HIDROLOGÍA C. E. H.

PRECIPITACIÓN (Cont.)
• Variables aleatorias Continuas y Discretas de Probabilidad
• Funciones de Probabilidad para Aplicaciones Hidrológicas
• Funciones de Variables Aleatorias Discretas
 Función de Distribución Binomial
 Función de Distribución de Poisson
 Medida del aplanamiento de la serie
• Funciones de Variables Aleatorias Continuas
 Función de Distribución Normal General
 Función de Distribución Normal Estandarizada

Germán Acero R. 1
 HIDROLOGÍA C. E. H.

Un error no se convierte en verdad

por el hecho de que todo el mundo
crea en él.
Gandhi
 Series de registros C. E. H.

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

FUNCIONES DE PROBABILIDAD
Se dice que una variable aleatoria x y su función correspondiente son discretas si:
• El número de valores para los que x tiene una probabilidad diferente de cero (0)
es finito
• Cada intervalo sobre la recta real tiene un número finito de esos valores;
entonces, si a ≤ x ≤ b no contiene ninguno de esos valores, p(a ≤ x ≤ b) = 0
• Así mismo, cuando el número de valores o resultados que puede tomar la
variable aleatoria es infinito, se puede considerar que dicha variable es continua.
Un ejemplo de una variable aleatoria discreta puede ser el número de días de lluvia
sobre un sitio determinado en un período de un año. Sin embargo, la cantidad total
de lluvia precipitada en el año, en ese mismo sitio, se podría asumir como una
variable continua.
Si se tienen n variables aleatorias x1, x2, x3,………,xn tales que p(x=xi) > 0 con
probabilidades p1, p2, p3,……..,pn, siendo pi = p(x=xi), se puede introducir el
concepto de función de probabilidad o de densidad de probabilidad f(x), tal que:

f ( xi ) = { pi para x = xi
0 en caso contrario f(x) es la función de densidad de probabilidad de x
3
 C. E. H.
Series de registros
Como p(S) = 1 entonces:
i =∞

∑ f (x ) = 1
i y p (a ≤=
x ≤ b) ∑=
f (x ) ∑
a ≤ x ≤b
i
a ≤ x ≤b
pi
i =1

La función de probabilidad f(x) define la distribución de probabilidad de forma

única. Si x es cualquier variable aleatoria, para cualquier valor real de la variable,
xi, existe la probabilidad p(x ≤ xi), entonces p(x ≤ xi) es una función de x que se
llama función de distribución o acumulativa de x, F(x) tal que: F(xi) = p(x ≤ xi), la
cual presenta saltos para cada xi de igual magnitud. Así, la probabilidad de que
x = xi, se puede calcular de acuerdo con:

f ( x i ) = F( x i ) − F( x i −1 )

Como p(a ≤ x ≤ b) = p(x ≤ b) – p(x ≤ a) y entonces, si x es discreta:

p(a ≤ x ≤ b) = F(b) – F(a)

4
 C. E. H.
Series de registros
Para variables aleatorias continuas, se define la función de probabilidad o de
densidad de probabilidad f(x) tal que:
∞
∫−∞
f ( x) = 1

y la función de distribución de probabilidades:

x
F ( x) = ∫ f ( x) dx
−∞

En estas condiciones, F´(x) = f(x), y entonces:

b
p(a ≤ x ≤ b) = F(b) – F(a) = ∫a f ( x ) dx
En hidrología, los datos que se obtienen de las series estadísticas, en general, sólo
permitirían establecer funciones de densidad y de distribución de probabilidades
discretas, sin embargo, siempre se trata de asimilarlas a funciones de
probabilidades de variables aleatorias continuas para representar las observaciones
de los diferentes fenómenos.
5
Series de registros C. E. H.

Función de densidad de probabilidad f(x) ó p(x)

Función de repartición o distribución de probabilidad F(x) ó P(x) 6

 C. E. H.
Series de registros
Posibles formas de las funciones de densidad de probabilidad

7
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS

Se presentarán algunas funciones de distribución de probabilidades de variables

discretas y continuas frecuentemente utilizadas para ajustar las distribuciones de
frecuencia de series de observaciones hidrológicas.

Quizás uno de los puntos de interés en este asunto está relacionado con las
propiedades de las distribuciones y con los diferentes aspectos de sus aplicaciones
en hidrología.

