Estadística hidrológica

Los procesos hidrológicos evolucionan en el espacio y en el tiempo en una forma que es

parcialmente predecible, determinística y parcialmente aleatoria. Un proceso de este
tipo se conoce con el nombre de proceso estocástico.
Los métodos estadísticos están basados en principios matemáticos que describen la
variación aleatoria de un conjunto de observaciones de un proceso, y estos centran su
atención en las observaciones mismas en lugar de los procesos físicos que las producen.
La estadística es una ciencia de descripción, no de casualidad.
Tratamiento probabilístico de la información hidrológica
Una variable aleatoria X es una variable descrita por una distribución de probabilidad.
La distribución determina la posibilidad de que una observación x de la variable caiga
en un rango especificado de X.
Por ejemplo
Si X es la precipitación anual en un lugar especificado, entonces la distribución de
probabilidad de X determina la posibilidad de que la precipitación anual observada en
un año dado caiga en un rango definido, tal como menos de 30 pulg, o 30 – 40 pulg, y
así sucesivamente.
El concepto de evento u observaciones independientes es crítico para la interpretación
estadística correcta de secuencias de información hidrológica, porque si la información
es independiente puede analizarse sin tener en cuenta su orden de ocurrencia.
Si observaciones sucesivas están correlacionadas (no independientes), los métodos
estadísticos requeridos son más complejos debido a que la probabilidad conjunta P(A∩
B) de eventos sucesivos no es igual a P(A)P(B)
Las probabilidades estimadas utilizando información de muestra, tal como en los
ejemplos 11.1.1 y 11.1.2 son aproximadas debido a que dependen de valores específicos
de las observaciones en una muestra de tamaño limitado. Una alternativa es ajustar una
función de distribución de probabilidad a la información y luego determinar las
probabilidades de los eventos utilizando esta función de distribución.
Función de frecuencia y de probabilidad

Si el número de observaciones ni en el intervalo i, que cubre el rango [ x i−∆ x , x i ] , se

divide por el número total de observaciones n, el resultado se conoce como la función
de frecuencia relativa f s (x) :
ni
f s ( xi ) =
n
la suma de los valores de las frecuencias relativas hasta un punto dado es la función de
frecuencia acumulada F S ( x ):
i
F s (x ¿¿ i)=∑ f s (x ¿¿ j) ¿ ¿
j=1
Las funciones de frecuencia relativa y de frecuencia acumulada están definidas para una
muestra, las funciones correspondientes para la población se aproximan como limites a
medida que n → ∞ y ∆ x → 0. En el limite la función de frecuencia relativa dividida por
el intervalo de longitud ∆ x se convierte en la función de densidad de probabilidad
f(x):
f s( x )
f ( x )= lim
n→∞ ∆x
∆ x →0

La función de frecuencia acumulada se convierte en la función de distribución de

probabilidad F(x)
F ( x )= lim F S ( x)
n→∞
∆ x →0

Cuya derivada es la función de densidad de probabilidad

dF (x)
f ( x )=
dx
Las funciones de frecuencia relativa, frecuencia acumulada y distribución de
probabilidad son todas adimensionales y varían en el rango [ 0,1 ] . Sin embargo, como
df(x) es adimensional y dx tiene dimensiones de X, la función de densidad de
probabilidad f(x) = dF(x)/dx tiene dimensiones de [ X ]−1 y varia en el rango [ 0 , ∞ ].

La relación dF(x)=f(x)dx puede describirse diciendo que f(x) representa la “densidad” o

“concentración”
Una de las funciones de densidad de probabilidad más conocidas es la familiar curva en
forma de campana de la distribución normal
−1
1 2
¿¿
f ( x )= e
√2 π σ
Donde μ y σ son parámetros. Esta función puede simplificarse definiendo la variable
normal estándar z como:
x−μ
z=
σ

La distribución normal estándar correspondiente tiene la siguiente función de densidad

de probabilidad:
−1
1 2
¿¿
f ( x )= e
√2 π σ

La cual depende solamente del valor z y se encuentra graficada en la figura 11.2.2

La función de distribución de probabilidad normal estándar:
 z −1
1 2
¿¿
F ( x )= ∫ e ¿
−∞ √2 πσ

