ANALISIS DE FRECUENCIA EN

HIDROLOGIA (3)
Profesor Luis F. Carvajal
Universidad Nacional de Colombia
Facultad de Minas
Escuela de Geociencias y Medio Ambiente

Distribuciones de Probabilidad
Distribuciones discretas
Distribucin Binomial
Distribucin Poisson
Distribucin Geomtrica
Distribuciones continuas

Distribucin
Distribucin
Distribucin
Distribucin
Distribucin
Distribucin

Exponencial
Normal
Log Normal
Gamma
Log Pearson tipo III
General de Valor Extremo

DISTRIBICIONES DE
PROBABILIDAD DISCRETA

Distribucin Binomial
Un ejemplo de los ensayos de Bernoulli es lanzar una
moneda. Los ensayos operan bajo tres condiciones:
1.
2.
3.

Cualquier ensayo solo puede tener uno o dos posibles

resultados, xito o falla, llueve o no llueve.
Ensayos sucesivos son independientes.
Las probabilidades son constantes.
Bajo estas tres condiciones la probabilidad de x xitos en n
ensayos, est dada por la distribucin Binomial como:

n x n x
p ( x ) p q
x

Donde:
n

Es el nmero de combinaciones de n eventos
tomando
xa
x
la vez.

n!
n

x!(n x)!
x
p es la probabilidad de ocurrencia de un evento, por ejemplo
la probabilidad de xito en lanzar una moneda, q es la
probabilidad de falla.

q 1 p
x es la variable o el nmero de ensayos con xito.

Ejemplo: Distribucin Binomial

Suponga que una presa tiene una vida til de 50 aos y se
desea evaluar la probabilidad que una inundacin, con un
periodo de retorno de 100 aos, ocurra una vez durante la vida
til de la presa.

p 1 / T 0.01
q 1 p 0.99
x 1
n 50

50
1
49
0.1 0.99 0.306
p (1)
1

Por lo tanto, es alrededor de 31% de probabilidad que un evento

de tal magnitud pueda ocurrir una vez en la vida til de la presa

Distribucin Poisson
Una expansin binomial es un pequeo inconveniente para
calcular nmeros grandes.

P es pequeo (p < 0.1)

n es grande (n > 30)
La media np es constante.
p 0, q 1, n

e
n

( p q ) e e e e
.....
2!

Esta es conocido como

generalmente escrita como:

la

expansin

e
p( x)
x!

Poisson

es

Donde:
= np es la media.
La distribucin binomial finita puede ser aproximada por
la
distribucin Poisson infinita, siempre que se
apliquen las siguientes 4 condiciones:
1.
2.
3.
4.

Nmero de eventos es discreto

Dos eventos no pueden coincidir
La media del nmero de eventos en el tiempo es
constante
Los eventos son independientes

Ejemplo: Distribucin Poisson

Tomando el ejemplo anterior, la probabilidad que una
inundacin con periodo de retorno de 100 aos pueda
ocurrir una vez en 50 aos ser:
1 0.5

0.5 e
p (1)
1!

0.303

Comparado con el resultado de la distribucin binomial,

p(1) = 0.306, es similar.

Distribucin Geomtrica
RECORDANDO:
En una secuencia de Bernoulli, el nmero de ensayos hasta que un
evento especfico ocurra por primera vez es modelado por la
distribucin geomtrica.
xito ensayo t + n
Falla ensayo t 1
Si T v.a. apropiada:

P(T t ) pq T 1

t 1, 2, ....

Periodo de retorno Tiempo de recurrencia promedio para

que un evento de cierta magnitud sea igualado o excedido.

