Hidrologa

Hernn ALCAYAGA

hernan.alcayaga@udp.cl

Programa 1er semestre 2015

Capitulo IV:

Hidrologa Estadstica
Creo que nuestro clculo
estadstico no fue
correcto!!!!

CAPITULO IV: HIDROLOGIA ESTADISTICA

INTRODUCCION: Conceptos de probabilidades en hidrologa
Algunos procesos hidrolgicos pueden ser predecibles y su comportamiento puede ser explicado mediante
relaciones matemticas basado en leyes fsicas.

Dentro de ellos algunos contienen una parte determinstica (a travs de una ley fsica, generalmente de la
mecnica) y otra parte aleatoria.
Otros procesos no contienen ninguna parte determinstica, es decir son completamente aleatorios. Estos
slo pueden ser explicado mediante anlisis estadsticos.
Los procesos que slo pueden ser analizados mediante probabilidades se les llama procesos estocsticos.
En este ltimo caso se encuentran los eventos hidrolgicos extremos: caudales de crecidas y sequias y, en
general los fenmenos de precipitacin (lluvias).
En estos procesos la variable temporal no est correlacionada: registros adyacentes no pueden explicar
eventos anteriores o posteriores, es decir son independientes.

CAPITULO IV: HIDROLOGIA ESTADISTICA

INTRODUCCION: Conceptos de probabilidades en hidrologa
Variable aleatoria
Llamamos variable aleatoria X a aquella que puede tomar valores x1, ..., xi, , xn con las probabilidades p1, ...,
pi, , pn (smbolo de variable aleatoria ser v.a.).
Caso discreto - caso continuo:
Se dice que una v.a. es discreta cuando ella puede solamente tomar un nmero finito de valores de valores.
Se dice que una v.a. es continua cuando ella puede tomar cualquier valor dentro de un intervalo finito o
infinito.
Para la v.a. continua, definimos la probabilidad elemental: probabilidad para la cual X est comprendida
entre x y x+dx, la cual denotamos como f(x)dx. Al smbolo f(x) la llamaremos densidad de probabilidades.
La probabilidad que x est comprendida dentro del intervalo (x1, x2) es denotada como :

Para que f(x) represente verdaderamente una densidad de probabilidades, se deber cumplir que el valor de
la integral extendida a todo el intervalo de variaciones posibles de x sea igual a 1. Supondremos en lo que
sigue que la v.a. puede tomar todos los valores posibles desde - a +, sin considerar que esto es una
condicin restrictiva.

Descripcion de muestras y variables aleatorias

Variable aleatoria: Corresponde a una variable (en nuestro caso: algo mesurable no constante para el periodo de anlisis)
que puede tomar cualquier valor dentro de un dominio definido.
Muestra: es el conjunto de observacin de la variable aleatoria.
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.
Los registros de variables meteorolgicas e hidrolgicas realizadas en estaciones de dominio publico o privado, nos
permiten caracterizar los regmenes de precipitaciones y caudales (que finalmente son los que les interesan a los
ingenieros)
Las series de tiempo (son solo muestras, aunque abarquen grandes periodos), son caracterizadas mediantes parmetros
estadsticos o estadgrafos , los cuales permiten tener una idea del orden de magnitud de la variable.
Probabilidad de ocurrencia de un evento: es la probabilidad de que un evento (na) ocurra, cuando se hace una observacin
(n), de la variable aleatoria. En este caso la frecuencia relativa de A es na /n. A medida que el tamao de la muestra
aumenta la frecuencia relativa se acerca progresivamente a una estimacin ms aproximada de la probabilidad de
ocurrencia del evento.

