PROBABILIDAD APLICADA A LA HIDROLOGIA

Msc. Ing. Isidro Alberto Pilares Hualpa

MODELOS HIDROLGICOS
Segn Chow. Maiduant y Mays (1984), un modelo de sistema hidrolgico es una
aproximacin al sistema real: sus entradas y salidas son variables hidrolgicos mensurables
y su estructura es un conjunto de ecuaciones que conectan las entradas y salidas.
Los modelos hidrolgicos pueden dividirse en dos categoras: modelos fsicos y modelos
abstractos. Los primeros incluyen, modelos de escala que refrendan el sistema en una
escala reducida, tal como un modelo hidrulico del vertedero de una prosa. Los modelos
abstractos representan el sistema en forma matemtica, la operacin del sistema se describe
por medio de un conjunto de ecuaciones que relacionan los variables de entrada y salida.
Estas funciones pueden ser funciones de espacio y del tiempo y tambin pueden ser
variables probabilsticas y aleatorias, que no tienen un valor fijo en un punto particular del
espacio y tiempo, pero que estn descritas a travs de distribuciones de probabilidad.
MODELO MATEMATICO

Un modelo matemtico es una simplificacin de una situacin real, expresada mediante una
serie de hiptesis o suposiciones, traducidas en lenguaje matemtico y que conducen,
despus de una adecuada manipulacin, utilizando para ello las tcnicas matemticas
apropiadas, a una serie de resultados de cuyo anlisis se espera sacar a la luz aspectos de la
situacin original no fcilmente apreciables a simple vista.

CHOW (1964) seala que los modelos matemticos son aplicados para simular el
fenmeno hidrolgico natural, el cual es considerado como un proceso o sistema.
Cualquier fenmeno que est sometido a cambios, particularmente con respecto al tiempo,
es llamado un proceso. Como prcticamente todos los fenmenos hidrolgicos cambian con
el tiempo pueden ser llamados procesos hidrolgicos. Si la oportunidad de ocurrencia de las
variables envueltas en tal proceso es ignorada y el modelo se considera que sigue una ley de
certeza pero ninguna ley de probabilidad, el proceso y el modelo son descritos como
determinsticos. De otra forma, si la oportunidad de ocurrencia de la variable es tomada en
consideracin y el concepto de probabilidad es introducido en la formulacin del modelo, el
proceso y el modelo son descritos como estocsticos o probabilsticos (CHOW, 1964).

Estrictamente hablando, un proceso estocstico es diferente a uno probabilstico en que el
primero es considerado dependiente del tiempo y el segundo independiente del tiempo.
Podra decirse, entonces, que los modelos Probabilsticos hacen predicciones, mientras que
los modelos estocsticos hacen pronsticos (CHOW et al., 1994).
En realidad, todos los procesos hidrolgicos son ms o menos estocsticos. Se asumen
determinsticos o probabilsticos slo para simplificar su anlisis.

Tipos de modelos matemticos de cuencas

Un modelo matemtico de cuenca consiste en varios componentes, cada uno describe cierta
fase o fases del ciclo hidrolgico. Un modelo matemtico puede ser de tres tipos: (1)
terico, (2) conceptual, o (3) emprico. Los modelos tericos y empricos son exactamente
opuestos en significado, con modelos conceptuales que se ubican entre ellos. En suma, un
modelo matemtico puede ser determinstico o probabilstico, lineal o no lineal, invariable
en el tiempo o variable en el tiempo, global o distribuido, contino o discreto, analtico o
numrico, evento guiado o proceso continuo.
En la prctica del modelado de cuenca, cuatro tipos generales de modelos matemticos se
reconocen comnmente: (1) determinsticos, (2) probabilsticos, (3) conceptuales, y (4)
paramtricos.

Los modelos determinsticos
Son formulados siguiendo las leyes de los procesos fsicos y procesos qumicos descriptos
por ecuaciones diferenciales. Un modelo determinstico es formulado en trminos de un
grupo de variables y parmetros y ecuaciones relacionadas a ellos. Un modelo
determinstico implica una relacin causa-efecto entre los valores de los parmetros
elegidos y los resultados obtenidos de la aplicacin de las ecuaciones. Idealmente, un
modelo determinstico debera proveer el mejor detalle en la simulacin de los procesos
fsicos o qumicos. En la prctica, sin embargo, la aplicacin de modelos determinsticos
est asociada frecuentemente a la incapacidad del modelo o del modelador de resolver la
variabilidad temporal y espacial del fenmeno natural en incrementos suficientemente
pequeos.

Los modelos conceptuales
Son representaciones simplificadas de los procesos fsicos, obtenida por los variaciones
espacial y temporal y usualmente recaen sobre descripciones matemticas (ya sean en
forma algebraica o por ecuaciones diferenciales ordinarias), que simulan procesos
complejos basndose en unas pocas claves de parmetros conceptuales. El uso extensivo de
los modelos conceptuales en la ingeniera hidrolgica refleja la complejidad inherente del
fenmeno y la incapacidad prctica de considerar los componentes determinsticos en todas
las instancias. De all que los modelos conceptuales son sustitutos tiles y prcticos para los
modelos determinsticos.

Los modelos paramtricos (esto es emprico o caja negra)
Son los ms simples de todas las propuestas de modelado. Como su nombre indica, el
nfasis de los modelos paramtricos est en los parmetros empricos en los que est basada
la solucin. Usualmente, un modelo paramtrico consiste en una ecuacin (o ecuaciones)
algebraica que contiene uno o ms parmetros a ser determinados por el anlisis de datos u
otro medio emprico. La aplicabilidad de los modelos paramtricos est restringida al rango
de datos utilizados en la determinacin de los valores de los parmetros. Los modelos
paramtricos son tiles cuando los modelos conceptuales, determinsticos o probabilsticos
no son prcticos o son demasiado caros.

Los modelos probabilsticos
Son exactamente lo opuesto en significado a los modelos determinsticos. Un modelo
probabilstico se formula siguiendo las leyes del azar o probabilidad. Los modelos
probabilsticos son de dos tipo: (1) estadsticos, y (2) estocsticos. El desarrollo de los
modelos estadsticos es gobernado por las leyes de la probabilidad y aleatoriedad los
modelos estadsticos tratan con ejemplos observados, y requieren invariablemente el uso de
datos; mientras que los modelos estocsticos enfocan en las propiedades aleatorias o
estructura del azar observada en ciertas series de tiempo hidrolgicas - por ejemplo, flujos
diarios de corriente en cuencas de tamao medio. los modelos estocsticos enfatizan sobre
las caractersticas estocsticas de los procesos hidrolgicos.
Primera conclusin.
Los fenmenos que se presentan en la ingeniera, pueden clasificarse desde el punto de
vista de la certeza de su ocurrencia, en determinsticos y probabilsticos. Si la
probabilidad de ocurrencia de las variables en proceso es cierta, es decir asegurar una
ley determinada no probabilstico. En cambio si se toma en cuenta la probabilidad de
ocurrencia y la falta de certeza existente entonces se habla de un proceso de
naturaleza probabilstica en el campo de la ingeniera de la hidrolgica pertenecen a la
categora de los probabilsticos o estadsticos.
En rigor, existen diferencias entre los procesos probabilsticos y los estocsticos. Los
primeros son independientes del tiempo y los segundos son dependientes. Se denominan
proceso estadstico a un conjunto de variables aleatorias cuyas caractersticas varan en el
tiempo. En un proceso probabilstico, independiente de la variable del tiempo, la secuencia
de las variables no interesan y se supone que ellas siguen un determinado comportamiento
dado por el modelo probabilstico o distribucin.
Relaciones precipitacin-duracin-frecuencia.

Uno de los primeros pasos que debe seguirse en muchos proyectos de diseo hidrolgico es
la determinacin del o los eventos de precipitacin que deben usarse. La forma ms comn
de hacerlo es utilizar una lluvia de diseo o un evento que involucre una relacin entre la
precipitacin, la duracin de esta, y las frecuencias o perodos de retorno apropiados para la
obra y el sitio. Estos eventos, por otra parte, pueden estar basados en anlisis regionales o
de sitio especfico (CHOW et al., 1994 y ZALINA et al., 2002).



Procedimiento de anlisis.
AYALA y FERRER (1973) sealan que el procedimiento de anlisis de frecuencia
comprende las siguientes etapas:

- Verificar la confiabilidad de los datos hidrolgicos
- Suponer ciertos modelos probabilsticos
- Estimar los parmetros estadsticos de las funciones de distribucin de
probabilidades de cada modelo elegido
- Realizar pruebas que permitan seleccionar el modelo probabilstico que mejor
describe el fenmeno que se intenta representar
- Estimar l o los valores de diseo correspondientes al perodo de retorno de inters.

Segn BROWN y VARGAS (1986); JARA (1986); BOOY y LYE (1989); CHOW et al.
(1994) y VARAS y BOIS (1998), al estimar estos valores de diseo, existen varias fuentes
de incertidumbre hidrolgica que pueden ser divididas en tres categoras:

- Incertidumbre natural o inherente con respecto al proceso de generacin aleatoria
del fenmeno de inters
- Incertidumbre de modelo, al representar un proceso con un modelo inadecuado
- Incertidumbre de parmetro, asociada a la metodologa usada en la estimacin de
los parmetros del modelo

Estimacin de parmetros.

