HIDROLOGIA (2005-2)

HIDROLOGA (2005-2)

Dr. Jorge Ramrez Hernndez

CONCEPTOS DE PROBABILIDAD EN HIDROLOGA

CONCEPTOS BSICOS (Ven T. Chow)
Algunos de los procesos hidrolgicos pueden ser predecibles y su comportamiento puede ser
explicado por relaciones matemticas o leyes fsicas. Algunos otros contienen una parte que
puede ser predecible de forma determinstica (a travs de una ley fsica) y otra parte que sea
aleatoria. Otros no contienen ninguna parte que pueda ser predeterminada de forma
determinstica y son totalmente aleatorios, estos ltimos son conocidos como procesos
estocsticos. En este caso se encuentran los eventos hidrolgicos extremos, tales como las
crecientes o sequas y en general los relacionados de forma muy directa con los fenmenos de
precipitacin. En estos procesos una observacin no esta correlacionada con observaciones
adyacentes (anteriores o posteriores).
En este tema se har una breve recapitulacin de los conceptos de probabilidad y estadstica
que se han adquirido en cursos previos. Para lo cual se presentan una lista de definiciones que
es preciso tener presentes:
Variable Aleatoria.
Distribucin de probabilidad.
Muestra: Es el conjunto de observaciones de la variable aleatoria. Las propiedades estadsticas
pueden variar de muestra a muestra.
Poblacin: El conjunto de muestras forma una poblacin infinita que posee propiedades
estadsticas constantes.
Espacio Muestral: es el conjunto de todas las muestras posibles.
Evento: subconjunto de un espacio muestral.
Probabilidad de ocurrencia de un evento: Es la posibilidad de que este evento (nA)ocurra
cuando se hace una observacin (n) de la variable aleatoria. La frecuencia relativa de A es
nA/n. A medida que el tamao de la muestra aumenta, la frecuencia relativa se convierte
progresivamente en una estimacin ms aproximada de la probabilidad del evento, es decir,

P ( A) = Lim
n

nA
n

Principios bsicos de la probabilidad:

a) Probabilidad total. Si el espacio muestral esta completamente dividido en m eventos
o reas no traslapadas A1, A2, A3, .....,Am, entonces

P ( A1 ) + P ( A2 ) + P ( A3 ) + P ( A4 ) + .... + P ( Am ) = P () = 1
b) Complementariedad. Se dice que si A es complemento de A, es decir, A = A ,
entonces

P ( A ) = 1 P ( A)
c) Probabilidad Condicional.

P ( B / A) =

P( A B)
P ( A)
1

HIDROLOGIA (2005-2)

EJEMPLO
El registro de precipitacin mxima en 24 horas en la estacin de Mexicali, desde 1948 hasta
1997 se muestra en la tabla I y en forma grfica en la figura 1. Cul es la probabilidad de
que la precipitacin anual R en cualquier ao sea menor que __ mm? mayor que __ mm?
Entre __ y __ mm?.
Tabla I. Registro de precipitacin mxima en 24 en la Estacin Mexicali, BC, Mxico (mm).
Ao

Precipitacin

Ao

Precipitacin

Ao

Precipitacin

Mxima

Mxima

Mxima

en 24 hrs.

en 24 hrs.

en 24 hrs.

1948

34.3

1965

19.5

1982

50.2

1949

29.3

1966

10.5

1983

32.9

1950

6.2

1967

36.5

1984

14.8

1951

17.8

1968

15.0

1985

18.4

1952

11.2

1969

17.6

1986

48.0

1953

7.0

1970

16.8

1987

11.1

1954

8.0

1971

10.5

1988

30.8

1955

29.8

1972

55.5

1989

14.0

1956

8.3

1973

11.1

1990

17.1

1957

37.0

1974

15.3

1991

17.2

1958

22.0

1975

17.9

1992

73.8

1959

13.5

1976

37.3

1993

19.0

1960

18.0

1977

62.0

1994

17.3

1961

34.5

1978

29.5

1995

17.3

1962

31.0

1979

26.9

1996

7.30

1963

29.0

1980

16.7

1997

45.6

1964

8.6

1981

16.2

PARMETROS ESTADSTICOS
El objetivo de la estadstica es contar con un nmero reducido de valores que nos indiquen la
informacin esencial de un conjunto muy grande de datos. Un parmetro estadstico nos
muestra alguna caracterstica de la poblacin y los ms importantes son la media, la desviacin
estndar y la asimetra.
El valor esperado de la variable aleatoria es un parmetro estadstico y se conoce como media
. Para una variable aleatoria X la media es E(X) y se calcula como el producto de x y la
correspondiente densidad de probabilidad f(x), integrando sobre el rango factible de la
variable aleatoria:

E ( X ) = = xf ( x )dx

Se conoce tambin como el primer momento alrededor del origen de la variable aleatoria, una
medida del punto medio o tendencia central de la distribucin.
2

HIDROLOGIA (2005-2)

La estimacin de la media de una muestra se denota como x

x=

1 n
xi
n i =1

La variabilidad de la informacin se mide por medio de la varianza 2 , la cual es el segundo

momento alrededor de la media:

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

El valor estimado de la varianza para una muestra esta dado por:

s2 =

1 n
( xi x )2

n 1 i =1

Se indica n-1 para asegurar que la estadstica no est sesgada.