= lim

Descripcin de muestras y variables aleatorias

Principio bsicos de probabilidades:
a) Probabilidad total: SI el espacio muestral es est completamente dividido en m eventos o reas que no se
superponen: A1, A2, A3, , Am, entonces se puede deducir que:
P(A1) + P(A2) + P(A3)+ + P(Am) = P() = 1
b) Complementariedad: Si A es complemento de A, entonces A = - A, por lo tanto:
P(A) = 1 - P(A)
c) Probabilidad condicional:

( )
/ =
()

Descripcin de muestras y variables aleatorias

Frecuencia muestreo:
Decimos que un evento es favorable cuando l responde (cuanto toma, o alcanza) un valor que esperbamos,
el cual habamos fijado antes (de manera arbitraria o no) de la prueba. Por ejemplo, en un anlisis de caudales
en un ro, si estamos interesados en caudales superiores a 1000 m3/s, todo caudal que cumpla esta condicin
ser un evento favorable.
Si disponemos de un muestreo de N eventos, obtenidos o por pruebas, o por observaciones realizadas a
intervalos de tiempo regulares de un fenmeno natural, l puede contener n eventos favorables, es decir estos
coinciden con el evento esperado. Por ejemplo, sobre un muestreo de 30 caudales medios anuales,
encontramos que 5 son superiores a 1000 m3/s. Llamaremos frecuencia experimental, o simplemente
frecuencia el cociente F=n/N , aqu 1/6 (1 una muestra de cada 6 supera los 1000 m3/s).
Ahora supongamos que contamos con otro muestra de 30 caudales observados en la misma estacin (decimos
-en estadstica- que la muestra ha sido tomada de la misma poblacin). Encontraremos para los 1000 m3/s, una
frecuencia experimental probablemente diferente, y ocurrir lo mismo para otros muestreos u observaciones
que realizamos para en la misma estacin para otros 30 caudales (la frecuencia no ser la misma, pero ser
cercana).

Descripcin de muestras y variables aleatorias

Parmetros estadsticos:
La estadstica nos permite contar con un numero indicadores que nos indiquen el comportamiento de un
conjunto muy grandes de datos (observaciones), entonces un parmetro estadstico nos indica alguna
caracterstica de la poblacin.
El valor esperado de una variable aleatoria es un parmetro estadstico que se conoce como media . Para una
variable aleatoria X la media es E(X) y se calcula como el valor de x multiplicando por la funcin de densidad de

probabilidades f(x), integrando sobre el rango factible de la variable aleatoria: = = ,

este valor se conoce como el primer momento al rededor del origen de la variable aleatoria, es una mediada
del punto medio de la tendencia central. La estimacin de la media de una muestra se denota por , y se

calcula como: =
=

La variabilidad de la media es caracterizado por la varianza 2,que corresponde al segundo momento alrededor

de la media: = = , el valor de la varianza s para una muestra se calcula:

, n-1 se utiliza para asegura que la estadstica no esta sesgada.

=
=

La simetra de una distribucin alrededor de una media se mide utilizando la asimetra u oblicuidad, que

corresponde al tercer momento al rededor de la media: = , la asimetra

1
comnmente se denota con el coeficiente de asimetra: = 3 3 una estimacin del coeficiente de
asimetra es: =

Tratamientos estadsticos las variables

Hemos visto que el registro de precipitaciones se realiza mediante fluvigrafos, pluvimetros, radares (estaciones
hidromtricas y/o meteorolgicas) y satlites.
En la gran mayores de las situaciones no dispondremos de nuestros propios instrumentos, adems, si los tuviramos estos
no tendras largos periodos (series de tiempo) para el diseo de obras.
En chile existen las Redes Hidrometeorolgicas que corresponden a sistemas organizados de estaciones que permiten
recolectar datos de precipitaciones (y otros parmetros meteorolgicos).
Las estaciones hidromtricas y/o meteorolgicas con coberturas ms extensas (tiempo y espacial), son controladas por
organismos estatales: DGA y DMC.

Otras redes mas reducidas (tiempo

y espacio) corresponden a son
empresas generadoras de energa
elctrica, compaas mineras,
Forestales y Universidades.

Tratamientos estadsticos datos

Precipitaciones Max. anuales en 24 Hrs.

