Académique Documents
Professionnel Documents
Culture Documents
7.1. Introducción
7.2 Tratamiento probabilístico de los datos hidrológicos
7.3 Modelos probabilísticos comunes
7.4 Período de retorno o intervalo de recurrencia
7.4 Confiabilidad
7.5 Riesgo
7.6 Vulnerabilidad
7.7 Resiliencia
7.8 Incertidumbre
7.1 Introducción
Una variable aleatoria X es una variable descrita por una distribución de probabilidad. La
distribución especifica la posibilidad de que la observación x de la variable caiga en un
rango específico de X. Por ejemplo, si X es precipitación anual en una ubicación
específica, entonces la distribución de probabilidad de X especifica la probabilidad de
que la precipitación anual observada en un determinado el año estará en un rango
definido, como menos de 40 pulgadas, y así sucesivamente.
Si se define 𝑃(𝑋𝑖 ) como la probabilidad de los eventos aleatorios Xi, la siguiente condición
se aplica a las probabilidades discretas de estos eventos cuando se consideran sobre el
espacio muestral de todos los resultados posibles.
0 ≤ 𝑃(𝑋𝑖 ) ≤ 1 (7.2)
𝑁
∑ 𝑃(𝑋𝑖 ) = 1 (7.3)
𝑖=1
𝑃(𝑋 ∩ 𝑌)
𝑃(𝑋|𝑌) = (7.7)
𝑃(𝑌)
Si los eventos X e Y son independientes, el resultado de la unión de las ecuaciones 7.6
y 7.7 es como sigue:
𝑃(𝑌)
𝑃(𝑋|𝑌) = 𝑃(𝑋). = 𝑃(𝑋) (7.8)
𝑃(𝑌)
Ejemplo 7.1
Sea la condición del evento X de que ocurra una tormenta en un día determinado y el
evento Y sea la condición de que se observe un rayo en un día determinado. Sean las
probabilidades de estos eventos
P (X)= 0.3
P (Y) = 0.1
P (Y|X) = 0.5
a. ¿Cuál es la probabilidad de que ocurran lluvias y relámpagos?
b. ¿Cuál sería la respuesta a la parte (a) si ambos eventos fueran independientes?
Solución:
donde toda el área bajo el PDF es igual a 1.0. El CDF continuo se define de manera
similar a su contraparte discreta:
Un PDF es un funcional desde cuyos momentos están relacionados con sus parámetros.
Por lo tanto, si se pueden encontrar momentos, entonces se pueden estimar los
parámetros de la distribución. Los momentos en sí también son indicativos de la forma
de la distribución. Para una distribución discreta, el momento N sobre el origen se puede
definir de la siguiente manera:
∞
′
𝜇𝑁 = ∑ 𝑥𝑖𝑁 𝑃(𝑥𝑖 ) (7.13)
𝑖=−∞
Ejemplo 7.2
Solución:
La ecuación 7.15 se puede usar para calcular la media de una variable aleatoria discreta
de inundaciones en un período de 10 años:
Figura 7.1 Función de probabilidad masas para una variable aleatoria discreta
𝑛 𝑛 2
1 1
𝜎2 = 𝑆2 = [∑ 𝑥𝑖2 − (∑ 𝑥𝑖 ) ] (7.22)
𝑛−1 𝑛
𝑖=1 𝑖=1
Ejemplo 7.3
Solución:
Ejemplo 7.4
Cuatro pluviómetros miden, 1.7, 2.1, 1.8, y 2.4 cm de precipitación; estime la varianza
de los datos.
Solución:
1
𝑉𝑎𝑟 = 𝜎 2 = 𝑆 2 = [(1.7 − 2)2 + (123.1 − 2)2 + (1.8 − 2)2 + (2.4 − 2)2 ] = 0.10 𝑐𝑚
(4 − 1)
Ejemplo 7.5
La medición de la precipitación en 5 estaciones es: 2.7, 2.9, 3.4, 3.1, y 2.9 cm. Calcule
la media, la varianza, y la desviación estándar de los datos de precipitación.