La simetra de una distribucin alrededor de la media se mide utilizando la asimetra
(oblicuidad) que corresponde al tercer momento alrededor de la media:

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

La asimetra se denota ms familiarmente como coeficiente de asimetra que no es ms que

dividirla entre la desviacin estndar al cubo ( 3 ).

E[( x ) 3 ]

Una estimacin del coeficiente de asimetra es:

n

Cs =

n ( x i x ) 3
i =1

( n 1)( n 2) s 3

HIDROLOGIA (2005-2)

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 en Mexicali BC. Desde
1970 hasta 1979.

x=

1 n
401.7
xi =
= 40.17 mm .

n i =1
10

Ao

Precipitacin

( xi x )2

( x i x )3

1970

33.9

39.3

-246.5

1971

31.7

71.7

-607.6

1972

31.5

75.2

-651.7

1973

59.6

377.5

7335.3

1974

60.5

106.7

1102.3

1975

38.6

2.5

-3.9

1976

43.4

10.4

33.7

1977

28.7

131.6

-1509

1978

32

66.7

-545.3

1979

51.8

135.3

1573

total

401.7

1016.9

6480.3

s2 =

1 n
1016.9
( xi x )2 =
= 113 mm

9
n 1 i =1
n

Cs =

n ( x i x )3
i =1

( n 1)( n 2) s

10 6480.3
= 0.749
9 8 (10.63)3

HIDROLOGIA (2005-2)

PRUEBA DE LA BONDAD DEL AJUSTE

La bondad del ajuste de una distribucin de probabilidad puede hacerse comparando los
valores tericos y muestrales de las funciones de frecuencia relativas y de frecuencia
acumulada. En el caso de la funcin de frecuencia relativa se utiliza la prueba 2 . La
frecuencia relativa se define como:

f s ( xi ) =

ni
n

Donde el nmero de observaciones ni en el intervalo i se divide por el nmero total de

observaciones n.
El valor terico de la frecuencia relativa es p(xi)=F(xi)-F(xi-1) La prueba estadstica 2 esta
dada por:

n[ f s ( x i ) p( x i )]2
=
p( x i )
i =1
m

donde m es el nmero de intervalos. Debe notarse que nf s ( x i ) = ni es el nmero de

ocurrencias OBSERVADAS en el intervalo i mientras que np(xi) es el nmero ESPERADO de
ocurrencias en el mismo intervalo, luego la ecuacin anterior se limita a elevar al cuadrado la
diferencia entre el nmero de ocurrencias observadas y esperadas, dividiendo el nmero de
ocurrencias esperadas en el intervalo y sumando el resultado para todos los intervalos.
La distribucin 2 con grados de libertad es la distribucin para la suma de los cuadrados
de variables aleatorias normales estndar independientes zi, esta suma es la variable
aleatoria:

2 = z i2
i =1

Los valores de esta funcin se muestran en la siguiente tabla.

En la prueba = m p 1 donde m es el nmero de intervalos y p es el nmero de
parmetros utilizados en el ajuste de la distribucin propuesta. Se elige un nivel de confianza
para la prueba, expresado usualmente como 1 donde se conoce como nivel de
confianza. Un valor tpico para el nivel de confianza es 95%. La hiptesis nula para la prueba
es que la distribucin de probabilidad propuesta ajusta adecuadamente la informacin. Esta
hiptesis se rechaza (el ajuste se considera como inadecuado) si el valor de c2 es mayor que
un valor lmite 2,1 determinado de la distribucin 2 con grados de libertad como el
valor que tiene la probabilidad acumulada de 1 .
EJEMPLO: Usando el mtodo de los momentos ajuste la distribucin normal a la precipitacin
anual en College Station, Texas de 1911 a 1979. Grafique las funciones de frecuencia relativa
y de probabilidad incremental, y las funciones de frecuencia acumulada y probabilidad
acumulada. Utilice la prueba 2 para determinar si la distribucin normal se ajusta
adecuadamente a los datos.

HIDROLOGIA (2005-2)

Tabla II. Precipitacin anual en la estacin College en Texas, USA. (Tomada de Ven Te Chow,
19__)
Ao

1910

1920

1930

1940

1950

1960

1970

48.7

44.8

49.3

31.2

46.0

33.9

39.9

44.1

34.0

44.2

27.0

44.3

31.7

31.0

42.8

45.6

41.7

37.0

37.8

31.5

42.3

48.4

37.3

30.8

46.8

29.6

59.6

42.1

34.2

43.7

53.6

26.9

35.1

50.5

41.1

32.4

41.8

34.5

25.4

49.7

38.6

28.7

46.4

41.1

50.3

23.0

36.6

43.4

16.8

38.9

31.2

43.8

56.5

32.5

28.7

34.1

37.3

35.2

21.6

43.4

61.7

32.0

56.4

50.6

35.1

47.1

41.3

47.4

51.8

SOLN. Se divide el intervalo de precipitacin (R) en 10. El primero es R 20 pulg, el ltimo

intervalo es R>60 pulg, y los intervalos intermedios son de 5 pulg. El histograma de frecuencia
se muestra en la columna 2 de la tabla y la funcin de frecuencia relativa se muestra en la
columna 3. Esta ltima se ha calculado utilizando la siguiente frmula, con por ejemplo n=69 e
i=4.

f s=

n4 14
=
= 0.203
n 69

donde n4 = 4(30 35) = 14

La funcin de frecuencia acumulada (columna 4) se encuentra sumando las frecuencias
relativas, para i=4
4