AO
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965

COLINA
55
61
46
52
26
73
45
33
37
36
44
56
66
46
25
51
53
29
39
49
55
62
34
43
76
41
21
44
59
46
46
39
21
60
59
34
51

LAG. MALLECO
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
81
170
150
135
134
145
150
153,5
156,9
188,3

Precipitaciones Max. anuales en 24 Hrs.

AO
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003

COLINA
46
29
18
27
52
69
58
27
57
31
26
33
52
63
31
86
61
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&

LAG. MALLECO
283,4
112
96,8
117,9
72,1
92
50
11
56
59
80
65
101,5
113,5
126
201
109
106
141
122
153
108
110
99
96
110
136
110
85
89
98
143
70
98
73
100,5
200
82

Tratamientos estadsticos de los datos (lluvias): Histograma de frecuencias

Un histograma es una representacin discreta de la distribucin frecuencial de una poblacin
Para confeccionar un histograma debemos elegir primero los valores de las clases (rangos): Una regla para
elegir el numero de intervalos de clases es: N=1+3,3*log(n); donde N: es el nmero de intervalos y n el
tamao de la muestra. e.g.: n=48 -> N=6,55=7 intervalos
Elegimos el punto de partida (11) de tal forma de obtener anchos iguales: rango/N = (11-283,4)/7= 38,9(=40)
Podemos observar que las PP max anuales en 24 hrs mas frecuentes son del orden de las 91-130 mm
R a ngo
10
50
51
90
91
130
131
170
171
210
211
250
251
290

Fre cue ncia Fre c. Accu. %

2
4,2
11
27,1
19
66,7
12
91,7
3
97,9
0
97,9
1
100,0

Frec. Relativa= 2/48; 11/48; 19/48.

Frec. Accu. % (91-130)= (2+11+19)/48 = 66,7%
Existe probabilidad de un 27% de que la PP
max anual de 24 hrs. de L. Malleco sea inferior
a 90 mm; un 67% inferior a 130 mm y un 98%
inferior a 250 mm.

10

50

90

130

170

210

250

290

1966
1981
2002
1965
1957
1964
1963
1986
1958
1962
1961
1997
1984
1992
1959
1960
1980
1985
1969
1979
1967
1988
1991
1993
1982
1987
1983
1978
2001
1989
1996
1999
1968
1990
1971
1995
1994
2003
1956
1976
2000
1970
1998
1977
1975
1974
1972
1973

283,4
201
200
188,3
170
156,9
153,5
153
150
150
145
143
141
136
135
134
126
122
117,9
113,5
112
110
110
110
109
108
106
101,5
100,5
99
98
98
96,8
96
92
89
85
82
81
80
73
72,1
70
65
59
56
50
11

116

Tratamientos estadsticos de los datos (lluvias): Frecuencia acumulada e interpolacin

Existe probabilidad de un 50% de que la PP max anual de 24 hrs. de L. Malleco sea inferior a 116 mm

Tratamientos estadsticos de los datos:

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de probabilidades de una variable
Despus de la definicin de la probabilidad (reparticin de una masa unitaria sobre un conjunto de puntos,
finitos o infinitos, discretos o continuos), toda funcin montona creciente que toma valores entre 0 y 1
para los lmites asignados a la variable, puede ser considerada como representante de una ley de
probabilidades.
Ley de probabilidades: llamada comnmente funcin de reparticin o de distribucin, F(x).
Dentro del caso continuo, si la derivada existe en cada punto, la funcin derivada se llama de densidad de
probabilidades, f(x) .
Funcin de densidad de una variable aleatoria continua describe la probabilidad relativa segn la cual dicha
variable aleatoria tomar determinado valor.
La probabilidad de que la variable aleatoria se encuentre dentro regin especfica del espacio de
posibilidades estar dada por la integral de la densidad de esta variable entre uno y otro lmite de dicha
regin.

Tratamientos estadsticos de los datos:

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de probabilidades de una variable
La funcin de densidad de probabilidad (PDF en ingls) es no-negativa a lo largo de todo su dominio y su
integral sobre todo el espacio es de valor unitario.

