ANÁLISIS ESTADÍSTICO DE DATOS HIDROLÓGICOS

HIDROLOGÍA

Presentado a:

Ing. Maira Charry Bocanegra

Presentado por:

Angie Daniela Bravo Galíndez

Sebastián Villegas Silva

UNIVERSIDAD DEL CAUCA

FACULTAD DE INGENIERÍA CIVIL

INGENIERÍA CIVIL

22 de Marzo del 2019

1. INTRODUCCIÓN
El análisis estadístico de datos hace una inferencia entre datos existentes realizando una
predicción en cuanto a los datos próximos, en cuanto a la hidrología, este análisis es
imprescindible al momento de determinar la magnitud de ciertos eventos como caudales
próximos o precipitaciones próximas que puedan ser utilizados en la elaboración de obras
hidráulicas civiles como presas, canales, entre otros para establecer su tiempo de vida útil
acorde a la zona en donde se requiere construir. Estos análisis son necesarios en la
implementación de una obra, puesto que determinan eventos futuros que puedan ser
iguales o que excedan la magnitud de eventos anteriores, evitando así el deterioro precoz
de la obra a construir.
Para obtener mejores resultados en las determinaciones de eventos futuros es necesario
contar con reportes históricos de eventos hidrológicos tales como caudales o
precipitaciones. Entre más registro histórico se utilice en el modelo de probabilidad
estadístico mayor será la confiabilidad en el resultado de excedencia de estos eventos y
mayor será el rango de durabilidad en el diseño de estructuras hidráulicas.

2. OBJETIVOS

OBJETIVO GENERAL
Determinar el modelo de análisis estadístico adecuado que se ajuste a la forma gráfica de
los datos de intensidades y sus duraciones teniendo en cuenta el análisis de probabilidad
acorde al número de datos de precipitaciones y sus tiempos de retorno, para realizar un
estudio correcto en la implementación y construcción de obras civiles mediante la
inferencia estadística.

OBJETIVOS ESPECÍFICOS
 Hallar la probabilidad y tiempo de retorno de datos obtenidos mediante
pluviómetros de precipitaciones en ciertos periodos de tiempo.
 Determinar mediante modelos estadísticos establecidos el mejor ajuste a los datos
de intensidades obtenidos mediante las precipitaciones.
 Establecer la probabilidad de cada dato respecto a cada modelo de distribución de
probabilidad.
 Comparar los resultados obtenidos gráficamente entre la probabilidad empírica y
las distribuciones de probabilidad normal, log normal, gumbel y log gumbel.
3. MARCO TEÓRICO

DISTRIBUCIONES DE PROBABILIDAD ESTADÍSTICA: En teoría de la

probabilidad y estadística, la distribución de probabilidad de una variable aleatoria es
una función que asigna a cada suceso definido sobre la variable la probabilidad de que
dicho suceso ocurra. La distribución de probabilidad está definida sobre el conjunto de
todos los sucesos y cada uno de los sucesos es el rango de valores de la variable aleatoria.
También puede decirse que tiene una relación estrecha con las distribuciones de
frecuencia. De hecho, una distribución de probabilidades puede comprenderse como una
frecuencia teórica, ya que describe cómo se espera que varíen los resultados.
La distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada X real es la probabilidad de que la variable aleatoria sea
menor o igual que x.

DISTRIBUCIÓN NORMAL: La distribución normal es una distribución con forma de

campana donde las desviaciones estándar sucesivas con respecto a la media establecen
valores de referencia para estimar el porcentaje de observaciones de los datos. Estos
valores de referencia son la base de muchas pruebas de hipótesis, como las pruebas Z y t.

Figura 1. Modelo de distribución normal.

DISTRIBUCIÓN LOGARITMICA NORMAL: En probabilidades y estadísticas, la distribución

normal logarítmica es una distribución de probabilidad de una variable
aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable
aleatoria con una distribución normal, entonces e(x) tiene una distribución log-normal. Una
variable puede ser modelada como log-normal si puede ser considerada como
un producto multiplicativo de muchos pequeños factores independientes.
Figura 2. Modelo de distribución Log Normal

DISTRIBUCIÓN GUMBEL: Es utilizada para modelar la distribución del máximo (o el

mínimo), por lo que se usa para calcular valores extremos. Por ejemplo, sería muy útil para
representar la distribución del máximo nivel de un río a partir de los datos de niveles
máximos durante 10 años.

