Capítulo 7

Análisis probabilístico de la precipitación total anual y la descarga media anual

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

Las variables y eventos hidrológicos, como la lluvia, la escorrentía, las inundaciones, la

sequía, etc., suelen investigarse mediante el análisis de sus registros de observaciones.
Muchas características de estos procesos parecen variar de una manera que no es
susceptible de análisis determinista. En otras palabras, las relaciones deterministas,
presentadas hasta ahora, no parecen ser aplicables para el análisis de estas
características. A los efectos del análisis hidrológico, el pico anual de descarga se
considera una variable aleatoria. Se emplean métodos de probabilidad y estadística para
el análisis de variables aleatorias. Además, en todos los campos del análisis hidrológico,
enfrentamos incertidumbre derivada de fenómenos hidrológicos que no se pueden
predecir con precisión. Cualquier predicción es incierta, y en la modelización matemática
de los procesos hidrológicos, esta incertidumbre debe tenerse en cuenta. Los métodos
discutidos en este capítulo son: (1) conceptos de probabilidad; (2) momentos
estadísticos; (3) modelo probabilístico común; (4) período de retorno; (5) riesgo,
confiabilidad, vulnerabilidad y resiliencia; y (6) la incertidumbre.

7.2 Tratamiento probabilístico de los datos hidrológicos

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.

Un conjunto de observaciones x1, x2, …, xn de la variable aleatoria se llama muestra. Se

supone que las muestras se extraen de una población infinita hipotética que posee
propiedades estadísticas constantes, mientras que las propiedades de una muestra
pueden variar de una muestra a otra. El conjunto de todas las posibles muestras que
podrían extraerse de la población se denomina espacio muestral, y un evento es un
subconjunto del espacio muestral.

La probabilidad se define de la siguiente manera:

𝑛
𝑃(𝑋0 ) = , (7.1)
𝑁
donde n es el número de ocurrencias (frecuencia) del evento Xi en N ensayos. Así, n/N
es la frecuencia relativa o probabilidad de ocurrencia de Xi.

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

La probabilidad de la unión (ocurrencia de cualquiera, simbolizada por ∪) de dos eventos

mutuamente excluyentes es la suma de las probabilidades de cada una:

𝑃(𝑋 ∪ 𝑌) = 𝑃(𝑋) + 𝑃(𝑌) (7.4)

En otros casos, la probabilidad de la unión se obtiene como sigue:

𝑃(𝑋 ∪ 𝑌) = 𝑃(𝑋) + 𝑃(𝑌) − 𝑃(𝑋 ∩ 𝑌) (7.5)

Dos eventos X e Y son independientes si la ocurrencia de uno no influye en la ocurrencia
del otro. La probabilidad de la intersección de dos eventos independientes es el producto
de cualquiera de sus probabilidades individuales.

𝑃(𝑋 ∩ 𝑌) = 𝑃(𝑋) × 𝑃(𝑌) (7.6)

La probabilidad condicional del evento X dado que el evento Y ha ocurrido es:

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:

a. De la ecuación 7.8, P (X ∩ Y) = P (Y|X). P (X) = 0.15.

b. De modo que P(Y|X) = P (Y) = 0.1, luego P (X ∩ Y) = P(X). P(Y) = 0.03.

La probabilidad de la ocurrencia conjunta de eventos independientes siempre será menor

o igual a la probabilidad de su ocurrencia conjunta si son dependientes.

7.2.1 VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

El comportamiento de una variable aleatoria puede ser descrito por su distribución de

probabilidad. A cada resultado posible de un experimento se le asigna un valor numérico
de acuerdo con una función de masa de probabilidad discreta o una función de densidad
de probabilidad continua (PDF). En hidrología, las variables aleatorias discretas se usan
más comúnmente para describir la cantidad de ocurrencias que satisfacen un cierto
criterio, como la cantidad de inundaciones que exceden un valor específico o la cantidad
de tormentas que ocurren en una ubicación determinada. Para probabilidades discretas:

𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∑ 𝑃(𝑥𝑖 ) (7.9)

𝑎≤𝑥𝑖 ≤𝑏

La función de distribución acumulativa (CDF) se define como

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑃(𝑥𝑖 ) (7.10)