La nocin de probabilidad correspondera a la de un juego de azar (tirage au sort en francs) y las leyes que
pretenden determinar la observacin o la experimentacin no estn construidas de cualquier manera (hay
una estructura).
El juego de azar ms simple podra ser el de cara y sello al lanzar una moneda en al que consideramos que
la variable aleatoria puede tomar los valores de 0 1 con la misma probabilidad 1/2.
Todas las otras leyes de probabilidades se deducen de este modelo (que es super simplificado, pero vlido)
y se van complicando progresivamente

Descripcin de muestras y variables aleatorias

Frecuencia muestreo:

En el primer caso (probabilidad de no

excedencia) la frecuencia se denota como Fx
F(x) -funcin de distribucin-: ella corresponde,
para una poblacin infinita, a la probabilidad de

no excedencia: . En el segundo caso

se denota la frecuencia como F1(x): ella es
correspondiente a la probabilidad de

excedencia: .
En general se designan, cuando se realizan los
clculos, las probabilidades por los smbolos F(x)
y F1(x) que les llamamos frecuencias tericas;
F(x) es igualmente llamada funcin de
reparticin o funcin de distribucin.

Frecuencia o probabilidad

En el caso continuo, calculamos, o la frecuencia de nmero inferior a (no excedencia) (n correspondiente al

nmero, contenido en la muestra, un ranking ordenados de manera creciente), o la frecuencia de nmero
superior a (n es el numero en un ranking ordenado de manera decreciente).

Valores de la variable aleatoria

LEYES DE DISTRIBUCION DE PROBABILIADES

A continuacin se presentan las leyes de distribucin de probabilidades discretas (Binominal y de Poisson), posteriormente
algunas leyes de distribucin del tipo continuo (Gauss, Galton, Pearson, Exponencial) en la que se incluye la de valores
extremos (Gumbel, de dos componentes)
A) Funciones discretas
Ley o distribucin Binominal
Este modelo corresponde a una representacin de la realizacin de mltiples ensayos (pruebas o test) del tipo Bernoulli (el
tipo Bernoulli corresponde al modelo ms simple de una funcin de distribucin discreta, en el cual la variable aleatoria tiene
slo dos estados posibles: xito/fracaso. Cuando una variable aleatoria x puede tomar dos valores para n ensayos. La
probabilidad que la variable temo uno de los valores (xito/fracaso) es p. Entonces, si la variable x tiene una distribucin
binominal, ella puede ser descrita por la siguiente funcin de densidad:
=
Con:

, para x=0, 1, 2,, n.

! !
Donde:
p es la probabilidad de uno de los valores, definida como un xito, 0 p 1; n es el nmero de eventos y x nmero de xitos.

LEYES DE DISTRIBUCION DE PROBABILIADES

Ejemplo (tomado el libro hidrologa probabilstica de Varas y Bois)
Todas las obras de ingeniera se ven sometidas ocasionalmente a los efectos de sucesos de ocurrencia espordica, tales como
crecidas, terremotos, o huracanes. El proyectista siempre necesita evaluar los riesgos asociados al valor de diseo
seleccionado. Si se supone que la ocurrencia de estos fenmenos es independiente entre si y que la probabilidad de
ocurrencia permanece constante, cada uno de los sucesos corresponde a un ensayo tipo Bernoulli y su conjunto puede
representarse por la distribucin binomial.
Por ejemplo, supnga que la probabilidad de tener en un ao cualquiera una crecida mayor que un valor crtico seleccionado
como valor de diseo es 0,02. Cul ser, entonces la probabilidad de que se produzcan dos o ms crecidas mayores que el
valor crtico, durante los 30 aos de vida til de la estructura?.
SOL: Sea k el nmero de crecidas mayor que el valor crtico. Entonces k tiene una distribucin binomial con parmetros
p=0,02 y n=30. La posibilidad de tener dos o ms xitos en 30 ensayos es igual al complemento de la suma de no tener xitos
Pr(k=0) y de tener un xito Pr(k=1) :
!