Figura 3. Modelo de distribución Gumbel.

 4. PROCEDIMIENTO Y ANÁLISIS DE RESULTADOS

4.1 Para la serie de precipitaciones máximas anuales, que puede obtener a partir de los
datos que se suministran en la hoja de Excel dada estime la media, desviación
estándar, mediana y moda.

Los parámetros estadísticos obtenidos mediante el análisis de las precipitaciones máximas en

Guachicono dieron como resultado los siguientes valores:

Tabla 1. Parámetros estadísticos correspondientes a las precipitaciones máximas.

Parámetro Aritmético Transformado

Media 44.661 3.753
Desviación estándar (mm) 15.114 0.299
Mediana (mm) 41.200 3.718
Coeficiente de asimetría 1.779 0.714
Moda #N/A #N/A

Los parámetros estadísticos aritméticos corresponden a los datos de precipitación máxima

ordenados de mayor a menor. Los parámetros estadísticos transformados corresponden a los
logaritmos de las precipitaciones, esto con la finalidad de trabajar con modelos de distribución de
probabilidad logarítmica como la Log Normal o la Log Gumbel.

La media corresponde al valor promedio de los valores de precipitación normal y precipitación

transformada en donde se pueden representar un número de datos N en uno solo siendo esta una
medida de tendencia central.

La mediana corresponde al valor central en cuanto a la posición de un número de datos N=23 de

forma ordenada.

La moda corresponde al valor con mayor frecuencia en un número de datos N. En cuanto a los
datos obtenidos de las precipitaciones máximas anuales de Guachicono, no se obtuvo un valor de
la moda puesto que ningún dato se repite.

El valor obtenido en la desviación estándar nos indica la dispersión de los datos referente a la
media aritmética que los representa, es decir, que mientras se obtenga una desviación mayor, la
dispersión de los datos será proporcional al valor obtenido e indicará que la variación de datos
será representado correctamente por la media en algunos casos.
Para obtener los valores de los parámetros estadísticos en Excel se realizó el siguiente
procedimiento:

4.1.1 Se ordenaron los datos de precipitación de mayor a menor.

4.1.2 Se sacaron los logaritmos en base de los logaritmos naturales de cada dato de precipitación.
La cual corresponde a la precipitación transformada.
4.1.3 Se determinó la posición de cada dato respecto al número de datos totales.

4.1.4 Se determina la probabilidad empírica mediante la fórmula de probabilidad de excedencia

California en donde establece que la probabilidad es igual a la razón entre la posición de la
precipitación en la serie y el número total de datos.
4.1.5 Se halla la probabilidad desacumulada empírica mediante la diferencia de 1 y la probabilidad
empírica obtenida anteriormente.

4.1.6 Se saca la media aritmética mediante la función de Excel “PROMEDIO” a las precipitaciones
normal y trasformada.
4.1.7 Se halla la desviación estándar mediante la función “DESVESTA” y se ingresan los datos de
precipitaciones normales y transformadas.

4.1.8 Luego se halla la mediana mediante la función “MEDIANA”.

4.1.9 Se halla el coeficiente de asimetría mediante la función “COEFICIENTE.ASIMETRÍA” y se
seleccionan los datos de las precipitaciones.

4.1.10 Por último se halla la moda mediante la función “MODA”, Excel no arroja un dato en
específico puesto que no existe un dato de precipitación tanto normal como transformada.
 4.2 Haga el histograma de frecuencias relativas de los datos anuales y frecuencia
acumulada.

El histograma de frecuencias respecto a los datos de precipitaciones vs probabilidades acumuladas

y desacumuladas se observa de la siguiente forma:

Figura 4. Probabilidades acumuladas y desacumuladas vs las precipitaciones máximas anuales en

Guachicono en mm.