Solución
Tabla 7.1
Número Profundidad X2 (𝑥 − 𝑥̅ ) (𝑥 − 𝑥̅ )2
pluviómetro lluvia (x)
1 2.7 7.29 -0.3 0.09
2 2.9 8.41 -0.1 0.01
3 3.4 11.56 0.4 0.16
4 3.1 9.61 0.1 0.01
5 2.9 8.41 -0.1 0.01
Suma 15.0 45.28 0.0 0.28
𝑛 ∑𝑛𝑖=1(𝑥 − 𝑥̅ )3
𝑔= (7.25)
(𝑛 − 1)(𝑛 − 2)𝑆 3
Las tres condiciones del sesgo se muestran en la Figura 7.2. Un sesgo es cero para la
distribución simétrica y el sesgo es positivo o negativo cuando la distribución es
asimétrica. Si la cola de distribución más extrema está a la derecha, el sesgo es positivo
y ello es negativo cuando la cola de distribución más extrema está a la izquierda de la
media.
Ejemplo 7.6
Solución:
1 1
𝑔= ∑(𝑥 − 𝑥𝑖 )3 = (215.28) = 11.96 𝑐𝑚3
𝑛 18
Figura 7.2 Comparación del sesgo de las distribuciones (a) g=0; (b) g>0; g<0.
La curtosis expresa el pico de una distribución. Se obtiene a partir del cuarto momento
central:
𝑁
1
𝑚4 = ∑(𝑥𝑖 − 𝜇)4 (7.26)
𝑛
𝑖=1
𝑚4 𝑚4
𝑔2 = − 3 = = −3 (7.27)
𝑚22 (𝑆 2 )2
Su importancia se relaciona principalmente con la distribución normal, para la cual 𝑔2 =
0. Las distribuciones que tienen más picos de lo normal tienen> 0; Los más planos
tienen𝑔2 < 0.
𝑛 𝑛!
( )= (7.28)
𝑥 𝑥! (𝑛 − 𝑥)!
1 1 𝑥−𝜇 2
𝑓(𝑥) = 𝑒𝑥𝑝 [− ( ) ] (7.31)
√2𝜋 2 𝜎
Una distribución normal tiene la forma de campana y simétrica con respecto a x = 𝜇. Por
lo tanto, el coeficiente de sesgo para una variable aleatoria normal es cero. Una variable
aleatoria Y que es una función lineal de una variable aleatoria normal X también es
normal. Es decir, si 𝑋 ≅ 𝑁(𝜇, 𝜎 2 ) e Y = aX+b, entonces 𝑌 ≅ 𝑁(𝑎𝜇 + 𝑏, 𝑎2 𝜎 2 ). Una
extensión de esto es que la suma de las variables aleatorias normales (independientes
o dependientes) también es una variable aleatoria normal.
𝑋−𝜇
𝑍= (7.32)
𝜎
en la que Z tiene una media de cero y una varianza de la unidad. Dado que Z es una
función lineal de la variable aleatoria X, Z también se distribuye normalmente. Para la
probabilidad acumulada de distribución normal, use las Tablas 7.A1 (a) y (b) en el
Apéndice. El PDF de Z, ∅, denominado distribución normal estándar, puede ser
expresada como sigue:
1 𝑍2
∅(𝑧) = exp (− ) 𝑝𝑎𝑟𝑎 − ∞ < 𝑍 < ∞ (7.33)
√2𝜋 2
Los cálculos de probabilidad para 𝑋 ≈ 𝑁(𝜇, 𝜎 2 )se pueden ejecutar como sigue:
𝑋−𝜇 𝑥−𝜇
𝑝(𝑋 ≤ 𝑥) = 𝑝 [ ≤ ] = 𝑝(𝑍 ≤ 𝑧) (7.34)
𝜎 𝜎
1 1 (𝑙𝑛 − 𝜇)2
𝑓(𝑥) = exp (− ( )) 𝑝𝑎𝑟𝑎 𝑥 > 0 (7.35)
𝑥𝜎 √2𝜋 2 2𝜎 2
Se puede derivar del PDF normal. Las propiedades estadísticas de una variable aleatoria
lognormal de la escala original se pueden calcular a partir de las variables transformada
log. Para calcular los momentos estadísticos de X a partir de los de ln X, se utilizan las
siguientes ecuaciones:
𝜎2
(𝜇+ )
𝐸(𝑥) = 𝑒 2 (7.36)
2 2
𝑉𝑎𝑟(𝑥) = (𝑒 𝜎 − 1)𝑒 2𝜇+𝜎 (10.37)
Ejemplo 7.7
La media y la desviación estándar de los datos de inundación en una región son 14,776
y 5243 (m3/s), respectivamente. Con los siguientes supuestos, calcule la descarga de
inundación de 10 y 100 años para esta región.
