Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica y Probabilidad en Hidrologia
Estadistica y Probabilidad en Hidrologia
MODELOS HIDROLGICOS
Segn Chow. Maiduant y Mays (1984), un modelo de
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
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.
ocurrencia, en determinsticos
probabilsticos. Si la
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:
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:
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
MTODOS PROBABILSTICOS
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,
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
ESPACIO MUESTRAL
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
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.
B=
PROBABILIDAD DE UN EVENTO
(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.
(2.2)
(2.3)
( )
(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 m3 /seg; ocurra en dos sucesivos aos en el rio
sondando.
Solucin:
En el registro vemos que los caudales de 100 m3/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.
ms
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
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
Ao
1910
1920
1930
1940
1950
1.960
1970
1.237
1.229
1.252
792
1.168
861
1.013
1.120
864
1.123
686
1.125
805
787
1.087
1.158
1.059
940
960
800
1.074
1.229
947
782
1.189
752
1.514
1.069
869
1.110
1.361
683
892
1.283
1.044
823
1.062
876
645
1.262
980
729
1.179
1.044
1.278
584
930
1.102
427
988
792
1.113
1.435
826
729
866
947
894
549
1.102
1.567
813
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) nc/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.
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 ei del espacio muestral
S, corresponde un nmero real nico, cuyo valor es X.
e1 , e2 ,
e3 en
x1 , x2 ,
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:
-
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,...
Si un intervalo
, se
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
10
11
12
F(x) = P(X0
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.
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.
Una funcin de densidad de una variable aleatoria continua X, es una funcin f(x) que
posee las siguientes propiedades:
i)
ii)
iii)
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.
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
Dnde:
= centro de gravedad de la figura en el eje X
A = rea de la figura
dA =
y variancia
Media = = E(x) =
.x
b) Calculo de la variancia
= 2 = M2
Pero adems:
-[
Calculamos E(x2)
E(x2) = M2 =
E(x2) =
E(x2) =
E(x2) =
En serie de Taylor
E(x2) =
E(x2) =
E(x2) =
)
(
)
.
E(x2) =
Por lo tanto
Conclusin:
Los parmetros media y variancia para la distribucin estudiada es
1)
f (Xn,
donde
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 () -
[
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
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
(m3/seg)
AO
CAUDAL
(m3/seg)
AO
CAUDAL
(m3/seg)
AO
CAUDAL
(m3/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:
= =
INTERVALO
DE CLASE
MARCA
DE
CLASE
FRECUENCIA
ABSOLUTA
FRECUENCIA
-----------------------
RELATIVA
-----------------
FRECUENCIA
ACUMULATIVA
FRECUENCIA
ACUMULATIVA
RELATIVA
1
1
2
3
4
5
6
7
2
201 300
301 400
401 500
501 600
601 700
701 800
801 900
3
250.5
350.5
450.5
550.5
650.5
750.5
850.5
4
3
5
7
11
8
4
2
---------------40
5
7.5
12.5
17.6
27.5
20.0
10.0
5.0
-----------------100%
5
0.075
0.125
0.175
0.275
0.200
0.100
0.05
-------------1.00
6
3
8
15
26
34
38
40
7
7.5
20.0
37.5
65.0
85.0
95.0
100.0
INTERVALO
DE CLASE
MARCAS
DE CLASE
FRECUENCIA
ABSOLUTA
OBSERVADA
1
1
2
3
4
5
6
7
2
200 300
301 400
401 500
501 600
601 700
701 800
801 900
3
250
350
450
550
650
750
850
4
3
5
7
11
8
4
2
5
750
1750
3150
6050
5200
3000
1700
40
21,600
Media muestral:
Media poblacional:
6
84100
36100
8100
100
12100
44100
96100
7
252,300
180,500
56,700
1,100
96,800
176,400
192,200
1056,000
PARAMETROS ESTADISTICOS
E(X)
xfdx
(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:
x
1
n
(2.18)
x
i 1
( x ) 2 f ( x)dx
(2.19)
n
1
(x i x ) 2
n 1 i 1
(2.20)
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.
E(X) xf(x)dx
1
xi
n
Mediana
X tal que F(x) = 0,5
Promedio geomtrico
( in1x i )1/n
Variabilidad
Varianza
2 E[(x )2 ]
Desviacin estndar
S2
1 n
(x i x ) 2
n 1 i1
Coeficiente de variacin
Cv /
3.
Cv s/x .
Asimetra
n
Coeficiente de asimetra.
Cs
n (x i x)3
i 1
(n 1)(n 2)S3
E[(x )3 ]
3
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.