Histograma de frecuencias absoluta y relativa

1.200 1.200
Probabilidad Desacumulada

Probabilidad Acumulada
1.000 1.000

0.800 0.800

0.600 0.600

0.400 0.400

0.200 0.200

0.000 0.000
95.0
65.0
61.4
57.1
53.6
50.6
50.5
48.2
45.5
43.0
42.8
41.2
40.3
39.0
36.8
36.3
35.5
34.1
33.5
33.1
30.9
28.6
25.2
Precipitación (mm)
Precipitación vs Probabilidad acumulada
Precip. Desacumulada

La anterior gráfica muestra el entrelace existente entre las probabilidades empíricas acumuladas y
desacumuladas y su relación respecto a la precipitación, en donde se puede deducir que hay
mayor probabilidad de excedencia del dato menor correspondiente a 25.2 con respecto a los
demás datos. Como también, que a medida que el valor de la precipitación aumenta, su
probabilidad es aun menor con respecto al dato anterior llegando a un valor cercano a cero que
corresponde al dato mayor de precipitación máxima anual. Con este histograma se puede
determinar cuales son las precipitaciones más frecuentes en una zona, en este caso de
Guachicono. Por el contrario, de la probabilidad desacumulada con respecto a la precipitación se
puede deducir que hay menos probabilidad de que el mayor valor de precipitación se iguale o
exceda en comparación con el límite máximo de probabilidad el cual es igual a 1.
En la gráfica de dispersión de los datos, representando los ejes de precipitación vs probabilidad
empírica acumulada se obtuvo lo siguiente:

Figura 5. Precipitación en mm vs probabilidad empírica desacumulada en gráfica de dispersión de

datos.

PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA

DESACUMULADA
Probabilidad emp. (Desacumulada)

1.200
1.000
0.800
0.600
0.400
0.200
0.000
0.0 20.0 40.0 60.0 80.0 100.0
Precip. en mm

PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA

Gráficamente se puede deducir en cuanto a las probabilidades de excedencia de los datos, que
existe menor probabilidad desacumulada en que las magnitudes de precipitación bajas no
obtengan un tiempo de retorno bajo o que sean igualadas o excedidas, por el contrario, es mas
probable que los tiempos de retorno sean aún mayores para los datos de precipitación extremos
puesto que existe una menor probabilidad de que sean igualados o excedidos.

4.3 Realice el ajuste anual con las funciones de distribución de probabilidad Normal, Log
normal, Gumbel, Log Gumbel. El análisis debe incluir las figuras de los ajustes y
estimación de los parámetros de la distribución de probabilidad. ¿Según usted cuál
de ellas se ajusta mejor a los datos observados?

4.3.1 Inicialmente se realizó la gráfica de dispersión de la probabilidad empírica desacumulada vs

la precipitación en donde arroja un modelo gráfico de la siguiente manera
4.3.2 Se halla la distribución de probabilidad normal mediante la función de Excel
“DISTR.NORM.N” y se seleccionan los datos correspondientes a la precipitación normal o de
valores originales.

Hallamos el valor para cada una de las 23 precipitaciones de la distribución normal

De los datos anteriores, se obtuvo la siguiente gráfica de comparación entre la distribución normal
y la probabilidad desacumulada con respecto a las precipitaciones en mm:

Figura 6. Gráfica comparativa entre la probabilidad empírica desacumulada y la distribución de

probabilidad normal vs la precipitación en mm.

DISTR. NORMAL Y PROB. DESACUMULADA EMPÍRICA VS

PRECIPITACIÓN
1.200 1.200

PROBABILIDAD EMPÍRICA DESACUMULADA

1.000 1.000
DISTR. NORMAL

0.800 0.800

0.600 0.600

0.400 0.400

0.200 0.200

0.000 0.000
0.0 10.0 20.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0 100.0
PRECIPITACIÓN (mm)

PRECIPITACION VS DISTRIBUCION NORMAL PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA

De la distribución normal con respecto a la probabilidad empírica se deduce que existen datos que
no se ajustan perfectamente, puesto que la distribución adquiere una forma curva de tendencia
en forma de campana y la mayoría de datos no coinciden con los de este modelo de distribución
obtenidos.

4.3.3 Luego se halla la distribución Log Normal mediante la función “DISTR.LOG.NORM” y se

seleccionan los datos correspondientes.

De lo anterior se obtuvo la siguiente gráfica.

Figura 7. Gráfica comparativa de distribución Log Normal y probabilidad desacumulada empírica.

