Documentos de Académico
Documentos de Profesional
Documentos de Cultura
0.30
1.20
0.25
1.00
0.20
0.80
F(x)
f(x)
x
0
1
2
3
4
5
6
7
Total
0.15
0.60
0.10
0.40
0.05
0.20
0.00
F(x)
0.05
0.20
0.45
0.65
0.80
0.90
0.98
1.00
0.00
# dias nublados
# dias nublados
P(x)
0.05
0.10
0.15
0.20
0.10
0.10
0.15
0.10
0.05
1.00
0.25
1.20
0.20
1.00
F(x)
0.05
0.15
0.30
0.50
0.60
0.70
0.85
0.95
1.00
0.80
0.15
F(x)
f(x)
x
1
2
3
4
5
6
7
8
9
Total
0.10
0.60
0.40
0.05
0.20
0.00
0.00
10
1.20
0.30
1.00
0.80
0.20
F(x)
f(x)
0.25
0.15
0.60
0.10
0.40
0.05
0.20
0.00
0.00
1
10
10
15
i)
ii)
P (a x b) f ( x )dx
iii)
f ( x ) dx 1
b
f ( x)dx 0
Lo que implica que las probabilidades se definen solo como AREAS bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.
1.1
Las propiedades de las distribuciones pueden ser definidas completamente en trminos de los
momentos. Los momentos en estadstica son similares a los momentos en fsica (rotacin
respecto al origen)
M
x r f ( x ) dx
( x ) r f ( x ) dx
1.2
PARMETROS ESTADISTICOS
1.2.1 Media :
es el valor esperado de la variable misma . Primer momento respecto a la origen. Muestra
la tendencia central de la distribucin
x f ( x ) dx
1.2.2 Varianza :
mide la variabilidad de los datos. Es el segundo momento respecto a la media.
2 ( x ) 2 f ( x) dx
n 1 i 1
en el cual el divisor es n-1 en lugar de n para asegurar que la estadstica de la muestra no sea
sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o menor que el
valor verdadero. Las unidades de la varianza son la media al cuadrado, la desviacin
estndar es una medida de la variabilidad que tiene las mismas dimensiones que la media y
simplemente es la raz cuadrada de la varianza, se estima por s. El significado de la
desviacin estndar se ilustra en la siguiente figura
1.00
0.80
f(x)
0.60
0.40
0.20
0.00
0
2
0.50
4
1.00
6
1.30
10
2.00
s
x
( x ) 3 f ( x ) dx
Cs
n ( x x) 3
i 1
( n 1)(n 2) * s 3
Ejemplo
Encontrar el valor medio de la precipitacin si se tiene
Intervalo (mm)
100
110
120
130
140
150
160
Xi medio
110
120
130
140
150
160
170
105
115
125
135
145
155
165
Frecuencia Frecuencia
absoluta
relativa
10
0.1
16
0.16
9
0.09
10
0.1
20
0.2
15
0.15
20
0.2
Total=100
x f(x)
10.5
18.4
11.25
13.5
29
23.25
33
x = 138.9
ANALISIS DE FRECUENCIA
Para una distribucin dada, puede determinarse una relacin entre K y el perodo de retorno
Tr. Esta relacin puede expresarse en trminos matemticos o por medio del uso de una
tabla.
El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de
probabilidad y determinar con el factor de frecuencia la magnitud del evento para un perodo
de retorno dado.
A continuacin se describen las principales distribuciones de probabilidad utilizadas en
hidrologa, la forma de estimar sus parmetros, el factor de frecuencia y los lmites de
confianza. Estos ltimos son indicadores de que tanta incertidumbre se tiene con las
extrapolaciones, puesto que determinar el rango de valores donde realmente estara la
variables, si el rango es muy grande la incertidumbre es muy alta y si es pequeo, por el
contrario, habr mucha confianza en el valor estimado.
3
3.1
f ( x)
1 ( x ) 2
2 2
exp
x
2
Los dos parmetros de la distribucin son la media y desviacin estndar para los cuales
x (media) y s (desviacin estndar) son derivados de los datos.
1 n
s
( xi x ) 2
n 1 i 1
1
2
KT
xT
f ( x)
1
x 2
exp
1 ( y y )
2 y2
x0
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.