𝑥𝑖 ≤𝑥

Las variables aleatorias continuas se utilizan generalmente para representar fenómenos

hidrológicos como el flujo, la lluvia, el volumen, la profundidad y el tiempo. Los valores
no están restringidos a números enteros, aunque las variables continuas se pueden
redondear comúnmente a números enteros. Para una variable aleatoria continua, el área
debajo de PDF f (x) representa la probabilidad.
𝑥2
𝑃(𝑥1 ≤ 𝑥 ≤ 𝑥2 ) = ∫ 𝑓(𝑥)𝑑𝑥, (7.11)
𝑥1

donde toda el área bajo el PDF es igual a 1.0. El CDF continuo se define de manera
similar a su contraparte discreta:

𝑃(𝑥1 ≤ 𝑥 ≤ 𝑥2 ) = 𝐹(𝑥2 ) − 𝐹(𝑥1 ) (7.12)

7.2.2 MOMENTOS DE DISTRIBUCIÓN

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:

1. Para una distribución discreta.

∞
′
𝜇𝑁 = ∑ 𝑥𝑖𝑁 𝑃(𝑥𝑖 ) (7.13)
𝑖=−∞

2. Para una distribución continua.

∞
′
𝜇𝑁 = ∫ 𝑥 𝑁 𝑓(𝑥)𝑑𝑥 (7.14)
−∞

El primer momento, 𝜇, es el valor medio y se define de la siguiente manera:

1. Para una distribución discreta.

𝐸(𝑥) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) (7.15)

𝑖=−∞

2. Para una distribución continua.

∞

𝐸(𝑥) = 𝜇 = ∑ 𝑥𝑃𝑓(𝑥) 𝑑𝑥 (7.16)

𝑖=−∞

Ejemplo 7.2

La función de probabilidad de masa de las inundaciones se muestra en la Figura 7.1.

Estime el número promedio de inundaciones en un período de 10 años donde 𝑓(𝑥0 ) =
𝑓(𝑥10 ) = 0.0010

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:

E (x) = 𝜇 = 0 (0.0010) + 1 (0.0097) + 2 (0.0440) + 3 (0.1172) + 4 (0.2051) + 5

(0.2460) + 6 (0.2051) + 7 (0.1172) + 8 (0.0440) + 9 (0,0097) + 10 (0,0010) = 5.

Por lo tanto, el número medio de inundaciones en un período de 10 años es de 5.

El momento central sobre la media se puede definir de la siguiente manera:

1. Para una distribución discreta.

 ∞

𝜇𝑁 = ∑(𝑥𝑖 − 𝜇)𝑁 𝑃(𝑧𝑖 ) (7.17)

−∞

Figura 7.1 Función de probabilidad masas para una variable aleatoria discreta

2. Para una distribución continua

∞

𝜇𝑁 = ∫ (𝑥 − 𝜇)𝑁 𝑓(𝑥)𝑑𝑥 (7.18)

−∞

Además, el primer momento central es cero. El segundo momento central se llama la

varianza y se calcula de la siguiente manera:

1. Para una distribución discreta.

∞

𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝜇2 = 𝐸[(𝑥 − 𝜇)2 ] = ∑(𝑥𝑖 − 𝜇)𝑁 𝑃(𝑥𝑖 ) (7.19)

−∞

2. Para una distribución continua

∞

𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝜇2 = 𝐸[(𝑥 − 𝜇)2 ] = ∫ (𝑥𝑖 − 𝜇)2 𝑓(𝑥)𝑑𝑥 (7.20)

−∞

Una medida equivalente es la desviación estándar, que es simplemente la raíz cuadrada

de la varianza. Los momentos más altos están sujetos a sesgos en sus estimaciones.
Una estimación imparcial es aquella para la cual el valor esperado de la estimación es
igual al valor de la población. Para la varianza, una estimación no calculada es
 𝑛
1
𝜎2 = 𝑆2 = ∑(𝑥𝑖 − 𝜇)2 (7.21)
𝑛−1
𝑖=1

𝑛 𝑛 2
1 1
𝜎2 = 𝑆2 = [∑ 𝑥𝑖2 − (∑ 𝑥𝑖 ) ] (7.22)
𝑛−1 𝑛
𝑖=1 𝑖=1

Ejemplo 7.3

Estime la varianza de la función de masa del Ejemplo 7.1.

Solución:

De la figura 7.1, la varianza se puede calcular mediante la ecuación 7.19.

