You are on page 1of 43

4.

1 Introduction
All hidrologic phenomena obey the laws of nature and can, in theoty, be
described by the soluctio if the relevant fundamental equations. In most cases,
however, the uncertainy and amount of the detail that needs to be known about
the physical system, combined with the limitations of analytical and numerical
techniques for solving systemm systems of equations, preclude and exact
description of most natural phenomena. Processes that can specified with
certainty are called deterministic, while those that cannot are called
stochastic.the two types of stochastic processes commonly encountered in
engineering practice are: (1) processes where the outcome is uncertain because
of the lack of information on the process or parameters affecting the process,
called epistemic uncertainty, and (2) processes where the outcome is uncertain
because the process generatig the outcomo is fundamentally random, called
natural uncertainty. In the first case, epistemic uncertainty can be reduced by
additional measurements. In many cases, recorded data includes both epistemic
and natural uncertainy, and seration of these components is a challenging task
(Merz and Thieken, 2005). Whether uncertainty is epistemic, natural, or a
combinatoion of both, an uncertain outcome is generally defined by a probability
distribution that decribes the relative likelihood of all posible outcome. In
practice, uncertain variables are collectively referred to as random variables.
Todos los fenmenos hidrolgicos obedecen las leyes de la naturaleza y pueden,
en teora, pueden describir por la solucin si las ecuaciones fundamentales
pertinentes. En la mayora de casos, sin embargo, la incertidumbre y la cantidad
de detalle que se necesita saber sobre el sistema fsico, combinado con las
limitaciones de las tcnicas analticas y numricas para resolver sistemas de
ecuaciones, se oponen y la descripcin exacta de la mayora de los fenmenos
naturales. Los procesos que se especifican con certeza se llaman determinista,
mientras que aquellos que no se estn llamados estocsticos. Los dos tipos de
procesos estocsticos comnmente encontradas en la prctica de ingeniera son:
(1) procesos en los que el resultado es incierto debido a la falta de informacin
sobre el proceso o los parmetros que afectan al proceso, llamado incertidumbre
epistmica, y (2) los procesos donde el resultado es incierto porque el proceso de
generar el resultado es fundamentalmente aleatorio, llamada incertidumbre
natural. En el primer caso, la incertidumbre epistmica se puede reducir por
medio de mediciones adicionales. En muchos casos, los datos grabados incluye
tanto epistmica y la incertidumbre natural, y la separacin de estos
componentes es una tarea difcil (Merz y Thieken, 2005). Si la incertidumbre es
epistmica, natural, o una combinacin de ambos, un resultado incierto se define
generalmente por una distribucin de probabilidad de que describe la
probabilidad relativa de todos los resultados posibles. En la prctica, las variables
inciertas se conocen colectivamente como variables aleatorias.
A common application of probability theory in water-resources engineering
involves the assignment of an exceedance probability, Pe, to hydrologic events. A
system designed to handle a particular hydrologic event can be expected to fail
with a probability equal to be probability of exceedance, Pe, of the design event.
This probability of system failure is called the risk of failure, and the probability
that system will not fail, 1 Pe, is called the reliability of the system. Exceedance
probabilities of hydrologic events are usually stated in terms of the probability
that a given event is exceeded in any given year. The average number of years
between exceedances is called the return period, T, which is related to the
exceedance probability by



Una aplicacin comn de la teora de la probabilidad en la ingeniera de los
recursos hdricos implica la asignacin de una probabilidad de excedencia, Pe, a
eventos hidrolgicos. Un sistema diseado para manejar un evento hidrolgico
particular, se puede esperar que un error con una probabilidad igual a ser
probabilidad de excedencia, Pe, del evento de diseo. Esta probabilidad de fallo
del sistema se llama el riesgo de fracaso, y la probabilidad de que el sistema no
fallar, 1 - Pe, que se llama la fiabilidad del sistema. Probabilidades de excedencia
de eventos hidrolgicos suelen expresarse en trminos de la probabilidad de que
un evento dado se supera en un ao determinado. El nmero medio de aos
entre las superaciones se llama el perodo de retorno, T, que est relacionada con
la probabilidad de excedencia por


The return period, T, is sometimes called the recurrence interval and is usually a
criterion for selecting design events in water-resource systems. In cases where
water-resource systems are to be in place for only a short period (less than a
year), then it might be appropriate to calculate return periods of design events
based on their occurrence within a specific season of the year (McCuen and
Beighley, 2003).
El perodo de retorno, T, a veces se llama el intervalo de recurrencia y suele ser
un criterio para la seleccin de eventos de diseo en los sistemas de recursos
hdricos. En los casos en que los sistemas de recursos hdricos han de estar en su
lugar slo por un corto perodo de tiempo (menos de un ao), entonces podra
ser apropiado para calcular periodos de retorno de eventos de diseo en funcin
de su aparicin en una temporada especfica del ao (McCuen y Beighley, 2003).
4.2 Probability Distributions
A probability function defines the relationship between the outcome of a random
process and the probability of occurrence of that outcome. If the sample space, S,
contains discrete elements, then the sample space is called a discrete sample
space; if S is a continuum, the sample space is called a continuous sample space.
The sample space of a random variable is commonly denoted by an upper-case
letter (e.g., X), and the corresponding lower distributions describe the probability
of outcomes in discrete sample space, while continuous probability distributions
describe the probability of outcomes in continuous sample spaces.
4.2 Distribuciones de probabilidad
Una funcin de probabilidad define la relacin entre el resultado de un proceso
aleatorio y la probabilidad de ocurrencia de ese resultado. Si el espacio de
muestra, S, contiene elementos discretos, entonces el espacio de muestra se
denomina espacio muestral discreto; si S es un continuo, el espacio muestral se
llama espacio muestral continuo. El espacio de muestra de una variable aleatoria
comnmente se denota por una letra mayscula (por ejemplo, X), y las
distribuciones inferiores correspondientes describir la probabilidad de resultados
en el espacio muestra discreta, mientras que las distribuciones de probabilidad
continuas describen la probabilidad de resultados de muestra en espacios
continuos.
4.2.1 Discrete Probability Distributions
If X is the sample space of a discrete random variable, with outcomes x1, x2,,
xn, then the probability of occurrence of each elements, xn, can be written as a
probability function, f(xn), sometimes referred to as the probability distribution
function. If f(xn) is a valid probability function, then it must necessarily have the
following properties:
(

()
(

) ()


Where N is the number of elements in X. in many engineering applications, the
quantity of interest is the probability that a random process will generate an
outcome that is greater than or equal to some outcome xn, where xn is a design
variable and exceedance of xn will result in system failure.
4.2.1 Distribuciones de probabilidad discretas
Si X es el espacio de muestra de una variable aleatoria discreta, con resultados
x1, x2, ..., xn, entonces la probabilidad de ocurrencia de cada uno de los
elementos, xn, puede escribirse como una funcin de probabilidad, f (xn), a veces
se denomina la funcin de distribucin de probabilidad. Si f (x) es una funcin de
probabilidad vlida, entonces necesariamente debe tener las siguientes
propiedades:
(

()
(

) ()


Donde N es el nmero de elementos de X. En muchas aplicaciones de ingeniera,
la cantidad de inters es la probabilidad de que un proceso aleatorio generar un
resultado que es mayor o igual a algn resultado xn, donde xn es una variable de
diseo y la superacin de las xn dar lugar a un fallo del sistema.
Based on the definition of the probability distribution function, the probability
that an outcome is less than or equal to xn is given by
Basado en la definicin de la funcin de distribucin de probabilidad, la
probabilidad de que un resultado es menor que o igual a xn est dada por
(

) (

) ()


And the probability that the outcome is greater than xn is given by
Y la probabilidad de que el resultado es mayor que xn est dada por
(