Aunque la estimación de los parámetros característicos de una función de

distribución a partir de una muestra o serie hidrológica, así como las pruebas de
bondad de ajuste y la determinación de límites de confianza no serán tratados en
esta presentación por tratarse de temas específicos de las asignaturas de
probabilidad y estadística, es importante tratarlos en forma particular dada la
importancia que pueden tener para la selección y evaluación de modelos
probabilísticos.

8
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS
Funciones de distribución de variables aleatorias discretas:

Es posible encontrar ejemplos de aplicación en hidrología de todas las funciones

univariadas discretas de distribución de probabilidad. Sin embargo, existen dos
distribuciones que, sin grandes manipulaciones de la información, tienen
aplicaciones directas.
Distribución Binomial
En hidrología tiene aplicación cuando se presentan eventos con características
como las siguientes:
 Ocurrencia a o no de una propiedad (llueve o no llueve); si o no; presencia
o no de nubes en un experimento o durante una observación; etc.
 Alguno o ninguno
 Cero o uno
 Cero o mayor que cero
 Cualquier evento complementario con características semejantes a las de
los ejemplos anteriores.
9
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS
Si un evento tiene una probabilidad P y el evento complementario tiene una
probabilidad q = 1-p, entonces, si se realiza una secuencia de n experimentos
independientes, el número esperado de ocurrencias del primer evento es p.n y del
evento complementario es q.n = n(1-p).
Muchas variables hidrológicas de eventos complementarios satisfacen dichas
condiciones, al menos aproximadamente, pero deben ser verificadas antes de la
utilización de la distribución.
La función de densidad de la distribución Binomial esta dada por:
p( x) = n Cx p x q n − x es decir: p( x ) = n C x p x ( 1 − p) n− x para x = 0,1,2,3,…..,n.

En donde n es el número de observaciones independientes, x es el número de

ocurrencias de un evento (x=0,1,2,3,….,n), n-x es el número de ocurrencias del
evento complementario (n-x=n,n-1,n-2,n-3,……1,0). En consecuencia, la función
de distribución Binomial se puede escribir:
n! n!
p( x ) = p x q n− x o =p ( x ) p x (1 − p ) n − x
x ! ( n − x)! x !(n − x)! 10
 Series de registros C. E. H.
Ejemplos de aplicaciones de la Función Binomial:
a) ¿Cuál es la probabilidad de que un caudal más grande que el de 5 años de
período de retorno no ocurra en un período de 10 años?. ¿Cuál es la
probabilidad de que en dicho período ocurran 1, 2, 3, 4, de esos caudales?

Para este problema entonces, n = 10 (años), PTr = 1/5 = 0.2 y x = 0, 1, 2, 3 y 4.

Así mismo, n-x = 10, 9, 8, 7 y 6, además, q = 1-p = 0.8. Entonces:

10 !
p ( x = 0) = (0.2) 0 (1 − 0.2)10 = 0.107
0 ! (10 − 0) !

10 !
p ( x = 1) = (0.2)1 (1 − 0.2) 9 = 0.268
1! (10 − 1) !

10 !
p ( x = 2) = (0.2) 2 (1 − 0.2) 8 = 0..302
2 ! (10 − 2) !

10 !
p ( x = 3) = (0.2) 3 (1 − 0.2) 7 = 0.201
3! (10 − 3) !

10 !
p ( x = 4) = (0.2) 4 (1 − 0.2) 6 = 0.088
4 ! (10 − 4) !
11
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS

f) Una presa se ha proyectado con una vida útil de 50 años y se quiere evaluar la
probabilidad de que un flujo con un periodo de retorno Tr=100 años ocurra una vez
durante la vida de la presa.

Solución:

P≥ = 1 = 1 = 0.01
T 100
q = 1 − P≥ = 0.99 (Probabilidad de no ocurrencia 1 año)

x = 1 (una vez) n = 50 (años de vida útil)

 50 
( ) ( )
x n−x 1 49
P( x =
1) = C
20 1 P (1 − P ) =
  0.01 0.99 0.306
=
 1

Entonces hay como 31% de probabilidades de que dicho flujo se presente al menos
una vez durante la vida útil del proyecto.

12
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS

f) La capacidad de un sistema de control de crecientes está diseñada para manejar

crecientes con Tr=10 años. Cuál es la probabilidad de que el sistema falle una vez
en 20 años?

Solución:

P = 1/10 = 0.1 q = 1 - P = 0.9 n = 20 x =1

 20! 
( 0.1) ( 0.9 ) = 0.27
1 19
P( x= 1)= 20 C1 0.110.919=  
1!.(20 − 1)!