AYALA y FERRER (1973) y KITE (1977), sealan que una vez que un modelo
probabilstico ha sido escogido, la segunda fuente de error es aparente: los parmetros
estadsticos de la funcin de distribucin de probabilidades deben ser estimados desde la
muestra. Dado que la muestra est sujeta a errores, el mtodo de estimacin debe minimizar
estos errores.
Segn OBREGN (1977) y YEVJEVICH (1978), un estimador es un estadgrafo cuyo
valor observado intentamos usar para estimar el valor de un parmetro desconocido de una
funcin de distribucin de probabilidades. De este modo, pueden ser clasificados en
trminos de sesgo, eficiencia, consistencia, suficiencia y eficiencia asinttica.

MTODOS PROBABILSTICOS

El procedimiento ms eficiente para la prediccin de ocurrencia de mximas avenidas es
realizarla en base a los registros de caudales o precipitaciones.
Es indiscutible que este mtodo da estimados correctos con la condicin de que existen
suficientes datos de caudales o precipitaciones, y que el rgimen del ro no haya sufrido
cambios importantes (inconsistencia de datos). Con este mtodo se puede determinar no
solamente la magnitud de la avenida sino tambin la probabilidad de ocurrencia, con la
ventaja de que el valor es mucho ms exacto que los mtodos anteriores por basarse en
valores registrados.
Por lo general se recomienda, para que el mtodo probabilstico sea digno de confianza, los
registros existentes cubran un periodo de alrededor de veinte aos.

FENOMENO ALEATORIO

DIAZ (2010), Es aquel fenmeno que bajo las mismas condiciones experimentales se
presenta en mas de una manera o tambin se le denomina fenomeno que sucede al azar. En
el lenguaje de probabilidades las palabras: fenomeno, suceso, experimento, observacin o
dato son trminos que se usan indistintamente. Por ejemplo, todas las variables
hidrolgicas como las precipitaciones, descargas etc. Son consideradas como fenmenos o
sucesos aleatorios, por que se consideran como sucesos al azar. El azar hace que algunas
cosas ocurran de manera fortuita e impredecible. Los fenmenos aleatorios se estudian a
travs de la ley de probabilidades (posibilidades).

ELEMENTOS DE ESTADSTICA
Los procesos hidrolgicos son de naturaleza estocstica, es decir, que su distribucin en
el tiempo y en el espacio es tal que, en parte son determinsticos (predecibles) y en parte
aleatorios.
Algunas veces, la variabilidad aleatoria es muy grande comparada con la determinstica,
de modo que se justifica un tratamiento de proceso aleatorio puro, tal como cuando una
magnitud de una observacin del proceso no est correlacionada con la magnitud de una
observacin adyacente, siendo las propiedades estadsticas de todas las observaciones, las
mismas.
Cuando no existe correlacin entre observaciones adyacentes, la salida del sistema
hidrolgico se considera estocstica, independiente en el espacio y en el tiempo. Este
comportamiento es tpico de eventos hidrolgicos extremos, tal como crecidas o sequas; y
de datos hidrolgicos medios sobre intervalos de tiempo largos, como precipitacin anual.
En este captulo se describen los datos hidrolgicos pertenecientes a un proceso aleatorio
puro, mediante el uso de parmetros y funciones estadsticas. Los mtodos estadsticos se
basan en principios matemticos que describen la variacin de un conjunto de
observaciones de un proceso, centrando la atencin, ms bien en las mismas observaciones
en vez del proceso fsico que las origina

ESPACIO MUESTRAL
Si el resultado de un proceso es aleatorio para el observador se puede hablar, entonces, de
un experimento.
Para describir el resultado de un experimento pueden definirse muchas variables, pero
interesara formular un modelo matemtico simple del fenmeno fsico que interesa.
As, si el experimento consiste en analizar el resultado un dado, convendr que la variable
que modela el problema sea el nmero que indica la cara superior del dado. Otras variables
como color, distancia recorrida, velocidad inicial etc. No sern relevantes en el
experimento.
Aun cuando en un experimento, no es posible determinar con seguridad su resultado, se
puede si, definir con precisin un listado de los resultados posibles de ocurrir. Esta lista
constituye el espacio muestral. Espacio muestral es el listado ms detallado de todos los
resultados posibles del experimento definidos por eventos mutuamente exclusivos y
colectivamente exhaustivos
Por ejemplo, el espacio muestral del lanzamiento de un dado es el conjunto de nmeros
enteros 1, 2, 3, 4,5 y 6. El espacio muestral al lanzar una moneda es cara y sello
ALGEBRA DE EVENTOS
Constituye una herramienta y una terminologa precisa para manejar y utilizar los
conceptos de probabilidades.
Antes de establecer sus postulados es necesario definir los siguientes conceptos, para los
cuales se utilizan los llamados diagramas de VENN.

EVENTOS
Son colecciones de puntos o sub-conjuntos en un espacio que tienen caractersticas
comunes, los cuales quedaran ms claramente especificadas al definir el espacio muestral.
La coleccin de todos los puntos del espacio se denomina Universo. Conjunto Universal o
Evento Universal. Se designara por U




Se denominara complemento de un evento, evento A, a todos los puntos del universo que
no estn incluidos en el evento A. Un caso especial es el evento nulo o vaco que es el
complemento del evento universal.


Interseccin de dos eventos A y B es la coleccin de puntos que estn incluidos en el
evento A y en el evento B. Se designa interseccin de A y B.


U
Unin de dos eventos A y B es la coleccin de puntos que estn en A o en B o en ambos.
La unin de dos eventos A y B se designaran por A+ B.



Dos eventos A y B son mutuamente excluyentes o exclusivos o disjuntos o ajenos, si
ningn punto del universo (espacio muestral) esta incluido en mas de un evento. Es decir A
y B no tienen elementos comunes, matemticamente se representa mediante la siguiente
ecuacin:

A B =

ELEMENTOS DE PROBABILIDADES EN HIDROLOGIA.

Para completar la descripcin de un modelo para un experimento, se requiere adems,
asignar alguna medida que represente la posibilidad que ese evento ocurra. Esta medida es
la probabilidad, se tiene entonces que un modelo de un experimento fsico debe contar con
una definicin del espacio muestral, indicando los resultados posibles del experimento y de
una asignacin de probabilidad en cada punto del espacio. Hecho esto, el modelo estar
completo.
Una variable aleatoria X es una variable que se describe mediante una funcin de
distribucin de probabilidades. La distribucin indica la probabilidad de que una
observacin cualquiera x de la variable X obtenga un valor dentro de un rango especfico
de X.
Supongamos por ejemplo que X sea la precipitacin anual en un punto determinado, la
distribucin de X especifica el chance que tiene un valor de precipitacin anual observado
en un ao dado de caer dentro de un rango previamente definido, tal como por ejemplo,
menos que 1.200 mm, o entre 1.200 y 1.500 mm.
A un conjunto de observaciones x
1
, x
2
,..., x
n
de la variable aleatoria se denomina
muestra. Se asume que las muestras se extraen de una poblacin hipotticamente infinita
de propiedades estadsticas constantes; mientras que las propiedades de las muestras
pueden variar de una a otra. El conjunto de todas las muestras posibles que se puedan
extraer de la poblacin se denomina espacio muestral y un evento viene a ser un
subconjunto del espacio muestral, como se ilustra en la Figura 2.1.

As por ejemplo, el campo muestral de la precipitacin anual es tericamente el rango
desde cero a infinito positivo (los limites prcticos, inferior y superior, son por supuesto
valores finitos pequeos); el evento A podra ser la ocurrencia de un valor de precipitacin
anual menor que alguna magnitud especifica, tal como por ejemplo 1.200 mm.

PROBABILIDAD DE UN EVENTO

La probabilidad de ocurrencia de un evento, P(A), es el chance de ocurrencia de dicho
evento cuando se lleva a cabo una observacin de la variable aleatoria. Si una muestra de n
observaciones posee n
A
valores en el rango del evento A, entonces la frecuencia relativa de
A es n
A
/n. La frecuencia relativa se constituye en un estimado progresivamente mejor de la
probabilidad de ocurrencia del evento a medida que el tamao de la muestra se incrementa,
es decir:
P (A) = lim n
A
/n (2.1)
n
A este tipo de probabilidades se denomina probabilidades objetivas o posteriores, debido
a que dependen totalmente de observaciones de la variable aleatoria.
En contraposicin a ellas, tenemos las probabilidades subjetivas o a priori, es decir,
cuando se estima la ocurrencia de un evento sobre la base de juicios personales y
experiencia.
Es costumbre calcular la probabilidad futura de un evento sobre la base de las
observaciones de la muestra, por tanto la probabilidad de cualquier evento A que contenga
n
A
elementos de estos n puntos (tamao de la muestra o del espectro muestral) es la razn
del nmero de elementos en A al nmero de elementos en la muestra. Matemticamente
esta definicin se expresa por:
P(A)

n
A
es considerado como

el nmero de resultados o puntos favorables o como los xitos,
entonces la probabilidad de xito (que ocurra A), est dada por esta ecuacin. (El termino
favorable o xito es meramente enunciativo).