) (

) ()
The function (

) is called the cumulative distribution function and is


commonly written as F(xn), where
La funcin (

) se llama la funcin de distribucin acumulada y se escribe


comnmente como F (x), donde
(

) (

) ()
These definitions of the probability distribution function, f(xn), and cumulative
distribution function, F(xn), can be expanded to describe several random
variables simultaneously. As an illustration, consider the case of two discrete
random variables, X and Y, with elements xp and yq, where p [1,N] and q
[1,M]. the joint probability distribution function of X and Y, f(xp, yq), is the
probability of xp and yq occurring simultaneously. Such distributions are called
bivariate probability distributions. If more than two variables are involved, the
joint probability distribution is referred to as a multivariate probability
distribution. Based on the definition of the bivariate probability distribution f(xp,
yq), the following conditions must necessarily be satisfied
Estas definiciones de la funcin de distribucin de probabilidad, f (xn), y la
funcin de distribucin acumulativa, F (xn), se pueden ampliar para describir
varias variables aleatorias simultneamente. Como ejemplo, consideremos el
caso de dos variables aleatorias discretas, X e Y, con elementos xp y yq, donde p
[1, N] y q [1, M]. La funcin de distribucin de probabilidad conjunta de X e Y,
f (xp, yq), es la probabilidad de xp y yq ocurren simultneamente. Tales
distribuciones se llaman distribuciones de probabilidad de dos variables. Si estn
implicadas ms de dos variables, la distribucin de probabilidad conjunta se
conoce como una distribucin de probabilidad multivariante. Con base en la
definicin de la distribucin de probabilidad f bivariado (xp, yq), las siguientes
condiciones deben ser necesariamente satisfecho
(

()
(

) ()


As in the case of a single random variable, the cumulative distribution function,
F(xp, yq), is defined as the probability that the outcomes are simultaneously less
than or equal to xp and yq, respectively. Hence F(xp, yq) is related to the joint
probability distribution as follows:
Como en el caso de una sola variable aleatoria, la funcin de distribucin
acumulativa, F (xp, yq), se define como la probabilidad de que los resultados sean
simultneamente menor que o igual a XP y YQ, respectivamente. Por lo tanto F
(xp, yq) est relacionada con la distribucin de probabilidad conjunta de la
siguiente manera:
(

) (

()
In multivariate analysis, the probability distribution of any single random variate
is called the marginal probability distribution function. In the case of a bivariate
probability function, f(xp, yq), the marginal probability of xp, g(xp), is given by the
relation
En el anlisis multivariado, la distribucin de probabilidad de un solo valor
aleatorio se llama la funcin de distribucin de probabilidad marginal. En el caso
de una funcin de probabilidad bivariada, f (xp, yq), la probabilidad marginal de
xp, g (xp), viene dada por la relacin
(

) (

()
Clearly, several probability functions can be derived from the basic describing the
probability of occurrence of discrete events. The particular function of interest in
any given case (e.g., cumulative or joint) depends on the question being asked.
Claramente, varias funciones de probabilidad se pueden derivar de la base que
describe la probabilidad de ocurrencia de eventos discretos. La funcin particular
de inters en un caso determinado (por ejemplo, acumulativo o conjunta)
depende de que se hizo la pregunta.
4.2.2 Continuous Probability Distributions
If X a random variable with a continuous sample space, then there are an infinite
number of possible outcomes and the probability of occurrence of a single value
of X is actually zero. This problem is addressed by defining the probability of an
outcome being in the range [x,x + x] as f(x) x, where f(x) is the probability
density function. Based on this definition, any valid probability density function
must satisfy the following conditions:
4.2.2 Distribuciones de probabilidad continuas
Si X una variable aleatoria con un espacio muestral continuo, entonces hay un
nmero infinito de posibles resultados y la probabilidad de ocurrencia de un
nico valor de X es en realidad cero. Este problema se aborda mediante la
definicin de la probabilidad de un resultado en el intervalo [x,x + x] como
f(x) x, donde f (x) es la funcin de densidad de probabilidad. En base a esta
definicin, cualquier funcin de densidad de probabilidad vlida debe cumplir
con las siguientes condiciones:
() ()
(

()


The cumulative distribution function, F(x), describes the probability that the
outcome of a random process will be less than or equal to x and is related to the
probability density function by the equation
La funcin de distribucin acumulativa, F (x), describe la probabilidad de que el
resultado de un proceso aleatorio sea menor que o igual a x y se relaciona con la
funcin de densidad de probabilidad por la ecuacin
() (

()


Which can also be written as
Que tambin puede ser escrito como
()
()

()
In describing the probability distribution of more than one random variable, the
xxxx probability density function is used. In the case of two variables, X and Y, the
probability that x will be in the rabge [x, x + x] and y will be in the range [y, y +
y] is approximated by f(x,y) x y, where f(x,y) is the joint probability density
function of x and y. as in the case of discrete random variable, the bivariate
cumulative distribution function, F(x,y), and marginal probability distributions,
g(x) and h(y), are defined as
En la descripcin de la distribucin de probabilidad de ms de una variable
aleatoria, se utiliza la funcin de densidad de probabilidad xxxx. En el caso de dos
variables, X e Y, la probabilidad de que x ser en la GAMA [x, x + x] e y estar en
el intervalo [y, y + y] se aproxima por f(x,y) x y, donde f (x, y) es la funcin de
densidad de probabilidad conjunta de x e y. como en el caso de la variable
aleatoria discreta, la funcin de distribucin acumulativa bivariada, F (x, y), y
distribuciones de probabilidad marginales, g (x) y h (y), se definen como
( ) (

()
() (

()

() ( )

()
4.2.3 Mathematical Expectation and Moments
Assuming that xi is an outcome of the discrete random variable X, f(xi) is the
probability distribution function of X, and g(xi) is an arbitrary function of xi, then
be expected value of the function g, represented by , is defined by the
equation
4.2.3 esperanza matemtica y momentos
Suponiendo que xi es un resultado de la variable aleatoria discreta X, f (xi) es la
funcin de distribucin de probabilidad de X, y g (xi) es una funcin arbitraria de
xi, entonces se espera que el valor de la funcin g, representado por <g >, se
defina por la ecuacin
(

)(

()
Where N is the number of possible outcomes in the sample space, X. the
expected value of a random function is the arithmetic average of the function
calculated from an infinite number of random outcomes, and the analogous
result for a function of a continuous random variable is given by
Donde N es el nmero de resultados posibles en el espacio de muestra, X. el valor
esperado de una funcin aleatoria es la media aritmtica de la funcin calculada
a partir de un nmero infinito de resultados aleatorios, y el resultado anlogo
para una funcin de una variable aleatoria continua est dada por
(

)()

()
Where g(x) is a continuous random function and f(x) is the probability density
function of x.
Several random functions are particularly useful in characterizing the distribution
of random variables. The first is simply
Donde g (x) es una funcin continua y aleatoria f (x) es la funcin de densidad de
probabilidad de x.
Varias funciones aleatorias son particularmente tiles en la caracterizacin de la
distribucin de variables aleatorias. La primera es simplemente
() ()
In the case corresponds to the arithmetic average of the outcomes
over an infinite number of realizations. The quantity is called the mean of the
random variable and is usually denoted by

. According to Equations 4.18 and


4.19

is defined for both discrete and continuous random variables by


En el caso corresponde a la media aritmtica de los resultados en un
nmero infinito de realizaciones. La cantidad se llama la media de la variable
aleatoria y por lo general se denota por

. De acuerdo con las ecuaciones 4.18 y


4.19

se define para las dos variables aleatorias discretas y continuas por

()

()

()
A second random function that frequently used is
Una segunda funcin aleatoria que utiliza con frecuencia es
() (

()
Which equals the square of the deviation of a random outcome from its mean?
The expected value of this quantity is referred to as the variance of the random
variable and is usually denoted by

. According to Equations 4.18 and 4.19, the


variance of discrete and continuous random variables are given by the relations.
Que es igual al cuadrado de la desviacin de un resultado aleatorio a partir de su
media. El valor esperado de esta cantidad se conoce como la varianza de la
variable aleatoria y por lo general se denota por

. De acuerdo con las


ecuaciones 4.18 y 4.19, la varianza de las variables aleatorias discretas y
continuas se dan por las relaciones.