DISTRIBICIONES DE
PROBABILIDAD CONTINUA

Distribucin Exponencial
Consideraciones:
Proceso de eventos aleatorios (los parmetros no
cambian con el tiempo).
No es posible tener mas de un evento en cualquier
instante.
Descripcin de un proceso Poisson.
La v.a. t representa el tiempo entre tormentas.
f (t ) e t , t0
Funcin de Densidad:E (t ) 1 /
La media es:
La varianza es:
La funcin de distribucin acumulada es:

Ejemplo: Distribucin exponencial

En un ao en un sitio determinado ocurren 110 tormentas
independientes con una duracin promedio (todas) de 5.3 h. El
intervalo entre tormentas es:

8760 110 5.3

74.3h
110

= 1/

= 1/74.3 = 0.0135 h-1

a) Cul es la probabilidad de que pasen al menos 4 das (96 h)

entre tormentas?
P(t 96) =1- F(96)
96

F (96) e t dt 1 e t
0

P (t 96) 1 1 e t e 0.0135*96 0.27

b) Cual es la probabilidad de que el tiempo entre dos

tormentas sea exactamente 12 horas?
P(t = 12)= 0
la probabilidad que una V.A continua
valga cero en un intervalo es cero.

c) Cual es la probabilidad que la separacin entre 2 tormentas

sea menor o igual que 12 h?

Distribucin Log Normal

En general, cuando la variable aleatoria X es el producto de un
gran nmero de otras variables aleatorias, la distribucin de
los logaritmos de X puede aproximarse a la Normal, ya que los
logaritmos de X son la suma de los logaritmos de los factores
contribuyentes.
Si se tiene una variable aleatoria X y ln X = Y, se ajusta a una
distribucin Normal, se dice que la variable aleatoria X es log
normalmente distribuida.
Funcin de Distribucin de Probabilidad
Asumiendo Y = loga (X)

1
1 y - y
f(x) =
exp 2
2
y x 2

Parmetros y Factor de frecuencia

Media (Parmetro de escala)
Desviacin estandar (Parmetro de forma)
Estimacin de parmetros: Mtodo de los momentos
1 N

Y loga ( Xi )
N i1

ln XT = y +K y

Y
N

log (X )
i1

12

K es la misma de la distribucin normal

Si se quiere trabajar con la variable no transformada en el

campo logartmico se tiene que:

ln1 + Cv2
2 1/2
exp K T ln1 + Cv -
-1
2

K=
Cv

1
-1

K T = Fu 1 Tr

Es el inverso de la funcin de distribucin

Normal estandarizada acumulada y Cv es
el coeficiente de variacin

1
1
Fu 1
T

Intervalos de confianza
: Nivel de confianza o significancia
ST: Error estndar

ST =

ln XT u1- 2 ST

Y
N

= 1 +K
2

2
T

1/2

Ejemplo: Distribucin Log Normal

La media y desviacin estndar de los Q max anuales de la
estacin del ro Nare son:
=94.35 m3/s y =22.45 m3/s
Y=4.52 y Y=0.2337
Hallar el QTR=100 si los Qmax tienen una distribucin Log Normal.
K=2.326
QY

Tr=100

=4.52+2.326*0.237

QTr=100=159 m3/s
Intervalos de Confianza:

Ln(QTR=100) 95ST

Es un intervalo de dos colas, con una probabilidad en cada

1/2
una de 5%
2

Y
= 1 + K T
ST =
2
N

=1.92
ST=0.075
4.94 QY 5.14

5.0711.6*0.075
139159 170 m3/s

Distribucin Gamma (2 Parmetros)

Una de las mas usadas en Hidrologa.

Crecientes mximas anuales

Caudales mnimos
Volmenes de flujo anuales y
estacionales
Valores de precipitaciones
extremas
Volmenes de lluvia de corta
duracin
Tiene 2 3 parmetros (Pearson
Tipo III).

1
x
f(x) =

| | ( )

-1
-

Parmetros y Factor de frecuencia

(Parmetro de escala)
> 0 (Parmetro de forma)
() es la funcin Gamma completa

() = z-1 e-z dz
0

Estimacin de parmetros: Mtodo de los momentos

1
= 2

v
C

1 3


1
2
2
K K T + (K t 1) + (K T 6KT ) (K T 1) +K T
6 3
3 6
6
6
6

Distribucin Gamma (3 Parmetros)

Funcin de distribucin de probabilidad

1
x - xo
f(x) =

| | ()

-1

x - xo
exp

Funcin de densidad acumulada

X

1
P ( X x)
e

( ) 0

x x0

x x0

dx

Parmetros
y , parmetros de escala y forma respectivamente.
xo parmetro de localizacin.

