DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGA

El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda

de Distribuciones de Probabilidad. La variable se designa por mayscula y un valor
especfico de ella por minscula.

Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente P(a
x b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b). Si
conocemos la probabilidad P(a x b) para todos los valores de a y b, se dice que
conocemos la Distribucin de Probabilidades de la variable x.

Si x es un nmero dado y consideramos la probabilidad P(X x):

F(x)= P(X x):

y llamamos F(x) la funcin de distribucin acumulada.

Ejemplo

Se tienen las probabilidades de que haya 1, 2, 3, ... etc, das nublados por semana en un
determinado lugar, con ellos calcule la distribucin de probabilidades

x P(x) F(x)
0 0.05 0.05
1 0.15 0.20
2 0.25 0.45
3 0.20 0.65
4 0.15 0.80
5 0.10 0.90
6 0.08 0.98
7 0.02 1.00
Total 1.0
Si se tiene una variable aleatoria continua, la figura presenta el histograma de 85 aos de
registro de caudales de crecientes (mximos instantneos) en el ro Magdalena, agrupados
en 9 intervalos de clase.

x P(x) F(x)
1 0.05 0.05
2 0.10 0.15
3 0.15 0.30
4 0.20 0.50
5 0.10 0.60
6 0.10 0.70
7 0.15 0.85
8 0.10 0.95
9 0.05 1.00
Total 1.00

Cuando el nmero de observaciones se incrementa, el tamao de los intervalos decrece y se

puede tener algo s

donde f(x) es la llamada funcin de densidad de probabilidades y tiene las siguientes

caractersticas
i)

ii)

iii)

Lo que implica que las probabilidades se definen slo como REAS bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.

1.1 MOMENTOS DE LAS DISTRIBUCIONES

Las propiedades de las distribuciones pueden ser definidas completamente en trminos de

los momentos. Los momentos en estadstica son similares a los momentos en fsica
(rotacin respecto al origen)

para la variable continua

para la variable discreta

o respecto a la media (eje de rotacin diferente al origen)

para la variable continua

para la variable discreta

1.2 PARMETROS ESTADSTICOS

Los estadsticos extraen informacin de una muestra, indicando las caractersticas de la

poblacin. Los principales estadsticos son los momentos de primer, segundo y tercer
orden correspondiente a la media, varianza, y asimetra respectivamente.

1.2.1 Media m:
es el valor esperado de la variable misma . Primer momento respecto a la origen. Muestra
la tendencia central de la distribucin
el valor estimado de la media a partir de la muestra es

1.2.2 Varianza s:
mide la variabilidad de los datos. Es el segundo momento respecto a la media.

el valor estimado de la varianza a partir de la muestra es

en el cual el divisor es n-1 en lugar de n para asegurar que la estadstica de la muestra no

sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o menor que
el valor verdadero. Las unidades de la varianza son la media al cuadrado, la desviacin
estndar s es una medida de la variabilidad que tiene las mismas dimensiones que la media
y simplemente es la raz cuadrada de la varianza, se estima por s. El significado de la
desviacin estndar se ilustra en la siguiente figura

Efectos de la funcin de densidad de probabilidad causados por cambios en la desviacin

estndar.

Coeficiente de variacin es una medida adimensional de la variabilidad su

estimado es
1.2.3 Coeficiente de asimetra g
la distribucin de los valores de una distribucin alrededor de la media se mide por la
asimetra. Se obtiene a partir del tercer momento alrededor de la media, dividindolo por el
cubo de la desviacin estndar para que sea adimensional.

tercer momento respecto a la media

Un estimativo del coeficiente de asimetra est dado por

Ejemplo

Encontrar el valor medio de la precipitacin si se tiene

Frecuencia Frecuencia
Intervalo (mm) Xi medio x f(x)
absoluta relativa
100 110 105 10 0.1 10.5
110 120 115 16 0.16 18.4
120 130 125 9 0.09 11.25
130 140 135 10 0.1 13.5
140 150 145 20 0.2 29
150 160 155 15 0.15 23.25
160 170 165 20 0.2 33
Total=100 = 138.9

2 ANALISIS DE FRECUENCIA

El anlisis de frecuencia es una herramienta utilizada para, predecir el comportamiento

futuro de los caudales en un sitio de inters, a partir de la informacin histrica de caudales.
Es un mtodo basado en procedimientos estadsticos que permite calcular la magnitud del
caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad
de la serie histrica, adems de la incertidumbre propia de la distribucin de probabilidades
seleccionada. Cuando se pretende realizar extrapolaciones, perodo de retorno mayor que
la longitud de la serie disponible, el error relativo asociado a la distribucin de
probabilidades utilizada es ms importante, mientras que en interpolaciones la
incertidumbre est asociada principalmente a la calidad de los datos a modelar; en ambos
casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles (Ashkar, et
al. 1994). La extrapolacin de frecuencias extremas en una distribucin emprica de
crecientes es extremadamente riesgosa (Garcon, 1994).

