AJUSTES DE MODELOS

PROBABILISTICOS
DISTRIBUCION NORMAL
DISTRIBUCION LOG
NORMAL
HIDROLOGIA ESTADISTICA

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

I.

INTRODUCCION
En la determinacin de valores extremos (caudales
mximos o mnimos, niveles mximos o mnimos, etc.)
necesarios para el anlisis y solucin de muchos
problemas relacionados con la ingeniera hidrulica,
resulta comn emplear las distribuciones probabilsticas
ms usuales para el estudio de problemas hidrolgicos.
As, a partir de un registro histrico de valores extremos,
se infi ere aquellos valores mximos o mnimos asociados a
un cierto perodo de retorno de diseo.
Es relativamente comn apreciar estudios en los cuales, a
partir de una data histrica de valores extremos, se haya
hecho uso de distribuciones tales como: Gumbel, Normal o
Log Pearson tipo III, para estimar los valores extremos
asociados a un periodo de retorno seleccionado. En menor
medida se observar el empleo de distribuciones tales
como: log normal de 2 parmetros, log normal de 3
parmetros o la distribucin gamma de 2 de 3
parmetros.
En este sentido cabra preguntarse: qu ha llevado al
especialista a seleccionar una determinada distribucin
probabilstica para el anlisis efectuado? Se ha verifi cado
que la distribucin escogida sea la que efectivamente
mejor se ajusta o representa a la serie histrica de datos?
Cul de las distribuciones disponibles debi haberse
empleado en verdad en la estimacin requerida de valores
extremos? Estas preguntas nos conducen a la necesidad
de revisar los temas relacionados con las pruebas
de
ajuste.

II.

OBJETIVOS
Interpretar y explicar las caractersticas del modelo
normal.
Interpretar

analizar

las

caractersticas

de

los

modelos logartmicos.
Entender las aplicaciones de la distribucin normal y
log normal.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

III.

MARCO TEORICO
MODELO MATEMATICO
Descripcin de un fenmeno de la naturaleza.
A. M.M.DETERMINISTICO: Resultado determinado por
las condiciones en que se realiza el experimento.
Solo cambia si se cambian las condiciones.
Es formulado en trminos de un grupo de variables y
parmetros y ecuaciones relacionadas a ellos.
Implica una relacin causa efecto entre valores de los
parmetros elegidos y los resultados obtenidos de la
aplicacin de las ecuaciones .
B. M.M.PROBABILISTICO O NO DETERMINISTICO : Las
condiciones en que se produce el fenmeno no
determinan el resultado.
Un modelo probabilstico se formula siguiendo las
leyes del azar. Se dividen en dos tipos: (1)
estadsticos, y (2) estocsticos
Los modelos estadsticos tratan con ejemplos observados,
mientras que los modelos estocsticos con la estructura
del azar observada en ciertas series hidrolgicas
temporales

El desarrollo de modelos estadsticos requieren

invariablemente el uso de datos; los modelos

estocsticos enfatizan sobre las caractersticas

estocsticas de los procesos hidrolgicos.

C. PRINCIPALES
CONTINUOS:
Uniforme

MODELOS

PROBABILISTICOS

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

Normal
Log-Normal
Exponencial
Gamma o Pearson II
Chi cuadrado
Valores extremos tipo I.gumbel.

D. DISTRIBUCIN NORMAL
Una distribucin normal de media y desviacin tpica se designa por
N(, ). Su grfica es la campana de Gauss:

El rea del recinto determinado por la funcin y el eje de

abscisas es igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = ,
deja un rea igual a 0.5 a la izquierda y otra igual a 0.5 a la
derecha.
La probabilidad equivale al rea encerrada bajo la
curva.
E. DISTRIBUCIN NORMAL ESTNDAR
N(0, 1)
La distribucin normal estndar, o tipifi cada o reducida, es
aquella
que
tiene
por media el
valor cero,
=0,
y
por desviacin tpica la unidad, =1.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

La probabilidad de la variable X depender del rea del recinto

sombreado en la fi gura. Y para calcularla utilizaremos una tabla
Tipifi cacin de la variable
Para poder utilizar la tabla tenemos que transformar la
variable X que

sigue

una

distribucin N(,

) en

otra

variable Z que siga una distribucin N(0, 1).

F. CLCULO

DE

PROBABILADADES

da

las probabilidades

EN

DISTRIBUCIONES

NORMALES

La tabla nos

de

P(z

k),

siendo z la variable tipifi cada.

Estas

probabilidades

nos

dan

la funcin

distribucin (k).
(k) = P(z k)
Bsqueda en la tabla de valor de k
Unidades y dcimas en la columna de la izquierda.
Centsimas en la fi la de arriba.

de

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

L
a distribucin normal es una distribucin simtrica en forma de
campana, tambin conocida como Campana de Gauss. Aunque muchas
veces no se ajusta a los datos hidrolgicos tiene amplia aplicacin por
ejemplo a los datos transformados que siguen la distribucin normal.
FUNCIN DE DENSIDAD:
La funcin de densidad est dada por

Los dos parmetros de la distribucin son la media y desviacin

estndar para los cuales
derivados de los datos.