Donde u es una variable de integración auxiliar, no tiene forma analítica. Sus valores
están tabulados en la tabla 11.2.1 y pueden aproximarse mediante el siguiente polinomio
(Abramowitz y Stegun, 1995) :
1 1 2 3 4 −4
B= ∗(1+ 0.196854∗|z| + 0.115194∗|z| +0.000344∗|z| +0.019527∗|z| )
2
F ( z )=B para z ˂0 y F(z) = 1 - B para z ≥ 0
El error de la evaluación de F(z) utilizando esta fórmula es menor de 0.00025
Parámetros estadísticos
El objetivo de la estadística es extraer la información esencial de un conjunto de datos,
reduciendo un conjunto grande de números a un conjunto pequeño de números. Las
estadísticas son números calculados de una muestra los cuales resumen sus
características más importantes.
Los parámetros estadísticos son características de una población, tales μ y σ
Ajuste a una distribución de probabilidad
Una distribución de probabilidad es una función que representa la probabilidad de
ocurrencia de una variable aleatoria. Mediante el ajuste a una distribución de un
conjunto de datos hidrológicos, una gran cantidad de información probabilísticas en la
muestra pude resumirse en forma compacta en la función y en sus parámetros asociados.
El ajuste de distribuciones puede llevarse a cabo por el método de los momentos o el
momento de la máxima verosimilitud.
Método de momentos
El método de los momentos fue desarrollado por primera vez por Karl Pearson en 1902.
El considero que unos buenos estimados de los parámetros de una función de
probabilidad son aquellos para los cuales los momentos de la función de densidad de
probabilidad alrededor del origen son iguales a los momentos correspondientes de la
información de la muestra.
Método de máxima verosimilitud
El método de la máxima verosimilitud fue desarrollado por R.A. Fisher (1922). El
razono que el mejor valor de un parámetro de una distribución de probabilidad debería
ser el valor el valor que maximizara la verosimilitud o probabilidad conjunta de
ocurrencia de la muestra observada.
El método de la máxima verosimilitud teóricamente es el más correcto para ajustar
distribuciones de probabilidad a información en el sentido de que produce los estimados
de parámetros más eficientes, aquellos que estiman los parámetros de la población con
los menores errores promedio. Pero para algunas distribuciones de probabilidad, no
existe solución analítica para todos los parámetros en términos de las estadísticas de la
muestra y la función logaritmo de verosimilitud debe maximizarse numéricamente, lo
cual puede ser bastante difícil. En general, el método de los momentos es más fácil de
aplicar que el método de la máxima verosimilitud y es más apropiado para análisis
prácticos en hidrología.
Prueba de la bondad del ajuste
La bondad del ajuste de una distribución de probabilidad puede probarse comparando
los valores teóricos y muéstrales de las funciones de frecuencia relativa o de frecuencia
acumulada. En el caso de la función de frecuencia relativa se utiliza la prueba X 2 .
ni
El valor muestral de la frecuencia relativa del intervalo i es, de la ecuación f s (x i)=
n

La prueba estadística X 2 , X 2c :
2
2
m n∗[ f s ( x i )− p ( xi ) ]
x c =∑
i=1 p(x i)

Donde
m: es el número de intervalos
nf s ( x i )=ni: el número de ocurrencias observadas en el intervalo i

n p(x i): el número de ocurrencias observadas en el intervalo i

Luego el cálculo de la ecuación se limita a elevar al cuadrado la diferencia entre el

número de ocurrencias observadas y esperadas, dividiendo por el número de ocurrencias
esperadas en el intervalo y sumando el resultado para todos los intervalos.
Para describir la prueba X 2 , debe definirse la distribución de probabilidad X 2 , una
distribución X 2 con ν grados de libertad es la distribución para la suma de los cuadrados
de ν variables aleatorios normales estándar independientes z i