Fs ( x 4 ) = f s ( x j ) = f s ( x 3 ) + f s ( x 4 ) = 0.130 + 0.203 = 0.333

j =1

Puede notarse que esta es P(X35.0 pulg) tal com

Para ajustar la distribucin de funcin normal, las estadsticas de la muestra x = 39.77 pulg y
s=9.17 pulg, se calculan con la informacin obtenida desde 1911 hasta 1979 y se usan como
estimativos de y . La variable normal estndar z corresponde al lmite superior en cada uno
de los intervalos de la informacin se calcula utilizando:

z=

35.0 39.77
9.17

= 0.520

El valor correspondiente de la funcin de densidad de probabilidad normal est dado en la

Tabla como 0.301 tal como se muestra en la columna 6. La funcin de probabilidad
incremental se calcula utilizando:

p( x 4 ) = P (30 X 35 pu lg) = F (35) F (30) = 0.301 0.144 = 0.158

los valores para otros intervalos se muestran en la columna 7.
Los valores de frecuencia relativa fs(xi) y p(xi) de la tabla se muestran como HISTOGRAMA.
6

HIDROLOGIA (2005-2)

Las funciones de frecuencia acumulada y de distribucin de probabilidad Fs(xi) y F(x) se

grafican como puntos acumulados.
Tabla III. Resultados del anlisis de la distribucin de probabilidad y la prueba
chi2. (Tomada de Ven Te Chow, 19__)
Colum

Int.

Rango

N(i)

fs(xi)

Fs(xi)

F(xi)

p(xi)

CHI

(i)

(pulg)

10

0.014

0.01

-2.155

0.016

0.016

0.005

10-15

0.029

0.04

-1.610

0.054

0.038

0.151

15-20

0.087

0.13

-1.065

0.143

0.090

0.006

20-25

14

0.203

0.33

-0.520

0.302

0.158

0.872

25-30

11

0.159

0.49

0.026

0.510

0.209

0.799

30-35

16

0.232

0.72

0.571

0.716

0.206

0.229

35-40

10

0.145

0.87

1.116

0.868

0.152

0.022

40-45

0.072

0.94

1.661

0.952

0.084

0.107

45-50

0.043

0.99

2.207

0.986

0.035

0.155

10

50-55

0.014

1.00

2.752

0.997

0.011

0.092

69

1.00

0.997

2.438

Total

CONCLUSIN 1: DEBIDO A LA SIMILITUD DE LAS DOS FUNCIONES ES EVIDENTE QUE LA

DISTRIBUCIN NORMAL SE AJUSTA MUY BIEN A ESTA INFORMACIN DE PRECIPITACIN
ANUAL.
Para verificar la bondad del ajuste, se aplica la prueba 2 descrita anteriormente. Para i=4.

n[ f s ( x 4 ) p( x 4 )]2 69 (0.20290 0.15777) 2

=
= 0.891
p( x 4 )
0.15777
esta estimacin se repite para cada x (columna 8) y la suma de todas ellas es c2 2.377.
1.0
Frec. relativa

0.8
0.6
0.4
Fs(x)
0.2

F(x)

0.0
20

25

30

35

40

45

50

55

60

65

Precipitacin (pulg)

HIDROLOGIA (2005-2)

Prec. acumulada

0.25
fs(x)

0.20

p(x)

0.15
0.10
0.05
0.00
20

25

30

35

40

45

50

55

60

65

Precipitacin (pulg)

Fig. __ Funciones de frecuencia para la distribucin normal ajustada a la precipitacin anual en

la estacin College Texas, USA. (Tomada de Ven Te Chow, 19__)
El

valor

de

2,1

para

una

probabilidad

acumulada

de

1-a=0.95

= m p 1 = 10 2 1 = 7 grados de libertad es 72,0.95 = 14.1 como este valor es mayor

que la c2 la hiptesis nula no puede rechazarse con un nivel de confianza del 95% por lo
tanto CONCLUSIN 2. EL AJUSTE DE LA DISTRIBUCIN NORMAL A LA INFORMACIN DE
PRECIPITACIN ANUAL DE COLLEGE STATION SE ACEPTA.

DISTRIBUCIONES DE PROBABILIDAD
Las distribuciones de probabilidad ms utilizadas en Hidrologa son las siguientes:

DISTRIBUCION BINOMIAL
Una variable aleatoria X que puede tomar dos valores, donde la probabilidad de que tome uno
de ellos es p tiene una distribucin binomial si su funcin de densidad de probabilidad puede
ser escrita como:

n
P ( x ) = p x (1 p)n x
x

Para x = 0,1,...,n

donde

n!
n
=
x x! ( n x )!
p = probabilidad de uno de los valores, definida como un suceso, 0p1
n = nmero de eventos.
x = nmero de sucesos.

HIDROLOGIA (2005-2)

Fig. 1. Distribucin Binomial

EJEMPLO.
Usted es el responsable de regular el caudal de descarga de una presa. La Comisin Nacional
del Agua ha determinado que si el caudal que pasa por la estacin supera la marca de 3 m en
la estaca de aforo de la estacin, se corre el riesgo de daar estructuras hidrulicas aguas
abajo. La penalizacin por descargar caudales mayores es muy severa y le podra costar el
puesto. La probabilidad de que se viole la norma sobre un perodo de tiempo muy grandes es
de 0.20.
Cree Usted probable que durante los ltimos 6 eventos de escurrimiento se haya sobrepasado
la norma en 4 ocasiones?.
SOLUCION.
La probabilidad de que se sobrepase la norma en 4 ocasiones durante 6 eventos es:

6
P ( x ) = 0.2 4 (1 0.2) 2 = 0.015
4
Este valor es muy pequeo y por lo tanto muy improbable que esto haya sucedido, por lo que
de haberse llevado a cabo correctamente la medicin, el punto de aforo esta recibiendo
adems de la descarga de la presa, escurrimiento directo o bien flujo base del subsuelo.

