PROBABILIDAD

El comportamiento de la variable
hidrometeorológica como la precipitación,
temperatura del aire, descargas, etc. en la
naturaleza son aleatorios especialmente las
variables extremas (máximas o mínimas), el
medio adecuado para estudiar las variables
aleatorias es a través de la teoría de
probabilidades.
 PROBABILIDAD
Fenómeno aleatorio
Es aquel fenómeno que bajo las mismas condiciones experimentales
se presentan más de una manera o también se le denomina
fenómeno que sucede al azar. En el lenguaje de probabilidades las
palabras: fenómeno, suceso, experimento, observación o dato son
términos que se usan indistintamente. Por ejemplo todas las variables
hidrológicas como las precipitaciones, descargas, etc. son
consideradas como fenómenos o sucesos aleatorios, porque se
consideran como sucesos al azar. La palabra aleatoria deriva del Latín
alea lo cual significa suerte o azar. El azar hace que algunas cosas
ocurran de manera fortuita e impredecible. Los fenómenos aleatorios
se estudian a través de la ley de probabilidades (posibilidades).
 
 PROBABILIDAD
Espacio muestral
Es el conjunto de todas las ocurrencias o
resultados posibles de un experimento
aleatorio, se denota por S. En un experimento
aleatorio no es posible predecir con
anticipación el resultado, pero si es posible
conocer el conjunto de todos los resultados
posibles, llamado especio muestral.
 
 PROBABILIDAD
Eventos.
Es un subconjunto del espacio muestral,
evento también se puede definir como la
colección de puntos o subconjuntos en un
espacio muestral que tienen características
comunes. Por ejemplo un evento A puede ser
la ocurrencia de una descarga máxima
instantánea anual menor de del rio
Querococha.
 Probabilidad de un evento

Un experimento se debe describir a través de un

modelo (ecuación matemática), para lo cual se
requiere asignar alguna medida de cuantificación que
represente la posibilidad o probabilidad de que ese
evento ocurra, esta medida es la probabilidad. Si una
muestra de n observaciones (datos) tiene valores en
el rango del evento A, entonces la frecuencia relativa
es de A es:
 Variables aleatorias y distribuciones

Para entender la definición de la variable aleatoria

analicemos un ejemplo que no es de hidrología
pero que permite definir el concepto de variable
aleatoria.
 Ejemplo
Si X es la variable aleatoria definida como la suma
de los números al lanzar dos dados no sesgados.
Hallar la probabilidad para los valores de la
variable aleatoria y graficar las probabilidades.
 Solución

En el experimento del lanzamiento de dos dados se tienen,

los resultados posibles siguientes (elementos del espacio
muestral), donde el primer número de cada par indica el
número que aparecería en el primer dado y el segundo
número indica el que aparecería en el segundo dado, es
importante indicar que los dados son distintos o bien que se
lanzan en ese orden.
En este caso la variable aleatoria puede tomar cualquier
valor entero entre 2 y 12 y su probabilidad está dada por el
número de resultados posibles entre el tamaño del espacio
muestral, los cuales se muestran en los cuadros N°3.1 y
N°3.2 y en las figura N°3.1.
 RESULTADOS POSIBLES DEL EJEMPLO

1,1 2,1 3,1 4,1 5,1 6,1

1,2 2,2 3,2 4,2 5,2 6,2
1,3 2,3 3,3 4,3 5,3 6,3
1,4 2,4 3,4 4,4 5,4 6,4
1,5 2,5 3,5 4,5 5,5 6,5
1,6 2,6 3,6 4,6 5,6 6,6
 LEY DE PROBABILIDADES DEL EJEMPLO

VARIABLE
RESULTADO PROBABILIDAD
ALEATORIA X

(1,1) 2 P(x=2)=1/36
(1,2), (2,1) 3 P(x=3)=2/36
(1,3), (2,2), (3,1) 4 P(x=4)=3/36
(1,4), (2,3), (3,2), (4,1) 5 P(x=5)=4/36
(1,5), (2,4), (3,3), (4,2), (5,1) 6 P(x=6)=5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 P(x=7)=6/36
(2,6), (3,5), (4,4), (5,3), (6,2) 8 P(x=8)=5/36
(3,6), (4,5), (5,4), (6,3) 9 P(x=9)=4/36
(4,6), (5,5), (6,4) 10 P(x=10)=3/36
(5,6), (6,5) 11 P(x=11)=2/36
(6,6) 12 P(X=12)=1/36
 RESULTADO DEL GRAFICO

FIGURA N° 3.1 LEY DE PROBABILIDADES PARA ILUSTRAR EL LANZAMIENTO DE

DOS DADOS

0.18
1/6
0.16
5/36 5/36
0.14

0.12 1/9 1/9

0.10
1/12 1/12
0.08

1/18 1/18
0.06

0.04 1/36 1/36

0.02

0.00
2 3 4 5 6 7 8 9 10 11 12
VARIABLE ALEATORIA X (SUMA DE LOS DOS NUMEROS QUE APARECEN EN LA CARA SUPERIOR)
 VARIABLE ALEATORIA