(media) y s (desviacin estndar) son

ESTIMACIN DE PARMETROS:

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

FACTOR DE FRECUENCIA:
1. Si se trabaja con los X sin transformar el K se calcula como

este factor es el mismo de la variable normal estndar

LIMITES DE CONFIANZA:

Donde: es el nivel de probabilidad

es el cuantil de la distribucin
normal estandarizada para una probabilidad acumulada de 1- y Se es
el error estndar

G. DISTRIBUCIN LOG-NORMAL

1. CARACTERSTICAS DE LA DISTRIBUCIN
La distribucin log normal se obtiene cuando los logaritmos de una
Variable se describen mediante una distribucin normal. Es el caso en el
que las variaciones en la fiabilidad de una misma clase de componentes
tcnicos se representan considerando la tasa de fallos l aleatoria en
lugar de una variable constante.
Es la distribucin natural a utilizar cuando las desviaciones a partir del
valor del modelo estn formadas por factores, proporciones o
porcentajes ms que por valores absolutos como es el caso de la
distribucin normal.
La distribucin lognormal tiene dos parmetros: m* (media aritmtica
del logaritmo de los datos o tasa de fallos) y s (desviacin estndar del
logaritmo de los datos o tasa de fallos).

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

2. PROPIEDADES
La distribucin lognormal se caracteriza por las siguientes propiedades:

Asigna a valores de la variable < 0 la probabilidad 0 y de este

modo se ajusta a las tasas y probabilidades de fallo que de esta
forma slo pueden ser positivas.

Como depende de dos parmetros, segn veremos, se ajusta bien

a un gran nmero de distribuciones empricas.

Es idnea para parmetros que son a su vez producto de

numerosas cantidades aleatorias (mltiples efectos que influyen
sobre la fiabilidad de un componente).

La esperanza matemtica o media en la distribucin lognormal es

mayor que su mediana. De este modo da ms importancia a los
valores grandes de las tasas de fallo que una distribucin normal
con los mismos percentiles del 5% y 50% tendiendo, por tanto, a
ser pesimista. Esta propiedad se puede apreciar en la figura 2.

Comparacin entre una distribucin normal y una lognormal con

los mismos percentiles del 5% y 50%. (Distribucin normal
normalizada a 1, distribucin lognormal con el mismo factor)

En probabilidades y estadsticas,
la distribucin
log-normal es
una distribucin
de
probabilidad de
una variable
aleatoria cuyo logaritmo est normalmente distribuido. Es decir, si X es
una variable aleatoria con una distribucin normal, entonces exp(X)
tiene una distribucin log-normal.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

La base de una funcin logartmica no es importante, ya que log a X est

distribuida normalmente si y slo si log b X est distribuida
normalmente, slo se diferencian en un factor constante.
Log-normal tambin se escribe log normal o lognormal.
Una variable puede ser modelada como log-normal si puede ser
considerada como unproducto multiplicativo de muchos pequeos
factores independientes. Un ejemplo tpico es un retorno a largo plazo
de una inversin: puede considerarse como un producto de muchos
retornos diarios.

La distribucin log-normal tiende a la funcin densidad de probabilidad

para
, donde y son la media y la desviacin estndar del
logaritmo de variable. El valor esperado es

y la varianza es
.

H. DISTRIBUCION LOGNORMAL DE DOS PARAMETROS

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

Si los logaritmos Y de una variable aleatoria X se distribuyen

normalmente se dice que X se distribuye normalmente.
Esta distribucin es muy usada para el clculo de valores extremos por
ejemplo Qmax, Qmnimos, Pmax, Pmnima (excelentes resultados en
Antioquia). Tiene la ventaja que X>0 y que la transformacin Log
tiende a reducir la asimetra positiva ya que al sacar logaritmos se
reducen en mayor proporcin los datos mayores que los menores.
Limitaciones: tiene solamente dos parmetros, y requiere que los
logaritmos de las variables estn centrados en la media

FUNCIN DE DENSIDAD:

y = ln x
donde, y : media de los logaritmos

de la poblacin (parmetro

escalar), estimado
y : Desviacin estndar de los logaritmos de la poblacin, estimado sy.

Estimacin de parmetros:

FACTOR DE FRECUENCIA:

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

Puede trabajarse en el campo original y en el campo transformado.

2. Campo transformado: Si se trabaja en el campo transformado se

trabaja con la media y la desviacin estndar de los logaritmos, as:
Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)

con K con variable normal estandarizada para el Tr dado, x y media de

los logaritmos y Sy es la desviacin estndar de los logaritmos.

3. Campo original: Si se trabaja con los X sin transformar el K se calcula

como

K es la variable normal estandarizada para el Tr dado,

es el
coeficiente de variacin, x media de los datos originales y s desviacin
estndar de los datos originales.
LIMITES DE CONFIANZA:
En el campo transformado.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

en donde, n nmero de datos, Se error estndar, K T variable normal

estandarizada.