E[(x ) ] (x ) 3 f(x)dx
3
(2.21)
1
E[(x ) 3 ]
3
(2.22)
Cs
O tambin
n
(2.23)
i 1
i 1
i 1
n ( x i ) 3n( x i )( x i ) 2( x i )
2
Cs
n 2 (x i x ) 3
i 1
i 1
(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).
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:
1 n
10203
xi
1020 mm
n i 1
10
S2
1 n
656.581
(x i x) 2
72.953
n 1 i1
9
Cs
n (x i x)
i 1
(n 1)(n 2)s
10 *107.048.96 7
0.755
9 * 8 *19.683.000
1
n
MEDIA: X
x
i 1
401.7
10
40.17 pu lg .
n 1
(x
i 1
x) 2
1,016.9
9
113.0 Pu lg 2
S (113.0)1 / 2
10.63 pu lg .
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: CS
n
CS
n ( xi x)3
i 1
(n 1) (n 2) S 3
10 x 6,480.3
9 x 8 x (10.63)3
0.749
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
ALEATORIA DE TIPO DISCRETA
CORRESPONDIENTE
UNA
VARIABLE
MODELOS
PROBABILISTICOS
CORRESPONDIENTES
UNA
VARIABLE
la
ocurrencia
de
una
determinada
magnitud,
de
un
fenmeno
f ( x)
1
(2 )1/ 2
( x )2
2 2
(2.1)
Despejando:
AO
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
Q(m3/s)
2230
3220
2246
1804
2737
2070
3682
4240
2367
7061
2489
2350
AO
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
N = 25
Solucin:
a) P (Q
De los datos:
Para:
Q = 7500 m3/seg.
Q(m3/s)
3706
2675
6267
5971
4744
6000
4060
6900
5565
3130
2414
1796
7430
b)
T = 60 aos
Sabemos que:
1
f ( x)
e
x Y (2)1/ 2
(ln x Y ) 2
2 Y 2
(2.2)
f ( x)
1
T
(2.3)
f ( x) 100 F ( x)
(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)
p = 1/T = 0.0167
[
) ]
; W = 2.8609
De la expresin de
Hallamos
Z = 2.127
1
f ( x)
e
( x a) y (2)1/ 2
((ln ( x a ) y ))
2y 2
(2.5)
( ( x ) e
( x )
f ( x) e
)
(2.6)
( x )
(2.7)
F ( x) e
Dnde: , son parmetros de la distribucin
PROBLEMA:
La funcin
e ( x )
F (Qi ) P(QQi ) e
Para muestras grandes: N > 100
0.45
N = 25
De tablas
Luego:
b)
( T = 60 aos)
o(
DE EXTREMOS EN FUNCION DE n
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.
1 x
f ( x)
( )
(2.8)
( 1) I ( )
exdx
(2.9)
Para 0 , adems
( 1) ( )
(2.10)
1
ln x
f ( x)
x ( )
ln x
(2.11)
1 : 1/ 1
cual es:
99
80
50
.4
1.0101
1.25
.25
50
1.966
2.406
3.0
2.8
0.7
0
.
.
-2.8
-3.0
1
100
Hallamos K
7500 = 3886 + K (1825.9)
K = 1.98
Interpolando:
P (%)
4
X
K
1.966
1.98
2.406
Hallamos
c)
( T = 60 aos)
(Mayor que)
Interpolando:
P (%)
1
2
Para
K
2.823
2.406
P = 1.67%
usar: 1 p
[
Sea
Remplazando hallamos:
K = 2.53
Luego:
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
2
La prueba de Chi Cuadrado fue propuesto por Karl Pearson, el estadgrafo ( x c )
utilizado relaciona las desviaciones del histograma respecto de los valores predichos. El
estadgrafo es:
i 1
(O1 Ei ) 2
Ei
(4.1)
Dnde:
x2 :
Oi :
Ei :
k:
Una gua prctica emprica sugerido por Sturges para determinar el nmero de intervalos de
clase k es:
k 1 3.3 log n
(4.2)
x2c
i 1
(n1 npi ) 2
npi
(4.3)
Dnde:
n1 :
Tamao de muestra.
p1 :
pi
Dnde:
1
k
del
Ei n p i
x2c
k k 2
( ni ) n
n i 1
(4.4)
Clculo del estadgrafo Chi Cuadrado calculado, mediante la ecua. (4.1) y (4.4)
4.
X b2 , (k m 1)
Dnde:
Criterio de decisin
a)
2
2
Si X c X b
2
2
Si X c X b
b)
Conclusin.