DISTRIBUCION DE POISSON
Aplicacin. El flujo en un canal puede ser caracterizado como una distribucin de Poisson
cuando es la entrada a una presa. Su distribucin de densidad de probabilidad puede ser
descrita como:

p( X ) =

x e
x!

Para x = 0,1,2,...

Donde:
= constante positiva (valor medio del caudal de llegada)
x = cualquier entero positivo
e = una constante = 2.7182

HIDROLOGIA (2005-2)

La funcin de probabilidad se muestra en la figura con su tpica asimetra.

EJEMPLO.
Suponga que el nivel de agua en una presa cambia su nivel mensualmente en promedio 1 cm,
de forma aleatoria, y los cambios graficados describen una distribucin de Poisson. Cul es la
probabilidad de que se presente un cambio de 2 cm de elevacin en un mes?.
SOLUCIN

p( X = 2) =

12 e 1
= 0.184
2!

Cul es la probabilidad de que el cambio sea como mximo de 2 cm.?

P ( x = 0) + P ( x = 1) + P ( x = 2)

F ( x 2) = 0.368 + 0.368 + 0.184 = 0.92

DISTRIBUCION NORMAL
Definicin.

1
f ( x ) =
2

1 x 2

exp

para < x <

Donde:

= desviacin estndar
x = cualquier valor

= media de la poblacin.

10

HIDROLOGIA (2005-2)

EJEMPLO:
Suponga que la concentracin anual promedio de cloruros en el agua del ro Colorado es de
300 ppm (partes por milln) con una varianza de 150 ppm. Estos promedios estn basados en
mediciones semanales de muestras durante un ao contando con datos de 35 aos. Durante
un ao en el que se verti agua de drenaje agrcola el promedio anual aument a 310 ppm.
Cul es la probabilidad de que las concentraciones anuales sean iguales o mayores a 310
ppm?.
Habra que resolver la ecuacin de la distribucin de probabilidad, lo que se logra utilizando
tablas normalizadas a z tales que:

z=

(310 300)
= 0.816
12.24

Usando la tabla, observamos que la probabilidad de que este evento ocurra es de 0.7939 o
sea el 79% del tiempo las concentraciones sern menores a 310 ppm mientras que tan solo el
21% del tiempo se observarn concentraciones mayores a 310 ppm en el ro.
DISTRIBUCION LOGNORMAL
Definicin.

1
f ( x ) =
x 2

1 ln x 2

exp

para ....... x > 0

Esta distribucin es una transformacin muy til de la distribucin normal. El grfico del flujo
promedio semanal esta generalmente sesgado hacia la derecha y no puede ser explicado por
una distribucin normal, sin embargo, el logaritmo de estos valores semanales muestran una
distribucin normal, como se muestra en la figura.

Fig. distribucin lognormal.

Como en el caso de la distribucin normal se utiliza la tabla normalizada de la distribucin
normal haciendo la transformacin respectiva:

z=

ln x

DISTRIBUCION EXPONENCIAL
Definicin.

f ( x; ) = e x

F ( x; ) = 1 e x

Para toda x 0
11

HIDROLOGIA (2005-2)

Donde =1/

Los intervalos de tiempo entre dos crecidas de agua sucesivas o dos eventos de lluvia muestran
una distribucin de este tipo y la en este caso es la taza media de ocurrencia.
EJEMPLO
Estime la probabilidad de que el intervalo de tiempo entre precipitaciones en la Costa de
Tabasco en la poca de lluvias sea menor a 5 das (120 hr) suponiendo que el intervalo de
tiempo promedio entre precipitaciones es de 84 hr.

1
= 0.0119
84

F ( x; ) = 1 e x

F ( x; ) = 1 e 0.0119*120 = 0.76

DISTRIBUCION GAMMA
Definicin

f ( x) =

Donde

x 1e x
( )

=
x0

( ) = ( 1)! = ( 1)( 2)....3 2 1

x
s x2

x2
1
=
2
s x CV 2

(5) = 4 3 2 1

Constituye una funcin de probabilidad suave muy til en la descripcin de variables

hidrolgicas asimtricas sin usar la transformacin log.

DISTRIBUCION PEARSON III

Definicin
12

HIDROLOGIA (2005-2)

f ( x) =

(x )

( x )

( )

2
, =

Cs

sx

, = x s x

Tambin es conocida como distribucin gamma de tres parmetros en la que el tercer

parmetro constituye el lmite inferior.