La función de distribución X 2 esta tabulada en muchos textos de estadística (por

ejemplo Haan, 1977) en la prueba X 2 ,ν=m− p−1, donde m es el número de intervalos
tal como se describió anteriormente y p es el número de parámetros utilizado en el
ajuste de la distribución propuesta.
Se escoge un nivel de confianza para la prueba, este usualmente se expresa como 1−α,
donde α se conoce como el nivel de significancia.
Un valor típico para el nivel de confianza es del 95%. La hipótesis nula para la prueba
es que la distribución de probabilidad propuesta ajusta adecuadamente la información.
Esta hipótesis se rechaza (es decir, el ajuste se considera como inadecuado) si el valor
de x c 2 es mayor que un valor límite, x υ, i−α 2, determinado de la distribución X 2 con ν
grados de libertad como el valor que tiene una probabilidad acumulada de 1−α.
Distribución de probabilidad para las variables hidrológicas
Distribución normal
La distribución normal surge del teorema del límite central, el cual establece que si una
secuencia de variables aleatorias X I son independientes y están idénticamente
distribuidas con media μ y varianza σ 2, entonces la distribución de la suma de n de estas
n
variables aleatorias , Y =∑ X i, tiende hacia la distribución normal con media nμ y
i=1
2
varianza n σ , a medida que n aumenta.
Las principales limitaciones de la distribución normal en la descripción de variables
hidrológicas son, por un lado, que esta varia a lo largo de un rango continuo [ −∞ , ∞ ],
mientras que la mayor parte de las variables hidrológicas son no negativas, y por otro
lado, que es simétrica alrededor de la media , mientras que la información hidrológica
tiende a ser asimétrica.
Distribución Log Normal
Si la variable aleatoria Y =logX esta normalmente distribuida, entonces se dice que X
está distribuida en forma Log normal. Chow (1945) llego a la conclusión de que esta
distribución se aplica a variables hidrológicas formadas como productos de otras
n n
variables debido a que si X =X 1 X 2 X 3 … X n, entonces Y =logX =∑ log X́ i=∑ Y i , lo
i =1 i=1