=
=
1
, para x=0, 1, 2,, n.

! !

p(k>2) = Pr(k=0) + Pr(k=1) = (0.02)0 (0.98)30 + 30(0,02)1 (0,98)29 = 0,872

Se tiene una probabilidad de p=1-0,872 = 0,13 de sobrepasar el valor del diseo crtico dos o ms veces durante la vida de la
estructura. Es preciso notar que la probabilidad de falla durante toda la vida til es alta, aun cuando la probabilidad de falla
en un ao cualquiera sea pequea.

LEYES DE DISTRIBUCION DE PROBABILIADES

Ley o distribucin Poisson
La distribucin de Poisson representa los xitos ocurridos como si fueran puntos de una lnea continua. Esta lnea recta en
general representa una lnea de tiempo. La distribucin de Poisson permite en general representar situaciones en las cuales
hay una enumeracin, ya que la variable toma valores enteros positivos. El proceso de Poisson es la secuencia de tiempo
discreto de ocurrencia de eventos (que sobrepasan un umbral). La ley de Poisson expresa la probabilidad de observar un
nmero de n eventos (que superan, sobrepasan o exceden el umbral) durante una duracin determinada (que en ejemplo
especifico llamaremos td)
Posibles ejemplos de la utilizacin de esta distribucin es por ejemplo el nmero de intervalos de lluvia en un temporal,
clculo de probabilidades de crecidas de ros consideradas como raras, es decir caudales que se exceden donde T>10
aos.
La funcin de probabilidades de masa de Poisson es: =
Donde:
= parmetro constante positiva
x = cualquier entero positivo
e = una constante = 2.7182

para x=0, 1, 2,, n.

LEYES DE DISTRIBUCION DE PROBABILIADES

Ejemplo de aplicacin para la crecidas de un ro (tomado de los apuntes de Hydrologie statistique de R. Ababou)
Para el estudio de las crecidas de un ro se puede aplicar la Ley de Poisson en al caso de anlisis de eventos raros (poco
frecuentes) que pasen un cierto umbral, en este caso el parmetro se calcula mediante: =Td/Tr , con Td: periodo de
anlisis y Tr: periodo de retorno (umbral a exceder), luego la probabilidad de exceder x veces p (X=x)

= =

Para el ro lOued Mdez se requiere evaluar la probabilidad de observar al menos dos veces una crecida asociada a un
periodo de retorno de 25 aos (Tr=25 aos), para un periodo de observacin de 25 aos.
SOL: Para este problema Td= 25 aos, Tr=25 aos, x=2, luego =1.
La probabilidad de observar al menos dos caudales superiores a un Tr=25 aos para un periodo (Td) de previsin de 25
aos, es igual a la probabilidad de no observar 0 1 (ni 0 ni 1), 24772233
= 2 = 1 0 1 = 1

1 0 1
0!

1 1 1
1!

= 1

1 = 0,264

Entonces hay un 26% de chances de sobre pasar en dos ocasiones el caudal (umbral) asociado a un periodo de retorno 25
aos, sobre un periodo de 25 aos.
Los datos de registro de caudales en este ro mostraron que en realidad este caudal, Q(Tr=25 aos)=825 m3/s fue excedido
2 veces en 23 aos.

Tratamientos estadsticos de los datos:

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Gauss (distribucin normal o de Gauss, campana de Gauss):
Puede ser presentada como ley limite binominal para un nmero infinito de pruebas (de test). Esta es una
de las distribuciones de mayor uso en anlisis estadsticos. Presenta una forma simtrica respecto del valor
medio.