DISTRIBUCIN LOG-PEARSON TIPO III

Definicin

f ( x) =

Donde

(y )

e
x ( )

( y )

log x

2
, = y s y
, =

C s ( y)

sy

Suponiendo que Cs(y) es positivo

y=log(x)

Esta distribucin ha sido ampliamente aceptada para estimar la probabilidad de caudales. Si se

cuenta con una serie de mediciones de caudales para cada ao, estos pueden ser convertidos
a logaritmos a partir de los cuales se puede estimar la asimetra, la media y la varianza. El
sesgo puede ser estimado a partir de la ecuacin:
n

G=

n ( x i x ) 3
i =1

( n 1)( n 2) s 3

Una forma alterna de calcular la asimetra y la desviacin estndar es:

G=

N 2 ( X 3 ) 3 N ( X )( X 2 ) + 2( X ) 3
N ( N 1)( N 2) s 3

Donde

( X 2 ) ( X ) 2 / N
s=

N 1

0.5

Conociendo el coeficiente de asimetra y la probabilidad del excedente, es posible calcular el

valor de los caudales correspondientes usando:

X = X + Ks
donde
3

2
G G
K = K n + 1 1
G
6 6

para 1.0 < G < 1.0

es conocida como la variable reducida Tipo III. K se puede calcular a partir de la Tabla
Anexa.

Kn

es la desviacin estndar normal para esa probabilidad.

13

HIDROLOGIA (2005-2)

El coeficiente de asimetra es muy sensitivo a valores extremos por lo que debemos contar con
series de ms de 100 aos. Si no se cuenta con una serie tan larga se recomienda hacer los
siguientes ajustes en la estimacin de G.
Aos de registro, N
100

Valor de la asimetra

26 100

N 25

N 25
G g
G + 1

75

75

25

Gg

Donde
Gg = coeficiente de asimetra generalizado

DISTRIBUCION GUMBEL (valor extremo)

Definicin.

1 F ( x ) = 1 e e

Donde:
b = (1/0.7797s)(x- +0.45s)
x = magnitud del flujo (m3/s)
= magnitud promedio del flujo (m3/s)
s = desviacin estndar de la magnitud del flujo (m3/s)

Se ha usado ampliamente para describir escurrimientos anuales. Los diagramas de distribucin

de flujo son generalmente asimtricos, como el que se muestra en la figura. Estos pueden ser
aproximados de forma bastante cercana con la distribucin de Gumbel que posee una
asimetra fija de 1.14. Es usada para calcular escurrimientos excedentes mximos anuales. Los
escurrimientos mximos anuales se calculan eligiendo el escurrimiento mximo anual obtenido
a partir de mediciones diarias. Este escurrimiento mximo anual es agrupado con los
escurrimientos mximos de varios aos. La distribucin probabilstica de estos escurrimientos
mximos anuales puede ser representada por Gumbel.

14

HIDROLOGIA (2005-2)

EJEMPLO.
Si el caudal de escurrimiento en la cuenca del Ro Nazas tiene un valor promedio de 1340
m3/s con una varianza de 58,400 (m3/s)2. Cul es la probabilidad de que el caudal sea igual
o exceda los 2100 m3/s usando la distribucin de Gumbel?.
SOLUCION
La variable reducida b se estima como:

b=

1
[2100 1340 + .45( 241.6)] = 4.61
0.7797( 241.6)

Adems

1 F ( x ) = 1 e e

4.61

= 0.0099

Lo que significa que un caudal de esa magnitud tiene la posibilidad de ocurrir 1 vez cada 100
aos aproximadamente.
Como se observa la posibilidad de que se exceda el caudal, o se observe el perodo de
retorno, es una funcin directa del valor de b, entonces de puede determinar la probabilidad de
forma inmediata a travs de la Tabla IV.
Tabla IV. Probabilidad de Gumbel y perodo de retorno.
Variable reducida

Probabilidad de

Perodo de retorno

excedencia

(intervalo de recurrencia)

0.367

.50

1.367

.20

2.250

.10

10

2.970

.05

20

3.199

.04

25

3.902

.02

50

4.601

.01

100

5.296

.005

200

15

HIDROLOGIA (2005-2)

ANALISIS DE FRECUENCIA (Cap. 12 Van T. Chow)

Eventos extremos:
Sequias
Tormentas severas
Crecientes
MAGNITUD ---- inversamente proporcional a ------ FRECUENCIA DE OCURRENCIA
Objeto: Analizar la frecuencia de ocurrencia a partir de alguna distribucin de probabilidad
Supuestos:

eventos independientes
Distribucin idntica
Sistema que lo produjo es estocstico.

Resultado:

diseo de presas
Puentes
Estructuras de crecientes
Determinar beneficio econmico de los proyectos de control de crecientes
Delinear planicies de inundacin, etc.

PERODO DE RETORNO
El perodo de retorno T de un evento X xT es el valor esperado , E( ) su valor promedio
medido sobre un nmero de ocurrencias suficientemente grande.
EJEMPLO
Determine el perodo de retorno de una caudal mximo anual de 50,000 cfs en el registro que
se muestra en la figura.
Durante el perodo de registro (41 aos) se observan 8 registros de caudal anual mximo
superiores a 50,000 cfs (pies cbicos por segundo), por lo que el perodo de retorno ser de
= 41/8 = 5.1 aos.
EL PERIODO DE RETORNO DE UN EVENTO CON UNA MAGNITUD DADA PUEDE
DEFINIRSE COMO EL INTERVALO DE OCURRENCIA PROMEDIO ENTRE EVENTOS QUE
IGUALAN O EXCEDEN UNA MAGNITUD ESPECFICA.