) ()

()
()
The square root of the variance,

, is called the standard deviation of x and


measures the average magnitude of the deviation of the random variable from
this mean. Random outcomes occur that are either less than or greater than the
mean,

and the symmetry of these outcomes about

is measured by the
skewness or skewness coefficient, which is the expected value of the function
La raz cuadrada de la varianza,

, se llama la desviacin estndar de x y mide la


magnitud media de la desviacin de la variable aleatoria de esta media.
Resultados aleatorios ocurrir que son ya sea inferior o superior a la media,

, y
la simetra de estos resultados sobre

se mide por la asimetra o coeficiente de


asimetra, que es el valor esperado de la funcin
()
(

()
If the random outcomes are symmetrical about the mean, the skewness is equal
to zero; otherwise, a nonsymmetric distribution will have a positive or negative
skew depending on the location of the distribution. The is no universal symbol
that is used to represent the skewness, but in this text skewness will be
represented by

. For discrete and continuous random variables, we have


Si los resultados aleatorios son simtricas alrededor de la media, la asimetra es
igual a cero; de lo contrario, una distribucin no simtrica tendr un sesgo
positivo o negativo dependiendo de la localizacin de la distribucin. El no es
smbolo universal que se utiliza para representar la asimetra, pero en este texto
asimetra estar representada por

. Para las variables aleatorias discretas y


continuas, tenemos

) ()

()
()
The variables

, and

are measures of the average, variability about the


average, and the symmetry about the average, respectively.
Las variables

, y

son medidas de la media, la variabilidad alrededor de la


media, y la simetra respecto de la media, respectivamente.
EXAMPLE 4.1
A water-resource system is designed such that the probability, f(xi), that the
system capacity is exceeded xi times during the 50 years design life is given by
the following discrete probability distribution:
Un sistema de los recursos de agua est diseado de tal manera que la
probabilidad, f (xi), que la capacidad del sistema se supera xi veces durante la
vida de diseo de 50 aos est dada por la siguiente distribucin de probabilidad
discreta:
xi f(xi)
0 0.13
1 0.27
2 0.28
3 0.8
4 0.09
5 0.03
6 0.02
>6 0.00

What is the mean number of system failure expected in 50 years? What are the
variance and skewness of the number of failure?
Cul es el nmero medio de fallo del sistema se espera dentro de 50 aos?
Cules son la varianza y la asimetra del nmero de fracaso?
xi f(xi) x _x^2 g(x) _x^(3/2)=
0,00 0,13 0 0,52 -1,04 0,37587908
1,00 0,27 0,27 0,27 -0,27

2,00 0,28 0,56 0 0

3,00 0,18 0,54 0,18 0,18

4,00 0,09 0,36 0,36 0,72

5,00 0,03 0,15 0,27 0,81

6,00 0,02 0,12 0,32 1,28

>6 0.00 2 1,92 0,63147686

Solution: the mean number of failure,

, is defined by equation 4.21


Solucin: el nmero medio de fracaso,

, se define por la ecuacin 4.21

()

()

()

The variance of the number of failure,

, is defined by equation by equation


4.23
La varianza de la cantidad de fracaso,

, se define por la ecuacin por la


ecuacin 4.23

) ()

()
()
The skewness coefficient, gx, is defined by equation 4.25
El coeficiente de asimetra, gx, se define por la ecuacin 4.25

) ()

()
()
Example 4.2
The probability density function, f(t), of the time between storms during the
summer in Miami is estimated as:
La funcin de densidad de probabilidad, f (t), del tiempo entre las tormentas
durante el verano en Miami se estima como:
() {




Where t is the time interval between storms in hours. Estimate the mean,
standard deviation, and skewness of t.
Donde t es el intervalo de tiempo entre las tormentas en horas. Calcule la media,
la desviacin estndar y la asimetra de t.

4.2.4 Return Period
Consider a random variable X, with the outcome having a return period T given
by x
T
. Let p be the probability that X x
T
in any observation, or p = P(X x
T
). For
each observation, there are two possible outcomes, either X x
T
with probability
p, or X < x
T
with probability 1 p. Assuming that all observations are
independent, then probability of a return period is the probability of
observations where X < x
T
followed by an observation where X x
T
. The expected
of , , is therefore given by
4.2.4 Perodo de Devolucin
Considere una variable aleatoria X, con el resultado que tiene un periodo de
retorno T dada por x
T
. Sea p la probabilidad de que X x
T
en cualquier
observacin o p = P (X x
T
). Para cada observacin, hay dos resultados posibles,
ya sea X x
T
con probabilidad p, o X < x
T
con probabilidad 1 - p. Suponiendo que
todas las observaciones son independientes, entonces la probabilidad de un
perodo de retorno es la probabilidad de -1 observaciones donde X < x
T
seguido
de una observacin en la que X x
T
. La espera de , , por lo tanto, se da por
( )


( ) ( )

( )


[ ( ) ( )

( )

]()
The expression within the brackets has the form of the power series expansion
La expresin dentro de los corchetes tiene la forma de la expansin en serie de
potencias
( )


( )

( )( )

()
With x = -(1 - p) and n=-2. Equation 4.26 can therefore be written in the form
Con x = - (1 - p) y n = -2. Por lo tanto, la ecuacin 4.26 se puede escribir en la
forma

[ ( )]

()
Since T=, Equation 4.28 can be expressed as
Dado que T = <>, la ecuacin 4.28 se puede expresar como

()
Or

)
()
Which can also be written as
Que tambin puede ser escrito como
(

()
In the engineering practice is more common to describe an event by its return
period than its exceedance probability. For example, floodplains are usually
delineated for the 100-year flood, which has an exceedance probability of 1%
in any given year. However, because oh the misconception that the 100-year
flood occurs once every 100 years. ASCE (1996a) recommends that the reporting
of return periods should be avoided, an annual exceedance probability reported
instead.
En la prctica de la ingeniera es ms comn para describir un evento por su
perodo de retorno de su probabilidad de excedencia. Por ejemplo, las llanuras de
inundacin son usualmente delineadas por la "inundacin de 100 aos", que
tiene una probabilidad de excedencia de 1% en un ao determinado. Sin
embargo, debido a la idea errnea de que la inundacin de 100 aos se produce
una vez cada 100 aos. ASCE (1996a) recomienda que los informes de perodos
de retorno se debe evitar, una probabilidad de excedencia anual reportado en
lugar.
EJEMPLO 4.3

El anlisis de las inundaciones mximas anuales en los ltimos 150 aos de un
pequeo indican las siguientes distribuciones acumulativas

n Flow, x
n
(m
3
/s)
P(X < x
n
)
1 0 0
2 25 0.19
3 50 0.35
4 75 0.52
5 100 0.62
6 125 0.69
7 150 0.88
8 175 0.92
9 200 0.95
10 225 0.98
11 250 1.00

Estimar las magnitudes de las crecidas con los periodos de retorno de 10, 50
y 100 anos

Solucion De acuerdo a la ecuacion (31), las crecidas con periodos
de re- torno, T, de 10, 50 y 100 anos tienen probabilidades de
excedencia de 1/10=
0.10, 1/50 = 0.02, y 1/100 = 0.01. Estas probabilidades de
excedencia co- rresponden a las probabilidades acumuladas de 1-0.1 =
0.9, 1-0.02 = 0.98, y
1-0.01 = 0.99, respectivamente. Interpolando desde la distribucion de
proba- bilidad acumulativa, dan los siguientes resultados



Periodo de Retorno
(anos)
Flow
(m
3
/seg)
10 163
50 225
100 238

4.2.5 Funciones de Probabilidad Comun

Existen un numero infinito de distribuciones de probabilidad
validas. El analisis ingenieril, sin embargo, son normalmente limitados
a definir bien los relativamente simples, asociados con los procesos de
identificacion, y pueden ser completamente caracterizados por un
numero muy pequeno de parametros. Las funciones de probabilidad
que pueden ser expresados analticamente son las funciones de
eleccion en aplicaciones de ingeniera. En el uso teorico de las
funciones de distribucion de probabilidad a un fenomeno observado,
es importante para comprender los procesos fundamentales que
conducen estas distribuciones ya que hay un supuesto implicito que la
teora y los procesos observados son lo mismo. Las funciones de
distribucion de probabilidad son ya sea discretas o continuas.
Comunmente encontramos funciones de probabilidad discretas y
continuas, y sus procesos asociados, son descritos en las siguientes
secciones.