DISTR. LOG NORMAL Y PROB. DESACUMULADA

EMPÍRICA VS PRECIPITACIÓN
1.200 1.200
PROBABILIDAD DESACUMULADA
DISTR. LOG NORMAL

1.000 1.000
0.800 0.800
0.600 0.600
0.400 0.400
0.200 0.200
0.000 0.000
0.0 20.0 40.0 60.0 80.0 100.0
PRECIPITACIÓN (mm)
PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA
PRECIPITACION VS DISTRIBUCION LOG NORMAL
Esta distribución adquiere una forma acampanada, la cual se ajusta mejor a los datos graficados de
la probabilidad empírica, ya que existe menor dispersión gráfica de los datos obtenidos entre los
dos métodos de probabilidad, esta distribución es adecuada para hallar los valores de datos
hidrológicos extremos como en este caso, que para obtenerla se utilizaron datos de registro
histórico anual de precipitaciones máximas. Aunque su línea de tendencia sigue siendo una forma
acampanada, esta reduce los valores de asimetría positiva al estar transformada mediante los
logaritmos, adquiriendo una forma más ajustada respecto a los datos originales.

4.3.4 Ahora para hallar la distribución Gumbel y Log Gumbel es necesario hallar los coeficientes α
y β. El coeficiente α depende de la desviación estándar tanto de la precipitación normal y
transformada.

4.3.5 Se halla el coeficiente β el cual depende de la media y el coeficiente α encontrado

anteriormente
Los valores de α y β obtenidos corresponden a:

Tabla 2. Coeficientes α y β para distribución Gumbel y Log Gumbel

PARÁMETROS FUNCIÓN GUMBEL

GUMBEL LOG GUMBEL
α β α β
11.785 37.859 0.233 3.619

4.3.6 Ya hallados los coeficientes necesarios para la distribución Gumbel y Log Gumbel se utiliza la
función “+EXP(-EXP” y se seleccionan los datos requeridos.

Comparando los datos obtenidos mediante la distribución Gumbel gráficamente se observa lo

siguiente:

Figura 8. Gráfica comparativa entre la distribución Gumbel y la probabilidad empírica

desacumulada.

DISTR. NORMAL Y PROB. DESACUMULADA EMPÍRICA VS PRECIPITACIÓN

1.200 1.200
DESACUMULADA
PROBABILIDAD

1.000 1.000
DISTR. GUMBEL

0.800 0.800
0.600 0.600
0.400 0.400
0.200 0.200
0.000 0.000
0.0 20.0 40.0 60.0 80.0 100.0
PRECIPITACIÓN (mm)
PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA
PRECIPITACION VS DISTRIBUCION GUMBEL
Aunque esta gráfica se acerca más a la distribución de datos obtenidos mediante la distribución
empírica, existen algunos datos gráficos con alta dispersión en comparación con los datos
originales, sobre todo a los correspondientes a las precipitaciones bajas, las cuales no adquieren
una forma curveada, si no que existe un cambió un poco drástico de linealidad. La distribución
Gumbel se utiliza siempre y cuando los datos tengan una tendencia exponencial, en este caso,
existen algunos datos con esta tendencia, pero existen unos que no se asemejan.

4.3.7 La distribución Log Gumbel se halla con la misma función planteada en el paso 4.3.6
obteniendo la siguiente gráfica comparativa.

Figura 9. Gráfica comparativa entre la distribución Log Gumbel y la probabilidad empírica

desacumulada.

DISTR. LOG NORMAL Y PROB. DESACUMULADA EMPÍRICA VS

1.500
PRECIPITACIÓN 1.500

PROBABILIDAD DESACMULADA
DISTR LOG GUMBEL

1.000 1.000

0.500 0.500

0.000 0.000
0.000 20.000 40.000 60.000 80.000 100.000
PRECIPITACIÓN (mm)
PRECIPITACION VS DISTRIBUCION LOG GUMBEL
PRECIPITACIÓN VS PROBABILIDAD EMPÍRICA

A diferencia de la distribución Gumbel, esta distribución tiende a bajar los índices de asimetría
entre los datos, obteniendo una forma aún más precisa en comparación con las demás
distribuciones, puesto que al ser transformada la precipitación mediante los logaritmos, la
asimetría positiva adquiere un valor mínimo, y aunque existe algunos datos que no están ubicados
en el mismo sitio que los de la distribución, existe una dispersión baja, puesto que, los datos están
a una distancia no significativa. Por lo tanto, la mejor distribución para los datos de precipitaciones
máximas de Guachicono, comparando gráficamente corresponde a la distribución Log Gumbel.

