
Cs S
=
2
2S
xo = X
Cs
donde:
N 2 M3
Cs = g = (N 1)(N
2)S 3
P

(x X)3

M3 = r Ni
P
(xi X)2
M3 =
N 1
X=

xi
N

HIDROLOGA GENERAL

(2.19)
(2.20)
(2.21)

CAPTULO 2. 2.3. DISTRIBUCIN GAMMA 3 PARMETROS

16

Procedimiento para el clculo y aplicacin en R

1 Los pasos para el clculo y el grfico de la distribucin de probabilidad emprica son


explicados anteriormente en la distribucin Log-Normal 3P, usando los mismos datos.
2 Para el clculo de los parmetros de la distribucin Gamma3P se usarn las ecuaciones
2.19, 2.20 y 2.21
1
2
3

###############
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

# Form parameter (+) :


gam<4 /CSG 2

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

3 La funcin de distribucin acumulada de la distribucin Gamma3P, si se cumple con


la condicin: > 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

### 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

CAPTULO 2. 2.3. DISTRIBUCIN GAMMA 3 PARMETROS

1
2
3
4

p l o t ( x , Gy , 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 ( Gamma3P 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

17

Gamma3P Distribution

0.2

Empirical Distribution

500

1000

1500

2000

2500

3000

3500

4 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4
5
6
7

# 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 " )
}

[1] "GAMMA3P distribution fit the curve"


HIDROLOGA GENERAL

CAPTULO 2. 2.4. DISTRIBUCIN LOG-PEARSON TIPO III

18

2.4.

DISTRIBUCIN LOG-PEARSON TIPO III

2.4.1.

Funcin densidad

La funcin densidad, de la distribucin Log-Pearson tipo III es:


(lnx xo )1 e
f (x) =
x ()

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

La variable aleatoria reducida Log-Pearson T3, est dada por: y =


funcin acumulada a:
Z y 1 y
y e
G(y) =
dy
()
0

(2.23)
lnxxo

la cual reduce la
(2.24)

La solucin a la ecuacin de la funcin acumulada, se puede obtener por el desarrollo de la


serie:
!
ey y
y +1
y +n+1
G (y) =
+
+ ... +
(2.25)
(y)
( + 1)
( + 1) ... ( + n + 1)

2.4.3.

Estimacin de parmetros, mtodo de momentos

Aplicando el mtodo de momentos se obtienen las siguientes ecuaciones:


=

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)

CAPTULO 2. 2.4. DISTRIBUCIN LOG-PEARSON TIPO III

19

Procedimiento para el clculo y aplicacin en R

1 Los pasos para el clculo y el grfico de la distribucin de probabilidad emprica son


explicados anteriormente en la distribucin Log-Normal 3P, usando los mismos datos.
2 Para el clculo de los parmetros de la distribucin Log-Pearson tipo III se usarn las
ecuaciones 2.26, 2.27 y 2.28
1
2

###############
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

# Form parameter (+) :


gam<4 /CSG 2

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

3 La funcin de distribucin acumulada de la distribucin Log-Pearson tipo III, si se


cumple con la condicin: > 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

### 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

CAPTULO 2. 2.4. DISTRIBUCIN LOG-PEARSON TIPO III

1
2
3
4

p l o t ( x , Gy , 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 ( LogPearson I I I 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
0.2

Cumulative probability

0.8

1.0

LogPearson III Distribution

0.0

Empirical Distribution

500

1000

1500

2000

2500

3000

3500

4 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4
5
6
7

# 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

[1] "LOG-PEARSON III distribution fit the curve"


HIDROLOGA GENERAL

CAPTULO 2. 2.5. DISTRIBUCIN GUMBEL

21

2.5.

DISTRIBUCIN GUMBEL

2.5.1.

Funcin acumulada

La funcin de distribucin acumulada de la distribucin Gumbel tiene la forma:


F (x) = ee

(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)

y la funcin acumulada reducida Gumbel, es:


G(y) = ee

2.5.3.