Distribucion Binomial La distribucion binomial, tambien llamada
distri- bucion de Bernoulli, es una distribucion de probabilidad discreta
que describe la probabilidad de un resultado, ya sean exitos o
fracasos. Por ejemplo, en estudio de la probabilidad de la crecida
maxima anual de un rio supera cierto valor, la crecida maxima en
cualquier ano puede considerarse un exito (la cre- cida excede un valor
especificado) o un fracaso (la crecida no excede el valor dado). Ya que
muchos sistemas de ingeniera son disenadospara operar por debajo
de ciertas condiciones limites (diseno), el analisis en terminos de exitos
o fracasos es fundamental para la evaluacion de confiabilidad del
sistema. Es- pecificamente, la distribucion binomial describe la
probabilidad de n sucesos en N ensayos, dado que el resultado en un
ensayo es independiente del resul- tado en otro ensayo y la
probabilidad de un suceso en cualquier ensayo es p. Tales ensayos se
llaman ensayos de Bernoulli, y el proceso de generar ensayos de
Bernoulli se llama Proceso de Bernoulli. La distribucion de
probabilidad binomial, f(n), esta dada por

Esta distribucion de probabilidad discreta deriva directamente del analisis
de permutacion y combinacion y tambien se puede escribir en la forma






Donde



es comunmente denominado coeficiente binomial. Los parametros de
la dis- tribucion binomial son el numero total de resultados, N, y la
probabilidad de
exito, p, en cada uno de los resultados, y la distribucion es ilustrada
en la Figura 4.1. La media, varianza y el coeficiente de asimetra de la
distribucion binomial estan dados por



n
= Np;
2
= N p(1 p); g =

12p
(35)

n
N p(1p)

La distribucion de probabilidad Bernoulli, f(n), es simetrica para p =
0.5, desigual a la derecha de p < 0.5 y desigual a la izquierda de p >0.5.

Figura 1: Figura 4.1 Distribucion de Probabilidad Binomial. Fuente:
Benjamin and Cprnell (1970)














EJEMPLO 4.4

La capacidad del sistema de gestion de aguas pluviales es disenado
para acomodar una tormenta con un periodo de retorno de 10 anos.
Cual es la probabilidad que el sistema de aguas pluviales falle una vez
en 20 anos? Cual es la probabilidad que el sistema falle al menos una
vez en 20 anos?
Solucion El sistema de gestion de aguas pluviales falla cuando la
magnitud del diseno de la tormenta es excedida. La probabilidad, p,
de que en 10 anos se supere la tormenta en cualquier ano es 1/10 =
0.1. La probabilidad de que la tormenta de 10 anos sea excedida una
vez en 20 anos esta dada por la distribucion binomial en la ecuacion
(32) como


















donde n= 1, N= 20, y p=0.1. Sustituyendo estos valores da







Por lo tanto la probabilidad que el sistema de gestion de aguas
pluviales falle una vez en 20 anos es 27 %.



La probabilidad, P, de que los 10 anos de tormenta sea igualada o
superada al menos una vez en 20 anos esta dada por



La probabilidad que el diseno del evento sea superado (al menos una
vez) es conocido como el riesgo de fracaso, y la probabilidad que el
diseno del evento no sea superado es llamado la confiabilidad del
sistema. En este ejemplo, el riesgo de falla es 88 % durante 20 anos y
la confiabilidad del sistema durante el mismo periodo es 12 %.

Distribucion Geometrica. La distribucion geometrica es una
funcion de probabilidad discreta que describe el numero de ensayos
Bernoulli, n, sobre e incluyendo aquel que produce el primer exito. La
probabilidad que el primer
exito en un ensayo Bernoulli ocurra en el n-esimo ensayo se encuentra
obser- vando que deben haber n-1 ensayos anteriores sin exito,
seguido de un exito. La probabilidad de esta secuencia de eventos es (1
p)
n1
p, y por lo tanto la
distribucion de probabilidad (geometrica) de l primer exito siendo en el
ensayo n-esimo, f(n), esta dada por


f (n) = p(1 p)
n1
(36)



























4.2.jpg


Figura 2: Figura 4.2 Distribucion de Probabilidad Geometrica. Fuente:
Benja- min and Cprnell (1970)

El parametro de la distribucion geometrica es la probabilidad de
exitos, p, y esta distribucion esta ilustrada en la Figura 4.2. La media y
la varianza de la distribucion geometra estan dadas por





EJEMPLO 4.5

Un sistema de gestion de aguas de lluvia es disenado para una
tormenta de
10 anos. Asumiendo que la excedencia de los 10 anos de tormenta es un
proceso Bernoulli, Cual es la probabilidad que la capacidad del
sistema de gestion de aguas pluviales sea superada por primera vez en
el quinto ano despues de




construido el sistema? Cual es la probabilidad que la capacidad del
sistema sea superada dentro de los primeros 5 anos?

Solucion A partir de los datos dados, n=5, p=1/10 = 0.1, y la
probabilidad de que en 10 anos de tormenta sea superada por
primera vez en el quinto ano esta dada por la distribucion geometrica

f(5) = (0.1)(1-0.1)
4
= 0,066 = 6, 6 %

La probabilidad P, que la tormenta de 10 anos sea excedida dentro
de los primeros 5 anos esta dada por


Distribucion de Poisson La distribucion de Poisson es una caso
limite de un numero infinito de ensayos Bernoulli, donde el numero de
exitos, se hace grande y la probabilidad de exitos en cada ensayo, p, se
hace pequena de tal manera que el numero esperado de exitos, N
p
,
permanece constante. Bajo estas circunstancias se puede ver que
(Thiebaux, 1994; Benjamin and Cornell, 1970)






Esta aproximacion puede ser aplicada con seguridad cuando N
100, p 0,01, y N p 20 (Devore, 2000). Denotando el numero esperado
de exitos, Np, por , la distribucion de probabilidad del numero de
exitos, n, en un intervalo en que el numero esperado de exitos esta
dada por , esta descrito por una distribucion de Poisson :



Haan (1977) describe que el proceso Poisson corresponde a un caso
donde, por un intervalo de tiempo dado, la medicion de incrementos
decrece, resultan- do en un correspondiente decrecimiento en la
probabilidad de eventos dentro del incremento de la medicion, de tal
manera que el numero total de eventos esperados en el intervalo de
tiempo completo permanece constante e igual a . El unico parametro
en la distribucion de Posisson es . La media, la varianza y asimetra de
la distribucion discreta de Poisson estan dadas por





(40) La distribucion de Poisson para varios valores de son
ilustrados en la




Figura 4.3. El proceso Poisson para un tiempo continuo es definido en
una forma similar que para un proceso Poisson en una escala de
tiempo discreta. Los supuestos subyacentes en el proceso Poisson en
un tiempo continuo son: (1) La probabilidad de un evento en un
intervalo corto entre t y t + t es t (proporcional a la longitud del
intervalo) para todos los valores de t; (2) la probabilidad de que mas
de un evento en cualquier intervalo corto t a t + t es insignificante en
comparacion a t; y (3) el numero de eventos en cualquier intervalo
de tiempo es independiente del numero de eventos en cualquier otro
intervalo de tiempo superpuesto.