4.3.8 Luego calculamos la gráfica de precipitación versus la probabilidad empírica y con cada una
de las distribuciones, donde podemos observar que tanto varían cada una de las distribuciones
calculadas.
 4.4 Determinación del Mejor Ajuste, Plotting Possition, Prueba Smirnov Kolmogorov,
Prueba Chi Cuadrado

PRUEBA PLOTTING POSITION

4.4.1 Para el ajuste plotting possition, lo calculamos a partir de la sumatoria de cada distribución
sobre 23 que eran el número de precipitaciones
Así las calculamos para cada una de los cuatro modelos de distribuciones de probabilidad
(NORMAL, LOG NORMAL, GUMBEL Y LOG GUMBEL).

El valor correspondiente al plotting position de la probabilidad empírica dio como resultado 0.478,
según esta prueba el mejor modelo de distribución corresponde a la Log Normal, puesto que
existe un rango de error aun más bajo en comparación con las demás distribuciones. Aunque en el
punto 4.3 se determinó como la mejor distribución en gráficas comparativas como la Log Gumbel y
la Log Normal, en este caso la Log Gumbel tiene un mayor rango de error respecto a todas las
demás, por lo cual, esta prueba aún no es suficiente para determinar el mejor ajuste de los datos
de precipitaciones máximas de Guachicono.

PRUEBA SMIRNOV KOLMOGOROV

4.4.2 Para hacer el ajuste por smirnoff, calculamos el valor absoluto de la probabilidad empírica
menos la distribución normal mediante la función de Excel “ABS”, así lo hicimos para cada uno de
los modelos de distribuciones de probabilidad.
4.4.3 Luego se halla el máximo de los 23 valores obtenidos anteriormente para cada una de las
distribuciones mediante la función “MAX” y se selecciona el rango de datos de las distribuciones.

La prueba de Smirnov kolmogorov tiene éxito cuando los valores obtenidos del Dn para cada
distribución están comprendidos entre los más usuales que son 0,05 y 0.01. Y los valores
obtenidos corresponden a:
Tabla 3. Valores de Dn para la prueba Smirnov Kolmogorov.

Dn
NORMAL Log Normal Gumbel Log Gumbel
0.109 0.068 0.093 0.066

Aunque ningún dato es igual a los datos Dn usuales, el más aproximado corresponde al obtenido
de la distribución Log Gumbel Y Log Normal, en comparación con los demás Dn, por lo tanto, esta
prueba arroja el resultado en que el mejor modelo de distribución es el Log Gumbel. Lo cual
también fue obtenido en las gráficas comparativas y en la prueba Plotting Position como segunda
opción.

PRUEBA CHI CUADRADO

4.4.5 Ahora para el cálculo por medio de la prueba de chi cuadrado para cada dato de cada
distribución, se determina la diferencia entre la probabilidad empírica y el dato de la de
distribución, todo esto elevado al cuadrado y dividido el dato de la distribución

Luego, hallamos la sumatoria de todos los datos de cada una de las distribuciones
De lo anterior se obtuvo los siguientes valores:

Tabla 4. Estadístico Chi cuadrado para los modelos de distribución de probabilidad.

CHI CUADRADO
NORMAL Log Normal Gumbel Log Gumbel
0.382 0.132 0.204 0.075

La prueba de chi cuadrado dice que si los resultados son iguales a cero se ajustan exactamente,
pero si son mayores los valores obtenidos, el ajuste difiere. Si esta entre unos valores entre 0,05 y
0,01 los valores son aceptables, pero como los valores superan los valores aceptados la
distribución difiere. Aunque ningún dato es igual a cero, o a los valores aceptables, existe un
modelo de probabilidad el cual se acerca a estos valores en comparación con los demás, el cual
corresponde al modelo de distribución Log Gumbel, con un rango de variabilidad más bajo, y por
lo tanto, mejor ajustado.