(2.33)

Estimacin de parmetros, mtodo de momentos

Aplicando el mtodo de momentos se obtienen las siguientes ecuaciones:

6
=
S

= X 0,57721

(2.34)
(2.35)

Procedimiento para el clculo y aplicacin en R

1 Los pasos para el clculo y el grfico de la distribucin de probabilidad emprica son


explicados anteriormente en la distribucin Log-Normal 3P, usando los mismos datos.
2 Para el clculo de los parmetros de la distribucin Gumbel se usarn las ecuaciones
2.34 y 2.35
1
2
3
4
5

### 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

CAPTULO 2. 2.5. DISTRIBUCIN GUMBEL

22

alph
mu
1 532.3182 650.3268

3 La funcin de distribucin acumulada de la distribucin Gumbel:


1
2
3
4
5
6

### 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

4 Clculo de probabilidades y cuantiles


1
2

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] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000


[7] 0.9800000 0.9900000 0.9950000 0.9960000 0.9980000 0.9990000
HIDROLOGA GENERAL

CAPTULO 2. 2.5. DISTRIBUCIN GUMBEL

1
2

Q< mul o g (( l o g ( p , exp ( 1 ) ) ) , exp ( 1 ) ) a l p h


data . frame ( Tr , p ,Q)

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

p l o t ( Tr , Q, pch =20 , c o l="#000099" , bg="#FF6666" , type="b" , l t y =1 ,


y l a b = " Q u a n t i l e " , x l a b = " Return p e r i o d ( y e a r s ) " ,
main = " Q u a n t i l e vs Return p e r i o d " )
grid ()

Quantile

1000

1500

2000

2500

3000

3500

4000

Quantile vs Return period

200

400

600

800

1000

Return period (years)

5 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4
5
6
7

# 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

CAPTULO 2. 2.6. DISTRIBUCIN LOG-GUMBEL

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 " )
}

[1] "GUMBEL distribution fit the curve"

2.6.

DISTRIBUCIN LOG-GUMBEL

2.6.1.

Funcin acumulada

La funcin de distribucin acumulada de la distribucin Gumbel tiene la forma:


F (x) = ee

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

y la funcin acumulada reducida Gumbel, es:


y=

G(y) = ee

2.6.3.

(2.39)

(2.40)

Estimacin de parmetros, mtodo de momentos

Aplicando el mtodo de momentos se obtienen las siguientes ecuaciones:

6
=
Slnx

= X lnx 0,57721
HIDROLOGA GENERAL

(2.41)
(2.42)

CAPTULO 2. 2.6. DISTRIBUCIN LOG-GUMBEL

25

Procedimiento para el clculo y aplicacin en R

1 Los pasos para el clculo y el grfico de la distribucin de probabilidad emprica son


explicados anteriormente en la distribucin Log-Normal 3P, usando los mismos datos.
2 Para el clculo de los parmetros de la distribucin Gumbel se usarn las ecuaciones
2.41 y 2.42
1
2
3
4
5

### 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

3 La funcin de distribucin acumulada de la distribucin Gumbel:


1
2
3
4
5
6

# 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

CAPTULO 2. 2.6. DISTRIBUCIN LOG-GUMBEL

LogGumbel Distribution

0.0

Empirical Distribution

500

1000

1500

2000

2500

3000

3500

4 Clculo de probabilidades y cuantiles


1
2

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] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000


[7] 0.9800000 0.9900000 0.9950000 0.9960000 0.9980000 0.9990000
1
2

Q< exp (mul o g (( l o g ( p , exp ( 1 ) ) ) , exp ( 1 ) ) a l p h )


data . frame ( Tr , p ,Q )

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

p l o t ( Tr , Q, pch =20 , c o l="#000099" , bg="#FF6666" , type="b" , l t y =1 ,


y l a b = " Q u a n t i l e " , x l a b = " Return p e r i o d ( y e a r s ) " ,
main = " Q u a n t i l e vs Return p e r i o d " )
grid ( )

HIDROLOGA GENERAL

CAPTULO 2. 2.6. DISTRIBUCIN LOG-GUMBEL

27

6000
2000

4000

Quantile

8000

10000

Quantile vs Return period

200

400

600

800

1000

Return period (years)

5 Prueba de bondad usando el mtodo Kolmogorov-Smirnov


1
2
3
4

# 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 " )
}

[1] "LOG-GUMBEL distribution fit the curve"

HIDROLOGA GENERAL

2. CAPTULO 2. DISTRIBUCIONES DE PROBABILIDAD

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