𝜎 2 = (0 − 5)2 (0.0010) + (1 − 5)2 (0.0097) + (2 − 5)2 (0.00440) + (3 − 5)2 (0.1172)

+ (4 − 5)2 (0.2051) + (5 − 5)2 (0.2460) + (6 − 5)2 (0.2051)
+ (7 − 5)2 (0.1172) + (8 − 5)2 (0.0440) + (9 − 5)2 (0.0097)
+ (10 − 5)2 (0.0010) = 2.5

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:

La varianza de una muestra puede calcularse de la ecuación 7.22 como sigue:

1.7 + 2.1 + 1.8 + 2.4
𝑥̅ = ( ) = 2 𝑐𝑚
4

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

En la tabla 7.1, las estimaciones de la media, varianza, y desviación estándar se resumen.

1
𝑥̅ = (15) = 3 𝑐𝑚
5
De la ecuación 7.21, la varianza se calcula de la siguiente manera:
1
𝜎 2 = 5−1 (0.28) = 0.07 cm2

El tercer momento central se llama sesgo y se define de la siguiente manera:

1. Para una distribución discreta.
∞

𝑔 = ∫ (𝑥 − 𝜇)3 𝑓(𝑥)𝑑𝑥 (7.23)

−∞

donde el sesgo de la muestra es g y f (x) es la función de la variable aleatoria x.

Tabla 7.1

Estimación de las estadísticas de la lluvia medida en cinco estaciones pluviométricas en

el ejemplo 7.5

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

2. Para distribución continua

𝑛

𝑔 = ∑(𝑥 − 𝜇)3 𝑓(𝑥𝑖 ) (7.24)

𝑖=1

Un estimado aproximadamente imparcial. Es así:

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

Estime la media, la varianza, la desviación estándar y el sesgo de los datos de

precipitación de 18 años en una cuenca pequeña que se proporciona en la Tabla 7.2.

Solución:

Los valores de (𝑥 − 𝑥̅ ), (𝑥 − 𝑥̅ )2 , (𝑥 − 𝑥̅ )3 se estiman para los datos de precipitación en

cada año; la suma de los datos anuales se da en la última fila. La media, la varianza, la
desviación estándar y el sesgo se estiman como sigue:
1 1
𝑥̅ = ∑ 𝑥𝑖 = (68.12) = 3.78 𝑐𝑚
𝑛 18
La varianza se calcula utilizando la ecuación 7.21.
1
𝑆 2 = 18−1 (73.639) = 4.322 𝑐𝑚2 , lo que da una desviación estándar de 2.081 cm. El
sesgo se estima utilizando la ecuación 7.25 y la suma de la Tabla 7.2, con f (𝑥𝑖 ) igual a
1 / n:

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.

7.3 MODELOS PROBABILISTAS COMUNES

Se utilizan muchos PDF discretos y continuos en hidrología, pero esta subsección se

enfoca en solo algunos de los más comunes. Para el análisis discreto, puede haber
interés en ambos CDF, pero para el análisis continuo, el valor del PDF en sí rara vez es
de interés. Más bien, solo se necesita evaluar el CDF para la variable aleatoria continua.
Estas distribuciones se verán a medida que se presenten las diversas distribuciones.

7.3.1 LA DISTRIBUCIÓN BINOMIAL

Es común examinar una secuencia de eventos independientes para los cuales el

resultado de cada uno puede ser un éxito o un fracaso; por ejemplo, sea la ocurrencia
de la inundación del año T que ocurre o no ocurre. La cantidad de formas posibles de
elegir x eventos de entre n eventos posibles viene dada por el coeficiente binomial:

𝑛 𝑛!
( )= (7.28)
𝑥 𝑥! (𝑛 − 𝑥)!

donde n es trial y x es ocurrencia. Por lo tanto, la probabilidad deseada es el producto

de la probabilidad de cualquier secuencia, y la cantidad de formas en que puede
acumularse tal secuencia es la siguiente:
𝑛
𝑃(𝑥) = ( ) 𝑃 𝑥 (1 − 𝑃)𝑛−𝑥 (7.29)
𝑥
El CDF se define como sigue:
𝑥
𝑛
𝐹(𝑥) = ∑ ( ) 𝑝𝑖 (1 − 𝑝)𝑛−𝑖 (7.30)
𝑖
𝑖=0

7.3.2 DISTRIBUCIÓN NORMAL

La distribución normal es una distribución de probabilidad conocida. Dos parámetros

están involucrados en una distribución normal: la media y la varianza. Una variable
aleatoria normal que tiene una media 𝜇 y una varianza 𝜎 2 se denota aquí como 𝑋 ≅
𝑁(𝜇, 𝜎 2 ) con un PDF dado como sigue:

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.