1 n
ln( xi )
n i 1
1 n
sy
(ln( xi ) y ) 2
n 1 i 1
1
2
ln(1 Cv 2 )
1
Exp KT * ( Ln(1 Cv 2 )) 2
2
Kt
Cv
s
es el coeficiente de variacin,
x
Se
( S y )
n
K
1 T
2
1
2
xy=2.655
sy = 0.324
En el campo original
1
ln(1 Cv 2 )
Exp K * ( Ln(1 Cv 2 )) 2
1
2
Kt
Cv
Cv
s
= 5/15 = 0.33
x
1
2
ln(1 0.332 )
1
2
KT
0.33
2
KT = 3.06
QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s
En el campo transformado se tiene que:
LnQTr100 = 2.655 + 2.33*0.324
LnQTr100 = 3.40992
9
( S y )
K
1 T
2
n
2.332
1
1
2
1
2
= 1.93
Se
1.93 0.324
30
0.11
3.59095]
e3.59095]
[25.26
36.29]
10
3.3
(x )
1
(x )
exp
exp
(x )
F ( x) f ( x)dx exp exp
x 0.5772
donde
Tr
6
0.5772 ln ln
T
1
r
Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal para
un perodo de retorno de 2.33 aos es igual a la media de los caudales mximos.
s
n
11
1
2 2
[1 1.1396KT 1.1KT ]
6
0.577 ln[ln100 ln(99)]
KT = 3.14
QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
1
[1 11396
.
(314
. ) 11
. (314
. )2 ]2
= 3.93
Se
(3.93) (5)
30
Se 3.58 m 3 / s
Xt t(1-) Se
30.7 m3/s (1.64) (3.58)
[24.83 m3/s
3.4
36.58 m3/s]
Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de las
variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la distribucin
12
1 x x0
x x0
exp
donde,
x0 x para 0
x x0 para 0
y son los parmetros de escala y forma, respectivamente , y x0 es el parmetro de
localizacin.
2
;
Cs
Cs
;
2
x0 x
Cs es el coeficiente de asimetra,
muestra respectivamente.
Cs 1 3
Cs
( z 6 z )
6 3
6
Cs
( z 2 1)
Cs
1 Cs
3 6
S
n
13
(1.9,100) = 3.553
(2.0,100) = 3.605
S
n
= F(1.981,100)
Se
(1.9,100) = 8.2196
(2.0,100) = 8.5562
( 3311) (8.4922 )
30
Se = 5133.56 pie3/s
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
16050 (5133.56) (1.645)
[7605.29 pie3/s
3.5
24494.71pie3/s]
Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin Pearson tipo III,
se dice que la variable aleatoria X se ajusta a una distribucin Log Pearson Tipo III. Esta
distribucin es ampliamente usada en el mundo para el anlisis de frecuencia de Caudales
14
mximos. Esta se trabaja igual que para la Pearson Tipo III pero con X y y Sy como la media
y desviacin estndar de los logaritmos de la variable original X.
1
ln( x ) y0
ln( x) y0
exp
donde,
y0 y para 0
y y0 para 0
y son los parmetros de escala y forma, respectivamente , y y0 es el parmetro de
localizacin.
2
;
Cs
s y
Cs
;
2
x0 x y
K z ( z 2 1)
Cs 1 3
Cs
( z 6 z )
6 3
6
Cs
( z 2 1)
Cs
1 Cs
3 6
15
Se
Sy
n
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.
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).
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
Aunque no existe una definicin generalmente aceptada, se puede entender como valores extremos, muy
superiores a los dems registrados (Ashkar, et al. 1994).
16
El ajuste a distribuciones se puede hacer de dos tcnicas, con el factor de frecuencia como
se refiri en el numeral 2 o hallando la distribucin emprica de los datos muestrales, por el
mtodo de Plotting Position.
4.1
Plotting Position
m
n
Weibull
m
n 1
Hazen
2m 1
2n
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 muestrales con la distribucin terica (lnea recta).
4.2
Pruebas de Ajuste
Para determinar que tan adecuado es el ajuste de los datos a una distribucin de
probabilidades se han propuesto una serie de pruebas estadsticas que determinan si es
adecuado el ajuste. Estos son anlisis estadsticos y como tal se deben entender, es decir, no
se puede ignorar el significado fsico de los ajustes.
19