Ahora la probabilidad, P, de que la creciente de Tr=10 años sea igualada o

excedida en los 20 años es:

20
 20! 
P = ∑ f (i ) = 1 − f (0) = 1 −   (0.1) (0.9)
0 20 − 0
= 1 − 0.12 = 0.88
i =1  0!.(20 − 0)!

Es decir que en general hay 88% posibilidades de que el sistema falle en 20 años.
13
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS
Distribución de Poisson
Si en una distribución Binomial n y p son mutuamente dependientes y p es muy
pequeño mientras que n es muy grande, la distribución Binomial se vuelve poco
aplicable. Teóricamente si n  ∞ mientras que p  0, pero su producto np, tiende
hacia un valor constante λ, la distribución de x (x = 0, 1, 2, …….., ∞) sigue una
distribución discreta llamada distribución de Poisson.
En la práctica no es estrictamente necesario que p  0 y que n  ∞ sino que p
sea relativamente pequeño y n grande, para que la distribución sea aplicable con
la sola condición de que λ = np, permanezca aproximadamente constante,
mientras n y p cambian.
En la función de distribución de Poisson el único parámetro es λ y su expresión es
la siguiente:
En donde x es el número de ocurrencias de
x −λ
λ e un evento de probabilidad pequeña o baja
p( x) = dada, p, en un gran número de
x!
experimentos, n y p(x), es la probabilidad de
que x = 0, 1, 2, …….., ∞. 14
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS

Esta distribución es particularmente aplicable en hidrología para la estimación de la

ocurrencia de un número dado de valores extremos con baja probabilidad de
ocurrencia.

Para caudales de alto período de retorno, se puede probar fácilmente que estos
ocurren aleatoriamente en el tiempo y que el período de retorno no pasa de ser
otra cosa que el tiempo promedio entre eventos los cuales se encuentran
aleatoriamente alrededor de dichos tiempos promedios.

15
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS
Ejemplos de aplicaciones de la Función de Poisson:
a) Determinar la probabilidad de que un caudal Q con período de retorno Tr = 500
años (F(x)=0.998), se presente 3 veces durante un lapso de 100 años.

Para este caso particular, x = 3, np = λ = 100/500 = 0.2, entonces:

λ x e−λ 0.23 e −0.2

p( x=
) p(=
x 3)= = = 0.00101
x ! 3 !

b) Para el problema anterior, cuál es la probabilidad de que un caudal con periodo de

retorno, Tr = 500 años, no ocurra en 100 años?

En este caso, x = 0, entonces:

λ x e− λ 0. 2 0 e−0. 2
p( x ) = p( x = 0 ) = = = 0. 819
x! 0!

16
 Series de registros C. E. H.

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES

PARA APLICACIONES HIDROLÓGICAS
Cuál es la probabilidad de que una tormenta con Tr=20 años ocurra una vez en un
periodo de 10 años.

a) Usando la distribución binomial:

P≥ = 1/20 = 0.05 n = 10 x =1 q = 1 - 0.05 = 0.95

10   10! 
P( x = 1) = 10 C1 0.051 0.95 9 =  0.051 0.95 9 =   (0.05)1 (0.95)9 = 0.315
1 1!.(10 − 1)!

b) Aproximación, utilizando la distribución de Poisson:

P≥ = 0.05 n = 10 λ = np = 0.05x10 = 0.5 [f x ( x, λ ) = λ x e − λ / x!]

P( x = 1) = P(1,05) = λ x e -λ /x! = 0.51 e -0.5 /1! ≅ 0.303

Aunque el resultado no es idéntico, se puede considerar una buena

aproximación.
17
 Series de registros C. E. H.
FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDADES
PARA APLICACIONES HIDROLÓGICAS
Funciones de distribución de variables aleatorias continuas:

DISTRIBUCION NORMAL GENERAL

La más ampliamente utilizada y la más importante distribución continua de

probabilidad es la distribución Gaussiana o Normal. Desde el punto de vista de la
hidrología, la distribución Normal conserva su importancia, aunque, hay que decirlo,
muchas de las variables hidrológicas no siguen una distribución normal.

Resulta importante anotar, que la distribución Normal no es “mágica ni posee

atributos o características mágicas” que resulten en que cualquier variable aleatoria
se ajuste o siga una distribución de probabilidades Normal o de Gauss. Se mostrará
más adelante en este mismo apartado que existe una gran cantidad de modelos
teóricos de distribuciones e probabilidad, con diferentes utilidades en los estudios de
series hidrológicas.