Extendiendo los resultados para un proceso discreto de Poisson
dada la Ecuacion 39 para un proceso continuo de Poisson, la
probabilidad de distribu- cion del numero de eventos, n, en tiempo t
para un proceso de Poisson esta dada por






El parametro de la distribucion de Poisson para un proceso continuo
es t, donde es la tasa promedio de ocurrencia del evento. La media,
la varianza y la asimetria de la distribucion continua de Poisson estan
dadas por

n
= t;
2
= t; g
n
= (t)
1/2
(42) Las ocurrencias de tormentas e inundaciones importantes han
sido descritas
con exito como los procesos de Poisson (Borgman, 1963; Shane and
Lynn,1964).


EJEMPLO 4.6
Un sistema de control de inundaciones es diseado para un evento de escorrenta con un
periodo de retorno de 50 aos. Asumiendo que la excedencia del evento de 50 aos es un
proceso de Poisson, Cul es la probabilidad que el diseo del evento sea superado 2 veces en
los primeros 10 aos del sistema? Cul es la probabilidad que el diseo del evento sea excedido
ms de 2 veces en los primeros 10 aos?

Solucin La distribucin de probabilidad del nmero de excedencias est dada por la Ecuacin
4.39 (ya que los eventos son discretos). Sobre un periodo de 10 aos, el numero esperado de
excedencias (superaciones), , del evento de 50 aos est dada por

()( )
y la probabilidad de que el evento sea superado 2 veces est dada por la ecuacin 4.39 como

()



La probabilidad, P, que el diseo del evento sea superado ms de 2 veces en 10 aos puede ser
calculada usando la relacin

[() () ()]
[

]
[ ]

Por lo tanto, solo hay un 0.1% de oportunidad que el evento de diseo de 50 aos se exceda
ms de 2 veces en un intervalo de 10 aos.

Distribucin Exponencial La distribucin exponencial describe la distribucin de probabilidad
del tiempo entre ocurrencias de un evento en un proceso continuo de Poisson. Para un tiempo
de duracin, t, la probabilidad de cero eventos durante el tiempo t est dada por la ecuacin
4.41 como

. Por lo tanto, la probabilidad de que el tiempo entre eventos es menor que t,


es igual a

. Este es igual a la distribucin de probabilidad acumulativa, F(t) del


tiempo t, entre sucesos, que es igual a la integral de la funcin de densidad de probabilidad, f(t).
La funcin de densidad de probabilidad puede por lo tanto ser derivada diferenciando la funcin
de distribucin acumulativa, por tanto
()
()

()

que simplificando queda
()

()
Esta distribucin, es llamada distribucin de probabilidad exponencial. La media, varianza y el
coeficiente de asimetra de la distribucin exponencial estn dadas por

()

El valor positivo y constante de la asimetra indica que la distribucin es asimtrica hacia la
derecha para todos los valores de . La distribucin de probabilidad exponencial esta ilustrada
en la Figura 4.4. La funcin de distribucin acumulativa, F(t) de la funcin de distribucin
exponencial est dada por

()

()
que conduce a
()

()
En aplicaciones hidrolgicas, la distribucin exponencial es a veces usada el tiempo entre
llegadas de perturbaciones aleatorias de sistemas hidrolgicos, tales como corrientes
contaminadas de escorrenta. (Chow et al., 1988) y las llegadas de las tormentas (Bedient and
Huber, 1992).

EJEMPLO 4.7
En el periodo de 86 aos entre 1903 y 1988, Florida era golpeado por 56 huracanes (Winsberg,
1999).Asumiendo que el intervalo de tiempo entre huracanes est dada por una distribucin
exponencial, Cul es la probabilidad que haya menos de un ao entre huracanes?, Cul es la
probabilidad que haya menos de 2 aos entre huracanes?
Solucin El tiempo medio entre huracanes,

, es estimado como


La media,

, es relacionada al parametro, , de la distribucin exponencial por la ecuacin 4.45,


lo que da


La distribucin de probabilidad acumulativa, F(t), del tiempo entre huracanes est dada por la
ecuacin 4.47 como
()


La probabilidad que habr menos de un ao entre huracanes est dada por
()
()

y la probabilidad que haya menos de 2 aos entre huracanes es
()
()

Distribucin Gamma/Pearson Tipo III La distribucin gamma describe la probabilidad del
tiempo a la n-esima ocurrencias de un evento en un proceso Poisson. Esta distribucin de
probabilidad se deriva mediante la bsqueda de la distribucin de probabilidad de t = t
1
+ t
2
+ . .
. t
n
, donde t
i
es el tiempo desde el i - 1 da del evento i-esimo. Esto es simplemente igual a la
suma de intervalos de tiempo entre eventos. La distribucin de probabilidad del tiempo, t, del n-
esimo evento puede ser derivada desde la distribucin exponencial como sigue
()

( )
()
donde f(t) es la distribucin de probabilidad gamma, ilustrada en la figura 4.5 para varios valores
de n. La media, varianza, y coeficiente de asimetra de la distribucin gamma estn dados por

()
En casos donde n no es entero, la distribucin gamma, ecuacin 4.48, puede ser escrita en
forma ms general como
()

()
()
donde () es la funcin gamma definida por la siguiente ecuacin
()

()
que tiene la propiedad que
() ( ) ()

En aplicaciones hidrolgicas, la distribucin gamma es muy til para describir variables sesgadas
sin la necesidad de transformacin y ha sido usada para describir la distribucin de la
profundidad de precipitacin en tormentas individuales. Sobre la base de los procesos
fundamentales que conduce a la distribucin gamma, debe quedar claro por qu la distribucin
gamma es igual a la distribucin exponencial cuando n = 1. La distribucin gamma


esta dada por la ecuacin 4.50 que puede ser escrita en la forma
()
()

()
()
Usando la transformacin
()
la funcin de probabilidad de densidad de x, es relacionada a f(t) por la relacin
() () |

| ()

()
Combinando las ecuaciones 4.53 a la 4.55 y reemplazando n por
()

()


()
Esta distribucin es comnmente denominada como la distribucin gamma de un parmetro
(Yevjevich, 1972). La media la varianza y el coeficiente de asimetra de la distribucin gamma de
un parmetro esta dados por

()
La aplicacin de la distribucin gamma de un parmetro en hidrologa es bastante limitada,
principalmente debido a la dificultad en el ajuste de la distribucin de un parmetro observado
a eventos hidrolgicos (Yevjevich,1972). Una distribucin gamma ms general que no tiene un
lmite inferior de cero puede obtenerse reemplazando x en la ecuacin 4.56 por( ) para
producir la siguiente funcin de probabilidad de densidad:
()

()
( )

()


()

donde el parmetro es la cota inferior de la distribucin, es una parmetro escala y es un
parmetro de forma. La funcin de distribucin dada por la ecuacin 4.58 es llamada la
distribucin gamma de 3 parmetros. La media, varianza y el coeficiente de asimetra de la
distribucin gamma 3 parmetros ( )estn dados por

()
La distribucin gamma de 3 parmetros tiene propiedades deseables (desde un punto de vista
hidrolgico) de ser limitada a la izquierda y tener asimetra positiva.
Pearson (1930) propuso una ecuacin general para una distribucin que se adapta a muchas
distribuciones - incluyendo la distribucin gamma- eligiendo los valores de parmetros
apropiados, y una forma de la funcin Pearson, similar a la distribucin gamma, es conocida
como la distribucin Pearson ti-po III. La distribucin gamma de 3 parmetros a veces se
denomina como la distribucin Pearson tipo III, se aplic por primera vez en hidrologa para
describir la distribucin de probabilidad de los picos mximos de inundacin anual(Foster,
1924). Cuando los datos del medio estn sesgados de manera muy positiva, los datos son
transformados generalmente a logaritmos (es decir x es el logaritmo de una variable), y la
distribucin es llamada la distribucin logaritmo de Pearson tipo III. Esta distribucin es
ampliamente usada en hidrologa, principalmente porque ha sido (oficialmente) recomendada
para aplicaciones para flujos de inundacin picos por el Comit Interinstitucional sobre Datos
del Agua de los Estados Unidos (1982). Un ejemplo de anlisis de frecuencia usando la
distribucin logaritmo de Pearson tipo III est dado en la seccin 4.3.3.
Seccin 4.2 Probabilidad de Distribucin

Usualmente el transformacin (x es una variable logaritmica), y la distribucin.