Solución:
𝐿𝑜𝑔𝑄10 = ̅̅̅̅̅̅̅̅
𝐿𝑜𝑔 𝑄 + 𝑧𝑆𝑙𝑜𝑔𝑄 = 4.419 + 1.282 × 0.1511 = 4.363
𝐿𝑜𝑔𝑄100 = ̅̅̅̅̅̅̅̅
𝐿𝑜𝑔 𝑄 + 𝑧𝑆𝑙𝑜𝑔𝑄 = 4.419 + 2.326 × 0.1511 = 4.5005
Considere un proceso de llegadas aleatorias de tal manera que las llegadas (eventos)
sean independientes, el proceso sea estacionario y no sea posible tener más de una
llegada en un instante. Si la variable aleatoria t representa el tiempo entre llegadas (el
tiempo entre eventos), se encuentra que se distribuye exponencialmente con PDF
1
𝐸(𝑡) = (7.39)
𝜆
y la varianza es
1
𝐸(𝑡) = (7.39)
𝜆2
Ejemplo 7.8
¿Cuál es la magnitud de la inundación de 100 años para un río (𝑄̅ = 4144 cm, SQ = 6089
cm) usando la distribución gamma-3 y gamma-2?
Solución:
Figura 7.3 Definición de las variables involucradas en la estimación del período de retorno
y el riesgo de falla
1
𝑇= (7.43)
𝑃
donde T es el período de retorno y P es la probabilidad del evento. Un evento máximo
anual tiene un período de retorno (o intervalo de recurrencia) de T años si su magnitud
se iguala o supera una vez, en el promedio, cada T años. El recíproco de T es la
probabilidad de excedencia del evento, es decir, la probabilidad de que el evento sea
igual o excedido en cualquier año. Por lo tanto, la inundación de 50 años tiene una
probabilidad de 0.02, o 2%, de ser igual o superada en cualquier año. El concepto de
un período de retorno implica eventos independientes y generalmente se encuentra al
analizar la serie de datos anuales máximos. Se supone que el evento más grande en un
año es independiente del evento más grande en cualquier otro año, pero también es
posible aplicar dicho análisis a los n eventos independientes más grandes de un período
de n años, independientemente del año en que ocurrirá. En este caso, si el segundo
evento más grande en un año fue mayor que el evento más grande en otro año, podría
incluirse en el análisis de frecuencia. Esta sección de n valores más grandes
(independientes) se denomina serie de superación anual, en oposición a una serie
máxima anual. Las series de excedencias anuales y máximas anuales se utilizan en
hidrología, con poca diferencia en los períodos de retorno alto. Es probable que haya
más problemas para garantizar la independencia cuando se usan excedencias anuales,
pero para períodos de retorno bajos, las excedencias anuales brindan un período de
retorno más realista para la misma magnitud que los máximos anuales. La relación entre
el período de retorno basado en 𝑇𝑐 excedencias anuales y 𝑇𝑚 máximas anuales es (Chaw
et al. 1988).
