Académique Documents
Professionnel Documents
Culture Documents
INTRODUCCION
La planeacin y el diseo de proyectos relacionados con el agua necesitan informacin de diferentes eventos hidrolgicos que no son gobernados por leyes fsicas y qumicas conocidas, sino por las leyes de azar. Por ejemplo, el caudal de un ro vara da a da y ao tras ao, y no puede predecirse exactamente cual ser su valor en un perodo de tiempo cualquiera. En el caso del diseo de un puente, el estudio hidrolgico determinara la creciente asociada con una probabilidad crtica(se busca determinar el caso crtico), la cual se supone representa el riesgo para el puente. Esto solo puede determinarse a travs del anlisis probabilstico y estadstico basado en los registros hidrolgicos del pasado.
Es dable afirmar que en hidrologa, en algunos casos, trata con variables aleatorias cuyo comportamiento no puede predecirse con certidumbre. El comportamiento de una variable aleatoria est descrito por una ley de probabilidades, la cual asigna medidas de probabilidad a posibles valores o rangos de ocurrencia de la variable aleatoria. Las variables aleatorias pueden ser discretas o continuas.
Una variable aleatoria es continua si puede tomar todos los valores en un rango de ocurrencia. Por ejemplo, si Q es una variable aleatoria que denota el valor de los caudales promedios diarios del ro Magdalena, entonces Q puede asumir cualquier valor y es entonces una variable aleatoria continua. En este caso la ley de probabilidades asigna medidas de probabilidad a rangos de ocurrencia de la variable aleatoria.
En el anlisis probabilstico y estadstico en hidrologa, se asume que la informacin histrica disponible de una variable hidrolgica representa una muestra tomada de una poblacin cuyas caractersticas se desconocen. En el anlisis probabilstico se analizan posibles leyes de probabilidad que pueden describir el comportamiento de las variables de la poblacin.
En el anlisis estadstico, se hacen inferencias sobre la variable (la poblacin), usando la muestra. Por ejemplo, cuando se calcula una media con observaciones disponibles, se est infiriendo que la media calculada es la media de la poblacin, lo cual no necesariamente es verdad, pues esto depender de la calidad de la informacin, del nmero de observaciones y otros aspectos
Costa norte de Venezuela a fines de 1999. En Diciembre de 1999 ocurren lluvias extraordinarias en la vertiente del Caribe en la costa norte de Venezuela, provocando la erosin de los cerros, grandes aluviones y la inundacin de varios pueblos del litoral. Los daos provocados son un ejemplo de las situaciones que pueden ocurrir cuando las zonas urbanas ocupan la red de drenaje y son sometidas a crecidas extraordinarias. A continuacin un resumen de lo ocurrido extrado de una presentacin de la Sociedad Venezolana de Geologa.
El hecho es que muchos fenmenos hidrolgicos son errticos, complejos y de naturaleza aleatoria, y solo pueden ser interpretados en un sentido probabilstico. Uno de los problemas ms importantes en hidrologa es la interpretacin de registros de eventos pasados para inferir la ley de probabilidades de la variable hidrolgica (poblacin) de inters, procedimiento que en hidrologa se conoce con el nombre de anlisis de frecuencia.
Por ejemplo supngase que se tienen registros del caudal del ro Magdalena durante un perodo de 50 aos. Son factibles dos tipos de anlisis: descriptivo y de inferencia. El primero se realiza sin ninguna referencia a su poblacin, de la cual se tiene una muestra de 50 aos. Consiste, bsicamente, en calcular propiedades estadsticas, como media, varianza y otras. En el segundo, la muestra se analiza para inferir las propiedades
de su poblacin, lo cual ayudar a derivar las caractersticas probabilsticas del caudal. El primero es una aplicacin de los mtodos estadsticos que requieren poca decisin y poco riesgo. El segundo involucra riesgos y requiere una total comprensin de los mtodos empleados y el peligro involucrado en la prediccin y estimacin de las variables.