Hidrologicamente, principalmente porque ha sido (oficialmente) recomendable para la
aplicacin maximizar inundaciones fluye por el U.S. Interagency Aclvisory Commite en Datos de
Agua (1982). Un ejemplo de anlisis de frecuencia usando la distribucin de log-Pearson Type III
esta dado en la Seccin 4.3.3.


El EJEMPLO 4.8

Un rea del comercial experimenta a significativas inundaciones, cada vez que una tormenta se
genera ms de 13 cm de lluvia en 24 horas. En que el en un ao tpico, hay cuatro tormentas.
Suponiendo que estos acontecimientos de la lluvia es un proceso Poisson, cual es la
probabilidad que requiera ms que dos aos para tener acontecimientos 4 inundaciones?

La solucin: La funcin de densidad de probabilidad del tiempo para cuatro acontecimientos del
ftood recibe por la distribucin de la gama, Ecuacin 4.48. De los datos dados, n = 4, , 1 = 365 d
(= 1 ao).

= n = 4 = 0.01096 ct-1
t 365

La probabilidad de hasta transcurrir antes el cuarto acontecimiento de inundacin es dado por
la funcin acumulativa de distribucin.
F (to)= f dt (t) = ( ) dt

= (0.01096) (la Letra X de t4-le-0.01096t dt 2.40o 10-9 (t3e-0.01096t dt

Segn Dwight (1961)

Usando esta relacin para evaluar a F (t0) da:



Tomando a to = 730 el (= 2 aos) da:



F (730) = - 2.405 x 10-9 [e-0.01096t ( ) ]
= 2.405 x 10-9 { e-8(3.549 1010 + 1.331 x 10^10 +0.333 1010 + 0.042 la Letra X 1010) ] - 1(4.158
x 108 ) }
= 0.958

Iepter 4

Probabilidad y Estadsticas en Agua Recursos Ingeniera

Por lo tanto, la probabilidad que los acontecimientos de la inundacin que ocurrir en menos
que dos aos es 0.958, y la probabilidad que se requerir ms de dos aos para tener cuatro
acontecimientos de inundacin es:
1 - 0.958 = 0.042 4.2 %.

La distribucin normal, tambin llamado como distribucin Gaussian, es una curva simtrica
acampanada que describe la densidad de probabilidad de una variable aleatoria continua. Esta
funcin de la distribucin normal est dado por los parmetros x y x son iguales a la
desviacin trmino medio y estndar de letra x, respectivamente. Las variables normalmente
aleatorias distribuidas son comnmente descritas por la notacin taquigrfica N (x, 2), la
media parte la forma de la distribucin normal es ilustrada en Figura 4.6. La mayora de
variables hidrolgicas (tericamente) no pueden ser normalmente distribuidas, desde que el
rango de normal distribuye variables aleatorias estn de - hasta ., y valores negativos de
muchas variables de hidrolgicas no tienen sentido. Sin embargo, si el trmino medio de una
variable aleatoria es ms que tres o cuatro veces mayores que su desviacin estndar, los
errores de suposicin en la distribucin de normal, en muchos casos, descuidarse (Haan, 1977).
La lluvia anual en la isla griega de Creta en su mayor parte sigue una distribucin normal
(Naoum y Tsanis, 2003).

A veces es conveniente para trabajar con el desviado normal estndar, z, que se define por:
Z = x - x
x (4.61)

Donde x es normalmente distribuida, La funcin describe de probabilidad de z es por lo tanto:

f (z) =

La ecuacin 4.61 garantiza que z es normalmente distribuida con un trmino medio de cero y
la varianza de la unidad es por consiguiente N (O, 1) variables. La distribucin acumulativa,
F (z), de la desviacin normal estndar.

F (z ) = (4.63)

Donde F (z) es a veces referente al rea bajo la curva normal estndar.
Estos valores son tabulados en el Apndice C1. Los valores de F(z) pueden ser aproximados en
donde:
La probabilidad normal
F (z)

Seccin 4.2 Distribuciones de Probabilidad
La relacin del Analytic (Abrarnowitz .and Stegun, 1965)

Donde
B = 1 [ 1 + 0.1968541 Izl + 0.1151941 Izl^2 + 0.0003441 Izl^3 + 0.0195271Izl^4 ]^-4
2

Y el error en F (z) usando Ecuacin 4.65 es menor que 0.000250. Bajo estas condiciones
cualquier variable aleatoria puede ser esperable para seguir una distribucin normal y especifica
el lmite central del teorema.

Teorema del lmite central: Si Sn es la suma de n independiente e idnticamente la
distribucin aleatoria Xi de variable i, cada una tiene una media , y la varianza 2, luego el
limite tiende a infinito, la distribucin Sn no se acerca a una distribucin normal con n , y una
varianza n 2.

Desafortunadamente, no muchas variables hidrolgicas son la suma independiente e
idnticamente distribuida de variables aleatorias. Condiciones generales mismos, lo que puede
ser mostrado que si X1, X2; ....... , Xn es n variables al azar con Xi = i
^2 (Xi) = ^2 (i), luego la suma, Sn esta definida por:

Es una variable aleatoria cuya distribucin de probabilidad tiende a una distribucin normal con
una media, y varianza, 2 dado:

La aplicacin de este resultado generalmente requiere que un gran nmero de variables
independientes que sean incluidas en la suma Sn, y la probabilidad de distribucin de cada Xi.
Xi tiene una insignificante influencia en la distribucin de Sn. En hidrologa aplicamos los
promedios del anuario de variables como la precipitacin y la evaporacin son asumidos y
calculados de la suma de independiente e idnticamente de la medicin distribuida y tienden a
seguir distribuciones normales (Chow et al., 1988).

El EJEMPLO 4.9
Las precipitaciones anuales en la altos ros y cuencas se ha estimado que tienen una media de
130.0 y una desviacin estndar de 15.6 cm (la Barbilla, 1993b). Asumiendo que las lluvias
anuales son normalmente distribuidas, cual es la probabilidad de teniendo una lluvia de a lo
menos de 101.6 cm?

La solucin de los datos dados: x = 130 cm, y x = 15.6.cm. Para x = 101.6 cm,
El desviacin normal estndar, z, est dada por la ecuacin 4.61 como:

Z = x - x = 101.6 - 130.0 = - 1.82
x 15.6

La probabilidad que z < - 1.82, F (- 1.82), est dada por la Ecuacin 4.64, donde:
B = 1 [ 1 + 0.1968541 Izl + 0.1151941 IzI2 + 0.003441 Izl3 + 0.0195271 IzI4 ]-4
2
= 1 [ 1 + 0.196854-1-1.821 + 0.1151941 - 1.82] 2 + 0.0003441-1.82I3 + 0.0195271 - 1.82I4 ] -4
2
= 0.034

Y por consiguiente
F (- 1.82) == 0.034 = 3.4 %

Hay una probabilidad de 3.4 % de tener una lluvia anual inferior a 101.6 cm.