18
 Series de registros C. E. H.

DISTRIBUCION NORMAL GENERAL

La distribución Normal es una distribución de dos parámetros, cuya función de

densidad es:
1
1 − ( x −θ1 ) 2 / θ 22
f x ( x) = e 2 [− ∞<x<∞]
2πθ 2
2

Por medio de cualquier método estimador de parámetros (momentos, máxima

verosimilitud, etc.) se obtiene que:

θ 1 =µ θ 22 =σ 2
entonces se puede escribir:
1
1 − ( x − µ ) 2 /σ 2
=f x ( x) e 2
[ −∞ < x < ∞ ]
2π σ 2

19
 Series de registros C. E. H.

DISTRIBUCION NORMAL

Dicha función de distribución de frecuencias es simétrica alrededor de m y tiene una

forma conocida como Campana de Gauss. De acuerdo con lo anterior, la función de
distribución de probabilidades, estará dada por la expresión:
1
x 1 − ( t − µ ) 2 /σ 2
F ( x)= P( X ≤ x)= ∫−∞
2π σ 2
e 2
dt

Aunque las calculadoras y las hojas de cálculo pueden permitir la evaluación de la

función de distribución, en general dicha integral no es fácilmente realizable; por
otro lado, la tabulación de sus valores también presenta dificultades ya que sería
necesaria una tabla para cada pareja de valores (parámetros) representativos de la
distribución, es decir, (µ, σ2).

En consecuencia, dada la frecuente utilización de la distribución normal, ésta ha

sido estandarizada, de tal manera que a partir de la nueva función de distribución
es posible estimar las probabilidades o estimar las variables deseadas para los
valores representativos de la muestra o población estudiadas.

20
 Series de registros C. E. H.

DISTRIBUCION NORMAL ESTANDARIZADA

Teniendo en cuenta los problemas para la utilización directa de la expresión general
de la distribución, se ha propuesto una transformación lineal de la siguiente manera:
x−µ
Z =
σ
Esta nueva variable aleatoria obtenida se conoce como “centrada reducida” o
“estandarizada”, que mide en unidades de σ la desviación de la variable x de la
media µ y también sigue una distribución normal con media cero y desviación
1(varianza σ2=12), es decir, N (0,12). Se trata de un caso especial de a+bx, con
a=-µ/σ y b=1/σ

De acuerdo con la transformación realizada, la función de densidad de la variable Z

estaría dada por: 1
1 − z2
=f z ( z) e 2
[ −∞ < z < ∞ ]
2π
Y la función acumulativa por:
1
z 1 − t2
F ( z )= P( Z ≤ z=) ∫ −∞
2π
e 2 dt
21
 Series de registros C. E. H.
DISTRIBUCION NORMAL
Las Figuras presentan la distribución normal estandarizada, la cual, por medio de la
transformación o reducción de la variable, permite mostrar toda la información de la
distribución general. Las funciones correspondientes a las ecuaciones
estandarizadas tal como se mencionó anteriormente, aunque son más fácilmente
evaluables, se encuentran ampliamente tabuladas y se presentan en las tablas
adjuntas

22
Series de registros C. E. H.

23
Series de registros C. E. H.

24
Series de registros C. E. H.

25
Series de registros C. E. H.

26
 Series de registros C. E. H.
Ejemplos de aplicación de la distribución Normal Estandarizada
- Comparar los límites para 1σ, 2σ y 3σ, bajo la hipótesis de normalidad y sin
ninguna hipótesis distribucional, utilizando entonces la desigualdad de Chebishev.

Solución:

Los límites para 1σ, 2σ y 3σ de N (0.12), es decir, Z = 1, 2 y 3, contienen 68.26,

95.44 y 99.72 de la distribución (o del área bajo la curva de densidad de
probabilidad). Entonces, la probabilidad de que x esté desviado más de 1σ, 2σ y 3σ
de µ es de (1-0.6826) = 0.3174, (1-0.9544) = 0.0456 y (1-0.9972) = 0.028
respectivamente.