Contenido
1.Probabilidades 2.Introduccin a la Estadstica 3.Estadstica descriptiva 4.Funcin de probabilidad Distribuciones de probabilidad de variables discretas, Distribuciones continuas de probabilidad 5.Pruebas de bondad de ajuste
GENERALIDADES
El comportamiento de la variable hidrometeorolgica como la precipitacin , temperatura del aire, descargas o caudales, etc., en la naturaleza son aleatorios, especialmente las variables extremas (mximas o mnimas), el medio adecuado para estudiar para estudiar es a travs de la TEORIA DE PROBABILIDADES FENMENO ALEATORIO Es aquel fenmeno que bajo las mismas condiciones experimentales se presenta en ms de una manera, o tambin se le denomina fenmeno que sucede al azar.En el lenguaje de probabilidades las palabras: fenmeno, sucesos, experimento, observacin o dato son trminos que se usan indistintamente. El azar hace que algunas cosas ocurran de manera fortuita e impredecible.
Ejemplos:
Experimento: Llegada de autos a un estacionamiento. Espacio muestra: Hora de llegada S={00:00, 00:18, 00:52, ... 22:20, 23:45} Variable aleatoria continua: tiempo entre llegada de dos autos. Variable aleatoria discreta: Nmero de autos al da. Experimento: Preguntar el nmero de crditos matriculados a los alumnos. Espacio muestra: Nmero de creditos S={1,2,3, ... 28, 29, 30} Variable aleatoria discreta: Nmero de alumnos con ms de 20 crditos. Nmero total de crditos inscritos.
Modelos Matemticos Un modelo es una representacin de un fenmeno de la naturaleza. Un modelo matemtico los representar mediante formulaciones matemticas. Estos pueden ser:
Modelos Matemticos Determinsticos: El resultado est determinado por las condiciones en que se realiza el experimento o se produce el fenmeno. Ej:
este resultado solo cambiar si cambiamos algn dato, es decir las condiciones bajo las cuales se realiza.
Modelos Matemticos No determinsticos: Cuando las condiciones en que se realiza el experimento no determinan el resultado. Estos modelos dan resultados aproximados con cierto grado de confiabilidad. Tienen las siguientes caractersticas: Sin cambiar las condiciones se obtienen diferentes resultados. Se puede describir el conjunto de resultados posibles. Al inicio los resultados parecen ocurrir sin ningn patrn, pero despus de muchas repeticiones se observa un patrn regular que permite elaborar un modelo preciso que describe el fenmeno.
Probabilidad
Su estudio surge por el afn del hombre por las competencias y las apuestas. Hoy en da abarca ms que los juegos de azar: poltica, ingenieras, negocios,
clima, etc.
Expresa resultados de los que no se tiene la total certeza. Expresa la posibilidad de que ocurra un evento como resultado de un experimento estadstico. Se evala por nmeros reales, probabilidades, del 0 al 1. A cada punto del espacio muestral se le asigna una probabilidad tal que la suma es igual a 1. Pueden ser equiprobables o con diferentes valores. La probabilidad de ocurrencia de un evento es la suma de probabilidades asignadas a los puntos muestrales.|
Tipos de probabilidad
Probabilidad a priori Probabilidad experimental Probabilidad subjetiva
Probabilidad a priori
Se conoce de antemano basados en que los eventos simples o puntos muestrales son equiprobables. P = # eventos xito / eventos totales Monedas, dados, naipes, etc. Ejemplos: - Lanzamiento de una moneda S = {c, s}; P(c) = - Lanzar dos dados y obtener resultados iguales: eventos totales: cc, cs, sc, ss 4 eventos xito: cc, ss 2 P = 2/4 =
Probabilidad experimental
No en todos los experimentos los diversos resultados tienen la misma ocurrencia. Si se repiten muchas veces, podemos observar mejor la frecuencia con que se repiten. A mayor nmero de experimentos:
frecuencias relativas observadas probabilidades de ocurrencia
P=# repeticiones del experimento=
frecuencia observada
Probabilidad subjetiva
Est asociada a la experiencia, habilidad o conocimiento que tiene una persona para juzgar cierta situacin. Se aplica a fenmenos que no se pueden repetir o cuya repeticin no tiene sentido. Ejemplos: Un topgrafo opina que tiene el 30% de posibilidades de terminar su trabajo en el cauce del ro a tiempo si el nivel de agua no le causa retrasos. Existe un 20% de probabilidad que el nivel del ro est alto durante la prxima semana.