 
La definición teórica de la variable aleatoria
no es adecuada porque se define como una
función sobre los elementos del espacio
muestral, sin embargo se le denomina
variable, esta definición como variable
aleatoria a una función se conserva debido
a que los valores que puede tomar (variable
aleatoria) dependen del resultado del
experimento es decir dependen del azar.
 VARIABLE ALEATORIA

Por consiguiente una variable

aleatoria se puede definir como una
función X sobre un espacio muestral
que asocia un número real o valor a
esta variable con cada elemento del
espacio muestral, por tanto la variable
aleatoria es una variable numérica
cuyo valor no puede predecirse antes
de un experimento u observación.
 Variable aleatoria discreta

Son las variables aleatorias que tienen un

número finito o infinito contable de valores
posibles (resultados del experimento), los valores
de los resultados de la variable aleatoria discreta
son números enteros positivos 0,1,2,...
Función discreta masa de probabilidades (FMP)
Es la ley de probabilidades o la ley de
distribución de probabilidades de una variable
aleatoria discreta y se representa por:

p  x   p X  x 
Distribución acumulada discreta
Esta función representa la probabilidad del
suceso de que la variable aleatoria tome valores
menores o iguales a x.
En el caso de variables aleatorias discretas esta
función es la suma de los valores de la función
masa de probabilidades sobre los valores
menores o iguales a x de la variable aleatoria X,
lo cual matemáticamente se representa por:

F  x   P X  x   ∑ p x i
xi  x
Distribución acumulada discreta
Esta función representa la probabilidad del
suceso de que la variable aleatoria tome valores
menores o iguales a x.
En el caso de variables aleatorias discretas esta
función es la suma de los valores de la función
masa de probabilidades sobre los valores
menores o iguales a x de la variable aleatoria X,
lo cual matemáticamente se representa por:

F  x   P X  x   ∑ p x i
xi  x
 Variable aleatoria continua

Las variables continuas aparecen cuando se hacen

mediciones en una escala continua como por
ejemplo las mediciones de descarga, precipitación,
etc., este tipo de variables tienen una probabilidad
cero de tomar exactamente cualquiera de sus
valores y su distribución de probabilidad no se
puede 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.
 Variable aleatoria y distribuciones.
Esperanza matemática y
momentos de las distribuciones
En una muestra es importante describir las
curvas de frecuencias mediante las
estadísticas, de igual manera en el estudio de
la variable aleatoria la descripción de la
distribución de probabilidades (curva que
describe la población) se realiza a través de los
parámetros que se estiman como por ejemplo
mediante la esperanza matemática o
momentos de la distribución de
probabilidades.
 Esperanza matemática

Si X es la variable aleatoria la esperanza matemática, la

media, o el valor esperado son términos sinónimos, por
consiguiente si queremos hallar la esperanza matemática de
una variable aleatoria en la práctica estamos hallando el
promedio de la variable aleatoria (en el eje x) y como la
variable aleatoria se describe mediante las distribuciones de
probabilidad la esperanza matemática se halla o se estima a
partir de las funciones de distribución que son función
masa discreta de probabilidades o función de densidad de
probabilidades, dependiendo del tipo de variable aleatoria
si es discreto o continuo.
 Momentos de la distribución de una variable aleatoria

Son las esperanzas matemáticas de una variable

aleatoria, las distribuciones de la variable aleatoria
representan ecuaciones o modelos que relacionan la
función de densidad de probabilidades o la función
discreta masa de probabilidades con la variable
aleatoria, cualquiera de estas ecuaciones o modelos
o distribuciones de probabilidad es graficada en un
eje de coordenadas, trazando en el eje ordenadas o
y en el eje de abscisas el valor de la variable aleatoria
 Modelos probabilísticos o distribuciones de probabilidades

El modelo probabilístico explica el

comportamiento del espacio muestral y a cada
uno de los resultados (eventos) se asocia con
una probabilidad de ocurrencia, mediante el uso
de funciones de probabilidad (función masa de
probabilidades o función de densidad de
probabilidades). Existen dos tipos de modelos
de probabilidad: modelos probabilísticas
discretos y modelos probabilísticas continuos.
 Modelos Probabilísticos Discretos

Estos modelos describen el comportamiento

probabilístico de variables aleatorias discretas, en un
experimento aleatorio no es posible conocer
anticipadamente con certeza el resultado final, pero sin
embargo es factible conocer todos los resultados
posibles que puede tener la realización del
experimento de eventos mutuamente excluyentes y
colectivamente exhaustivos (resultados contables).
Los modelos probabilísticos discretos usados en la
hidrología son: distribución Bernoulli, binomial,
geométrica, binomial negativa y de Poisson.
 Modelos probabilísticas continuos

Los modelos probabilísticos comúnmente

usados en la hidrología son: normal, logarítmico
normal, exponencial, Gamma, Pearson III y
Gumbel.
 IV MODELOS PROBABILISTICOS DISCRETOS USADOS EN LA
HIDROLOGIA