AJUSTE DE DISTRIBUCIONES

Para la modelacin de caudales mximos se utilizan, entre otras, las

distribuciones Log - Normal, Gumbel y Log-Gumbel principalmente.
Para seleccionar la distribucin de probabilidades de la serie histrica
se deben tener en cuenta algunas consideraciones.

Cuando en la serie histrica se observan outliers 1 es necesario

verificar la sensibilidad del ajuste debido a la presencia de estos,
(Ashkar, et al. 1994)

Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y LogPearson se requiere transformar la variable al campo logartmico
para modelarla, con lo que se disminuye la varianza muestral,
pero tambin se filtran las variaciones reales de los datos.

Las distribuciones de dos parmetros fijan el valor del coeficiente

de asimetra, lo que en algunos casos puede no ser
recomendable. La distribucin Log - Normal de dos parmetros
slo es recomendable s el coeficiente de asimetra es cercano a
cero.
Las distribuciones Gumbel y Log - Gumbel son
recomendables si el coeficiente de asimetra de los eventos
registrados es cercano a 1.13

Para ajustar distribuciones de tres parmetros (Log Normal III, Log

Pearson) se requiere estimar el coeficiente de asimetra de la
distribucin; para ello es necesario disponer de una serie con
longitud de registros larga, mayor de 50 aos, (Kite, 1988). Las
distribuciones de dos parmetros son usualmente preferidas
cuando se dispone de pocos datos, porque reducen la varianza de
la muestra, (Ashkar, et al. 1994).

1 Aunque no existe una definicin generalmente aceptada, se puede entender

como valores extremos, muy superiores a los dems registrados (Ashkar, et al.
1994).

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

Para seleccionar la distribucin de probabilidades adecuada se

debe tratar de utilizar informacin adicional del proceso
hidrolgico que permita identificar la forma en que se distribuye
la variable. Usualmente es muy difcil determinar las propiedades
fsicas de los procesos hidrolgicos para identificar el tipo de
distribucin de probabilidad que es aplicable.

Kite (1988) y Mamdouh (1993) afirman que no existe consistencia

sobre cual es la distribucin que mejor se ajusta a los caudales
mximos y recomiendan seleccionar el mejor ajuste a criterio del
modelador con la prueba de ajuste grfico o basado en el
comportamiento de las pruebas estadsticas de bondad del ajuste
(por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von
Mises) en las que se calcula un estimador y se compara con un
valor tabulado para determinar si el ajuste es adecuado o no. En
la prueba de ajuste grfica se dibujan los valores registrados en la
serie contra la distribucin terica de probabilidades y de manera
visual (subjetiva) se determina si el ajuste es adecuado o no.

Cuando la informacin es adecuada el anlisis de frecuencia es la

metodologa ms recomendable para la evaluacin de eventos
extremos, ya que la estimacin depende solamente de los caudales
mximos anuales que han ocurrido en la cuenca y no da cuenta de los
procesos de transformacin de la precipitacin en escorrenta.
Obviamente tiene algunas limitaciones relacionadas con el
comportamiento de la serie histrica y con el tamao y calidad de los
datos de la muestra.

Cuando se presenten cambios o tendencias en la serie histrica

se deben utilizar tcnicas estadsticas que permitan removerlos
para poder realizar el anlisis de frecuencias
(Kite, 1988;
Mamdouh, 1993; Ashkar, et al. 1994).

La seleccin inadecuada de la distribucin de probabilidades de la

serie histrica arrojar resultados de confiabilidad dudosa,
(Ashkar, et al. 1994).

El tamao de la muestra influye directamente en la confiabilidad

de los resultados, as a mayor perodo de retorno del estimativo
mayor longitud de registros necesaria para mejor confiabilidad en
los resultados.

El ajuste a distribuciones se puede hacer de dos tcnicas, con el factor

de frecuencia como se refiri en el numeral Error: Reference source not

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

found o hallando la distribucin emprica de los datos muestrales, por el

mtodo de Plotting Position.

Plotting Position
Trabaja con la probabilidad de excedencia asignada a cada valor de la
muestra. Se han propuesto numerosos mtodos empricos. Si n es el
total de valores y m es el rango de un valor en una lista ordenada de
mayor a menor (m=1 para el valor mximo) la probabilidad de
excedencia se puede obtener por medio de las siguientes expresiones

California

Weibull

Hazen

La expresin ms utilizada es la Weibull. Con las anteriores expresiones

se halla lo que se conoce como la distribucin emprica de una muestra,
esta luego se puede ajustar a una de las distribuciones tericas
presentadas anteriormente. Los resultados pueden ser dibujados en el
papel de probabilidad; este es diseado para que los datos se ajusten a
una lnea recta y se puedan comparar los datos mustrales con la
distribucin terica (lnea recta).

IV.

APLICACIONES

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

V.

CONCLUSIONES
La distribucin log normal se obtiene cuando los logaritmos
de una Variable se describen mediante una distribucin
normal.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA

Una variable puede ser modelada como log-normal si puede

ser considerada como un producto multiplicativo de muchos
pequeos factores independientes.
VI.

VII.

RECOMENDACIONES

ANEXOS
a. Tabla de distribucin normal.

14
UNIVERSIDAD NACIONAL DE CAJAMARCA