Ej. Supngase que el ro Grande alcanza cada invierno un nivel de creciente con una frecuencia relativa de 0.2. En el Grande hay un puente cuya probabilidad de falla en los estribos es 0,3 y la experiencia muestra que cuando hay creciente, las probabilidades de esta falla suben a 0,5. Las probabilidades son: P(creciente) = P(C) = 0,2 P(no creciente) = P(C) = 0,8 P(falla) = P(F) = 0,3 P(no falla) = P(F) = 0,7 P (falla dada creciente) = P(F/C)= 0,5
Se desea conocer la probabilidad de falla del puente.
Solucin:
El puente falla (queda inutilizado) cuando falla en los estribos o cuando hay creciente; esto se puede denotar as:
Ej. Una presa por gravedad puede fallar por deslizamiento (A), por crecientes (B), o por ambas. Asumir que : 1) La probabilidad de falla por deslizamiento es dos veces la probabilidad de falla por creciente: P(A)=2 P(B) 2) La probabilidad de falla por deslizamiento, dado que ha habido creciente, es 0.8 3) La probabilidad de falla de la presa es de 1*10-3 Determinar la probabilidad de que ocurra un deslizamiento, P(A).
Solucin:
La presa queda inutilizada cuando se presenta una falla por deslizamiento o cuando hay una creciente, lo que puede expresarse como: (A B) = 0.001 = P(A) + P(B) - P(A B) (1)
Ej. De 1000 circuitos de tubera de agua potable en una ciudad, se reportan 15 contaminados con materias fecales; 5 tienen excesivas concentraciones de plomo (Pb) y entre stos dos de ellos contaminados tambin por materias fecales. Se pregunta:
a) Cul es la probabilidad de que un sistema seleccionado al azar resulte con contaminacin fecal? b) Suponiendo que un sistema se encuentre contaminado con materias fecales, cul es la probabilidad de que tambin est contaminado con plomo? c) Cul es la probabilidad de que un sistema seleccionado al azar est contaminado? d) Suponiendo que la probabilidad de contaminacin hallada en el numeral anterior no es satisfactoria, y que se desea que no exceda de 0.01, cul es el valor permisible para la probabilidad de contaminacin por materias fecales, asumiendo que el valor de la probabilidad condicional hallada en el numeral b an se puede aplicar?
Solucin:
Llamemos P(F) a la probabilidad de contaminacin por materia fecal, P(Pb) a la probabilidad de contaminacin por plomo y P(C) a la probabilidad de contaminacin por plomo o por materia fecal. Se tiene entonces: a) P(F) = 17/1000 b) La probabilidad condicional P(Pb/F) puede expresarse como:
c)Se pregunta en este numeral el valor de P(C); este valor establece la probabilidad de que un circuito est contaminado con plomo o con materias fecales. Como hay 15 circuitos contaminados con materias fecales y 5 contaminados con plomo, se tiene entonces que:
(1)
P(F) = 0.00567
Y la probabilidad conjunta: P( A B ) = P( A) x P( B\ A) = P( A) x P( B ) y en general, la probabilidad conjunta de N eventos independientes: P( E1 E2 E3 ... EN )= P(E1)x P(E2 )x P( E3 )x...x P(EN)
P( E )= P(Ei)P(E\E i)
Teorema de Bayes
Dada la misma particin conformada por los eventos E1, E2, EN y el evento E, tal como se vio en el teorema anterior, se puede deducir:
Se trata de una probabilidad condicional, que incluye las reglas de suma y multiplicacin de probabilidades.
Ej.
Suponga que el concesionario de una cafetera est tratando de reducir el nmero de clientes que no pagan sus cuentas a fin de ao, evaluando las demoras en pagos de sus cuentas mensuales. Ha visto en sus archivos que de todos los clientes que al final del ao no pagaron sus cuentas, el 95% se haban demorado en sus pagos mensuales. Adems, sabe que el 4% de los clientes a fin de ao no pagaron, y de los que s pagaron, el 35% se haba demorado alguna vez en su cuenta mensual. Determine la probabilidad de que un cliente que se demore alguna vez en los pagos mensuales, al final del ao no pague su cuenta. P(no pague) = 0.04; P(pague)= 0.96 P(demor/no pag)= 0.95, P(no demor/no pag)= 0.05 P(demor/s pag)= 0.35, P(no demor/s pag)= 0.65
La probabilidad de que un cliente no pague dado que se demor alguna vez ser:
La probabilidad de que un cliente que se ha demorado alguna vez ms de una semana en sus pagos mensuales no pague su cuenta al final del ao es 10.16%, es decir ese porcentaje de morosos no pagan al final su cuenta.