BINOMIAL
BERNOULLI BINOMIAL GEOMETRICA P0ISSON
NEGATIVA

P x  0   1  p
 IV MODELOS PROBABILISTICOS CONTINUOS USADOS EN LA
HIDROLOGIA

NORMAL LOGNORMAL EXPONENCIAL GAMMA PEARSON III GUMBEL

 MODELOS PROBABILISTICOS CONTINUOS USADOS EN LA
HIDROLOGIA

NORMAL LOGNORMAL EXPONENCIAL GAMMA PEARSON III GUMBEL

Distribución normal
Distribución normal estanadar
 Distribución normal estanadar
FIGURA N° 4.3.3 FUNCION DENSIDAD DE LA VARIABLE NORMAL ESTANDAR

0.50

0.40
f(x)

0.30

0.20

0.10

0.00
-5 -4 -3 -2 -1 0 1 2 3 4 5

x
Distribución normal estanadar
Distribución normal estanadar
 Estimación de parámetros de las
distribuciones
La interpretación del comportamiento de las
variables aleatorias se realiza mediante los
modelos o distribuciones de probabilidad. En la
hidrología es necesario definir un modelo
probabilística adecuado para un conjunto de
datos (muestra) y para definir el modelo
adecuado se estiman el o los parámetros del
modelo (distribuciones).
Estimación de parámetros de las
distribuciones
 Método de momentos

Este método está basado en la consideración de

que los momentos de la muestra (datos) son
buenos estimadores de los momentos de la
población. Como se ha indicado el
comportamiento casuístico de la población se
explica mediante los modelos de probabilidad
que son la función masa de probabilidad o
función densidad de probabilidades
Método de momentos
Método de momentos
Método de momentos
Método de momentos
 Método de momentos

El número de parámetros a estimar por el

método de momentos depende del número de
parámetros del modelo probabilístico, es decir
para estimar los parámetros se forman un
sistema de ecuaciones igualando los momentos
del modelo probabilístico respectivo con los
estimadores calculados de la muestra. El
número de ecuaciones es igual al número de
parámetros del modelo.
 Método de máxima verosimilitud

Según los estadísticos es uno de los

mejores métodos para estimar el
parámetro puntual, por esta razón
se le llama el método de máxima
credibilidad o de máxima
verosimilitud
Método de máxima verosimilitud
Caso de distribuciones continuas
Método de máxima verosimilitud
Caso de distribuciones discretas
 Selección de modelos
probabilísticos adecuados
• La aplicación de la estadística y de las leyes de las distribuciones
especialmente en el caso de eventos extremos consiste en buscar
el o los modelos probabilísticos adecuados para un conjunto de
datos (muestra).
• Para seleccionar el modelo o los modelos de distribución adecuado
para la muestra primeramente es necesario asumir cualquiera de
las distribuciones que se ha estudiado en el capítulo IV, luego se
estiman los parámetros del modelo. Con los parámetros del
modelo se estiman los valores de la variable aleatoria ajustados al
modelo para una determinada probabilidad. Los valores ajustados
al modelo sirven para hacer la selección del modelo adecuado
mediante los métodos: gráficos y estadísticos
 FUNCIONES DE DENSIDAD EMPIRICA,
TEORICAS
MARCA DE CLASE FRECUENCIA FRECUENCIA FRECUENCIA FRECUENCIA    

  ABSOLUTA RELATIVA ABSOLUTA RELATIVA    

      ACUMULADA ACUMULADA    

f(x)
(3) (4) (5) (6) (7) fe EMPRIRICO f(x) NORMAL EXPONENCIAL

3.30 0.00 0 0 0 0 0.011 0.085

4.66 3.00 0.10 3 0.10 0.076 0.054 0.071

6.02 7.00 0.24 10 0.34 0.177 0.145 0.059

7.38 7.00 0.24 17 0.59 0.177 0.220 0.050

8.74 8.00 0.28 25 0.86 0.203 0.187 0.042

10.10 4.00 0.14 29 1.00 0.101 0.089 0.035

11.46 0.00 0.00     0.000 0.024 0.029

 FUNCIONES DE DENSIDAD EMPIRICA,
TEORICAS
FIGURA N° 6.1 FUNCION DE DENSIDAD EMPIRICA, DISTRIBUCION NORMAL Y DISTRIBUCION EXPONENCIAL DEL RIO QUEROCOCHA

0.25
FUNCIONES DE DENSIDAD

0.2

0.15
fe EMPRIRICO
f(x) NORMAL
f(x) EXPONENCIAL

0.1

0.05

0
2 4 6 8 10 12
DESCARGAS /M3/SEG)
Distribución chi-cuadrado
 VII PERIDO DE RETORNO

ES EL TIEMPO PROMEDIO EN QUE UN EVENTO SE REPITE POR LO MENOS

UNA VEZ. ¿CADA QUE TIEMPO SE PRESENTA UN TERREMOTO EN UN LUGAR
EN UNA ESCALA DE GRADO 8?.