Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN HIDROLOGÍA
HIDROLOGÍA CIV 231
DOCENTE: Ms. C. Ing. César Luis Viscarra Pinto
Un proceso probabilístico en hidrología
consiste en un conjunto de variables al azar;
es decir, variables (eventos) que toman
valores en una secuencia a través del tiempo
(horas, días, meses, años). Estos eventos
pueden ser muestreados en forma discreta o
continua.
C.L.V.P.
En hidrología, se trabaja con eventos
naturales irrepetibles registrados en
periodos de tiempo corto, a diferencia
de otras ciencias que trabajan con
registros que se pueden reproducir
por experimentación.
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
Variables aleatorias
Una variable aleatoria X(t) tiene una cierta distribución
probabilística. Esa distribución determina la posibilidad
de que una determinada observación X, de la variable,
caiga dentro de un rango especificado de X. Sí, por
ejemplo la precipitación media de enero, en un lugar, es
de 50 mm, la distribución probabilística podría establecer
que pueda estar en el rango entre 40 y 60 milímetros.
C.L.V.P.
DATOS HIDROMETEREOLÓGICOS
Series de Tiempo
Una serie de tiempo se define, en hidrología, como
la magnitud de un evento observado en forma
discreta a intervalos de tiempo, dt, promediados en ese
intervalo o registrados en forma continua en un tiempo,
t, por ejemplo caudales medios, diarios, promedio de
caudales instantáneos a través de un intervalo discreto
de 1 día, o caudales instantáneos registrados en forma
continua durante todos los instantes de cada día.
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
_ x i
x i 1
C.L.V.P.
N
PARÁMETROS ESTADÍSTICOS
_
xg n x1 * x2 * x3 * ...xn
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
_ N * x i i
xp i 1
k
N
i 1
i
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
Medidas de Dispersión
Las medidas de dispersión miden como los valores de una
variable se dispersan alrededor del valor central o media
aritmética de la serie; es decir, representan una distribución
alrededor de un valor medio.
x x i
M i 1
N
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
La varianza: es el cuadrado de la desviación estándar (σ2 ) y
es el segundo momento alrededor de la media. Sus unidades
son el cuadrado de las unidades de la variable. En general, es
un indicador que indica cuanto cerca de la media está el valor
de la variable. Si teóricamente todos los valores fueran igual a
la media, la varianza sería cero.
La ecuación de la varianza se puede también expresar
desarrollando el trinomio cuadrado perfecto del numerador.
2
N
_
i
x x
2 i 1
N 1
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
1 N _
_
Cv X , Y xi x * yi y
N i 1
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
Cv _
x
C.L.V.P.
PARÁMETROS ESTADÍSTICOS
3
N
_
N * xi x
i 1
g
C.L.V.P.
N 1* N 2* 3
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN BINOMIAL
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN BINOMIAL
La función de probabilidad acumulada es:
n x n x
P( x ) * p * q
x
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN BINOMIAL
Donde:
x es el número de veces que ocurre el evento.
P(x) es la probabilidad de ocurrencia x = 0, 1, 2 .... etc.
n es el tamaño de la muestra (número de observaciones
independientes o casos posibles).
m es el número de eventos
q es la probabilidad de no excedencia, dada por:
q=1-p
p es la probabilidad de excedencia, calculada mediante la
expresión:
n
p
C.L.V.P. m
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN BINOMIAL
n es el número combinatorio de n valores tomados de x, se
x evalúa así:
n n!
x x!n x !
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN BINOMIAL
_
El valor esperado (promedio): x n* p
La varianza: 2 n* p*q
q p
El coeficiente de asimetría: g
n* p*q
El coeficiente de kurtosis:
1 6 * p * q
k 3
n* p*q
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN DE POISSON
Un caso interesante se presenta cuando el tamaño de la
muestra, n, es muy grande y tiende a infinito, mientras que
la probabilidad, p, muy pequeña y tendiente a cero, pero
su producto, m, es un número positivo, entonces se tiene la
función de densidad de probabilidad discreta de Poisson:
m x e m
p( x )
x!
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN DE POISSON
_
El valor esperado (promedio): xm
La varianza: m2
1
El coeficiente de asimetría: g
m
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
F´(x) f ( x)
x
dF ( x)
F ( x) f ( x)dx ó f ( x)
dx
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
_
x x k * ó x k *
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
x x
1 k * ó 1 k *
_ _
x x
Cv ó Cv
_
x
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
x x
1 k * Cv 1 k * Cv
_
x
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN NORMAL
La distribución normal (Gaussiana) surge del teorema del
límite del valor central, el cual establece que una variable
aleatoria x está normalmente distribuida con el promedio µ
y la desviación estándar σ. La función de distribución de
probabilidad (frecuencia acumulada) proporciona la
probabilidad de que X sea menor o igual a x así:
1
x
x 2
F ( X x) * exp 2
dx
* 2 2 *
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN NORMAL
La función de densidad de probabilidad, está dada por:
1 x 2
f ( x) * exp
* 2 2
2
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
y y
2
f x
1 1
exp *
x * * 2 2
y y
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
σy es la desviación estándar de y.