La probabilidad de ocurrencia de los eventos hidrolgicos se rige por los siguientes
principios:

1. Probabilidad Total: Si el espacio muestral se divide en m reas excluyentes o
eventos A
1
, A
2
,... A
m
, entonces:

P (A
1
) + P (A
2
) +.... + P (A
m
) = P () = 1 (2.2)

2. Complementariedad: Si sucede que A es el complemento de A, es decir, A = - A,
entonces:
P(A) = 1 - P(A) (2.3)

3. Probabilidad Condicional: Supongamos que tenemos dos eventos A y B, como se
muestra en la Figura 2.1. Si P(B/A) es la probabilidad condicional de que ocurra B, dado
que A ya ha ocurrido, entonces, la probabilidad conjunta de que A y B ocurran P(A B),
es el producto de P(B/A) y la probabilidad de que ocurra A, es decir,

P(A B) = P (B/A) x P(A),
O

(

Si la ocurrencia de B no depende de la ocurrencia de A, se dice que los eventos son
independientes, y P (B/A) = P (B). Para eventos independientes, de la Ecuacin (2.4)
tenemos
P(A B) = P(A) x P (B) (2.5)

Ejemplo.
Usando los datos del registro de caudales para el rio sondando, estimar la probabilidad
que un caudal pico que exceda los 100 m
3
/seg; ocurra en dos sucesivos aos en el rio
sondando.
Solucin:
En el registro vemos que los caudales de 100 m
3
/seg. Han sido excedidos 3 veces en 66
aos, la probabilidad que un caudal exceda en un ao es 3/66 = 0.0455, y que exceda en dos
aos consecutivos ser:
P(A = 0.0455 x 0.0455
P(A

(Se asume que los eventos son independientes, lo cual se explica fsicamente por la no
dependencia de ao en las descargas mximas)

Sea A el evento de que en este ao la precipitacin sea menor que 1.600 mm; y B, el
evento de que en el prximo ao la precipitacin sea menor que 1.600 mm. La unin A B
o superposicin de A y B indica que ambos eventos ocurren, es decir, dos aos sucesivos
con una precipitacin anual menor de 1.600 mm.

Retomando el ejemplo anterior, si los eventos de precipitacin fuesen independientes de
ao a ao, entonces, la probabilidad de que la precipitacin sea menor que 1.600 mm en
dos aos sucesivos es simplemente el cuadrado de la probabilidad de que la precipitacin
anual en cualquiera de los dos aos sea menor que 1.600 mm.

La nocin de eventos u observaciones independientes es muy importante para la
interpretacin estadstica correcta de una secuencia de datos hidrolgicos, ya que los
eventos independientes se pueden analizar sin considerar el orden de su ocurrencia. En
cambio, cuando los datos son dependientes (auto correlacionados), los mtodos de anlisis
son ms complejos debido a que la probabilidad conjunta P(A B) de eventos
sucesivos no es igual a P(A) x P(B).

Ejemplo:
En la Tabla 2.1 se dan los valores anuales de precipitacin (R) registrados en la estacin X
durante el perodo 1911-1979, los mismos que se han graficado en la Figura 2.2 (a).
Calcular la probabilidad de que la precipitacin anual R en cualquier ao sea menor que
889 mm, mayor que 1.143 mm; est entre 889 mm y 1.143 mm.

Solucin:
El conjunto de datos est constituido por 69 aos, es decir n = 69. Hagamos que sea los
eventos
A sea R < 889 mm

B sea R > 1.143 mm

De los 69 valores de la Tabla 2.1, 23 caen en el evento A y 19 en el B; es decir, n
A
= 23; y
n
B
= 19. Luego,
P(A) 23/69 = 0.333

P(B) 19/69 = 0.275

De la Ecuacin (2.3), la probabilidad de que la precipitacin anual est entre 889 y 1.143
mm se calcula como

P(889 R 1.143) = 1 - P(R<889) - P(R > 1.143) = 0.392


TABLA 2.1 PRECIPITACION ANUAL EN LA ESTACION X, 1991 1979 (mm).
Ao 1910 1920 1930 1940 1950 1.960 1970
0 - 1.237 1.229 1.252 792 1.168 861
1 1.013 1.120 864 1.123 686 1.125 805
2 787 1.087 1.158 1.059 940 960 800
3 1.074 1.229 947 782 1.189 752 1.514
4 1.069 869 1.110 1.361 683 892 1.283
5 1.044 823 1.062 876 645 1.262 980
6 729 1.179 1.044 1.278 584 930 1.102
7 427 988 792 1.113 1.435 826 729
8 866 947 894 549 1.102 1.567 813
9 1.433 1.285 892 1.196 1.049 1.204 1.316

EJEMPLO 2.2:
Asumiendo que los datos de la Tabla 2.1 constituyen un proceso independiente, calcular la
probabilidad de que ocurra en dos sucesivos precipitaciones menores que 889 mm/ao.
Compare esta probabilidad estimada con la frecuencia relativa de dicho evento en el en el
conjunto de valores de la Tabla 2.1.

Solucin: Hagamos que C sea el evento para el cual R < 889 mm en dos ao sucesivos.
Del ejemplo 2.1 tenemos que P (R <889 mm) = 0,333, asumiendo independencia tenemos:

P(C) [P(R<889mm)|
2
= (0,333)
2
=

0,111

Observando el conjunto de valores de la Tabla 2.1, es encuentran nueve (9) pares de dos
aos sucesivos con precipitacin menor que 889 mm de un total de 68 pares posibles,
luego,
P(C) n
c
/n = 9/68 = 0.132

Que es aproximadamente igual al calculado (0.111) asumiendo independencia.

Las probabilidades estimadas como en los Ejemplos 2.1 y 2.2 dan resultados
aproximados, ya que dependen del tamao de la muestra. Un mtodo alterno consiste en
ajustar a los datos una funcin de distribucin de probabilidades y luego determinar la
probabilidad de los eventos mediante dicha funcin.



















VARIABLE ALEATORIA Y DISTRIBUCIONES. ESPERANZA MATEMATICA Y
MOMENTOS DE LAS DISTRIBUCIONES
Como se ha indicado lneas arriba, las variables hidrometeorologicos como las descargas,
precipitaciones, temperaturas, horas de sol, etc., son consideradas como variables aleatorias
y por lo tanto se pueden describir mediante las distribuciones o modelos de probabilidades
de tipo discreto o continuo.
Daz (2010), en una muestra es importante describir las curvas de frecuencias mediante las
estadsticas, de igual manera en el estudio de la variable aleatoria la descripcin de la
distribucin de probabilidades (curva que describe la poblacin) se realiza atraves de los
parmetros que se estiman, como por ejemplo mediante la esperanza matemtica o
momentos de la distribucin de probabilidades. La esperanza matemtica o los momentos
de la distribucin vienen a ser uno de los mtodos que permite evaluar los descriptores de la
distribucin (parmetros), como por ejemplo el coeficiente de sesgo.
VARIABLE ALEATORIA
Se denomina como variable aleatoria, porque su valor queda determinado por el resultado
de un experimento, es decir, depende del azar. Tales resultados son debidos a las
operaciones de causas no predecibles. Una variable aleatoria (X) es una funcin definida
sobre un espacio muestral S, esto significa que a cada elemento e
i
del espacio muestral
S, corresponde un nmero real nico, cuyo valor es X.
e
1
, e
2
, e
3
e
n
son los experimentos realizados
x
1
, x
2
, x
3
.x
n
son los resultados de los experimentos
Como el valor de la variable aleatoria est determinado por el resultado del experimento
(suceso aleatorio de caudales, precipitaciones, etc.) se puede asignar probabilidades a sus
valores posibles (funcin de probabilidad).
La distribucin de probabilidad de una variable aleatoria X es una descripcin de las
probabilidades asociadas con los posibles valores de X, segn esta definicin se tiene la
distribucin de probabilidades siguientes:
- Para el caso de variables aleatorias discretas: funcin de masa de probabilidad o
funcin discreta masa de probabilidades y la funcin de distribucin acumulada o
distribucin acumulada discreta
- Para el caso de variables aleatorias continuas: funcin de densidad de probabilidad o
funcin de densidad de probabilidades y la funcin de distribucin acumulada o
distribucin acumulada contina.

CLASES DE VARIABLE ALEATORIA
En muchos casos prcticos las variables aleatorias son, o bien Discretas o bien Continuas.
VARIABLE ALEATORIA DISCRETA
Se dice que una variable aleatoria X es discreta, si tiene las siguientes propiedades:
- El nmero de valores, para los cuales X tiene una probabilidad positiva es finito, o a
lo ms infinito numerable 0, 1,2,...
- Cada intervalo finito en la escala de nmeros reales, contiene a lo ms un numero
finito de los valores de X.
Si un intervalo no contiene ni uno solo de esos valores, entonces P (

Funcin de densidad y funcin de distribucin de una variable aleatoria discreta
Sea una variable aleatoria discreta, entonces la funcin definida por

, se
le llama funcin de densidad discreta de X
0

Ejemplo,
Tomemos el lanzamiento de dos monedas, si X representa el nmero total de caras que se
obtendran, es suficiente definir por medio del siguiente conjunto de valores:
f(0) =
f(1) =
f(2) =
Para juzgar, como se distribuye una variable aleatoria, es decir, como cambia su
probabilidad cuando cambia la variable, es til representar la funcin densidad por medio
de un grfico.
Ejemplo.
Sea X la variable aleatoria que representa la suma de los puntos que se obtienen al lanzar
dos dados.
Se obtiene en total 36 puntos mustrales del espacio muestral.
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
x 2 3 4 5 6 7 8 9 10 11 12
Si se deseara calcular la probabilidad de que la suma de los puntos exceda de 7.
En trminos de espacio muestral, esta probabilidad est dada por:
P(x

5/36 + 4/36 + 3/36 + 2/36 +1/36 = 15/36

Los grficos correspondientes a la funcin de densidad y funcin de distribucin se
encuentran a continuacin.