INTERVALO DE RECURRENCIA Y RIESGO

El intervalo de ocurrencia (perodo de retorno) (Tr) es el intervalo de tiempo promedio dentro
del cual un evento ser igualado o excedido. La probabilidad de ocurrencia de un evento en
cualquier ao es (1/Tr). El intervalo de ocurrencia deber estar basado en un registro temporal
del evento muy largo. Es un trmino estadstico muy importante y de fcil entendimiento para
cualquier persona.
Se conoce como evento extremo a cualquier variable aleatoria que alcance o sobrepase un
cierto nivel dado.
Si un evento es definido como (X x) y su probabilidad de ocurrencia por P(X x), el intervalo
de ocurrencia es el inverso de la probabilidad, as:
P(XxT)=1/T
16

HIDROLOGIA (2005-2)

En cada una de las observaciones existen dos opciones, que el evento sobrepase el limite
preestablecido xT (xito) o que no lo sobrepase (fracaso), por lo que el valor esperado se define
como la distribucin binomial:

E ( ) = (1 p ) 1 p = p + 2 p(1 p) + 3 p(1 p) 2 + 3 p(1 p ) 3 + ...

=1

= p 1 + 2(1 p ) + 3(1 p ) 2 + 3(1 p ) 3 + ...

esta ltima expresin puede representarse como una serie de potencia:

[n( n 1)] x 2 [n( n 1)( n 2)] x 3

+
+ ............
2
6

(1 x ) n = 1 + nx +
donde x = (1 p ) y n=-2
de tal forma que se puede escribir:

E ( ) = T =

1
p

o bien P ( X x T ) =

1
T

EJEMPLO:
La Tabla V muestra el registro de caudales mximos anuales del ro Guadalupe Texas, EUA de
1935 a 1978 y su grfica se muestra en la figura __. Si se toma como xT=50,000 ft/s puede
verse que el caudal mximo excede este nivel nueve veces durante el perodo de registro, con
intervalos de ocurrencia que varan desde un ao hasta 16 aos. El valor esperado de que el
caudal mximo sobrepase los 50,000 es 41/8=5.1 aos donde 8 corresponde al nmero de
intervalos y 41 al nmero de aos entre la primera vez (1936) que se present el evento y la
ltima (1977). De tal forma que se puede decir que el perodo de retorno de un evento con
una magnitud de 50,000 ft/s o ms es de 5.1 aos.
Tabla V. Caudales mximos anuales para el ro Guadalupe,
Texas, EUA. (Tomado de Ven Te Chow, 19__)
ao

1930

1940

1950

1960

1970

55,900

13,300

23,700

9,190

58,000

12,300

55,800

9,740

56,000

28,400

10,800

58,500

7,710

11,600

4,100

33,100

12,300

8,560

5,720

25,200

38,500

22,000

4,950

15,000

30,200

179,000

17,900

1,730

9,790

14,100

17,200

46,000

25,300

70,000

54,500

25,400

6,970

58,300

44,300

12,700

4,940

20,600

10,100

15,200

17

HIDROLOGIA (2005-2)

Caudales m xim os anuales en el ro Gpe.

200,000
175,000

Caudal (ft/s)

150,000
125,000
100,000
75,000
50,000
25,000
0
1930

1940

1950

1960

1970

1980

1990

tiem po (aos)

A menudo encontramos preguntas sobre cual es la probabilidad de que un evento con perodo
de retorno de T aos ocurra al menos una vez en N aos?. Para calcular esto se requiere
calcular primero la situacin de que no ocurra el evento de T aos en N aos. Esto requiere
una secuencia de N fallas sucesivas, de tal manera que:
P(X<xT cada ao durante N aos)=(1-p)N
El complemento de esta situacin es el caso requerido, luego utilizando la ecuacin
P(XxT al menos una vez en N aos)=1-(1-p)N
Como p=1/T
P(XxT al menos una vez en N aos)=1-(1-1/T)N
EJEMPLO
Estime la probabilidad de que el caudal mximo anual Q en el ro Guadalupe exceda 50,000
ft/s al menos una vez durante los prximos tres aos.
SOLUCION.
De acuerdo con las premisas anteriores P(Q50,000 en cualquier ao)=0.195. entonces la
P(Q50,000 al menos una vez durante los ltimos tres aos)=1-(1-0.195)3=0.48

DISTRIBUCIN DE VALORES EXTREMOS.

El estudio de la hidrologa en la Ingeniera Civil esta enfocada al estudio de eventos
hidrolgicos extremos que no es ms que elegir los eventos mximos o mnimos del conjunto
de datos. Por ejemplo, el estudio de los caudales picos en una estacin hidromtrica nos
permitir encontrar el caudal de diseo de cualquier estructura hidrulica sobre el cauce del
escurrimiento. Estos valores de caudal pico son elegidos de entre miles de datos de caudal
registrados en las estaciones de aforo. Suponga que en la estacin de aforo en cuestin se han
tomado mediciones del caudal cada 15 min. Esta frecuencia de medicin arrojara
18

HIDROLOGIA (2005-2)

4X24X365=35,040 valores en un ao, de todos los cuales se considerar slo el caudal

mximo durante ese ao.
Las observaciones elegidas de esa forma constituyen la cola extrema de la distribucin de
probabilidad de todas las observaciones de la poblacin de la cual se extrajo. Por lo cual al
distribucin de los valores extremos en general es diferente a la distribucin de la poblacin
entera.
En estos casos se utilizan las distribuciones de valores extremos, conocidas como del Tipo I,
Tipo II y Tipo III, que son casos particulares de la distribucin de Valor Extremo General.
1/ k

x u

F ( x ) = exp exp1 k

donde k, u, y son parmetros que deben ser determinados.