µy es el promedio de y se calcula así:
y
ln( x) _
y
N
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
y2
x exp y
2
Mediana:
M x exp y
x y2
exp
Mx 2
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
* exp 1
1
2 2
y
El coeficiente de asimetría:
g 3 * Cv Cv3
El coeficiente de variación:
1
Cv exp y2 1 2
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
_
y y
ky
y
C.L.V.P. _
y y k y * y
DISTRIBUCIONES DE PROBABILIDAD
f ( x)
1
exp
ln x y
2
x * y * 2 2 *2y
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
F ( x) exp
a x
dx
b0 b1 * x b2 * x
2
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
f ( x)
1
*a
* xa 1Exp x 0 x
C.L.V.P.
a a 1!
DISTRIBUCIONES DE PROBABILIDAD
2
g
a
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
1 a 1 x
f ( x) a
* x Exp para 0 x
a
f ( x) 0 para x *0
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
a a 1!
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
a *
Varianza:
2 a * 2
Coeficiente de asimetría:
2
g
C.L.V.P. a
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
P0 * x E exp P0 x E
1
f ( x)
para x ≥ E
Donde: Γβ es la función gamma de β
β, Po, y E son los parámetros de la distribución. Se calculan
mediante las expresiones:
x 2
2 _
p0 E x x *
C.L.V.P. g
DISTRIBUCIONES DE PROBABILIDAD
Po y E * exp P0 * y E
1
f ( x)
x
Donde y = log x; para log x >= E
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN LOG PEARSON III
β, Po, y E son los parámetros de la distribución. Se calculan
mediante las expresiones:
y
P0
2
2
g * y
_
E y y *
Siendo: β Γ la función gamma de β , σy la desviación estándar
de y, g el coeficiente de asimetría de y.
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIÓN LOG PEARSON III
El USWRC (1976) recomienda esta distribución para definir series
anuales de crecidas. Últimamente ha sido bastante cuestionada
esta metodología, aunque conviene tenerla presente en el diseño
hidrológico.
Para calcular el coeficiente de frecuencia, k, de la distribución Log-
Pearson III (para caudales máximos anuales), la ecuación
recomendada (USWRC, 1976) es: _
Log (Q) x x * k
Donde: x es la media de los logaritmos decimales de x.
x es la desviación estándar de los logaritmos
decimales de x
k es el factor de frecuencia que es función del
coeficiente de asimetría de los logaritmos decimales de
los caudales máximos medios diarios anuales y de la
probabilidad de excedencia
Log(Q) es el logaritmo decimal del caudal Q en m3/s
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
g
N 1N 2 x 3
Si se trabaja con asimetría g=0, la distribución log Pearson III es igual a
log-normal.
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
y a * x
0.45 *
1.281
a
La asimetría es constante: (g=1.139)
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
6 TR
k * ln ln
TR 1
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
x
Pero se sabe que: _
1 k * Cv
x
_
Cuando: xx 1 1 Cv * k
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
e y
P( x) 1 e
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Distribución Tipo I (Gumbel) N (años) yn n
20 0,52 1,06
30 0,54 1,11
40 0,54 1,14
50 0,55 1,16
60 0,55 1,17
70 0,55 1,19
80 0,56 1,19
TR
y ln ln
TR 1
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Distribución Tipo I (Gumbel)
Valores de k para la distribución Gumbel de valores extremos Tipo I (Adaptada de Linsley et al, 1975).
1.58 0.63 0.000 -0.492 -0.482 -0.476 -0.473 -0.464 -0.459 -0.450
2.00 0.50 0.367 -0.417 -0.152 -0.155 -0.156 -0.160 -0.162 -0.164
2.33 0.43 0.579 0.052 0.038 0.031 0.026 0.016 0.010 0.001
100 0.01 4.600 3.84 3.65 3.55 3.49 3.35 3.27 3.14
200 0.005 5.296 4.49 4.28 4.16 4.09 3.93 3.83 3.68
400 0.0025 6.000 5.15 4.91 4.78 4.56 4.51 4.40 4.23
500 0.002 6.01 5.36 5.10 4.97 4.87 4.66 4.54 4.40
C.L.V.P.