De las pruebas realizadas anteriormente, se puede deducir que el mejor modelo de distribución
para determinar los valores futuros de precipitaciones máximas en el municipio de Guachicono
corresponde al Log Gumbel, puesto que se ajusta gráficamente a los valores obtenidos
empíricamente, además de que los rangos de error son muy bajos en todas las pruebas teóricas en
comparación con las demás distribuciones. Por lo tanto, si se requiere realizar un estudio de
precipitaciones en esta zona realizando inferencia estadística de datos con registro histórico, es
recomendable para obtener una información pertinente y acertada, utilizar la distribución Log
Gumbel para realizar predicciones de eventos de lluvia para la construcción o adecuación de una
obra civil de índole Hidráulico.
 4.5 ¿Cuál es la probabilidad de excedencia de la precipitación media? la mediana? y la
moda?

Para calcular la probabilidad de excedencia se utilizó el método de Weibull, donde relaciona el

número de la posición del dato de la serie sobre el número de datos total más la unidad.

Para obtener las probabilidades de excedencia, inicialmente se ordenaron los datos de media y
mediana de forma descendente. Y luego se aplicó la fórmula de Weibull, para lo cual se obtuvo
probabilidad mayor, al dato proveniente de la mediana, por tener una mayor magnitud en
comparación con la moda. Los resultados de estos datos, en cuanto a su probabilidad
comparándolos con las probabilidades obtenidas en datos de posiciones cercanas, suponiendo
que la media y la mediana se ubicaran en la posición correspondiente a las probabilidades
obtenidas en los datos de precipitaciones máximas, existe un mínimo rango de error ya que hay
incoherencia en los valores obtenidos, puesto que, la media en la posición 9 obtendría un valor de
0.39 y la mediana en la posición 12 obtendría un valor de 0.52. Esto nos indica, que a mayor
cantidad de registro de datos históricos anuales, se obtiene un resultado aún más confiable en
cuanto a la probabilidad en que este evento suceda, en comparación con registros de datos bajos.

4.6 Mediante el análisis de frecuencia, estime para la misma serie de datos y las
distribuciones de probabilidad ajustadas en el punto 3, las precipitaciones para los
de periodo de retorno de 2.33, 5, 10, 50, 100 y 200 años. ¿Haga un análisis corto
sobre los valores obtenidos, tienen sentido físico?

Para el cálculo de las precipitaciones por medio de las cuatro distribuciones para los tiempos de
retorno establecidos, se procedio de la siguiente manera:
4.6.1 En la distribución normal, donde la probabilidad normal es igual a (1/tiempo de
retotno*100), y el area separada es (1- tiempo de retorno/100), y “z” es un valor dado en la tabla
de referencia para las áreas separadas exclusivamente para la distribución normal o Log normal.

La precipitación es igual a (desviación estándar * z + media)

El área separada corresponde al área bajo la curva en forma de campana, en donde representa la
probabilidad total igual al 100 %. Para hallar esta área es necesario ubicar en la gráfica de
izquierda a derecha el valor de porcentaje de área correspondiente a la probabilidad de
excedencia obtenida mediante la fórmula California. Luego, se resta el valor total relativo de la
probabilidad entre la probabilidad de excedencia relativa. El valor resultante de la diferencia, se
busca en una tabla adherente a la distribución normal, donde para cada área restante de
probabilidad se le relaciona con un valor Z predefinido, los valores de Z son los mismos para la
distribución Normal Y Log normal, puesto que no se alteran en lo absoluto ya que trabajan
únicamente con las posiciones de los datos y los tiempos de retorno los cuales no son
transformados.

Para los tiempos de retorno de 2.33, 5, 10, 50, 100 y 200 se obtuvo las siguientes precipitaciones.

Tabla 5. Precipitaciones para los tiempos de retorno correspondientes mediante la distribución

Normal.