- Si una serie de caudales sigue una distribución N(15, 52), cuál es la probabilidad:
P(15.6 ≤ x ≤ 20.4)
Solución:
Entonces la probabilidad puede ser calculada de:
20.4 1
∫
− ( x −15)2 /50
P(15.6 ≤ x ≤ 20.4) = e dx
15.6 (50 π ) 1/2

27
 Series de registros C. E. H.
o de las tablas, realizando las transformaciones correspondientes:
Z15.6 = (15.6-15)/5 = 0.12
Z20.4 = (20.4-15)/5 = 1.08
Entonces P(15.6 ≤ x ≤ 20.4) = P(0.12 ≤ Z ≤ 1.08) = Pz(1.08) – Pz(0.12)
P(0.12 ≤ Z ≤ 1.08) = 0.8599 – 0.5478 = 0.3121

- Y para la misma distribución de caudales, dada en el problema anterior, cuál es la

probabilidad P(10.5 ≤ x ≤ 20.4)
Solución:
Realizando de nuevo las transformaciones correspondientes:
Z10.5 = (10.5-15)/5 = -0.90
Z20.4 = (20.4-15)/5 = 1.08
 P(10.5 ≤ x ≤ 20.4) = P(-0.9 ≤ Z ≤ 1.08) = P(-0.9 ≤ Z ≤ 0) + P(0 ≤ Z ≤ 1.08)
Por otra parte, dada la simetría de la distribución:
P(-0.9 ≤ Z ≤ 0) = P(0 ≤ Z ≤ 0.9) = 0.3159 y P(0 ≤ Z ≤ 1.08) = 0.3599, entonces:
P(10.5 ≤ x ≤ 20.4) = P(-0.9 ≤ Z ≤ 1.08) = 0.3159 + 0.3599 = 0.6758 28
 Series de registros C. E. H.
Ejemplo: Suponiendo que 30 años de mediciones continuas de lluvia han permitido
determinar los respectivos valores de PT anual (mm) con X = 1800mm σ = 250 y que la
muestra se ajusta a una Distribución Normal, determine

1) P (Pr > 2000 ) 2) PTr = 50 años 3) Pr para P ≤ 0.2 4) Tr para Pr ≤ 1900 mm

Solución:

1) P (Pr > 2000 ) = 1 − P(Pr ≤ 2000 )

2000 − 1800
z= = 0.8
250

P (Pr > 2000 ) = 1 − P(z ≤ 0.8)

Tabla de 0 – z  P0.8 = 0.2881 = P(0 ≤ z ≤ 0.8)

P(z ≤ 0.8) = P(− ∞ ≤ z ≤ 0 ) + P(0 ≤ z ≤ 0.8)

P( z ≤ 0.8) = 0.5 + 0.2881 = 0.7881

1 − P( z ≤ 0.8) = 1 − 0.7881 = 0.2119 29

 Series de registros C. E. H.
1 1
2) Tr = 50años = =
P(x > x 0 ) 1 − P( x ≤ x 0 )

1
P(x > x 0 ) = = 0.02 = 1 − P( x ≤ x 0 )
50

0.5
0.48

= +

z0

P( x ≤ x 0 ) = 0.98

Para P = 0.48  z = 2.055

Como: P( x ≤ x 0 ) con X = 1800 y σ = 250 ≡ P(z ≤ z 0 ) con X = 0 y σ = 1

x0 − x
z 0 = 2.055 =  x 0 = x + 2.055σ
σ
30
x 0 = 1800 + 2.055 x 250 = 2313.8mm
 Series de registros C. E. H.
1800 0
3) P( x ≤ x 0 ) = 0.2 = P( z ≤ z 0 ) = 0.2
 250 1

0,2 = 0,2

-z0 z0

0.5 0.3

= 1 - -
z0

P( z ≤ z 0 ) = P( z > z 0 ) = 0.2

P( z > z 0 ) = 1 − P( z ≤ z 0 ) = 0.2

P( z ≤ z 0 ) = 0.8

z 0 = 0.841
Para 0.3 
- z 0 = −0.841

x 0 = x − 0.841σ = 1800 − 210.25 = 1589.8mm 31

 Series de registros C. E. H.

4) P(x ≤ 1900) = ?

x0 − x 1900 − 1800
z= = = 0.4
σ 250

P( x ≤ 1900 ) = P( z ≤ 0.4 )

{N (1800,250 )}= {N (0,1 )}

2 2

z = 0.40

P( z ≤ 0.4 ) = P(− ∞ ≤ z ≤ 0 ) + P(0 ≤ z ≤ 0.4 )

P( z ≤ 0.4 ) = 0.5 + 0.1554

 P( x ≤ 1900 ) = 0.6554

1 1 1 1
Tr = = = = = 2.9años
P( x > x 0 ) 1 − P( x ≤ x 0 ) 1 − 0.6554 0.3446
32
 HIDROLOGÍA C. E. H.

Lo más atroz de las cosas malas de

la gente mala es el silencio de la
gente buena.
Gandhi
Series de registros C. E. H.

FIN

34