cual tiende a la distribución normal para valores grandes de n siempre y cuando los X i
sean independientes y estén idénticamente distribuidos.
Se ha encontrado que la distribución log normal describe la distribución de la
conductividad hidráulica en un medio poroso (Freeze, 1975), la distribución de tamaño
de gotas de lluvia en una tormenta y otras variables hidrológicas.
La distribución log normal tiene las ventajas sobre la distribución normal de que está
limitada (X>0) y de que la trasformación log tiende a reducir la asimetría positiva
comúnmente encontrada en información hidrológica, debido que al tomar logaritmos se
reducen en una proporción mayor los números grandes que los números pequeños.
Algunas limitaciones de la distribución log normal son, por un lado, que tiene solamente
dos parámetros y, por otro lado, que requiere que los logaritmos de los datos sean
simétricos alrededor de su media.
Distribución Gamma
El tiempo que toma la ocurrencia de un numero β de eventos en un proceso de Poison
esta descrito por la distribución Gamma, la cual es la distribución de una suma de β
variables aleatorias independientes e idénticas, distribuidas exponencialmente.
La distribución gamma tiene una forma que varía suavemente similar a la función de
densidad de probabilidad típica ilustrada en la figura 11.2.1 y es muy útil para la
descripción de variables hidrológicas asimétricas sin el uso de la trasformación log.
Distribución Pearson tipo III
La distribución Pearson tipo III, también llamada la distribución gamma de tres
parámetros, introduce un tercer parámetro el límite inferior ε, de tal manera que por el
método de los momentos, los tres momentos de la muestra (la media, la desviación
estándar y el coeficiente de asimetría) pueden transformarse en los tres parámetros
λ , β y ϵ de la distribución de probabilidad.
Esta es una distribución muy flexible, que puede asumir diferentes formas a medida que
λ , β y ϵ varíen (Bobee y Robitaille, 1977)
La distribución Pearson tipo III se aplicó por primera vez en la hidrología por Foster
(1924) para describir la distribución de probabilidad de picos de crecientes máximos
anuales. Cuando la información es muy asimétrica positivamente, se utiliza una
transformación log para reducir la asimetría.
Distribución Log Pearson tipo III
Si log X sigue una Distribución Pearson Tipo III, entonces se dice que X sigue una
distribución log Pearson Tipo III. Esta es l distribución estándar para análisis de
frecuencia de crecientes máximas anuales.
Cuando log X es simétrico alrededor de su media, la distribución log Pearson tipo III se
reduce a la distribución log normal.
La trasformación log reduce la asimetría de la información transformada y puede
producir información transformada con asimetría negativa utilizando información
original con asimetría positiva.
Tal como se describió previamente, la distribución log Pearson tipo III se desarrolló
como un método para justar una curva a cierta información, su uso está justificado por
que se ha encontrado que arroja bueno resultados en muchas aplicaciones,
particularmente par la información de picos de crecientes. El ajuste X 2 , o utilizando la
graficacion de probabilidad descrita.
Distribución de Valor Extremo
Los valores extremos son valores máximos o mínimos seleccionados de conjuntos de
datos.Ficher y Tippett (1928) han demostrado que las distribuciones de valores
extremos seleccionados de conjuntos de muestras de cualquier distribución de
probabilidad convergen en una de las tres formas de distribuciones de valor extremo,
llamados tipo I, II Y III respectivamente, cuando el número de valores extremos
seleccionados es grande.
Las propiedades de las tres formas de limitaciones fueron desarrolladas en mayor detalle
- Por Gumbel (1941) para la distribución de valor extremo tipo I (EVI, por sus
siglas en ingles)
- Por Frechet (1927) para la distribución de valor extremo tipo II (EVII)
- Por Wibul (1939) para la distribución de valor extremo tipo III (EVIII)
Jenkinson (1955) demostró que estas tres formas limitantes eran casos especiales de una
distribución única llamada la distribución de Valor Extremo General (GEV, por sus
siglas en ingles)
Las distribuciones EVI y EVII, también se conocen como las distribuciones Gumbel y
Frechet respectivamente. Si una variable x esta descrita por la distribución EVIII,
entonces se dice que –x tiene una distribución Weibul.
Análisis de frecuencia
Los sistemas hidrológicos son afectados algunas veces por eventos extremos, tales como
tormentas severas, crecientes y sequias. La magnitud de un evento extremo esta
inversamente relacionada con su frecuencia de ocurrencia, es decir, eventos muy
severos ocurren con menor frecuencia que eventos más moderados.
El objetivo del análisis de frecuencia de información hidrológica es relacionar la
magnitud de los eventos extremos con su frecuencia de ocurrencia mediante el uso de
distribuciones de probabilidad.
Se supone que la información hidrológica analizada es independiente y esta
idénticamente distribuida, y el sistema hidrológico que la produce (por ejemplo, un
sistema de tormenta) se considera estocástico, independiente del espacio y del tiempo.
Los resultados del análisis de frecuencia de flujo de crecientes pueden utilizarse para
muchos propósitos en ingeniería: para el diseño de presas, puentes y estructuras de
control de crecientes. Para determinar el beneficio económico de proyectos de control
de crecientes y para delinear planicies de inundación y determinar el efecto de
invasiones o construcciones en estas.
El periodo de retorno
El periodo de retorno de un evento con una magnitud dada puede definirse como el
intervalo de recurrencia entre eventos que igualan o exceden una magnitud especificada.
Luego E τ =T =1/ p , es decir, la probabilidad de ocurrencia de un evento en cualquier
observación es el inverso de su periodo de retorno.
P ( X ≥ x t )=1/T

Distribuciones de valores extremos

Las distribuciones de valore extremo han sido ampliamente utilizadas en hidrología.
Etas forman la base para el método estándar de análisis de frecuencia de crecientes.
Las tormentas de lluvia son comúnmente modeladas utilizando la distribución de Valor
Extremo Tipo I.
Análisis de frecuencia utilizando factores de frecuencia
Algunas funciones de distribución de probabilidad no son fácilmente invertibles,
incluyendo las distribución normal y Pearson Tipo III, requiriéndose un método
alternativo para calcular las magnitudes de eventos extremos para estas distribuciones.
Esta relación puede expresarse en términos matemáticos o mediante una tabla.
El análisis de frecuencia comienza con el cálculo de los parámetros estadísticos
requeridos para una distribución de probabilidad propuesta, utilizando el método de los
momentos en la información dada.
Distribución Normal
El factor de frecuencia puede expresarse utilizando la ecuación
 x T −μ
KT=
σ