SE
(x
i 1
y1 ) 2 / (n m j )1 / 2
(4.5)
Dnde:
x1 :
y1 :
n:
Longitud de registro.
mj
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, xo para un periodo de n aos es P. Luego la
probabilidad de no ocurrencia, Q es:
Q=1P
(5.1)
(5.2)
(5.3)
Q ( 1 1/ T ) n
(5.4)
Finalmente la probabilidad de que el evento, X, ocurra por lo menos una vez en n aos es:
P 1 Q
P 1 (1 1 / Q)
(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
(aos)
Perms
10
20
25
50
100
0.99
1.01
1.11
1.66
2.71
4.9
5.9
11.4
22.2
0.95
1.05
1.29
2.22
3.86
7.2
8.8
17.2
33.9
0.90
1.11
1.46
2.71
4.86
9.2
11.4
22.2
43.9
0.75
1.33
2.00
4.13
7.73
14.9
18.6
36.6
72.6
0.50
2.00
3.41
7.73
14.90
29.4
36.6
72.6
145.0
0.33
3.00
5.45
12.90
25.20
49.9
62.1
124.0
247.0
0.25
4.00
7.46
17.90
35.30
70.0
87.3
174.0
3448.0
0.20
5.00
9.47
22.90
45.30
90.1
113.0
225.0
449.0
0.10
10.00
19.50
48.00
95.40
190.0
238.0
475.0
950.0
0.05
20.00
39.50
98.00
195.00
390.0
488.0
975.0
1950.0
0.02
50.00
99.00
248.00
495.00
990.0
1230.0
2476.0
4951.0
0.01
100.00
199.50
498.00
995.00
1990.0
2488.0
4977.0
9953.0
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.
f ( )
f ( )
P(mm)
(orden)
N 1
(Frec. acumulada)
P(mm)
(orden)
N 1
(Frec. acumulada)
121.3
10
0.263
144.7
0.158
26.7
37
0.974
112.2
12
0.316
110.1
14
0.368
205.8
0.026
63.4
26
0.684
37.4
28
0.737
122.9
0.237
148.3
0.105
64.2
25
0.658
36.0
36
0.947
59.6
27
0.711
52.3
31
0.816
144.9
0.132
109.2
15
0.395
92.8
18
0.474
137.1
0.211
95.6
17
0.447
114.5
11
0.289
76.3
22
0.579
79.0
20
0.586
162.1
0.079
67.5
24
0.632
110.2
13
0.342
88.0
19
0.50
40.3
34
0.895
145.0
0.053
142.4
0.184
48.5
33
0.868
28.8
29
0.763
36.4
35
0.921
48.8
32
0.842
78.5
23
0.605
52.3
30
0.789
76.9
21
0.553
97.2
16
0.421
X 91.82 mm ,
n 1 42.99 mm
Coeficiente Variabilidad
n 1
X
0.408
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 (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.
26-56
Frecuencia
Observada (fo)
9
56-86
0.226
0.459
71
86-116
0.243
0.702
101
116-146
0.189
0.891
131
146-176
0.054
0.948
19
176-206
0.054
0.999
20
Marca de clase
9/37 = 0.243
LIMITES DE
AREA BAJO
AREA PARA
CLASE
LA CURVA
CADA CLASE
NORMAL DE
0AZ
26
56
86
116
146
176
206
x cal
2
-1.53
-0.83
-0.14
0.56
1.26
1.96
2.66
6
i 1
0.4370
0.2967
0.0557
0.2123
0.3962
0.4750
0.4961
( f0 fe )2
fe
Frecuencia
acumulada
0.243
Frecuencia relativa
e
0.1403
0.241
0.268
0.1839
0.0788
0.0211
Marca
41
FRECUENCIA
ESPERADA
fe = e x N
5.191
8.917
9.916
6.804
2.916
0.781
X (26) X (91.82)
n1 (42.99)
X 91.82m
1.53
n1 42.99
2
X tabla
Para
(1-) = 0.95
; G.L. = 6 2 - 1 = 3
2
2
De la tabla X 0.95 se tiene X t = 7.81
2
2
Como X c X t se concluye que el conjunto de datos analizados siguen o se aproxima a
f ( )
m
1
0.026
n 1 37 1
)
Para Z = 2.65 se obtiene 0.4960
Entonces
f ( )
f (z )
= f ( ) - f (z )
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 f ( ) y f ( z )
n1 24 aos
X acar 451.8 M .M . acar 276.8 M .M .
n2 24 aos
24 aos de registro.
Solucin:
1) H p M1 M 2 ; H M 1 M 2
2) Prueba estadstica a usarse t
tc
( X 1 X 2 ) (M1 M 2 )
X2
M 1 M 2 0 ( por hiptesis)
X _ X p 1 1
1
2
n1 n2
2
2
(
n
1
)
(
n
1
)
1
2
p
1
2
n1 n2 2
Dnde:
X2
tc
X2
73.15 M .M .
(451.8 319.8)
tc 1.8 t calculado.
73.15
2.015 tt 2.015