Los cálculos de probabilidad para las variables aleatorias normales se realizan

transformando primero a la variante estandarizada de la siguiente manera:

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

7.3.3 DISTRIBUCION LOGNORMAL

La distribución lognormal es una distribución continua comúnmente utilizada en el

análisis de eventos hidrológicos cuando las variables aleatorias no pueden ser negativas.
El PDF de la variable aleatoria lognormal es el siguiente:

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.

a. Si los datos siguen una distribución normal

b. Si los datos siguen una distribución lognormal.

Solución:

a. La frecuencia para una probabilidad de 0.1 y 0.01 es 1.282 y 2.326. Luego

𝑄10 = 𝑄̅ + 𝑧𝑆 = 14.776 + 1.282 × 5242 = 21500
 𝑄100 = 𝑄̅ + 𝑧𝑆 = 14.776 + 2.326 × 5242 = 21500

b. Tomando un logaritmo de los números en la distribución normal

̅̅̅̅̅̅̅̅
𝐿𝑜𝑔 𝑄 = 4.170
𝑆𝑙𝑜𝑔𝑄 = 0.1511

𝐿𝑜𝑔𝑄10 = ̅̅̅̅̅̅̅̅
𝐿𝑜𝑔 𝑄 + 𝑧𝑆𝑙𝑜𝑔𝑄 = 4.419 + 1.282 × 0.1511 = 4.363

𝑄10 = 104.363 = 23067.47

𝐿𝑜𝑔𝑄100 = ̅̅̅̅̅̅̅̅
𝐿𝑜𝑔 𝑄 + 𝑧𝑆𝑙𝑜𝑔𝑄 = 4.419 + 2.326 × 0.1511 = 4.5005

𝑄100 = 104.5005 = 31700

7.3.4 LA DISTRIBUCIÓN EXPONENCIAL

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

𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 𝑡≥0 (7.38)

La media de la distribución es

1
𝐸(𝑡) = (7.39)
𝜆
y la varianza es

1
𝐸(𝑡) = (7.39)
𝜆2

La CDF se evalúa de la siguiente manera:

𝐹(𝑡) = ∫ 𝜆𝑒 −𝜆𝑡 = 1 − 𝑒 −𝜆𝑡 (7.41)

0

7.3.5 DISTRIBUCIÓN GAMMA (TIPO PEARSON 3)

Esta distribución recibe un uso extensivo en hidrología simplemente debido a su forma

y sus propiedades matemáticas conocidas. El factor de frecuencia K es una función de
la asimetría y el período de retorno (o CDF) y los valores se dan en la Tabla 7.A2 del
Apéndice. Por lo tanto, para evaluar la inundación del año T, los momentos de los datos
se calculan y

𝑄𝑇 = 𝑄̅ + 𝐾(𝐶𝑠 , 𝑇)𝑆𝑄 (7.42)

La distribución gamma de dos parámetros corresponde a establecer el límite izquierdo
en cero.

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:

Para gamma-3, CS = 1.981. La interpolación lineal en el Apéndice da K = 2.884. Así,

𝑄100 = 4144 + 3.595 × 3311 = 16.050 𝑐𝑚

Para gamma-2, g o C5 = 2CV = 1.277. La interpolación lineal en el Apéndice da K =

3.197. Así,
𝑄100 = 4144 + 3.197 × 3311 = 14.730 𝑐𝑚

7.3.6 LA DISTRIBUCIÓN LOG PEARSON TIPO 3

La distribución gamma de tres parámetros se aplica a los registros de las variables

aleatorias y en hidrología porque se ha recomendado su aplicación al flujo de
inundaciones. La forma del LP3 es bastante flexible debido a sus tres parámetros.

Su uso es completamente análogo al lognormal discutido anteriormente; sin embargo,

los momentos de las variables transformadas y no transformadas no se relacionarán
aquí. En cambio, los datos se transforman tomando logaritmos, y la distribución gamma-
3 se aplica exactamente como en la sección anterior.