Una funcin estrechamente relacionado con la funcin de densidad f(x), es la
correspondiente a la funcin de distribucin F(x), que se define por:

F(x) = P(X
0

Donde, esta suma, se extiende a todos aquellos valores de la variable aleatoria, que sean
menores o iguales que el valor especificado X.
El grafico correspondiente al lanzamiento de dos dados y su correspondiente variable
aleatoria (suma de los puntos) se muestra en la figura anterior.

VARIABLE ALEATORIA CONTINUA
Las variables continuas aparecen cuando se hacen mediciones en una escala continua, como
por ejemplo las mediciones de descarga, precipitacin, etc., este tipo de variables tienen
una probabilidad cero de tomar exactamente cualquiera de sus valores y su distribucin
probabilidad no se pueden presentar en forma de tablas. Por tanto se trabaja con intervalos
en vez de trabajar con datos puntuales como en el caso de las variables aleatorias discretas.
Si el rango de X es continuo, se dice que la variable aleatoria es continua y puede tomar
valores en cierto intervalo o coleccin de intervalos sobre la recta real, este tipo de variable
es la ms frecuente en hidrologa. Por ejemplo las descargas de un rio, los valores que
puede tener Q en escala continua tericamente es de cero hasta el infinito.

FUNCIN DE DENSIDAD Y FUNCIN DE DISTRIBUCIN DE VARIABLES ALEATORIAS
CONTINUAS
Una funcin de densidad de una variable aleatoria continua X, es una funcin f(x) que
posee las siguientes propiedades:
i)

ii)

iii)

Donde a y b son dos valores cualesquiera de X, que cumpla la condicin de que a .
Ejemplo.
Consideremos

como una funcin de densidad de X, en donde K= constante.

De acuerdo a la primera propiedad K debe ser positivo.
De la segunda condicin la integral de

desde es infinita, entonces se debe

restringir el limite inferior X= 0, para satisfacer las condiciones K=1, suponiendo que x
, entonces se cumple con las tres propiedades.

De la primera condicin se obtiene que K = 1 entonces:

MOMENTOS DE DISTRIBUCIONES
La descripcin de la distribucin de probabilidades (curva que describe la poblacin) se
realiza a travs de los parmetros que se estiman, como por ejemplo mediante la Esperanza
matemtica o los momentos de la distribucin de probabilidades. Vienen hacer uno de los
mtodos que permiten evaluar los descriptores de la distribucin (parmetros), como por
ejemplo el coeficiente de sesgo.
Por lo tanto se puede decir que los momentos son magnitudes fundamentales asociadas a
las leyes de probabilidad. Se demuestra, en efecto, que una ley de probabilidad se halla
descrita completamente por sus momentos.
ESPERANZA MATEMATICA
Si X es la variable aleatoria, la Esperanza matemtica, la media o el valor esperado son
trminos sinnimos, por consiguiente si queremos hallar la Esperanza matemtica de una
variable aleatoria, en la prctica estamos hallando el promedio de la variable aleatoria (en el
eje X) y como la variable aleatoria se describe mediante las distribuciones de probabilidad,
la Esperanza matemtica se halla o se estima a partir de las funciones de distribucin que
son funcin masa discreta de probabilidades o funcin de densidad de probabilidades,
dependiendo del tipo de variable aleatoria si es discreto o continuo.
E(x) =
Si la variable aleatoria es discreta, la Esperanza matemtica o el valor esperado o la
media de cualquier variable aleatoria discreta se obtiene al multiplicar cada uno de los
valores de la variable aleatoria X por su correspondiente probabilidad P(x) y luego se
suman estos productos.
La esperanza matemtica se simboliza por E(x) o y representa la media poblacional o
media terica de la variable aleatoria X. Como la esperanza matemtica describa a la
poblacin viene a ser un parmetro (valor desconocido solo puede ser estimado).
Entonces la media de la variable aleatoria discreta X se calcula mediante la siguiente
ecuacin:

Si la variable aleatoria X es continua, la media o la esperanza matemtica se calcula
mediante la siguiente ecuacin:

En la ecuacin se usa la integral en vez de sumatoria y a cambio de p(x), la media o
la esperanza matemtica describe el lugar donde se centra la funcin masa de probabilidad
o la funcin de densidad de probabilidad.
Por ejemplo en el curso de esttica, resistencia de materiales, etc., el centro de gravedad de
una figura geomtrica plana en el eje X y es equivalente a la ecuacin para una variable
aleatoria continua.
=

Dnde:
= centro de gravedad de la figura en el eje X
A = rea de la figura
dA = = diferencial del rea
Es importante indicar que en la estadstica el rea A representa el rea bajo la curva de la
funcin densidad de probabilidades , que en este caso es 1, por tanto, el denominador
de la ecuacin en los modelos probabilsticos es 1, por lo que la ecuacin son equivalentes.
De otro lado, si X es una variable aleatoria con funcin de densidad de probabilidad o
con funcin discreta masa de probabilidad p(x) y si h(x) es otra funcin de X, entonces la
esperanza matemtica o el valor esperado o la media se define mediante las siguientes
ecuaciones:
Si X es una variable aleatoria discreta, se tiene:
E (h(x)) =

Si X es una variable aleatoria continua, se tiene:
E (h(x)) =

ESTIMACION DE PARAMETROS
La funcin densidad y de distribucin pueden escribirse como una funcin de la variable
aleatoria y en general como una funcin de sus parmetros.
1) Mtodo de momentos
Como se conoce los parmetros media ( y variancia

estn dados por el primer

momento y segundo momento central respectivamente.

Ejemplo.
Por el mtodo de momentos determinar la media y variancia de la siguiente funcin
densidad.

Para x > 0
(x = variable aleatoria discreta)

a) Media = = E(x) =

. x

=

Se puede extender la suma para x = 1, 2, 3,..

=

Los trminos entre parntesis representan la expresin de

como serie de Taylor, por lo

tanto:
=

Entonces la media de la distribucin es
b) Calculo de la variancia

Pero adems:

2
= M
2

1
=

- []

Calculamos E(x
2
)

E(x
2
) = M
2
=

E(x
2
) =

E(x
2
) =

E(x
2
) =

En serie de Taylor

E(x
2
) =

E(x
2
) =

E(x
2
) =

E(x
2
) =

Por lo tanto

Conclusin:

Los parmetros media y variancia para la distribucin estudiada es


=

1) Mtodo de mxima verosimilitud

Se asume que tenemos n observaciones aleatorias X
1
, X
2
,X
n
, su funcin correspondiente:
f (X
1
, X
2
, X3,X
n
,

, pudiendo para cada X

i
, escribir su funcin de
probabilidad y se tendr:
f (X
1
,

f (X
2
,

f (X
2
,

f (X
n
,

donde

son los parmetros de la

funcin.
La expresin anterior es proporcional a la probabilidad de que una observacin aleatoria
sea obtenida de la poblacin y es conocida como funcin de mxima verosimilitud o
mxima probabilidad.

L (

Los m parmetros son desconocidos, por lo tanto la estimacin de estos se hace teniendo
presente que deben maximizar la funcin de verosimilitud.
Esto es posible tomando la derivada parcial de L (

respecto a cada e igualando a cero.

Ejemplo
Empleando el mtodo de mxima verosimilitud estimar el parmetro de la funcin de
densidad siguiente:

Para x > 0
Solucin:
L (

Ln [L()] = n Ln () -

[]

DISTRIBUCION DE FRECUENCIAS (representacin grafica)
Los registros Hidrolgicos, muestran por lo general una larga secuencia de datos que
requieren un anlisis cualitativo y cuantitativo para su empleo posterior.
Uno de estos anlisis importantes es la determinacin del histograma de frecuencias
relativas y absolutas, distribucin de frecuencias acumuladas, polgonos de frecuencia etc.
Cuando se dispone de un gran nmero de datos, es necesario distribuirlos en clase o
categoras y determinar el nmero de datos pertenecientes a cada clase, que es la frecuencia
de clase. Una ordenacin tabular de los datos en clases y con las frecuencias
correspondientes a cada una, se conoce como una tabla de distribucin de frecuencias.
Para determinar un nmero conveniente de intervalos de clase se tienen como referencia
algunas consideraciones:
- Spiegel (1961), sugiere que un nmero de intervalos de clase conveniente es de 5 a
20.
- Steel y Torrie (1960), sugieren que el nmero de intervalos no debe ser menor que
1/4, ni mayor que 1/2 del valor de la desviacin estndar
- Sturges (1926), recomienda para determinar el nmero de intervalos de clase la
siguiente formula: N intervalos = 1 + 3.3 Ln N, donde N es el nmero de datos
observados.