() = z-1 e-z dz
0

Parmetros e Intervalos de confianza

(Funcin Gamma)
Estimacin de Parmetros: Mtodo de los momentos

0 =

Que tan cercano puede estar el estimado al verdadero

valor desconocido de la poblacin: Conocer con cierta
certeza. Franja grande: mucha incertidumbre.

XT u1 2 ST
: Nivel de confianza o nivel de probabilidad
ST: Error estndar

ST =
N

Tabla Factor de frecuencia

Pearson tipo III

Valores de para la Distribucin Gamma

Pearson tipo III

Ejemplo: Distribucin Gamma

Hallar el QTR=100. Si la distribucin de los caudales de la estacin
de Nare es Gamma.
= 94.35 m3/s y = 22.45 m3/s, = 0.845
Y = 4.52 y Y = 0.2337, Y = 0.0069
De tabla:

K = 2.32
QTR=100 = 94.35 + 2.32*22.45 = 146.4

Intervalos de confianza:

X T u 1 2 S T

De tabla =4.7, N= 36 datos.

ST
N
ST = 17.6
De tabla 95=1.6
146,4 1.6*17.6
146.4 28.16 m3/s

Distribucin Log Pearson Tipo III

Funcin de distribucin de probabilidad
1
ln(x) - yo
f x (x) =

x ()

-1

ln(x)- yo

Parmetros
y , parmetros de escala y forma
y yo parmetro de localizacin
Estimacin de Parmetros
Mtodo de los momentos

=
y
2

y0

 Factor de Frecuencia:

Y T = ln XT =
y +K
y

Intervalos de Confianza: Que tan cercano puede estar el

estimado al verdadero valor desconocido de la poblacin:
Conocer con cierta certeza. Franja grande: mucha
incertidumbre.
XT u1- 2 ST

: Nivel de confianza o nivel de probabilidad

ST: Error estndar
y

ST =

ln X T 1 / 2S T

Distribucin General de Valor

Extremo

Los valores extremos son valores mximos y mnimos

seleccionados de un conjuntos de datos.
Las distribuciones de valores extremos seleccionados de
conjuntos de muestras de cualquier distribucin de
probabilidad convergen en una de las tres formas de
distribucin de valor extremo, llamadas:
Tipo I: Gumbel, g=1.14
Tipo II: Frechet g<=1.14
Tipo III: Weibull g>=1.14
Funcin de Distribucin de probabilidad
1 / para la GEV

F(x) = exp - 1 -

Donde:
, y son parmetros que deben ser determinados.
Los tres casos limitantes son:

= 0 Distribucin de Valor Extremo Tipo I (Gumbel)

f(x) =
Rango:

x-
1
x-
exp - exp

- x

0
.
5772

Estimacin de parmetros:

2. < 0 Distribucin de Valor Extremo Tipo II (Frechet)

x
f(x) = exp - 1 -

Rango:

1/

( / ) x

3. > 0 Distribucin de Valor Extremo Tipo III (Weibull)

x
f(x) = exp - 1 -

Rango: x ( / )

1/

Distribucin Gumbel
La fda y el factor de frecuencias es:

x
F(x) exp - exp

6
K= 0.577 + ln lnTr - ln Tr - 1

Intervalos de confianza: Que tan cercano puede estar el

estimado al valor verdadero desconocido de la poblacin.

XT u1- 2 ST
: Nivel de confianza o nivel de probabilidad
ST: Error estndar
^

ST =
N

= 1 +1.1396K+1.1K

2 1/2

Ejemplo: Distribucin Gumbel

Si los caudales de la estacin del ro Nare
tienen una distribucin Gumbel:

QTr 95 ST

6
0.577 lnlnTR ln(TR 1)
K 100

KTr=100 = 3.13
QTr 100 K
QTr 100 94.35 3.13 22.45 164.77

Intervalos de confianza:

Ejemplo: Distribucin Gumbel

ST =

= 1 +1.1396K+1.1K2

1/2

= 3.91
ST = 14.62
QTR 1.6*14.62
141.4 164.77 188.17 m3/s