7.4 PERÍODO DE RETORNO O INTERVALO DE RECURRENCIA

El período de retorno se define como el número promedio de intentos requeridos para

la primera ocurrencia de un evento 𝑋 ≥ 𝑋0 o un evento que sea mayor o igual que un
evento crítico o evento de diseño 𝑋0 (Bras 1990). La definición anterior asume que un
evento 𝑋 ≥ 𝑋0 ocurrió en el pasado, ha transcurrido un tiempo finito desde entonces, y
el interés está en el tiempo de espera residual o N restante para la próxima aparición de
𝑋 ≥ 𝑋0 (consulte la Figura 7.3). Por ejemplo, tal evento crítico, 𝑋0 , puede ser una
inundación (inundación de un período de retorno dado T ó T- año de la inundación) o
sequía (una sequía de un período de retorno dado). La definición de las variables
involucradas en la estimación del período de retorno y el riesgo de falla se muestra en
la Figura 7.3. En esta figura, Y, es un proceso hidrológico, 𝑌0 es un valor de umbral, e
es un evento que representa una secuencia continua en la que 𝑌𝑡 < 𝑌0 . Por lo tanto, los
eventos 𝑒1 , 𝑒2 , … , 𝑒𝑛 ocurren en 𝑡1 , 𝑡2 , … , 𝑡𝑛 respectivamente. Además, los eventos e
pueden ser descritos por una cierta característica de interés X y la secuencia resultante
𝑋1 , 𝑋2 , … , 𝑋𝑛 , ocurre en 𝑡1 , 𝑡2 , … , 𝑡𝑛 𝑣𝑒𝑐𝑒𝑠 se muestra en la Figura 7.3. Además, la
secuencia 𝑋1 , 𝑋2 , … , 𝑋𝑛 puede censurarse utilizando un valor crítico 𝑋0 . La Figura 7.3
muestra un ejemplo relacionado con sequías, donde se considera que la duración de una
sequía es una propiedad de interés, y la duración de la sequía crítica en el nivel de
censura 𝑋0 se usa para distinguir las sequías comunes de la sequía crítica. En el caso de
inundaciones anuales, los eventos 𝑒1 , 𝑒2 , … , 𝑒𝑛 son simplemente la secuencia
𝑌1 , 𝑌2 , … 𝑦 𝑋0 = 𝑌0 es la inundación de diseño.

Figura 7.3 Definición de las variables involucradas en la estimación del período de retorno
y el riesgo de falla

El período de retorno se define de la siguiente manera:

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 )

Finalmente, los períodos de retorno deben ser independientes y no están limitados a

unidades de años. Mientras los eventos sean independientes, se pueden usar meses o
incluso semanas. Por lo tanto, la precipitación de 6 meses tiene una probabilidad de 1/6
de igualarse o superarse en cualquier mes.

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.

Si bien el término confiabilidad se usa frecuentemente en la planificación y gestión de

los recursos hídricos, existen algunas dificultades en su uso en casos prácticos. Las
principales dificultades son las siguientes:

 La confiabilidad no está definida formalmente por agencias o instituciones y no existe

un marco de medición de confiabilidad existente y ampliamente aceptado que sea
aplicable en todos los aspectos de influencia y aplicaciones.
 La confiabilidad se considera con los procesos operativos y de planificación de
diferentes entidades de gestión del agua con una variación sustancial.
 La confiabilidad a menudo se considera en términos cualitativos en lugar de
cuantitativos.

La confiabilidad en puntos clave dentro de la esfera de influencia depende en última

instancia de la complejidad de las interacciones de una red de derechos, regulaciones,
leyes y reglas que afectan a todas las instituciones que administran el agua en un
municipio. Será necesario comprender estas interacciones para desarrollar definiciones
significativas de confiabilidad, y en base a estas definiciones, se podrían definir
indicadores relacionados. Estas interacciones se desarrollan en numerosas dimensiones
que, principalmente, incluyen:

 Escala y complejidad del sistema

 La función de gestión específica (es decir, operaciones, planificación)
 El propósito del servicio, es decir, el uso previsto del agua

En la teoría de confiabilidad, se supone que la distribución de Weibull modela la vida útil

(el tiempo entre dos fallas consecutivas del sistema) de la manera más apropiada. La
función de probabilidad acumulada de los fallos del sistema se podría formular de la
siguiente manera:

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:

𝑃(𝑋 > 𝑡 + 𝜏|𝑋 > 𝜏) = 𝑃(𝑋 > 𝑡) (7.49)

Esta relación muestra que la probabilidad de la condición de trabajo en cualquier tiempo
t es independiente de cuánto tiempo estuvo funcionando el sistema antes. La ecuación
7.49 se puede mostrar como

𝑃(𝑋 > 𝑡 + 𝜏) 𝑅(𝑡 + 𝜏) 𝑒 −𝛼(𝑡+𝛼)

𝑃(𝑋 > 𝑡 + 𝜏|𝑋 > 𝜏) = = = −𝛼𝑡
= 𝑒 −𝛼𝑡
𝑃(𝑋 > 𝜏) 𝑅(𝜏) 𝑒
= 𝑅(𝑡) = 𝑃(𝑋 > 𝑡) (7.50)
En la mayoría de los casos prácticos, las probabilidades de ruptura aumentan con el
tiempo a medida que el sistema envejece; por lo tanto, la variable exponencial es
inapropiada en tales casos.