1000 0.001 6.91 6.03 5.73 5.58 5.48 5.25 5.11 4.95
DISTRIBUCIONES DE PROBABILIDAD
s
F ( X x) exp exp y
t
Donde:
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
x E
k
F ( X x) exp
E
a
E es calculado mediante la siguiente expresión: E
θ es el mayor valor esperado de E k
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Distribución de Wakeby
Esta distribución fue introducida en los análisis de los
valores de caudales máximos por Houghton. Como
define Houghton en su trabajo, esta distribución es una
distribución “parent” (madre u origen de las otras). Es
una distribución de 5 parámetros que supera a las
tradicionales de dos o tres parámetros, de modo que se
muestra más flexible sobretodo en relación con la
separación de la cola derecha y de la izquierda de la
distribución.
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Distribución de Wakeby
La función inversa de distribución de probabilidad es:
x a * 1 F c * 1 F e
b d
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Distribución de Wakeby
Esta distribución fue introducida en los análisis de los
valores de caudales máximos por Houghton. Como
define Houghton en su trabajo, esta distribución es una
distribución “parent” (madre u origen de las otras). Es
una distribución de 5 parámetros que supera a las
tradicionales de dos o tres parámetros, de modo que se
muestra más flexible sobretodo en relación con la
separación de la cola derecha y de la izquierda de la
distribución.
C.L.V.P.
DISTRIBUCIONES DE PROBABILIDAD
Tipo II (Frechet) Valores extremos, Log – Gumbel en un caso especial de tipo II.
limite inferior cero
Tipo III (Weibull) Existe un limite Valores mínimos de caudales o lluvias
superior (E)
General de Valores Extremos Incluye los Determinación del tipo de
(GEV) Tipo I, II y III distribución más conveniente
Wakeby Es de uso general Explica el “Efecto de Separación”
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
Métodos Analíticos
Los métodos descritos a continuación, son los ajustes
analíticos de un conjunto de datos a una curva de
distribución de probabilidad.
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
a f1 i , i 1....
f 2 j , j 1....
....
N f N k , k 1....
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
y f ( x;a , , ...)
Los datos deben ser ajustados mediante la mejor
estimación de los parámetros a, β, . El método
minimiza la suma de los desvíos al cuadrado de los
valores observados y los calculados, así:
N N 2
S yi y yi f xi ;a , ,...,
2
1 1
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
N N
yi y yi y
2 2
i 1
; i 1
0; ...
a
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
Método de los mínimos cuadrados
De estas derivadas se obtienen n ecuaciones para
encontrar n parámetros. Como, en general se trata de
ajustar a una recta de la forma:
y a *x
O en forma logarítmica, si es el caso, los parámetros a y
β se encuentran como:
N _ _
x y i i N * x* y
a i 1
N _2
i N *x
x 2
i 1
_ _
C.L.V.P.
y a x
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
y a * x * x2
Se plantean tres ecuaciones para determinar los tres
parámetros a, b, c:
N N N
i
y
i 1
a * N * i
x * i
i 1
x 2
i 1
N N N N
i i
x *
i 1
y a * i
x
i 1
* x * i
x
i 1
3 2
i
i 1
N N N N
C.L.V.P. x *
i 1
y 2
i
i a * x
i 1
*2
i x * i
i 1
x 4 3
i
i 1
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
N
L f ( xi ;a , ...)
i 1
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
N N
LnL ln f xi ;a , ... ln f xi ;a , ...
i 1 i 1
C.L.V.P.
AJUSTE DE LA DISTRIBUCIÓN.
ESTIMACIÓN DE PARÁMETROS
ln( L) ln( L)
0; 0; ...
a
C.L.V.P.
TEST DE BONDAD DE AJUSTE
C.L.V.P.
TEST DE BONDAD DE AJUSTE
Test de Ji-cuadrado (c2)
Este método se usa tanto para verificar distribuciones de
probabilidad, ya sean distribuciones continuas con grupos de datos
expresados como frecuencia absolutas de intervalos de clase o
como frecuencias absolutas en distribuciones discretas. Es un
método para métrico que se evalúa mediante la expresión:
N
( f n * p ) 2
c
2 i i
i 1 n * pi
En esta ecuación n es el número de intervalos de clase para
variables discretas o el número de eventos para variables
continuas, fi son las frecuencias absolutas observadas de cada
evento (o de cada intervalo de clase) y pi es la probabilidad de los
eventos (o de los intervalos) calculados con la ecuación a verificar
p(x, α, β, γ...).
C.L.V.P.
TEST DE BONDAD DE AJUSTE
D0 max F ( x) P( xi )
Donde Do, es el valor de la máxima desviación entre la curva experimental
y la teórica. En algunos casos, este valor puede corresponder a la cola de
la distribución donde el ajuste no es tan necesario.
C.L.V.P.