TIEMPOS DE RETORNO PROB. NORMAL AREA SEPARADA Z PRECIPITACIÓN

2.33 42.918 0.571 0.18 47.38
5 20 0.8 0.85 57.51
10 10 0.9 1.29 64.16
50 2 0.98 2.06 75.80
100 1 0.99 2.33 79.88
200 0.5 0.995 2.58 83.66

Físicamente, los valores obtenidos son coherentes, puesto que los resultados arrojan que el
evento de precipitación con magnitud mayor, es a quien le corresponde un tiempo de retorno
mayor a los demás, puesto que, existe una menor probabilidad de que este evento sea igual o
excedido en un tiempo menor. Por el contrario, los resultados dicen que existe un tiempo de
retorno bajo para la precipitación de menor magnitud, lo cual significa que hay mayor
probabilidad de que este evento se repita o sea excedido más fácilmente en esta zona con
respecto a los demás. También se puede deducir que, a mayor magnitud de tiempo de retorno,
será aún menor la probabilidad de excedencia y mayor su magnitud de precipitación.

4.6.2 En Log normal, se calcula el area separada y la probabilidad de la misma manera que la
distribución normal con la única diferencia de que se trabaja con la media trasnformada y se halla
la diferencia para cada dato de precipitación máxima entre la precipitación transformada y la
media transformada. Luego esta se elevan al cuadrado y se realiza la sumatoria. Y se utiliza la
misma fórmula para hallar la precipitación en donde se obtuvo:
Tabla 6. Precipitaciones halladas mediante la distribución Log Normal

TIEMPOS DE PROB. LOG AREA

RETORNO NORMAL SEPARADA Z Ln (PREC.) PRECIPITACIÓN
2.33 42.918 0.571 0.18 3.77 43.267
5 20 0.8 0.85 3.82 45.601
10 10 0.9 1.29 3.85 47.202
50 2 0.98 2.06 3.91 50.139
100 1 0.99 2.33 3.94 51.212
200 0.5 0.995 2.58 3.96 52.226

De los datos de precipitación obtenidos anteriormente, se puede deducir que existe una mayor
probabilidad de que el evento de menor magnitud sea igualado o excedido en comparación a sus
precedentes, pero difiere en los datos de precipitación de la anterior distribución en las
magnitudes de las precipitaciones correspondientes a tiempos de retorno mayores como de 50,
100 y 200. Ya que los datos arrojan en que en este tiempo, una menor magnitud, por lo tanto, dice
que existe un tiempo de retorno demasiado alto, para que estos eventos sucedan aunque no sean
de magnitud muy grande con respecto al menor dato de precipitación y tiempo de retorno.
Físicamente, puede ser posible, en zonas donde la precipitación es demasiado baja, es decir, que
el clima permanezca en su mayoría de tiempo con precipitaciones de la misma magnitud y que
diferan en muy poco una de otra. Según la información hidrológica y geográfica del municipio de
Guachicono, esta ubicado en una zona en donde el clima respecto a las precipitaciones varía en el
tiempo en magnitudes altas de lo cual se observa en los registros históricos. Por lo tanto, la
información teórica obtenida mediante la distribución Log normal no es muy acertada.

4.6.3 Para distribución Gumbel, se calcula la precipitación bajo unos parámetros dados en la tabla
adherente a esta distribución, los cuales dependen del valor total de datos. Como los datos
correspondientes al registro histórico anual son 23, los parámetros son:

Tabla 7. Parámetros de distribución Gumbel Y Log Gumbel

σN 1.0811
YN 0.5283

𝜎 1
Luego, se utiliza la fórmula 𝑄𝑚𝑎𝑥 = 𝑄̅ − 𝜎𝑄 (𝑌𝑁 + ln 𝑇)
𝑁

Y se obtuvieron los siguientes resultados de precipitaciones.

Tabla 8. Precipitaciones halladas mediante la Distribución Gumbel.

TIEMPOS DE RETORNO PRECIPITACIÓN GUMBEL

2.33 49.10
5 59.78
10 69.47
50 91.97
100 101.66
200 111.35

Las precipitaciones halladas mediante esta distribución, exponen lo mismo que las anteriores
respecto a su proporcionalidad con el tiempo de retorno, sin embargo, adquieren una diferencia
en cuanto a sus magnitudes, puesto que, son aún mayores para los tiempos de retorno en
comparación con las demás distribuciones, además de que son aún mayores a las precipitaciones
presentadas en los datos del registro histórico de la zona de Guachicono. Por lo mencionada
anteriormente respecto a la ubicación geográfica e hidrográfica de Guachicono, estos datos son
más probables en que sucedan en el tiempo de retorno establecido, aunque superan
significativamente a las demás precipitaciones, estas corresponden a un aumento parecido al
presentado en el registro histórico.