La tasa de riesgo se da de la siguiente manera:

𝐿𝑖𝑚 𝑃(𝑡 ≤ 𝑋 ≤ 𝑡 + ∆𝑡|𝑡 ≤ 𝑋)

𝜌(𝑡) = (7.51)
∆𝑡 → 0 ∆𝑡
Muestra la frecuencia con la que se producirán las fallas después del período de tiempo
t de la siguiente manera:

𝐿𝑖𝑚 𝑃(𝑡 ≤ 𝑋 ≤ 𝑡 + ∆𝑡) 𝐿𝑖𝑚 𝐹(𝑡 + ∆𝑡) − 𝐹(𝑡) 1

𝜌(𝑡) = = .
∆𝑡 → 0 𝑃(𝑡 ≤ 𝑋)∆𝑡 ∆𝑡 → 0 ∆𝑡 𝑅(𝑡)
𝑓(𝑡)
= (7.52)
𝑅(𝑡)
Por lo tanto, la tasa de riesgo se puede calcular como la relación de la función de
densidad del tiempo entre las incidencias de falla y la función de confiabilidad (Karamouz
et al. 2003).

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:

La confiabilidad de la cuenca se calcula de la siguiente manera:

𝛽
𝑅(𝑡) = 1 − 𝐹(𝑡) = 𝑒 −𝛼𝑡

y por lo tanto, a partir de la Ecuación 7.52, la tasa de riesgo se calcula de la siguiente

manera:
𝛽
𝛼𝛽𝑡𝛽−1 𝑒 −𝛼𝑡
𝜌(𝑡) = 𝛽
= 𝛼𝛽𝑡𝛽−1
𝑒 −𝛼𝑡

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.

Es un problema importante en la ingeniería de confiabilidad reconstruir F (t) o la función

de confiabilidad si se da la tasa de riesgo (Karamouz et al. 2003). Observe primero que
𝑓(𝑡) (𝐹(𝑡))′ (1 − 𝐹(𝑡))′
𝜌(𝑡) = = =−
1 − 𝐹(𝑡) 1 − 𝐹(𝑡) 1 − 𝐹(𝑡)

Mediante la integración de ambos lados en el intervalo [0, t] se logrará

 𝑡

∫ 𝜌(𝜏)𝑑𝜏 = [−ln(1 − 𝐹(𝑡))]𝑡𝑡=0 = − ln(1 − 𝐹(𝑡)) + ln(1 − 𝐹(0))

0

Como F (0) = 0, el segundo término es igual a cero; por lo tanto,

𝐿𝑛(1 − 𝐹(𝑡)) = − ∫ 𝜌(𝜏)𝑑𝜏

0

Implica que
𝑡

1 − 𝐹(𝑡) = 𝑒𝑥𝑝 (− ∫ 𝜌(𝜏)𝑑𝜏)

0

Y finalmente
𝑡

𝐹(𝑡) = 1 − 𝑒𝑥𝑝 (− ∫ 𝜌(𝜏)𝑑𝜏) (7.53)

0

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

Usando la ecuación 7.53 para 𝜌(𝑡) = 𝛼 se obtiene que

𝑡 𝑡

𝐹(𝑡) = 1 − 𝑒𝑥𝑝 (− ∫ 𝜌(𝜏)𝑑𝜏) = 1 − 𝑒𝑥𝑝 (− ∫ ∝ (𝜏)𝑑𝜏) = 1 − 𝑒 −∝𝑡

0 0

Similar cuando 𝜌(𝑡) = 𝛼𝛽𝑡𝛽−1 y luego se muestra que la distribución es Weibull

𝑡
𝑡 𝛽
𝐹(𝑡) = 1 − 𝑒𝑥𝑝 (− ∫ 𝛼𝛽𝑡 𝛽−1 𝑑𝜏) = 1 − 𝑒𝑥𝑝 (−[∝ 𝜏 𝛽 ]0 ) = 1 − 𝑒 −∝𝑡
0