Ejemplo.
Para los datos de caudales picos anuales mostrados a continuacin se pide:
a) Determinar la media y desviacin estndar, para datos sin agrupar en tabla de
distribucin de frecuencias.
b) Determinar la media y desviacin estndar a partir de los datos agrupados en una
tabla de distribucin de frecuencias.
c) Graficar el histograma, polgono de frecuencias y tambin la curva de distribucin
de frecuencia acumulada.


AO CAUDAL
(m
3
/seg)
AO CAUDAL
(m
3
/seg)
AO CAUDAL
(m
3
/seg)
AO CAUDAL
(m
3
/seg)
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
200
480
430
680
470
350
630
765
420
555
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
370
695
690
730
340
800
540
400
250
420
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
750
780
360
530
580
520
550
610
590
536
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
690
548
530
570
450
650
320
680
610
290


Solucin.
a) Para datos que no estn agrupados en tabla de distribucin de frecuencias, los
parmetros media y desviacin estndar, se calculan con las formulas siguientes.

- Media:

= =

- Desviacin estndar poblacional:

b) Tabla de distribucin de frecuencias
NUMERO
DE CLASE
INTERVALO
DE CLASE
MARCA
DE
CLASE
FRECUENCIA
ABSOLUTA

FRECUENCIA
-----------------------

RELATIVA
-----------------

FRECUENCIA
ACUMULATIVA

FRECUENCIA
ACUMULATIVA
RELATIVA

1 2 3 4 5 5 6 7
1
2
3
4
5
6
7

201 300
301 400
401 500
501 600
601 700
701 800
801 900
250.5
350.5
450.5
550.5
650.5
750.5
850.5
3
5
7
11
8
4
2
----------------
40
7.5
12.5
17.6
27.5
20.0
10.0
5.0
------------------
100%
0.075
0.125
0.175
0.275
0.200
0.100
0.05
--------------
1.00

3
8
15
26
34
38
40
7.5
20.0
37.5
65.0
85.0
95.0
100.0


c) Calculo de la media y desviacin estndar a partir de datos agrupados en una
tabla de distribucin de frecuencias

NUMERO
DE CLASE

INTERVALO
DE CLASE

MARCAS
DE CLASE

FRECUENCIA
ABSOLUTA
OBSERVADA

1 2 3 4 5 6 7
1
2
3
4
5
6
7
200 300
301 400
401 500
501 600
601 700
701 800
801 900
250
350
450
550
650
750
850
3
5
7
11
8
4
2

40
750
1750
3150
6050
5200
3000
1700

21,600
84100
36100
8100
100
12100
44100
96100
252,300
180,500
56,700
1,100
96,800
176,400
192,200

1056,000

Media muestral: =

Desviacin estndar muestral:

Media poblacional: =
Desviacin estndar poblacional:

PARAMETROS ESTADISTICOS

El objetivo de la estadstica consiste en extraer de un conjunto muy grande de datos unos
pocos valores pero que sean representativos de las caractersticas del conjunto. Estos
valores se denominan parmetros estadsticos o simplemente estadsticos. As pues, los
parmetros estadsticos son caractersticos de la poblacin, tal como y .
Un parmetro estadstico es el valor esperado E de alguna funcin de la variable
aleatoria (tambin se denomina la esperanza matemtica). El parmetro ms simple es el
promedio , el cual viene a ser el valor esperado de la variable aleatoria misma. Para una
variable aleatoria X, el promedio es E(X), que se calcula como el producto de x por la
densidad de probabilidades correspondiente f(x), integrado en el rango factible de la
variable aleatoria:

(2.17)
E(X) es el primer momento con respecto al origen, una medida del punto medio o
Tendencia Central de la distribucin.
El estimador muestral de la media es el promedio aritmtico de los datos de la muestra:
(2.18)

En la Tabla 2.2 se da un resumen de las frmulas para calcular algunos parmetros de la
poblacin y sus estimadores mustrales.
La variabilidad de los datos se mide a travs de la varianza
2
la cual es el segundo
momento con respecto al promedio:
(2.19)
El estimador muestral de la varianza est dado por la expresin
(2.20)
}

= = xfdx E(X)

=
=
n
1 i
i
x
n
1
x
}

= = dx x f x x E ) ( ) ( ] ) [(
2 2 2
o

=
n
1 i
2
i
2
) x (x
1 n
1
S
En la cual (n-1) indica los grados de libertad, y se usa en vez de n para asegurar que el
parmetro sea insesgado, es decir, que no posea tendencia de ser menor o mayor que el
valor verdadero. La varianza tiene la dimensin [X]
2
. La desviacin estndar tiene las
mismas unidades de X; es igual a la raz cuadrada de la varianza y su estimador muestral es
S. En la Figura 2.5 (a), se ilustra el significado de la desviacin estndar; mientras mayor es
la desviacin estndar, mayor es la dispersin de los datos. El coeficiente de variacin
Cv = /, estimado por s x , es una medida adimensional de la variabilidad.
TABLA 2.2 PARAMETROS ESTADISTICOS DE LA POBLACIN

POBLACIN MUESTRA

1. Tendencia Central
Promedio Aritmtico.

}
= = =


i
x
n
1
x xf(x)dx E(X)
Mediana
X tal que F(x) = 0,5 50 avo. Percentil de los datos
Promedio geomtrico
Antilog [E (log x)]
1/n
i
n
1 i
) x (
=
H

2. Variabilidad
Varianza
2
n
1 i
i
2 2 2
) x (x
1 n
1
S ] ) E[(x

=

= =

Desviacin estndar o S
Coeficiente de variacin
x s/ Cv / Cv = = .
3. Asimetra
Coeficiente de asimetra.
3
n
1 i
3
i
2)S 1)(n (n
) x (x n
Cs

=

=


3
3

] ) E[(x

=
El grado de simetra de la distribucin con respecto al promedio se mide mediante la
asimetra, la cual viene a ser el tercer momento con respecto al promedio.

(2.21)







FIGURA 2.5. EFECTO DE LA DESVIACIN ESTNDAR Y EL COEFICIENTE
DE ASIMETRA SOBRE LA FUNCIN DE DENSIDAD DE PROBABILIDADES
La asimetra se da normalmente en forma adimensional, dividiendo la Ecuacin (2.21) entre

3
, cuyo cociente se denomina Coeficiente de Asimetra :
(2.22)
el estimador muestral de est dado por la expresin C
s
.
(2.23)
O tambin

(2.24)
Como se ilustra en la Figura 2.5 (b), para una asimetra positiva ( > 0) los datos se inclinan
a la derecha del pico de la distribucin, con solamente un pequeo nmero de valores muy
grandes; para asimetra negativa ( < 0) los datos se inclinan a la izquierda. Cuando los
datos poseen una asimetra pronunciada, los pocos valores extremos, ejercen un efecto
significativo sobre el clculo del promedio aritmtico (Ecuacin 2.18), en cuyo caso, se
debe usar un parmetro alternativo para calcular en forma apropiada la tendencia central, tal
como la mediana o el promedio geomtrico (ver Tabla 2.2).
}

= f(x)dx ) (x ] ) E[(x
3 3
] ) E[(x

3
3
=
3
n
1 i
n
1 i
3
i
2
i
n
1 i
n
1 i
i
i
3 2
s
2)S 1)(n n(n
) x 2( ) x ( ) x 3n( ) x ( n
C

+
=

= = = =
3
n
1 i
3
i
2
s
2)S 1)(n n(n
) x (x n
C

=

=
0.755
19.683.000 * 8 * 9
7 107.048.96 * 10
2)s 1)(n (n
) x (x n
C
3
3
n
1 i
i
s
= =

=

=
EJEMPLO.
Dados los datos de precipitacin anual en la estacin X para el perodo 1970 1979,
calcular los parmetros estadsticos de la muestra. Los datos son:
(1970,861) (1971,805) (1972,800) (1973,1.514) (1974,1.283) (1975,980) (1976,1.102)
(1977,729) (1978,813) (1979,1.316).
Solucin:
Utilizando la ecuacin (2.18), el promedio aritmtico es:
mm 1020
10
10203
x
n
1
X
n
1 i
i
=
= = =
La varianza se calcula mediante la ecuacin (2.20)
72.953
9
656.581
) x (x
1 n
1
S
n
1 i
2
i
2
= =

=

=

El coeficiente de asimetra se calcula usando la ecuacin (2.23)



Ejemplo. Calcule la media de la muestra, la desviacin estndar de la muestra y el
coeficiente de asimetra de la muestra de la informacin de precipitacin anual Tabla 11.3.2
Solucin. Los valores de precipitacin anual desde 1970 hasta 1979 se muestras en la
columna 2 de la tabla 11.3.2. Utilizando la ecuacin la media es:







MEDIA: X

. lg 17 . 40
10
7 . 401
1
1
pu
x
n
x
n
i
i
=
=
=

=


Los cuadrados de las desviaciones de la media se muestran en la columna 3 de la tabla, totalizando
1,016.9 pulg. De la ecuacin

2
1
2 2
lg 0 . 113
9
9 . 016 , 1
) (
1
1
Pu
x x
n
S
n
i
i
=
=

=

=

La desviacin estndar es:

. lg 63 . 10
) 0 . 113 (
2 / 1
pu
S
=
=

Los cubos de la desviacin de la media se muestran en la columna 4 de la tabla 11.3.2, totalizando
6,4803. Utilizando la ecuacin (11.3.7)
Coeficiente de Asimetra:
S
C

749 . 0
) 63 . 10 ( 8 9
3 . 480 , 6 10
) 2 ( ) 1 (
) (
3
3
1
3
=
=

=

=
x x
x
S n n
x x n
C
n
i
i
S


MODELOS PROBABILISTICOS APLICADOS EN LA HIDROLOGIA

MODELOS PROBABILISTICOS O DISTRIBUCION DE PROBABILIDADES
El modelo probabilstico explica el comportamiento del espacio muestral y a cada uno de
los resultados (eventos) se asocia con una probabilidad de ocurrencia, mediante el uso de
funciones de probabilidad (funcin masa de probabilidades o funcin de densidad de
probabilidades). Existen dos tipos de modelos de probabilidad: modelos probabilsticos
discretos y modelos probabilsticos continuos.
El procedimiento ms eficiente para la prediccin de ocurrencia de mximas avenidas es
realizarla en base a los registros de caudales o precipitaciones.
Es indiscutible que este mtodo da estimados correctos con la condicin de que existen
suficientes datos de caudales o precipitaciones, y que el rgimen del ro no haya sufrido
cambios importantes (inconsistencia de datos). Con este mtodo se puede determinar no
solamente la magnitud de la avenida sino tambin la probabilidad de ocurrencia, con la
ventaja de que el valor es mucho ms exacto que los mtodos anteriores por basarse en
valores registrados.

Por lo general se recomienda, para que el mtodo probabilstico sea digno de confianza, los
registros existentes cubran un periodo de alrededor de veinte aos.

MODELOS PROBABILISTICOS CORRESPONDIENTE A UNA VARIABLE
ALEATORIA DE TIPO DISCRETA
Estos modelos describen el comportamiento probabilstico de variables aleatorias discretas,
en un experimento aleatorio no es posible conocer anticipadamente con certeza el resultado
final, pero sin embargo es factible conocer todos los resultados posibles que puede tener la
realizacin del experimento de eventos mutuamente excluyentes y colectivamente
exhaustivos (resultados contables).
Los modelos probabilsticos discretos ms usados en la hidrologa son: distribucin
Bernoulli, binomial, geomtrica, binomial negativa y de Poisson.
MODELOS PROBABILISTICOS CORRESPONDIENTES A UNA VARIABLE
ALEATORIA DE TIPO CONTINUO
El hidrlogo generalmente tendr disponible un registro de datos hidrometeorologico
(precipitacin, caudales, evapotranspiracin, temperaturas, etc.) a travs de su
conocimiento del problema fsico, escoger un modelo probabilstico a usar, que represente
satisfactoriamente el comportamiento de la variable.
Los modelos probabilsticos continuos comnmente usados en la hidrologa son: normal,
logartmico normal, Gamma, Pearson III y Gumbel. Para utilizar estos modelos
probabilsticos, se deben calcular sus parmetros y realizar la prueba de bondad de ajuste.
Si el ajuste es bueno, se puede utilizar la distribucin elegida, una vez encontrada la ley de
distribucin que rige a las variables aleatorias, adems, se podr predecir con determinada
probabilidad, la ocurrencia de una determinada magnitud, de un fenmeno
hidrometeorologico. Tambin se podr determinar la magnitud de un fenmeno para un
determinado periodo de retorno.
DISTRIBUCIN NORMAL O GAUSSIANA
Con fines referenciales se define esta distribucin por ser la ms conocida. Co la aclaracin,
que la misma no sirve para estimar eventos mximos. Su funcin de densidad se expresa de
la siguiente forma:

2
2
2
) (
2 / 1
) 2 (
1
) (
o

to

=
x
e x f
(2.1)
Donde
o y
son parmetros de la distribucin, en este caso la desviacin estndar y la
media de los registros x.

Despejando:

Problema. Dados los caudales mximos instantneos en estacin de aforo, se pide:
a) La probabilidad de que en un ao cualquiera el caudal sea mayor igual a 7500
m
3
/seg. Determinar el periodo de retorno.
b) Caudal de avenida para un periodo de 60 aos. Considerar que el registro de
caudales se ajusta a la distribucin normal de probabilidades.

AO Q(m
3
/s) AO Q(m
3
/s)
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
2230
3220
2246
1804
2737
2070
3682
4240
2367
7061
2489
2350
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
3706
2675
6267
5971
4744
6000
4060
6900
5565
3130
2414
1796
7430

N = 25
Solucin:
a) P (Q
De los datos:

Para: Q = 7500 m
3
/seg.

De la tabla de distribucin normal:

b)

T = 60 aos
Sabemos que:

De la tabla de distribucin normal hallamos:
Z = 2.126

DISTRIBUCIN LOG-NORMAL 2 PARAMETROS
La expresin de la funcin de densidad de probabilidad es la siguiente:


2
2
2
) (ln
2 / 1
) 2 (
1
) (
Y
Y
x
Y
e
x
x f
o

o

H
=
(2.2)
Dnde:
y y
o ,
son la media y desviacin estndar del logaritmo natural de x, donde x es
caudal o precipitacin.
La relacin que existe entre el periodo de retorno (T) en aos y funcin de densidad f(x) es:

T
x f
1
) ( =
(2.3)

Y con la funcin de densidad acumulada Fx () es:

) ( 100 ) ( x F x f =
(2.4)
Problema:
Resolver el problema anterior si se ajusta a la distribucin Log normal.
a)

Calculamos y = Ln Q, para todos los caudales mximos instantneos
Luego:

y = Ln Q

;
Para Q = 7500

= 1.654
Con este valor, de la tabla de distribucin normal hallamos:

b)

( T = 60 aos)
Sabemos que la probabilidad menor que viene dado por:

De la tabla de Distribucin normal hallamos: Z = 2.126

Z tambin se pudo hallar aplicando
T = 60 p = 1/T = 0.0167
[ (

; W = 2.8609
De la expresin de

Hallamos Z = 2.127
DISTRIBUCIN LOG-NORMAL 3 PARAMENTROS
La definicin de la funcin de densidad de probabilidades es:


2
2
)) ) ( ((ln
2 / 1
) 2 ( ) (
1
) (
y
y a x
e
y a x
x f
o

o

H
=
(2.5)

Donde,
y y o ,
son parmetros de forma y escala y, a, es el parmetro de posicin, la
notacin con sub ndice y significa que son la media y desviacin estndar de los
logaritmos naturales de x (a registros).

DISTRIBUCIN EXTREMO TIPO 1, O GUMBEL O DOBLE EXPONENCIAL
El modelo para los valores extremos (mximos o mnimos) es de tres tipos, segn Chow, a
sido desarrollado por Fisher y Tippett (1928), quienes lo clasificaron en tres formas:
Distribucin de valor extremo llamados tipo I, II y III. Gumbel (1941) desarrollo con mayor
detalle las propiedades las propiedades de la distribucin de Valor Extremo Tipo I, por esta
razn este tipo de distribucin lleva su nombre.
La funcin de densidad de probabilidad de esta distribucin es:

e x f
e x
x
o
| o
| o
=


) (
) ) ( (
) (
(2.6)

Y la funcin de densidad acumulada F(x) es:


e x F
e
x
=


) (
) ( | o
(2.7)

Dnde:
| o,
son parmetros de la distribucin

PROBLEMA:
La funcin

e P Q F
e
i
Q Q i
x
) (
) (
) (
s

=

| o

Para muestras grandes: N > 100

0.45

Para muestras pequeas: N 100

Se obtienen de tablas estn en funcin de N.

Resolver el problema anterior asumiendo que la distribucin se ajusta a la distribucin
Gumbel.
a)

Del registro de los caudales hallamos:

N = 25
De tablas

Luego:

Para Q = 7500 m
3
/seg.

b)

( T = 60 aos)

TABLA: MEDIAS ESPERADAS (

o (

DE EXTREMOS REDUCIDOS EN FUNCION DE n

TABLA: DESVIACION STANDARD

o (

DE EXTREMOS EN FUNCION DE n

DISTRIBUCIN PEARSON TIPO 3. O GAMMA 3 PARAMETROS
Esta distribucin ha sido una de las ms utilizadas en hidrologa. Como la mayora de las
variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la
distribucin de frecuencia de variables tales como crecientes mximas anuales, Caudales
mnimos, Volmenes de flujo anuales y estacionales, valores de precipitaciones extremas y
volmenes de lluvia de corta duracin. La funcin de distribucin Gamma tiene dos o tres
parmetros.
Esta distribucin es un caso especial de la Gamma, es asimtrica y generalmente con forma
de campana, depende de tres parmetros estadsticos y por ello es bastante flexible. Cuando
el coeficiente de asimetra (Cs) es cero, se reduce a una distribucin normal.