Funcin de densidad de probabilidades: =

()2

22

Entonces: = () =

()

Donde, : promedio (media); : desviacin estndar (tpica); 2: varianza; =3,1415; e=2,7182

Esta funcin presenta un valor mximo en: (,

1
)
2

Tratamientos estadsticos de los datos:

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Gauss (distribucin normal o de Gauss, campana de Gauss):
La distribucin queda definida por dos parmetros: media () y desviacin estndar (), para cada valor de la
media y desviacin estndar tendremos una f(x) distinta. Se representa N(, ) como una familia de funciones
de densidad normales.

Ley de Gauss o distribucin Normal.

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ejemplo (tomado el libro hidrologa probabilstica de Varas y Bois)
Sea x una variable aleatoria con distribucin normal con promedio 2 y varianza 9. Cul es la probabilidad de que x sea
mayor que 8?
SOLUCION:
=

Luego, prob(x8)=0,02275

() =

()

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Galton (Log-normal)
Existen procesos fsicos y ambientales que no presentan una distribucin de probabilidades simtrica con respecto a su
valor medio es decir tiene un sesgo (en este caso ser a la derecha). En particular hay dos procesos que son de inters en
ingeniera: la precipitacin y el rgimen de caudales.
Podemos generalizar la ley de Gauss y transformarla en asimtrica, mediante algunos cambios apropiados de variables. El
ms conocido de estos cambios de variables consiste en tomar como variable gaussiana el logaritmo o una funcin lineal
del logaritmo de la variable estudiada. As obtenemos la ley de Galton, llamada tambin distribucin Logartmica Normal
(Log-normal o Ley de Gibrat-Gauss) para estos casos.
Esta distribucin corresponde a la de una variable aleatoria (precipitaciones o caudales) cuyo logaritmo est normalmente
distribuido. Por lo tanto, si la variable X es una variable aleatoria con una distribucin normal, entonces X tiene una
distribucin log-normal.
1

la trasformacin ms utilizada es, considerando el cambio de variable: y=log (x) =

Atencin: y y y, no son las media

y la desviacin estndar de x!!!!

Ley de Galton o distribucin Log-Normal,

para el cambio de variable y = ln(x)

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Galton (Log-normal)
Existen procesos fsicos y ambientales que no presentan una distribucin de probabilidades simtrica con respecto a su
valor medio es decir tiene un sesgo (en este caso ser a la derecha). En particular hay dos procesos que son de inters en
ingeniera: la precipitacin y el rgimen de caudales.
Podemos generalizar la ley de Gauss y transformarla en asimtrica, mediante algunos cambios apropiados de variables. El
ms conocido de estos cambios de variables consiste en tomar como variable gaussiana el logaritmo o una funcin lineal
del logaritmo de la variable estudiada. As obtenemos la ley de Galton, llamada tambin distribucin Logartmica Normal
(Log-normal o Ley de Gibrat-Gauss) para estos casos.
Esta distribucin corresponde a la de una variable aleatoria (precipitaciones o caudales) cuyo logaritmo est normalmente
distribuido. Por lo tanto, si la variable X es una variable aleatoria con una distribucin normal, entonces X tiene una
distribucin log-normal.
Funcin de densidad de probabilidades: =

1
2

(ln())2
22

Al tomar z=alog(x-x0)+b, la distribucin se trasforma en:

=

1
2

Una forma de representacin ms sencilla es, considerando el cambio de variable: u= alog(x-x0)+b

Tratamientos estadsticos de los datos:

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Gumbel (o del valor extremo)
Esta ley de distribucin ha sido creada para el estudio de distribucin de frecuencias de labores extremos (mximo o mnimos
anuales). Corresponde a una funcin asimtrica como la log-normal (ley de Galton).
Un evento extremo se define como cualquier v.a. que alcance o sobrepase un cierto nivel dado.
Consideramos que sobre N observaciones de una serie de datos fluviomtricos o meteorolgicos dentro de cada ano, N
puede ser considerada como eventos independientes. Si se designa por h(x) el nmero medio anual de valores diarios
superiores a x, la probabilidad para que todos los valores diarios sean inferiores a x, (es decir para que el mximo anual sea
()
,

inferior a x) es igual a: 1
si N es suficientemente grande, se puede aproximar a : P=exp[-h(x)], con h(x)=exp(-b)
luego la funcin de distribucin ser:
= exp()

O bien:
1 = 1

Esta distribucin de ha usado ampliamente para describir escurrimientos anuales. Los diagramas de distribucin de caudal
son generalmente asimtricos. 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 (MA), que se calculan eligiendo el escurrimiento MA
obtenido a partir de mediciones diarias. Para el caso de anlisis de caudales el parmetro b se calcula: =

magnitud del caudal (m3/s), es el caudal promedio y la desviacin estndar del caudal.