1
𝑇𝑐 = (7.44)
𝑙𝑛𝑇𝑚 − ln(𝑇𝑚−1 )
7.5 CONFIABILIDAD
La salida del sistema, 𝑋𝑡 como variable aleatoria, se clasifica en dos grupos de resultados
de falla y éxito. La confiabilidad del sistema es la probabilidad de que X, pertenezca al
grupo de productos de éxito (Hashimoto et al. 1982), que se puede formular de la
siguiente manera:
𝛼 = 𝑃𝑟𝑜𝑏[𝑋𝑡 ∈ 𝑆] ∀𝑡 (7.45)
donde S es el conjunto de todas las salidas satisfactorias.
Todos los sistemas, ya sean naturales o creados por el hombre, pueden fallar por una
variedad de razones, incluidas las deficiencias estructurales, las causas naturales que
exceden los parámetros de diseño del sistema (por ejemplo, sequías e inundaciones) y
las causas humanas como el crecimiento de la población que aumenta. Las demandas
del sistema por encima de la capacidad de suministro. Por lo tanto, la confiabilidad está
relacionada conceptualmente con la probabilidad de falla del sistema y con la tasa y las
consecuencias de la falla. Puede medirse de varias maneras diferentes pero relacionadas,
dependiendo de las necesidades y la relevancia de una situación particular. Por ejemplo,
puede ser útil expresar y caracterizar el tiempo esperado entre fallas sucesivas (es decir,
el tiempo para la falla), similar a la noción de un evento de inundación de 100 años, un
evento que se espera que ocurra en promedio una vez cada 100 años.
𝛽
𝐹(𝑡) = 1 − 𝑒 −∝𝑡 (𝑡 > 0) (7.46)
donde 𝛼, 𝛽 > 0 son parámetros a estimar. Una definición de confiabilidad es la
probabilidad de que no se produzcan fallas dentro del horizonte de planificación
(Karamouz et al. 2003). Por lo tanto, utilizando la ecuación 7.46, la confiabilidad podría
formularse como sigue:
𝛽
𝑅(𝑡) = 1 − 𝐹(𝑡) = 𝑒 −∝𝑡 (7.47)
La función de densidad del tiempo de ocurrencia de fallas se obtiene mediante la
diferenciación simple de la Ecuación 7.46 de la siguiente manera:
𝛽
𝑓(𝑡) = 𝛼𝛽𝑡 𝛽−1 𝑒 −𝛼𝑡 (𝑡 > 0) (7.48)
En el caso especial de 𝛽 = 1, f (t) =𝛼𝑒 −𝛼𝑡 , que es la función de densidad de la distribución
exponencial. La distribución exponencial solo se usa raramente en estudios de
confiabilidad, ya que tiene la llamada propiedad de olvido. Si X es una variable
exponencial que indica el tiempo en que falla el sistema, entonces para todos t y 𝜏 > 0:
Ejemplo 7.9
Supongamos que el tiempo entre las ocurrencias de sequía en una cuenca hidrológica
sigue la distribución de Weibull. Formule la confiabilidad y la tasa de riesgo de esta
cuenca al enfrentar las sequías.
Solución:
que es un polinomio creciente de t que muestra que la falla ocurrirá con mayor frecuencia
para los más grandes valores de t. En el caso especial de una distribución exponencial,
𝛽 = 1, 𝑎𝑠í 𝜌(𝑡) = 𝛼 es una constante.
Implica que
𝑡
Y finalmente
𝑡
Ejemplo 7.10
Construir la CDF de las ocurrencias de falla en dos situaciones dadas: (1) La tasa del
peligro es constante 𝜌(𝑡)𝛼; y (2) 𝜌(𝑡) = 𝛼𝛽𝑡𝛽−1
Solución
𝑡 𝑡
𝑡
𝑡 𝛽
𝐹(𝑡) = 1 − 𝑒𝑥𝑝 (− ∫ 𝛼𝛽𝑡 𝛽−1 𝑑𝜏) = 1 − 𝑒𝑥𝑝 (−[∝ 𝜏 𝛽 ]0 ) = 1 − 𝑒 −∝𝑡
0