En los anlisis probabilsticos de eventos extremos como lluvias y avenidas, se ha
generalizado el uso de la llamada: Distribucin Log Pearson Tipo III, en la cual se utiliza
como variable y = Log x, para reducir la simetra, tal modelo cuando el coeficiente de
oblicuidad (g) vale cero, se reduce a una distribucin Log normal

La funcin de densidad de probabilidades es:

|
.
|

\
|

|
.
|

\
|
I
=
o

|
o

| o
x
e
x
x f
1
) (
1
) (
(2.8)

Dnde:
| o y , ,
son parmetros de la distribucin, y
) (| I
es la funcin Gamma la que
se define como:
x d e x I
x
}

= I =
1
) ( ) 1 (
|
| |
(2.9)
Para
0 > |
, adems

) ( ) 1 ( | | | I = + I
(2.10)

DISTRIBUCIN LOG-PEARSON TIPO III
Si se hace un reemplazo de la variable x por el logaritmo natural (ln) de x, entonces la
funcin de densidad de esta distribucin es:
|
.
|

\
|

|
.
|

\
|
I
=
o
|
o

| o
x
e
x
x
x f
ln 1
ln
) (
1
) (
(2.11)
Dnde:
| o , ,
son los parmetros de escala, forma, y ubicacin respectivamente, la
Aplicacin de esta distribucin es limitada debida a que est definido dentro de un rango la
cual es:
1 / 1 : 1 > > o |

Se debe calcular los siguientes parmetros estadsticos:

Ag = coeficiente de asimetra (se calcula con un solo decimal)
Se cumple la relacin:

El valor de K se obtiene de la tabla:
Ag 99 80 50 .4 2
1
1.0101 1.25 2 .25 50
100
3.0
2.8
0.7
0
.
.
-2.8
-3.0


1.966


2.406


Resolver el problema anterior, asumiendo que la informacin se ajusta a la Distribucin
Pearson III.
a)

Calculando, obtenemos

Hallamos K
7500 = 3886 + K (1825.9)
K = 1.98
Interpolando:
P (%) K
4 1.966
X 1.98
2 2.406
Hallamos

c)

( T = 60 aos)

(Mayor que)
Interpolando:
P (%) K
1 2.823
2 2.406
Para P = 1.67%

K tambin se puede calcular:

si p > 0.5 usar: 1 p

[

Sea

En este caso: Z = 2.127

Remplazando hallamos:
K = 2.53
Luego:

VERIFICACION DE LOS MODELOS PROBABILSTICOS Y RIESGOS DE
FALLA
Verificacin del modelo
Se refiere la validez del modelo probabilstico propuesto, se quiere saber: es o no una
representacin aproximada del fenmeno hidrolgico el modelo elegido; el ingeniero ha
adoptado por una u otra razn un modelo matemtico de un fenmeno fsico, busca,
despus de conseguir datos (registros), la validez del modelo adoptado. Para verificar
recurre a las pruebas de bondad y ajuste.
Prueba de bondad y ajuste
Las pruebas de bondad de ajuste consisten en comprobar grfica y estadsticamente si la
frecuencia emprica de la serie de registros analizados se ajusta a un determinado modelo
probabilstico adoptado a priori, con los parmetros estimados en base a los valores
mustrales.
Las pruebas estadsticas, tiene 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 distribuye segn un modelo probabilstico. Los ajustes ms comunes
son: Chi Cuadrado, Mnimos Cuadrados y Smirnov Kolmogrov, en este trabajo se
utilizar la prueba de Chi Cuadrado y la de Mnimos Cuadrados. Esta prueba se lleva a
cabo en base a la funcin de la densidad de probabilidad y el histograma de los registros.
PRUEBA CHI CUADRADO
La prueba de Chi Cuadrado fue propuesto por Karl Pearson, el estadgrafo
) (
2
c x

utilizado relaciona las desviaciones del histograma respecto de los valores predichos. El
estadgrafo es:

=
k
i i
i
c
E
E O
x
1
2
1 2
) (
(4.1)
Dnde:
2
x
: Valor calculado de Chi cuadrado.
i
O
: Nmero de valores observados en el intervalo de clase i.
i
E
: Nmero de valores esperados o predichos en el intervalo de clase i.
k: Nmero de intervalos de clase en que se agrupa los registros
Una gua prctica emprica sugerido por Sturges para determinar el nmero de intervalos de
clase k es:

n k log 3 . 3 1+ =
(4.2)
Asignando probabilidades a la ecuacin (4.1), es decir, asignando igual probabilidad de
ocurrencia a cada intervalo de clase, se tiene:

=
k
i i
i
c
np
np n
x
1
2
1 2
) (
(4.3)
Dnde:
1
n
: Nmero de observaciones que caen dentro del os lmites de clase ajustados del
intervalo i.
n: Tamao de muestra.
1
p
: Igual probabilidad para todos los intervalos de clase i.
Dnde:
i i i
p n E
k
p = =
1

Desarrollando y simplificando la ecuacin (4.3) Markovic dedujo la siguiente ecuacin:

=
=
k
i
i
c n n
n
k
x
1
2 2
) (
(4.4)
PROCEDIMIENTO DE LA PRUEBA DE CHI CUADRADO
El procedimiento a seguir para comprobar la bondad de ajuste mediante la prueba de Chi
Cuadrado es como sigue:
1. Se plantea la hiptesis: Hiptesis planteada o nula (Hp) y la hiptesis alternante (Ha).
2. Seleccionar el nivel de significacin (
o
), llamado tambin error tipo I; estos valores
de
o
usualmente se pueden tomar: 10%, 5% y 1%.
3. Clculo del estadgrafo Chi Cuadrado calculado, mediante la ecua. (4.1) y (4.4)
4. Determinar el Chi Cuadrado tabular (
b X
2
), de tablas existente, con:

) 1 ( ,
2
m k X
b
o

Dnde: (k-m-1): Son los grados de libertad.
m: Es el nmero de parmetros del modelo probabilstico.
5. Criterio de decisin
a) Si
b c X X
2 2
s

Se acepta la hiptesis planteada.
b) Si
b c X X
2 2
>

Se rechaza la hiptesis planteada
6. Conclusin.
AJUSTE MEDIANTE MNIMOS CUADRADOS
Este mtodo compara las diferencias que existen entre los eventos registrados con los
estimados, por cada modelo probabilstico. La relacin para calcular estas diferencias,
llamado tambin Error Standard es:

=
=
k
i
j
m n y x SE
1
2 / 1 2
1 1
) ( / ) (
(4.5)
Dnde:
1
x
: Valor de los registros con i=1, 2, 3, ., n
1
y
: Valor estimado mediante la distribucin con i=1, 2, 3, ., n
n: Longitud de registro.
j
m
: Nmero de parmetros estimados en cada distribucin.
El modelo probabilstico de mejor ajuste ser aquel modelo que tenga un menor valor de
error estndar.
CAUDAL MXIMO DE DISEO Y RIESGO DE FALLA
A toda estructura hidrulica se le debe asignar una vida o duracin aproximada, la que es
determinada por consideraciones, econmicas, tcnicas, sociales, etc. Sin embargo no es
posible establecer con certeza la vida de las estructuras, por cuanto siempre es posible que
aquella falle por la ocurrencia de una avenida mayor a la prevista.
RIESGO DE FALLA
Supngase para un tiempo del sistema hidrolgico, la probabilidad de ocurrencia de un
evento, X, mayor que el evento de diseo,
o
x
para un periodo de n aos es P. Luego la
probabilidad de no ocurrencia, Q es:
Q = 1 P (5.1)
La probabilidad de exceder al evento de diseo,
o
x
, para un periodo de retorno de T aos
es:
P = 1/T (5.2)
La probabilidad de no ocurrencia en un ao es:
Q = 1 1/T (5.3)
La probabilidad de no ocurrencia en n aos es:

n
T Q ) / 1 1 ( =
(5.4)

Finalmente la probabilidad de que el evento, X, ocurra por lo menos una vez en n aos es:

n
Q P
Q P
) / 1 1 ( 1
1
=
=
(5.5)
La ecuacin (5.5) es el riesgo de falla; esta ecuacin se ha tabulado para varios valores de
periodos de retorno, T, y diferentes vidas esperados del proyecto, n, encontrndose las
diferentes probabilidades, P, de riesgo de fallas (ver cuadro N 5.1)
DESARROLLLO DE LA ECUACIN 5.5 PARA PERIODOS DE RETORNO REALES CON
DIFERENTE RIESGOS DE FALLA DURANTE LA VIDA ESPERADA DE LA ESTRUCTURA
Riesgo
falla
Perms
Vida esperada del Proyecto, n,
(aos)
1 2 5 10 20 25 50 100
0.99
0.95
0.90
0.75
0.50
0.33
0.25
0.20
0.10
0.05
0.02
0.01
1.01
1.05
1.11
1.33
2.00
3.00
4.00
5.00
10.00
20.00
50.00
100.00
1.11
1.29
1.46
2.00
3.41
5.45
7.46
9.47
19.50
39.50
99.00
199.50
1.66
2.22
2.71
4.13
7.73
12.90
17.90
22.90
48.00
98.00
248.00
498.00
2.71
3.86
4.86
7.73
14.90
25.20
35.30
45.30
95.40
195.00
495.00
995.00
4.9
7.2
9.2
14.9
29.4
49.9
70.0
90.1
190.0
390.0
990.0
1990.0
5.9
8.8
11.4
18.6
36.6
62.1
87.3
113.0
238.0
488.0
1230.0
2488.0
11.4
17.2
22.2
36.6
72.6
124.0
174.0
225.0
475.0
975.0
2476.0
4977.0
22.2
33.9
43.9
72.6
145.0
247.0
3448.0
449.0
950.0
1950.0
4951.0
9953.0
CAUDAL MXIMO DE DISEO
Es el valor de aquella descarga que considera la vida esperada, n, aos del proyecto, y
el porcentaje de riesgo de que fallen estas estructuras, este riesgo de falla est en
funcin del periodo de retorno, T.
La determinacin de la descarga mxima de diseo es como sigue:
1. Escoger vidas esperadas, n, del proyecto estos pueden ser, 2, 5, 10, 25, etc. Aos.
2. Escoger determinados riesgos de fallas, que deben aplicarse a la vida esperada del
proyecto que pueden ser: 0.01, 0.05, 0.10, 0.20, etc.
3. Para cada vida esperada del proyecto y riesgo de falla se determina cual es el
periodo de retorno real de la tabla 5.1.
4. Con los periodos de retorno real determinados en el paso 3, se va al grfico que
relaciona descargas mximas y periodos de retorno del ro en estudio, y se
determina que descarga le corresponde al periodo de retorno real. Esta descarga es
el caudal mximo de diseo.