+0,45
,
0,7797

con x la

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
Ley de Gumbel (o del valor extremo)
Ejemplo : Si le caudal del ro Biobo en desembocadura tiene un caudal promedio de 1340 m3/s con una varianza de 58.400
m2/s. Calcule cul es la probabilidad de que el caudal sea igual o exceda los 2100 m3/s usando la distribucin de Gumbel
+0,45
21001340+0,45241,6
SOL: El primer paso es la estimacin del parmetro = 0,7797 =
= 4,61 entonces:
0,7797241,6

1 = 1 =0,999; este resultado se interpretan como: un caudal de esa magnitud (2100 m3/s) puede ocurrir
aproximadamente 1 vez cada 100 aos (el periodo de retorno de Q=2100 m3/s es Tr=100 aos).
La posibilidad que un cierto caudal sea excedido, o se observe para un perodo de retorno, es una funcin directa del
parmetro b, entonces se puede determinar la probabilidad de forma inmediata en funcin de este parmetro .
Parmetro b
0,367
1,367
2,250
2,970
3,199
3,902
4,601
5,296

Probabilidad de excedencia
0,50
0,20
0,10
0,05
0,04
0,02
0,01
0,005

Periodo de retorno (Intervalo de recurrencia)

2
5
10
20
25
50
100
200

El anlisis de frecuencia nos ayuda a determinar eventos extremos (sequias, tormentas de alta magnitud y caudales de
crecidas). En general la magnitud de un evento es inverso a la frecuencia de ocurrencia. Para el anlisis de frecuencia de
ocurrencia utilizamos las leyes o distribucin de probabilidad. En estos anlisis las hiptesis de trabajo (supuestos) son: i)
eventos independientes; ii) distribucin idntica y; iii) el fenmeno que lo produjo es estocstico. El inters del ingeniero en
estos anlisis es el diseo de presas, puentes, estructuras de crecidas, reconocimiento de reas de inundacin, etc.

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
PERIODO DE RETORNO
Por definicin un evento extremo ocurre s una v.a. X es mayor o igual que un cierto nivel xt. El intervalo de recurrencia es el
tiempo entre ocurrencias de X xt.
El periodo de retorno T Tr de un evento X xt es el valor esperado, su valor promedio medido sobre un nmero de
ocurrencias suficientemente grandes.
El periodo de retorno de un evento (caracterizado por una magnitud dada) tambin puede definirse como el intervalo de
ocurrencia promedio entre eventos que igualan o exceden una magnitud especifica.
EJEMPLO: Determine el Tr de un caudal anual de 8000 m3/s para un registro de caudales mximos anuales correspondiente al
ro Biobo en puente viejo, para el periodo 1982-2003. Este caudal de 8000 m3/s est asociado una altura de escurrimiento en
Caudal
Caudal
el ro donde est a la altura de la ciudad de Santa Juana existe desbordamiento.
Ano
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

(m3/s)
6763
9284
6134
6489
8833
5286
4113
6366
5088
11428
7286

Ano
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003

(m3/s)
8455
7184
5161
2733
7719
1839
4031
7733
10180
10537
11401

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
SOL: Durante el periodo de registro (22 aos), el caudal de 8000 m3/s es excedido 7 veces y los intervalos de
recurrencia que son 6 varan desde un ao (es decir esta caudal se super un ao y el siguiente tambin) hasta 8
aos (del 1993 al 2000). Por lo que aproximadamente el Tr asociado a este caudal ser: Tr=22/6= 3,6 aos.
Entones en promedio una vez cada 3,6 aos santa Juana es inundada por el ro Biobo.
Tabla: Aos de excedencia e intervalos de ocurrencias