La funcin de probabilidad de valor extremo tipo I (EVI) es cuando k=1 y es conocida como
GUMBEL revisada en el apartado anterior. La funcin Tipo II es la conocida como Frechet.
Donde:

6s

u = x 0.5772
El parmetro u es la moda de la distribucin (punto de mxima densidad de probabilidad). Una
variable reducida y puede definirse como:

y=

xu

sustituyendo la variable reducida en la forma general tenemos

F ( x ) = exp[ exp( y )]
resolviendo para y:

y = ln ln
F
(
x
)

Tal como se demostr antes:

1
= P ( x xT )
T
1
= 1 P ( x < xT )
T

1
= 1 F ( xT )
T
luego

F ( xT ) =

T 1
T

19

HIDROLOGIA (2005-2)

T
yT = ln ln

T 1

y sustituyendo en yT, tenemos:

Para la distribucin Tipo I (Gumbel) la xT se relaciona con la yT mediante:

x T = u + y T
EJEMPLO.
Los valores mximos anuales para las lluvias de 10 minutos de duracin en Chicago, Illinois,
desde 1931 hasta 1947 se presentan en la Tabla VI. Desarrolle un modelo para el anlisis de
frecuencia de tormentas utilizando la distribucin de Valor Extremo I (Gumbel) y calcule los
valores mximos de lluvias de 10 minutos de duracin con perodos de retorno de 5, 10, 50,
200 y 500 aos.
Tabla VI. Lluvia mxima anual de 10 minutos en
pulgadas para Chicago, Illinois, 1931-1947,
(Tomado de Ven Te Chow, 19__)
Ao

1910

1920

1930

1940

0.53

0.33

0.34

0.76

0.96

0.70

0.57

0.94

0.57

0.49

0.80

0.80

0.92

0.66

0.66

0.62

0.66

0.36

0.68

0.71

0.65

0.58

0.68

1.11

0.63

0.41

0.61

0.64

0.60

0.47

0.88

0.52

0.74

0.49

0.64

Los momentos (media y desv. Std.) de la muestra son calculados de los valores de la Tabla IV. y
los valores de alfa y u son calculados de las frmulas anteriores.
media=

0.530

desv. Std=

0.137

alfa=

0.106527

u=

0.468513

Habiendo obtenido los valores anteriores se sustituyen en la formula de y T para cada perodo
de retorno deseado.
T

yT

xT

1.500

0.63

10

2.250

0.71

50

3.902

0.88

200

5.296

1.03

500

6.214

1.13

20

HIDROLOGIA (2005-2)

EJERCICIO:
La estacin climatolgica de San Felipe B.C. (38) y el observatorio Meteorolgico
de San Felipe posee un registro de altura de precipitacin en 24 hr de 1948 hasta
el 2002 (tabla VII) aos, utilice estos datos para:
a) Ajustar las distribuciones de densidad de probabilidad Normal, Lognormal,
Exponencial, Gamma, Gumbel y Doble Gumbel para dos poblaciones a los
datos altura de la precipitacin con ayuda del programa AX de la CNA.
b) Estime las alturas para los siguientes perodos de retorno (Tr): 5, 10, 20, 50,
100, 500 y 1000 aos.
c) Grafique las distribuciones ajustadas con los datos de la estacin
climatolgica y elija la que mejor se ajusta por inspeccin visual de la
grafica y por el error de ajuste (error cuadrtico promedio). Explique su
respuesta.
Tabla VII Precipitacin Mxima anual en 24 hrs. para la Estacin No. 36.
San Felipe, B.C.
AO

AO

Hp max 24 hrs (mm)

1948

Hp max 24 hrs (mm)

45

1975

11.5

1949

33

1976

13.5

1950

1977

15.2

1951

18

1978

12

1952

17

1979

63

1953

12

1980

12

1954

1981

1955

20.5

1982

35

1956

33

1983

73

1957

22

1984

26

1958

28

1985

12.2

1959

19

1986

20

1960

20

1987

1961

28.5

1988

1962

31.5

1989

11.2

1963

20.5

1990

33

1964

23.5

1991

26.6

1965

11

1992

38

1966

45.5

1993

127

1967

19

1994

29.8

1968

15

1995

2.4

1969

24

1996

32.1

1970

15

1997

216

1971

24

2000

22

1972

24

2001

207.2

1974

2002

43.7

21

HIDROLOGIA (2005-2)

Precipitacin mxima en 24 hr.

Altura de la precipitacin (mm)

250

200

150

100

50

2003 1

1998 1

1993 1

1988

1983

1978

1973

1968

1963

1958

1948

1953

Perodo en aos

Figura ___. Yetograma de los registros de precipitacin anual mxima en 24 hrs de la Estacin
No. 36. San Felipe, B.C. Obsrvese la presencia de precipitacin muy por arriba del
promedio durante los ltimos 10 aos. Datos de la Comisin Nacional del Agua. Los
datos del 1992 al 2004 son de la Estacin Meteorolgica de San Felipe.