EJEMPLO:
AJUSTE DE UNA DISTRIBUCION DE FRECUENCIAS EMPRICA A UNA
TERICA
Precipitacin: mes de enero (de 37 aos de registro) N 37
Estacin: Cajamarca. Latitud: 0703; longitud: 7830; Altitud: 2,727 m.s.n.m.
P(mm)
u
(orden)
1
) (
+
=
N
f
u
u
(Frec. acumulada)

P(mm)
u
(orden)
1
) (
+
=
N
f
u
u
(Frec. acumulada)

121.3
26.7
110.1
63.4
122.9
64.2
59.6
144.9
92.8
95.6
76.3
162.1
110.2
40.3
142.4
28.8
48.8
52.3
97.2
10
37
14
26
9
25
27
5
18
17
22
3
13
34
7
29
32
30
16
0.263
0.974
0.368
0.684
0.237
0.658
0.711
0.132
0.474
0.447
0.579
0.079
0.342
0.895
0.184
0.763
0.842
0.789
0.421
144.7
112.2
205.8
37.4
148.3
36.0
52.3
109.2
137.1
114.5
79.0
67.5
88.0
145.0
48.5
36.4
78.5
76.9
6
12
1
28
4
36
31
15
8
11
20
24
19
2
33
35
23
21
0.158
0.316
0.026
0.737
0.105
0.947
0.816
0.395
0.211
0.289
0.586
0.632
0.50
0.053
0.868
0.921
0.605
0.553

Luego se obtiene la media y la desviacin estndar de la muestra:
mm X 82 . 91 =
,
mm
n
99 . 42
1
=

o

Coeficiente Variabilidad
408 . 0
1
=

X
n
o

AJUSTE POR CHI-CUADRADO
Este ajuste requiere un anlisis por frecuencias relativas. Para lo cual dividimos el rango de
la muestra en intervalos de clase. Algunos hidrlogos siguieron las formulas:
N de intervalos = 1 + 1.33 ln N (1).
Rango o intervalos:
4
.
o
(2); o que el nmero de intervalos debe de ser como mnimo 5 y
para mejor uso de la informacin 10-25 intervalos. Usaremos 6 intervalos en la formula (1)
e intervalos aritmticos.
30 85 . 29 6 / ) (
min
~ = A P P
mx (Tomaremos un valor mayor que el
A
calculado para
abarcar el rango de la muestra).
Marca de clase
Frecuencia
Observada (f
o
)
Frecuencia relativa
Frecuencia
acumulada
Marca
26-56
56-86
86-116
116-146
146-176
176-206
9
8
9
7
2
2
9/37 = 0.243
0.226
0.243
0.189
0.054
0.054
0.243
0.459
0.702
0.891
0.948
0.999
41
71
101
131
19
20

LIMITES DE
CLASE

Z
AREA BAJO
LA CURVA
NORMAL DE
0 A Z
AREA PARA
CADA CLASE
e
FRECUENCIA
ESPERADA
f
e
= e x N


26
56
86
116
146
176
206
-1.53
-0.83
-0.14
0.56
1.26
1.96
2.66
0.4370
0.2967
0.0557
0.2123
0.3962
0.4750
0.4961
0.1403
0.241
0.268
0.1839
0.0788
0.0211

5.191
8.917
9.916
6.804
2.916
0.781

=
=
=

.
.

99 . 42
82 . 91
53 . 1
) 99 . 42 (
) 82 . 91 ( ) 26 (
1
1
n
n
m X
X X
Z
o
o

e = rea para cada clase (0.4370 - 0.296 = 0.1403)
f
e
= Frecuencia esperada

=
6
1
2
0 2
) (
i e
e
f
f f
cal x
2
tabla
X
Para


;
(1-) = 0.95 ; G.L. = 6 2 - 1 = 3

De la tabla
2
95 . 0
X
se tiene
2
t
X
= 7.81
Como
2 2
t c
X X Z
se concluye que el conjunto de datos analizados siguen o se aproxima a
una distribucin normal.

AJUSTE POR KOLMOCROF SMIRNOV
Trabajamos con la distribucin de frecuencia acumulativa
) ( ) ( z f y f u


026 . 0
1 37
1
1
) ( =
+
=
+
=
n
m
f u

)
Para Z = 2.65 se obtiene 0.4960

Entonces

u ) (u f z ) (z f A
=
) (u f
-
) (z f
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
0.026
0.053
0.079
0.105
0.132
0.158
0.184
0.21
0.237
0.263
0.289
0.316
0.342
0.368
0.395
0.421
0.447
0.474
0.500
0.526
0.553
0.579
0.605
0.632
0.658
0.684
0.711
0.737
0.763
0.789
0.816
0.842
0.868
0.895
0.921
0.947
0.974
2.65
1.70
1.63
1.31
1.23
1.23
1.18
1.05
0.71
0.69
0.53
0.47
0.43
0.43
0.40
0.13
0.09
0.02
-0.09
-0.30
-0.35
-0.36
-0.45
-0.57
-0.64
-0.66
-0.75
-0.80
-0.83
-0.92
-0.92
-1.00
-1.01
-1.20
-1.29
-1.29
-1.51
0.004
0.045
0.052
0.096
0.110
0.110
0.119
0.147
0.237
0.245
0.298
0.319
0.334
0.334
0.345
0.448
0.464
0.492
0.536
0.618
0.637
0.641
0.674
0.710
0.739
0.745
0.773
0.788
0.791
0.819
0.821
0.841
0.844
0.885
0.902
0.902
0.935
0.022
0.008
0.027
0.010
0.023
0.049
0.065
0.064
0.002
0.018
0.003
0.003
0.008
0.034
0.050
0.027
0.017
0.018
0.036
0.092*
0.084
0.062
0.069
0.084
0.081
0.061
0.042
0.051
0.028
0.032
0.005
0.001
0.024
0.036
0.020
0.046
0.040











Probabilidad acumulada ) ( ) ( z f y f u

tabla observado Si
mx observado
tabla n fiabilidad para tabla
A < A
= A A
= A = = A
092 . 0 ) (
22 . 0 37 ); 95 . 0 ( 05 . 0 o

Conclusin: Los datos analizados se ajustan a una distribucin normal
Problema: La descarga de los ros Acar y Yauca tiene similitud en su comportamiento
(
2 1
H H = ), realizar la prueba e verosimilitud (prueba t); a partir de una muestra de
24 aos de registro.

=
=
=
=
=
=
=
.
.
05 . 0
24
24
. . 6 . 227
. . 8 . 276
. . 8 . 319
. . 8 . 451
2
1
o
o
o
aos n
aos n
M M
M M
M M X
M M X
yauca
acar
Yauca
acar

Solucin:
1)
2 1 2 1
; M M H M M H
p
= =
o

2)
Prueba estadstica a usarse t


2 1
) ( ) (
2 1
2 1
X X
c
M M X X
t

.

=
o

+
+
=
+ =
=
. .
.
. .
2
) 1 ( ) 1 (
1 1
) ( 0
2 1
2
2
2
2
1
1
2 1
_
2 1
2 1
n n
n n
n n
hiptesis por M M
p
p X X
o o
o
o o

Dnde:
2 1
X X
.
o
: Desviacin Standart de las diferencias de promedios.
p
.
o
: Desviacin Standart ponderado
Reemplazando los valores se obtiene:
. . 40 . 253 M M p =
.
o

. . 15 . 73
2 1
M M X X =
.
o


8 . 1
15 . 73
) 8 . 319 8 . 451 (
=

=
c c
t t
t calculado.

3) Hallar el valor de
t
t
(en las tablas con
% 95 ; 05 . 0 = o
de probabilidad) y
46 2 . .
2 1
= + = n n L G
en la tabla
021 . 2 00 . 2 < <
t
t
Interpolando
015 . 2 015 . 2 ~ ~
t
t







Como
c
t
(1.8) se encuentra dentro de la zona de aceptacin de la hiptesis. Se concluye que
los medios poblacionales de la descarga de los ros de Acar y Yauca son iguales.