EVENTOS Es un subconjunto del espacio muestral, evento tambin se puede definir como la coleccin de puntos o subconjuntos en un espacio muestra que tienen caractersticas comunes. Por ejemplo, un evento A puede ser la ocurrencia de una descarga mxima instantnea anual menor de 6.71 m3/s del ro Mashcon.
Regin sombreada AB
Es la coleccin de puntos que estn incluidos en el evento A y B, la interseccin de A y B se representa por AB o AB. El diagrama de Venn que representa la interseccin de dos eventos se muestra en la figura
Regin sombreada A B
COMPLEMENTO DE UN EVENTO B
Son todos los puntos del espacio muestral que no estn incluidos en el evento B, un caso especial es el evento nulo o vaco que es el complemento del evento U. El diagrama de Venn que representa el complemento de un evento se muestra en la figura
Dos eventos A y B son mutuamente exclusivos o excluyentes o disjuntos o ajenos, si ningn punto del universo (espacio muestral) est incluido en ms de un evento. Es decir, A y B no tienen elementos comunes, matemticamente se representa mediante la siguiente ecuacin:
AB=
Dos eventos A y B son mutuamente exclusivos si ambos no pueden ocurrir simultneamente.
EVENTOS INDEPENDIENTES Dos eventos A y B son independientes o mutuamente independientes si y slo si A es independiente de B o B es independiente de A. LGEBRA DE EVENTOS Los conceptos anteriores y los postulados siguientes definen el lgebra de eventos.
i.
Ley conmutativa:
A+B=B+A AUB=BUA
i.
A + (B+C) = (A + B) +C A U (B U C) = (A U B) U C
PROBABILIDAD DE UN EVENTO Un experimento se debe describir a travs de un modelo (ecuacin matemtica), para lo cual se requiere asignar alguna medida de cuantificacin que represente la posibilidad o probabilidad de que ese evento ocurra, esta medida es la probabilidad. Si una muestra de n observaciones (datos) tiene nA valores en el rango del evento A, entonces la frecuencia relativa de A es:
frA=
(2.4)
Por ejemplo si se considera los datos del cuadro N 1.3.4 el evento A se puede definir como A = Q < 6.71 m3/s.
6.39 8 10.2
6.7 8.9
Si el tamao de n aumenta la ecuacin (2.4.) se convierte en la mejor estimacin de la probabilidad del evento A, segn esta definicin se tiene:
P(A)= lim
(. )
Estas probabilidades son conocidas como probabilidades posteriores porque dependen de las observaciones de la variable aleatoria (resultados del experimento).
Es costumbre calcular la probabilidad futura de un evento sobre la base de las observaciones de la muestra, por tanto la probabilidad de cualquier evento A que contenga A elementos de estos n puntos (tamao de la muestra o del especio muestral) es la razn del nmero de elementos en A al nmero de elementos en la muestra. Matemticamente esta definicin se expresa por:
P(A)=
(. )
Donde:
nA es considerado como el nmero de resultados o puntos favorables o como los xitos, entonces la probabilidad de xito (que ocurra A) est dada por la ecuacin (2.6.), pero cabe aclarar que los trminos favorable o xito es meramente enunciativo.
En el lenguaje de las probabilidades se usan los trminos xito o favorable y fracaso de manera arbitraria, sin implicar que el xito o favorable sea necesariamente lo deseable.
Ejemplo 1:
Con los datos del cuadro N 1.3.4., determinar el nmero de elementos de cada evento. Evento A= Q < 6.71 m3/s, Evento B= Q > 8.06 m3/s y Evento C= 6.71 m3/s Q 8.06 m3/s.