Para determinar la magnitud de eventos extremos cuando la distribucin de probabilidades

no es una funcin fcilmente invertibles se requiere conocer la variacin de la variable
respecto a la media. Chow en 1951 propus determinar esta variacin a partir de un factor
de frecuencia KT que puede ser expresado:

y se puede estimar a partir de los datos

Para una distribucin dada, puede determinarse una relacin entre K y el perodo de retorno
Tr. Esta relacin puede expresarse en trminos matemticos o por medio del uso de una
tabla.

El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de

probabilidad y determinar con el factor de frecuencia la magnitud del evento para un
perodo de retorno dado.

A continuacin se describen las principales distribuciones de probabilidad utilizadas en

hidrologa, la forma de estimar sus parmetros, el factor de frecuencia y los lmites de
confianza. Estos ltimos son indicadores de que tanta incertidumbre se tiene con las
extrapolaciones, puesto que determinar el rango de valores donde realmente estara la
variables, si el rango es muy grande la incertidumbre es muy alta y si es pequeo, por el
contrario, habr mucha confianza en el valor estimado.

3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS

DISTRUBUCION GAMMA DE 2 PARAMETROS O PEARSON TIPO 2

Una de las ms usadas en Hidrologa.

Crecientes mximas anuales

Caudales mnimos
Volmenes de flujos anuales y estacionales
Valores de precipitaciones extremas
Volmenes de lluvia de corta duracin
 -1
1 x x
f(x) =
-
e

| | ( )

(Parmetro de escala)
> 0 (Parmetro de forma)
() es la funcin Gamma completa

( ) = z -1 e- z dz
0
Estimacin de parmetros: Mtodo de los momentos

1
m = =

C v
2

2 2 m

s =



2 3 4 5
g 1 3 g g g 1g
K K T + (K t 1) + (K T 6K T ) (K T 1) + K T
2 2

6 3 6 6 6 36
4 DISTRIBUCION GAMMA DE TRES PARMETROS O PEARSON TIPO 3

Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de las
variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la
distribucin de frecuencia de variables tales como crecientes mximas anuales, Caudales
mnimos, Volmenes de flujo anuales y estacionales, valores de precipitaciones extremas y
volmenes de lluvia de corta duracin. La funcin de distribucin Gamma tiene dos o tres
parmetros.

3.4.1 Funcin de densidad:

donde,

x0 x < para > 0

< x x0 para < 0

y son los parmetros de escala y forma, respectivamente , y x 0 es el parmetro de

localizacin.

3.4.2 Estimacin de parmetros:

Cs es el coeficiente de asimetra, son la media y la desviacin estndar de la

muestra respectivamente.

3.4.3 Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

3.4.4 Intervalos de confianza:

Xt t(1-) Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y d se encuentra

tabulado en funcin de Cs y Tr.

EJEMPLO: Se tiene una estacin con 30 aos de registros de caudales mximos

instantneos con Media de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el
coeficiente de asimetra de los caudales es de 1.981 pie 3/s cual es caudal para un periodo de
retorno de 100 aos y su intervalo de confianza.

QTr100 = X+ SK

K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553

(2.0,100) = 3.605

QTr100 = 4144+ (3.595) (3311)

QTr100 = 16050 pie3/s

Intervalos de confianza

Xt t(1-) Se

d = F(1.981,100) de tablas se obtiene d =8.4922 (1.9,100) = 8.2196

(2.0,100) = 8.5562

Se = 5133.56 pie3/s

t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

16050 (5133.56) (1.645)

[7605.29 pie3/s 24494.71pie3/s] Intervalos de confianza para QTr100

3.3 DISTRIBUCION GUMBEL O EXTREMA TIPO I

Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico es

la distribucin general de valores extremos, la cual ha sido ampliamente utilizada para
representar el comportamiento de crecientes y sequas (mximos y mnimos).

3.3.1 Funcin de densidad:

En donde y son los parmetros de la distribucin.

3.3.2 Estimacin de parmetros

donde son la media y la desviacin estndar estimadas con la muestra.

3.3.3 Factor de frecuencia:

Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal para
un perodo de retorno de 2.33 aos es igual a la media de los caudales mximos.
3.3.4 Limites de confianza

Xt t(1-) Se

KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una

probabilidad de no excedencia de 1-.

EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno y

los intervalos de confianza. x= 15 m3/s, s = 5 m3/s

QTr100 = x + KT s

KT = 3.14

QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s

Intervalos de confianza

t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

d = 3.93

Xt t(1-) Se

30.7 m3/s (1.64) (3.58)

[24.83 m3/s 36.58 m3/s] Intervalo de confianza para QTr100

DISTRIBUCION LOG GUMBEL

1 FUNCION ACUMULADA
La funcin de distribucin acumulada de la distribucin GUMBEL tiene la forma F(x) =