Ano de excedencia 1983

Intervalo de
ocurrencia (anos)

1986
3

1991

1993

2001

2002

2003

(3+5+2+8+1)/6

= 3,3

3
2

5
1

Promedio

Tratamientos estadsticos de los datos :

Funcin (ley) de probabilidad, densidad y funcin de distribucin
La probabilidad p = P(Xxt) de ocurrencia del evento Xxt en cualquier observacin puede relacionarse con el periodo de
retorno T en la siguiente forma: T=1/p; es decir la probabilidad de ocurrencia de un evento en el cualquier observacin es el
inverso de su periodo de retorno: P(Xxt) = 1/T.
Si retomamos el ejemplo del ro Biobo, la probabilidad de que el caudal mximo ese a igual o exceda los xt=8000 m3/s, en
cualquier anos es aproximadamente p=1/T = 1/3,6 = 0,278
A menudo otras preguntas son propuestas: cul es la probabilidad de que un evento con periodo de retorno de T aos
ocurra al menos una vez en N aos?
Para el clculo de esto, primero se considera la situacin de que no ocurra un evento de T aos en N aos. Esto requerir
una secuencia de N fallas sucesivas, de tal manera que:
P(X<xt cada ao durante N aos) = (1-p)n,
su complemento ser:
P(Xxt al menos una vez en N aos)=1-(1-p)n
luego, como p=1/T
P(Xxt al menos una vez en N aos)=1-(1-1/T)n
Si seguimos con el ejemplo del Biobo, queremos estimar la probabilidad de que el caudal mximo anual Q exceda los 8000
m3/s al menos una vez durante los prximos tres aos.
En este caso P(Q8000 en cualquier ao)=0,278, luego utilizando la ecuacin anterior:
P(Q8000 m3/s al menos une vez durante los prximos tres aos) = 1 - (1 - 0,278)3 = 0,624 (un 62,4%)

Pruebas de bondad de ajuste a funciones de reparticin-distribucin

La bondad de ajuste de una distribucin de probabilidades puede hacerse comparando los valores tericos
y muestrales de las funciones de frecuencia relativa y la frecuencia acumulada. En el caso de la funcin de
frecuencia relativa se utiliza la prueba 2 (chi cuadrado).
( ) =

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 relativo es p(xi) = F(xi) - F(xi+1), la prueba estadstica 2 est dada por:

( )
=1
( )

Donde m es el nmero de intervalos. Note que nfs(xi), es el nmero de ocurrencias (eventos) observadas
dentro del intervalo i, mientras que np(xi) es el nmero de esperado de ocurrencias en el mismo intervalo.
Entonces la ecuacin anterior es la diferencia entre el numero de ocurrencias observadas y de ocurrencias
esperadas al cuadrado, dividido por el nmero de ocurrencias esperadas en el intervalo, y despus sumados
para cada intervalo, hasta m.

Pruebas de bondad de ajuste a funciones de reparticin-distribucin

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

2 =
=1

=4

Grafico de la funcin chi-cuadrado

con diferentes grados de libertad

=8
= 16

= 32

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 es nula para la prueba en que la distribucin de
probabilidad propuesta se ajusta adecuadamente a la informacin. Esta hiptesis se rechaza (el ajuste se
considera como inadecuado) si el valor de es mayor que un valor lmite , determinado de la
distribucin 2 con grados de libertad como el valor que tiene la probabilidad acumulada de 1 .

Pruebas de bondad de ajuste a funciones de reparticin-distribucin

EJEMPLO: Usando el mtodo de ajuste la distribucin normal a la precipitacin anual en la estacin College,
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.

Tabla: precipitaciones anual (pulg) para la estacin College en Texas, USA (Ven te Chow)