Descargas mximas instantneas anuales del ro Querococha (m3/s), ordenados en forma ascendente CUADRO N 1.3.4 3.98 6.77 8.96 4.89 6.87 8.97 4.93 6.94 9.1 5.8 7.48 9.4 5.88 7.56 9.4 6.26 7.95 9.8 6.39 8 10.2 6.5 8.13 10.72 6.52 8.9 10.78 6.7 8.9
Solucin: La determinacin del nmero de elementos de cada evento se realiza por conteo directo de las descargas ordenadas en forma ascendente o descendente, sin considerar los aos de suceso como se muestra en el cuadro siguiente
7 6.39 7 8 10 10.21
10 6.7 3 8.9
N Orden
Q(m3/s)
nA = 10 , nB = 12 , nC = 7
Evento A= Q < 6.71 m3/s, Evento B= Q > 8.06 m3/s y Evento C= 6.71 m3/s Q 8.06 m3/s.
Ejemplo 2:
Considerando las descargas mximas instantneas anuales del ro Querococha, hallar la probabilidad de que las descargas sean menores a 6.71m3/s.
Solucin:
En el ejemplo 1, se observa que los caudales menores a 6.71 m3/s son en nmero de
0 P(A) 1
(2.7)
La probabilidad de cualquier evento es mayor o igual a cero porque en un experimento no existe algn nmero de evento negativo, por ejemplo no podemos afirmar que las descargas mximas instantneas anuales han sucedido menos 5 veces en una muestra de 20 aos.
AXIOMAS DE PROBABILIDAD
ii. Axioma 2 Si A y B son eventos mutuamente excluyentes se tiene:
(2.8)
Este axioma permite calcular las probabilidades asociadas a eventos ms complejos, como es el caso de que se puede calcular la probabilidad de eventos simples mutuamente excluyentes.
P(S) = 1
(2.9)
Cuando la probabilidad es 1 quiere decir que han ocurrido todo los eventos.
Ejemplo 3:
Considerando las descargas mximas instantneas anuales del ro Querococha dado
en el cuadro N 1.3.4.
Solucin:
Descargas mximas instantneas anuales del ro Querococha (m3/s) CUADRO N 1.3.4 3.98 6.77 8.96 4.89 6.87 8.97 4.93 6.94 9.1 5.8 7.48 9.4 5.88 7.56 9.4 6.26 7.95 9.8 6.39 8 10.2 6.5 8.13 10.72 6.52 8.9 10.78 6.7 8.9
REGLAS ADITIVAS
1. Si A y B son dos eventos cualquiera, entonces se tiene: P(A U B) = P(A) + P(B) P(A B)
(2.10)
La ecuacin (2.10) se deduce de la figura donde P(AB) es la suma de los puntos muestrales en A B, la suma de las probabilidades P(A) + P(B) representa la suma de todas las probabilidades en A ms todas las probabilidades en B, en esta adicin se ha considerado dos veces las probabilidades en P(AB) , por lo tanto a la probabilidad de P(AB) se debe restar una vez las probabilidades P(AB).
REGLAS ADITIVAS
2. Si A y B son eventos mutuamente excluyentes, entonces se tiene:
P(A U B) = P(A) + P(B) (2.11)
Segn la ecuacin (2.1.) se tiene para este tipo de eventos A B = por tanto P(AB) = P() = 0 3. Si el espacio muestral S tiene resultados igualmente probables (equiprobables) o si A1, A2,..., An es una particin del espacio muestral S y mutuamente excluyentes, entonces se tiene: S={A1, A2, , An}, la probabilidad de ocurrencia de cada elemento individual est expresado por:
P(Ai) = =p
(2.12)
En la hidrologa a los datos recopilados como por ejemplo datos del cuadro N 1.1.1 se consideran que cada punto o cada dato del espacio muestral tienen la misma probabilidad o posibilidad de ocurrir. En estos casos, como ya se ha indicado, los eventos A son mutuamente excluyentes y su probabilidad es:
P(A1) = P(A2) = .. P(An) = p (2.13)
1957-1958
1958-1959 1959-1960 1960-1961 1962-1963
6.39
6.26 8.90 8.00 7.56
1967-1968
1968-1969 1969-1970 1970-1971 1972-1973
4.93
3.98 6.87 6.70 5.80
1977-1978
1978-1979 1979-1980 1980-1981
8.13
8.96 4.89 9.40
Descargas mximas instantneas anuales del ro Querococha (m3/s) CUADRO N 1.3.4 3.98 6.77 8.96 4.89 6.87 8.97 4.93 6.94 9.1 5.8 7.48 9.4 5.88 7.56 9.4 6.26 7.95 9.8 6.39 8 10.2 6.5 8.13 10.72 6.52 8.9 10.78 6.7 8.9
Solucin:
De la ecuacin (2.13.) se tiene:
P(A) = =
Por la definicin del espacio muestral S con resultados igualmente probables la probabilidad de cada evento A es igual a la proporcin de puntos o datos en el espacio muestral que estn contenidos en A.