Precipitacin Promedio Mensual

Altura de la preci pi tacin (mm)

18.0
16.0
14.0
12.0
10.0
8.0
6.0
4.0
2.0
0.0
ENE

FEB

MAR

ABR

MAY

JUN

JUL

AGO SEPT

OCT

NOV

DIC

Perodo (m eses)

Figura ______. Yetograma de los registros de precipitacin acumulada mensual promedio de la

Estacin No. 36. San Felipe, B.C. Datos de la Comisin Nacional del Agua.
22

HIDROLOGIA (2005-2)

Tabla VIII. Ajuste de los registros de precipitacin mxima annual en 24 hrs. De la Estacin No.
36 "San Felipe", B. C. a las distribuciones de densidad de probabilidad; Normal,
Lognormal, Exponencial, Gamma, Gumbel y Doble Gumbel. En el ltimo rengln se
muestra el error cuadrtico promedio que fue usado como criterio de eelccin de la
distribucin mejor ajustada.
PR

Registro

53
26.5
17.67
13.25
10.6
8.83
7.57
6.63
5.89
5.3
4.82
4.42
4.08
3.79
3.53
3.31
3.12
2.94
2.79
2.65
2.52
2.41
2.3
2.21
2.12
2.04
1.96
1.89
1.83
1.77
1.71
1.66
1.61
1.56
1.51
1.47
1.43
1.39
1.36
1.33
1.29
1.26
1.23
1.2
1.18
1.15
1.13
1.1
1.08
1.06
1.04
1.02
Error cuadrtico promedio

216
207.2
127
73
63
45.5
45
43.7
38
35
33
33
33
32.1
31.5
29.8
28.5
28
26.6
26
24
24
24
23.5
22
22
20.5
20.5
20
20
19
19
18
17
15.2
15
15
13.5
12.2
12
12
12
11.5
11.2
11
9
8
8
7
4
2.4
2

Normal
ajuste
118.24
105.77
97.72
91.58
86.52
82.16
78.3
74.8
71.58
68.58
65.77
63.1
60.56
58.12
55.77
53.5
51.29
49.13
47.02
44.95
42.92
40.91
38.93
36.97
35.01
33.07
31.13
29.19
27.24
25.28
23.29
21.29
19.25
17.18
15.08
12.92
10.71
8.44
6.09
3.65
1.11
-1.56
-4.38
-7.37
-10.59
-14.09
-17.96
-22.31
-27.37
-33.51
-41.56
-54.03
215.706

Lognormal
ajuste
153.94
114.29
94.37
81.47
72.26
65.16
59.38
54.64
50.62
47.13
44.07
41.36
38.92
36.72
34.72
32.87
31.19
29.61
28.15
26.79
25.52
24.31
23.17
22.11
21.09
20.12
19.21
18.33
17.48
16.67
15.9
15.15
14.43
13.73
13.05
12.4
11.76
11.13
10.53
9.93
9.35
8.77
8.2
7.64
7.07
6.51
5.93
5.35
4.74
4.1
3.38
2.51
123.3

Exponencial
ajuste
155.19
126.47
109.67
97.75
88.5
80.94
74.55
69.02
64.14
59.77
55.82
52.22
48.9
45.83
42.97
40.3
37.78
35.42
33.18
31.05
29.03
27.1
25.26
23.49
21.8
20.18
18.61
17.11
15.65
14.25
12.89
11.57
10.3
9.06
7.86
6.69
5.56
4.45
3.37
2.33
1.3
0.3
-0.67
-1.62
-2.56
-3.47
-4.36
-5.23
-6.08
-6.92
-7.74
-8.55
141.956

Gamma
ajuste
149.04
122.11
105.3
93.13
83.62
75.86
69.31
63.67
58.73
54.34
50.39
46.83
43.58
40.6
37.85
35.31
32.95
30.75
28.69
26.76
24.95
23.25
21.64
20.13
18.69
17.34
16.06
14.85
13.7
12.61
11.57
10.59
9.67
8.79
7.96
7.17
6.43
5.73
5.07
4.45
3.86
3.32
2.82
2.35
1.92
1.53
1.18
0.87
0.6
0.37
0.19
0.06

Gumbel
ajuste
141.44
118.73
105.31
95.69
88.15
81.93
76.61
71.95
67.79
64.02
60.58
57.39
54.43
51.64
49.02
46.52
44.15
41.88
39.7
37.59
35.56
33.59
31.67
29.8
27.97
26.18
24.42
22.69
20.98
19.29
17.61
15.95
14.29
12.63
10.97
9.3
7.63
5.93
4.21
2.46
0.67
-1.17
-3.07
-5.05
-7.13
-9.33
-11.7
-14.3
-17.22
-20.63
-24.9
-31.1

Gumbel II
ajuste
183.77
143.11
117.84
98.59
82.41
67.99
55.26
45.77
39.85
36.06
33.38
31.33
29.68
28.3
27.11
26.07
25.13
24.28
23.5
22.77
22.1
21.46
20.86
20.29
19.74
19.22
18.71
18.22
17.74
17.28
16.82
16.38
15.94
15.5
15.07
14.64
14.21
13.78
13.34
12.9
12.46
12
11.53
11.04
10.52
9.98
9.39
8.73
7.99
7.08
5.87
3.58

133.903

171.775

84.274

23

HIDROLOGIA (2005-2)

Ajuste de F.D.P.

Precipitacin Mxima 24 hr (mm)

250
200
Registro PR

150

Normal
Lognormal

100

Exponencial
50

Gamma
Gumbel

Gumbel II
-50
-100
0

10

20

30

40

50

60

Nmero de dato

Figura ____. Se muestra el ajuste de las diferentes distribuciones de densidad de

probabilidad utilizadas. Obsrvese que la que grficamente muestra el mejor
ajuste es la de Gumbel para dos poblaciones.

24