Este el mismo de la variable estándar z definida en la ecuación 11.2.9

el valor de z correspondiente a una probabilidad de excedencia de p(p=1/T) puede
calcularse también encontrando el valor de una variable intermedia w.
Cuando (0 < P < = 0.5)
Cuando P > 0.5, entonces se sustituye P por 1 – P
Y luego calculado z, utilizando la aproximación:

2.515517+0.802853∗W +0.010328∗W 2
Z=W −
1+1.432788∗W +0.189269∗W 2 +0.001308∗W 3
El error de esta fórmula es menor que 0.00045 en z (Abramowitz y Stegun, 1965)
Para la distribución log normal, se aplica el mismo procedimiento excepto que este se
aplica a los logaritmos de las variables y su media y desviación estándar son utilizadas
en la ecuación 12.3.4
Distribución de Valor Extremo
Para la distribución de valor extremo tipo I, Chow (1953) dedujo la siguiente expresión

KT=
−√ 6
π { [ ( )]}
∗ 0.5772+ ln ln
T
T −1

Distribución Log Pearson Tipo III

Para esta distribución, el primer paso es tomar los logaritmos de la información
hidrológica, y = log x. usualmente se utilizan los logaritmos con base 10. Se calculan la
media ý, la desviación estándar S y y el coeficiente de asimetría C s, para los logaritmos
de los datos.
El factor de frecuencia depende del periodo de retorno T y el coeficiente de asimetría C s
.
Cuando Cs = 0, KT el factor de frecuencia es igual a la variable normal estándar z.
Cuando Cs ≠ 0, KT se aproxima por (Kite, 1977) como:
1 1
K T =Z+ ( Z 2−1 )∗k + ∗( Z 3−6∗Z )∗k 2 −( Z 2−1 )∗k 3+ Z∗k 4 + ∗k 5
3 3
Donde:
CS
k=
6
Graficas de probabilidad
Como una verificación de que la distribución de probabilidad se ajusta a un conjunto de
datos hidrológicos, estos pueden graficarse en un papel de probabilidad diseñado
especialmente o utilizado una escala de graficacion que linealice la función de
distribución. Luego los datos graficados se ajustan por medio de una línea recta con
pronósticos de interpolación y extrapolación.
La ecuación de Weibull es un término medio con una mejor justificación estadística. Si
los n valores están uniformemente distribuidos entre el 0 y el 100% de probabilidad,
entonces deben existir n+1 intervalos, n-1 entre los puntos de los datos y en los
extremos. Este sistema simple de graficacion se expresa mediante la ecuación de
Weibull:
m
P ( X ≥ xm )=
n+1

Defensas Ribereñas
El presente proyecto de tesis tiene como objetivo mitigar los posibles daños que pueden
presentarse en el futuro (Inundaciones). Y protección de zonas vulnerables (Defensas
Ribereñas).
Importancia del proyecto
La realización del presente estudio es de vital importancia para el Distrito de socabaya,
Para tratar de solucionar el problema de inseguridad y riesgo tanto físico como humano,
frente a una máxima avenida en el rio Socabaya.
Cuando se desee evitar que las zonas adyacentes a los ríos sean inundadas año tras año
durante la época de lluvias, se construyen u ejecutan obras que permitan evitar dichas
inundaciones
Medidas de encauzamiento y defensa
El control de una avenida debe entenderse fundamentalmente como una acción
preventiva para evitar daños mayores y que es imposible evitarla
Medidas de mejoramiento de cauces
- Rectificación de cauces
Una forma de disminuir los desbordamientos en una zona limitada, es la aumentar la
capacidad hidráulica del cauce principal de un rio, lo cual es posible lograr rectificando
un tramo de él.
- Limpieza de cauces
Obras de protección contra inundaciones
Consiste en retirar toda la vegetación dentro del cauce principal y también en la zona de
inundación donde se tiene bordes longitudinales, con ellos se disminuye la rugosidad y a
la vez aumenta la capacidad del cauce
1. Bordes perimetrales
2. Obras de desviación de flujo
3. Presas de almacenamiento
Obras de defensa en márgenes de los ríos
Para evitar totalmente o reducir la erosion lateral que se presenta en los márgenes de los
ríos y con mayor frecuencia en las orillas exteriores de los ríos y con mayor frecuencia
en las orillas exteriores de las curvas, se emplea espigones, muros y diques
longitudinales.