4.6.4 Para Log Gumbel, se calcula la precipitación igualmente a la distribución Gumbel, pero se
trabaja con los datos transformados. Por lo tanto, la precipitación estará dada en función del
logaritmo natural, a lo cual se le aplica la función exponencial y dará como resultado lo siguiente:

Tabla 9. Precipitaciones halladas mediante la distribución Log Gumbel.

TIEMPOS DE RETORNO Ln (PRECIPITACIÓN LOG GUMBEL) PRECIPITACIÓN LOG GUMBEL

2.33 3.84 46.583
5 4.05 57.555
10 4.24 69.738
50 4.69 108.914
100 4.88 131.968
200 5.07 159.902

Los datos obtenidos anteriormente, siguen el mismo factor de proporcionalidad que las demás
distribuciones, pero difiere en la magnitud de las precipitaciones, y excede las precipitaciones
obtenidas mediante los datos históricos, al ser el modelo de mejor ajuste, las precipitaciones serán
aún más confiables, aunque no se puede afirmar que serán exactamente las magnitudes de
precipitación futuras, ya que existe un rango demasiado bajo de registro anual histórico, será un
valor aproximado de los eventos futuros. Como se obtuvo una magnitud de precipitación
demasiado alta, es necesario que para realizar el diseño y construcción de una obra civil, esta sea
capaz de soportar las máximas magnitudes de precipitación para que tenga mayor durabilidad y
calidad de estructura hidráulica.

5. CONCLUSIONES

De acuerdo a los datos obtenidos de las precipitaciones mediante sus tiempos de retorno
a partir se su análisis de frecuencia anterior, se puede deducir que la mejor distribución de
probabilidad utilizada corresponde a la Log normal, inicialmente porque en las pruebas de
determinación de mejor ajuste (Plotting Position, Chi cuadrado y Smirnov Kolmogorov)
aludieron a un menor error en cuanto al modelo Log normal de distribución en
comparación con las demás, y analizándolo de manera empírica y gráfica se puede
observar que los datos obtenidos mediante la probabilidad empírica se asemejan en su
mayoría a esta distribución probabilística puesto que no existe lejanía en sus magnitudes y
en distancias gráficas, por lo tanto, la determinación de precipitaciones mediante este
modelo de distribución de probabilidad será más confiable al momento de realizar algún
estudio de alguna estructura hidráulica haciendo un cálculo de predicción mediante la
inferencia estadística de datos históricos.

Realizando una comparación de datos hidrológicos en cuanto a la cantidad de registro, se

puede deducir que cuando los datos históricos son insuficientes o se tienen
precipitaciones como en este caso muy escasas para determinar una precipitación acorde
al tiempo de retorno requerido, la cantidad de los datos influye directamente con la
calidad de información a obtener al momento de realizar el cálculo de un dato hidrológico
futuro, ya que al tener un mayor rango de estudio, se pueden determinar los tiempos de
retorno obtenidos experimentalmente que definan claramente o tengan cierta similitud
en que el dato hidrológico con mayor magnitud sea excedido o igualado y cada cuanto
ocurre, por el contrario, cuando se trabaja con una baja cantidad de datos, es más
probable que difiera el Intervalo de confianza de la información obtenida teóricamente
mediante los modelos adecuados de distribución de probabilidad.

Es importante realizar un buen estudio de los datos hidrológicos obtenidos mediante un

registro histórico, para así obtener un buen resultado en predicciones futuras con el
tiempo de retorno requerido para cualquier construcción u obra civil de tipo hidráulico o
con relación hidráulica, puesto que, al obtener una buena información la obra garantizará
un buen diseño y por ende mayor durabilidad.

6. BIBLIOGRAFÍA
https://es.wikipedia.org/wiki/Distribución_de_probabilidad
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_log-normal
http://descartes.cnice.mec.es/heda/recursos/materiales/cadiz/Zaframagon/var_aleatoria/
tema5_5.html
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Gumbel