De la ecuacin (2.14.) se halla la probabilidad de todo el espacio muestral S:
=1
PROBABILIDAD CONDICIONAL Si A y B son eventos en S, la P(A B) se encuentra mediante el siguiente razonamiento (ver figura).
Diagrama de probabilidad condicional P (B/A) Supongamos que se desea conocer la ocurrencia de B sujeta a la condicin de que A ha ocurrido con certeza o va ocurrir, dado que ha ocurrido los nicos resultados del experimento que se consideran son aquellos correspondientes a la ocurrencia de A, lo cual matemticamente se representa por:
() P(B/A) = ()
Donde:
(2.15)
n(A) = nmero de resultados de la ocurrencia de A n(AB) nmero de resultados de la ocurrencia de AB La ecuacin (2.15.) es la probabilidad de que ocurra B sujeta a la restriccin de que A ocurra. La ecuacin (2.15.) se demuestra con la ayuda de la figura anterior y teniendo las definiciones:
() P(A) =
() P(BA) = () () () = () ()
(2.16) (2.17)
(2.18)
P(B/A) =
() ()
() (2.19) ()
La ecuacin (2.19.) es la probabilidad de ocurrencia de B dado que ha ocurrido A, que es igual a la probabilidad de A y B dividido entre la probabilidad de A.
REGLA DE MULTIPLICACIN La probabilidad de que dos eventos ocurran es igual a la probabilidad de que ocurra el primer evento, multiplicado por la probabilidad condicional de que ocurra el segundo cuando con certeza ha ocurrido el primer evento, esta regla se obtiene a partir de la ecuacin (2.19.) representada por: P(AB) = P(A) P(B/A) (2.20)
PROBABILIDAD CONDICIONAL PARA EVENTOS INDEPENDIENTES Como se ha indicado, dos eventos A y B son independientes o mutuamente independientes si y slo si B es independiente de A es decir se cumple: P(B/A) = P(B) (2.21)
(2.22)
Ejemplo 5 De los datos del cuadro N 1.1.1., hallar la probabilidad de que las descargas del ro Querococha sean superiores a 8.061 m3/s en dos aos sucesivos. Solucin
1955-1956
1956-1957 1957-1958 1958-1959 1959-1960 1960-1961 1962-1963
6.50
6.77 6.39 6.26 8.90 8.00 7.56
1965-1966
1966-1967 1967-1968 1968-1969 1969-1970 1970-1971 1972-1973
6.52
9.80 4.93 3.98 6.87 6.70 5.80
1975-1976
1976-1977 1977-1978 1978-1979 1979-1980 1980-1981
10.21
8.97 8.13 8.96 4.89 9.40
Solucin Como el suceso de las descargas mximas instantneas anuales son independientes de un ao a otro y como se ha definido en el ejemplo 2.
P(B) = P(Q > 8.06 m3/s) = = 0.41 , en un ao cualquiera y sea D el evento de que Q > 8.06 m3/s ocurra en dos aos sucesivos entonces la probabilidad que en dos aos sucesivos las descargas sean superiores a 8.06 m3/s es: P(D) = (P(Q > 8.06 ))2 =
=
0.17
PROBLEMA A. Suponiendo que se tiene un ao representativo (muestra) de las precipitaciones diarias mostrada en el cuadro N 2.1., con respecto al mes de abril: 1. Hallar la probabilidad de tener un da lluvioso.
25 9.4 234.7
Resumen Anual Das con dato 35 Promedio Diario Das lluviosos 162 Total Acumulado 1084.60 Fuente Electroper
2.97
22.88
0.0