Log-normal distribucin. En los casos donde la variable aleatoria, X, es iguales para la variable
aleatoria X1, X2, ..., Xn, el logaritmo de X es igual a la suma de n variables aleatorias, donde:

lnX = lnX1 + lnX2 +.. + lnXn. (4.69)

Por consiguiente, segn el teorema central del lmite, el lnX ser asintticamente normal
distribuida y X es una distribucin log-normal. Definiendo la variable aleatoria Y, por la relacin:
Y = lnX (4.70)

Entonces si la Y es normalmente distribuida, la teora de funciones aleatorias puede usarse para
mostrar que la distribucin de probabilidad de X, la distribucin de log-normal, sea dada por:

F (x) =______1_______exp

Donde y y ^2 y, es el trmino medio y la varianza de Y, respectivamente. El trmino medio,
varianza y la asimetria de la variable de distribucin log-normal, X, es dado por:
(4.72)
Donde Cv es el coeficiente de variacin definida como
Cv = x (4.73)
x
Si la Y est definida por la relacin
Seccin 4.2 Probablemente distribuida 2:93

Y = log10X (4.74)

Luego la Ecuacin 4.71 todava describe la densidad de probabilidad de X, con ln X
reemplazandolo por log x, y los momentos de X estn relacionados con los momentos de Y por:
x = 10. (4.75)

Muchas exposiciones de variables hidrolgicas asimtricamente marcadas, mayoritariamente no
pueden ser negativos. Considerando la distribucin normal le permite la variable aleatoria
extenderse sin lmite infinitamente negativo o infinitamente positivo, la distribucin de log-
normal tiene un lmite inferior a cero. La distribucin log-normal se ha encontrado
razonablemente describir tales variables como las profundidades diarias de precipitacin, tasas
de descarga mxima, y la distribucin de conductividad hidrulico en medios porosos (Viessman
y Lewis, 1996). La distribucin normal es comnmente usada en China y describe las
inundaciones extremas anuales (Singh y Strupczewski, 2002b).

EL EJEMPLO 4.10
Las descargas mximas anuales en el Rio Guadalupe cercana a Victoria, Tejas, demuestran un
trmino medio de 801 m3/s y una desviacin estndar de 851 m3/s. Si la capacidad del ro es
900 m3/s, y el flujo debe seguir una distribucin normal, cual es la probabilidad mxima de
descarga que puede exceder la capacidad del canal?
La solucin de los datos dados: x = 801 m3/s; x = 851 m3/s. La ecuacin 4.72 da:

Exp (y ) = 801 (= x)

(801) 2 exp ( )

Que las soluciones son:
y = 6 .31 y y = 0.870

Cuando la x = 900 m3/s, la variable transformada y, es dada por y = ln 900 = 6.80 y la variable
normal aleatoria, z, es dada por:
Z = y - y = 6.80 - 6.31 = 0.563
y 0.870

La probabilidad que z < 0.563, F (0.563), es una distribucin normal estndar es dada por ah
La Ecuacin 4.64, Donde
B = 1 [ 1 + o.196854Izl + 0.1151941IzI2 + 0.00 3441Izl3 + o.0195271IzI4 ] - 4
2
= 1 [ 1 + 0.1968541I0.5631I + 0.1151941I0.5631I 2 + 0.0003441I0.5631I 3 + 0.0195271I0.5631I
4
2
= 0.286

Captulo 4. Probabilidad y Estadstica en Ingeniera de los Recursos Hdricos
Cuales Pendientes

La probabilidad que la descarga mxima en el ro sea mayor que la capacidad del canal
de 900 m3/s es por tanto equivalente a 1- 0,714=2,86 = 28,6%. Esta es la probabilidad
de inundaciones en cualquier ao determinado.
Distribucin uniforme: La distribucin uniforme describe el comportamiento de una
variable aleatoria en el que todos los resultados posibles son igualmente probables
dentro del rango [a,b]. La distribucin uniforme puede ser aplicada, ya sea a variables
discretas o continuas aleatorias.
Para ms variables aleatorias continuas, x, la fraccin de densidad de probabilidad
uniforme, f(x), est dada por:

Donde los parmetros a y b definen el rango de la variable aleatoria. La media, mx, y la
varianza o
2
x,
de una variable aleatoria uniformemente distribuida estn dadas por:

Ejemplo 4.11.
Datos contradictorios de varios pluvimetros remotos en una regin de la cuenca del
Amazonas indican que la precipitacin anual en 1997 fue de entre 810mm y 1.080 mm.
Asumiendo que la incertidumbre puede ser descrita por una distribucin de probabilidad
uniforme, Cul es la probabilidad de que la precipitacin es mayor que 1.000 mm?
Solucin: En este caso, a=810 mm, b=1.080 mm, y la distribucin de probabilidad
uniforme de la precipitacin de 1997 est dada por la ecuacin 4,76 como:

La probabilidad, P, que x 1.000 mm es por tanto, dado por:

Distribuciones de valor extremo. Los valores extremos son, ya sea, mximo o mnimo
de variables aleatorias. Consideremos el conjunto de la muestra x
1
, x
2,
, x
n
, y sea Y el
mayor de los valores de la muestra. SI F (y) es la probabilidad de que Y < y y Pxi (xi) es
la probabilidad que xi < xi, donde la probabilidad que Y < y es igual a la probabilidad que
toda la xis son menos que y, que significa que

Esta ecuacin da la distribucin de la probabilidad acumulada del valor extremo, Y, en
trminos de la distribucin de probabilidad acumulada de cada resultado, que tambin
se llama la distribucin de las causas. La funcin de densidad de probabilidad, f (y) del
valor extremo, y, es por lo tanto, dada por:

Donde Px (y) es la funcin de densidad de probabilidad de cada resultado. La ecuacin
4,79 indica que la distribucin de probabilidad de valores extremos, f (y), dependen
tanto del tamao de la muestra y la distribucin de causa. La ecuacin 4,79 fue derivado
para los valores mximos, y un resultado similar puede ser derivado para valores
mnimos (ver problema 4.19).
Las distribuciones de valores extremos seleccionados de grandes muestras de varias
distribuciones de probabilidad se ha demostrado que convergen en uno de los tres
tipos de distribucin de los valores extremos (Fisher and Tippett, 1928): Tipo I, Tipo II o
Tipo III. En la distribucin Tipo I, la causa de la distribucin es sin lmites en la direccin
de la extrema deseada, y existe en todos los momentos de la distribucin. En la
distribucin Tipo II, tambin llamada distribucin Frechet, la causa de la distribucin es
sin lmites en la direccin de la extrema deseada, y no existe en todos los momentos de
la distribucin. En la distribucin Tipo III, la causa de la distribucin es sin lmites en la
direccin de la extrema deseada. La distribucin de mximos de las variables
hidrolgicas es tpicamente del Tipo I, ya que la mayora de las variables hidrolgicas
son (cuasi-) sin lmites a la derecha; Tipo II son, rara vez, utilizadas en aplicaciones
hidrolgicas; y la distribuciones de los mnimos suelen ser del Tipo III, desde que varias
variables hidrolgicas son limitadas a la izquierda por el cero.
Distribuciones de valor extremo Tipo I (Gumbel) . Las distribuciones de valor
extremo Tipo I requieren que la causa de la distribucin sea ilimitada en la direccin del
valor extremo. Especficamente, la distribucin del Tipo I requiere que la causa de la
distribucin recaiga de forma exponencial, de tal manera que la cola superior de la
funcin de distribucin acumulativa, Px (x), pueda ser expresada en la forma:

Con g(x) una creciente funcin de x (Benjamin y Cornell, 1970). En el uso de la
distribucin Tipo I para estimar la mxima, la causa de las distribuciones con la
propiedad ilimitada, incluye la normal, log-normal, exponencial y distribuciones gamma.
Usando la distribucin normal como la causa de la distribucin, la probabilidad de la
funcin de densidad para la distribucin de valor extremo Tipo I est dada por (gubel,
1958):

Donde a y b son parmetros de escala y ubicacin, b es el modo de la distribucin y el
menor de l + usado para los valores mximos. El ms de l + usado para los valores
mnimos. La distribucin Tipo I para los valores mximos es expresada en la figura 4.7.
La distribucin de valor extremo Tipo I, se denomina a veces como distribucin valor
extremo de Gumbel, la distribucin Tipo I de Fisher- Tippett o distribucin doble
exponencial. La media, varianza y el coeficiente de asimetra para el valore extremo

Distribucin Tipo I aplicado a los valores mximos son:

y para la distribucin Tipo I aplicado a los valores mnimos

Mediante el uso de la transformacin

La distribucin de valores extremos Tipo I puede ser escrita en la forma

Que produce las siguientes funciones de distribucin acumulativa

Estas distribuciones acumulativas son ms til en determinar los periodos de retorno de
eventos extremos, tales como flujos de inundacin (Flujos mximos anuales),
precipitaciones mximas, y la velocidad del viento mxima (Gumbel, 1954). La
distribucin de valores extremos Tipo I (Gumbel) es usada extensivamente en estudios
de inundaciones en Reino Unido y muchas otras partes del mundo (Cunnane, 1968) y
ha sido aplicada por el Servicio Meteorolgico Nacional de Estados Unidos en el
anlisis de las cantidades de precipitacin mxima anual por tiempos determinados.
Ejemplo 4.12
Los caudales mximos anuales en el ro Guadalupe, cerca de Victoria, Texas, entre
1935 y 1978 muestran una media de 811 m3/s y una desviacin estndar de 851 m3/s.
Asumiendo que el mximo anual de inundaciones son descritos por una distribucin de
valores extremos Tipo I (Gumbel), se estima el mximo anual del caudal con un periodo
de retorno de 100 aos.
Solucin: A partir de los datos dados: (anotar nmeros) Segn la ecuacin 4.81, los
parmetros de escala y ubicacin, a y b, se derivan de (completar)

Estos parmetros son usados para transformar la mxima anual, X, para normalizar la
variable, Y, donde

Durante un perodo de retorno de 100 aos, la probabilidad de excedencia es 1/100 =
0.0 y la probabilidad acumulativa, F (y), es 1 0,01 = 0,99. La probabilidad de la
distribucin de valor extremo Tipo, dada por la ecuacin 4.85 rendimientos.

Donde y 100 es el evento con un retorno periodo de 100 aos. Para resolver y100 dado:

El caudal mximo anual con un retorno periodo de 100 aos, x100, es por lo tanto, dada
por

Que conducen a


Distribucin de valor extremo Tipo III (Weibull). La distribucin de valor extremo tipo
III requiere que la causa de la distribucin sea limitada en la direccin del valor extremo.
Especficamente, distribuciones Tipo II (para mnimos) requiere que la cola izquierda de
la funcin de distribucin acumulativa, Px (x), se eleve desde cero para los valores de x
c de tal forma que

Donde c es el lmite inferior de x (Benjamn y Cornell, 1970) La distribucin de valor
extremo Tipo II ha sido en su mayora usada en hidrologa para estimar los caudales
bajos, que se limita a la izquierda por cero. La distribucin de valor extremo Tipo II para
los valores mnimos es comnmente llamada la distribucin Weibull (despes de
Weibull, 1939) y para c = 0 est dada por


La distribucin Weibull est ilustrada en la Figura 4.8. La media y varianza de la
distribucin Weibull es dada por

Y el coeficiente de asimetra es

Donde (n) es la funcin gamma definida por la ecuacin 4.51. La distribucin
acumulativa Weibull es dada por

Que es til en determinar el periodo retorno de eventos mnimos. Si el limite inferior de
la causa de la distribucin es distinto cero, entonces un parmetro de desplazamiento,
c, debe aadirse a las distribuciones de valor extremo Tipo III para mnimos, y la
probabilidad de la funcin de densidad se convierte en (Haan, 1977)

Y la distribucin acumulativa entonces se convierte en

La ecuacin 4.91 es llamada, a veces, distribucin de Weibull de tres parmetros o
distribucin exponencial limitada. La media y varianza de los tres parmetros
Weibull distribution are given by:
Distribucin de Weibull estn dados por:

( ) (

( )

[ (

)] ()
And the skewness coefficient of the three-parameter Weibull distribution is given
by equation 4.89.
Y el coeficiente de asimetra de la distribucin de Weibull de tres parmetros se
da por la ecuacin 4.89.
EXAMPLE 4.13
The annual minimum flows in a river at the location of a water-supply intake have
a mean of 123 m
3
/s and a standard deviation of 37 m
3
/s. Assuming that the
annual low flows have a lower bound of 0 m
3
/s and are described by an extreme-
value Type III distribution, what is the probability that the annual-low flow be less
than 80 m
3
/s?
Ejemplo 4.13
Los caudales mnimos anuales en un ro en la ubicacin de una toma de
suministro de agua tienen una media de 123 m
3
/s, y una desviacin estndar de
37 m
3
/s. Suponiendo que los flujos bajos anuales tienen un lmite inferior de 0
m3 / s, y se describe mediante un tipo de extrema-valor de distribucin III, cul
es la probabilidad de que la anual de bajo flujo sea menor de 80 m
3
/s?
Solution: from the given data:

, and

. According to
equation 4.88, the parameters of the probability distribution, a and b, must
satisfy the relation.
Solucin: a partir de los datos dados:

, and

. Segn la
ecuacin 4.88, los parmetros de la distribucin de probabilidad, a y b, deben
satisfacer la relacin.
(

) (=

) ()
And
y

[ (

] (

)
Combining these equations to eliminate b yield
Combinando estas ecuaciones para eliminar rendimiento b

)
[ (

)]


Or
o
(

)

This equation can be solved iteratively for a by defining f(a) as
Esta ecuacin puede resolverse de forma iterativa para un definiendo f (a) como
()
(

)

(

)

And selecting different values for a until f(a)=0,0905. Using the tabulated values
of the gamma function in Appendix D.3:
Y la seleccin de diferentes valores para una hasta que f (a) = 0,0905. Utilizando
los valores tabulados de la funcin gamma en el Apndice D.3:
a
(

)
f(a)
2 1 0.886 0.273
3 0.903 0.893 0.132
4 0.886 0.906 0.079
3,79 0.888 0.904 0.0866
3,69 0.888 0.903 0.0890
3,65 0.889 0.903 0.0903

Therefore, a=3.65 and equation 4.94 gives:
Por lo tanto, una ecuacin 4.94 = 3.65 y da:


The cumulative Weibull distribution of the annual-low flows, X, is given by
Equation 4.90 as
La distribucin de Weibull acumulado de los flujos anuales-bajos, X, se da por la
ecuacin 4.90 como
()
[(

]

[(

]

And the probability that X80 m
3
/s is given by
Y la probabilidad de que X80 m
3
/s viene dada por
()
[(

]

There is a 13.4%probability that the annual-low flow is less than 80 m
3
/s.
Hay una probabilidad de 13,4% de que el flujo anual baja es de menos de 80
m
3
/s.
General extreme-value distribution. The general extreme-value (GEV)
distribution incorporates the extreme-value Type I, II and III distributions for
maxima. The GEV distribution was first proposed by Jenkinson (1955) to describe
the distribution of the largest values of meteorological data when the limiting
form the extreme-value distribution is unknown. The GEV distribution has to date
been used to model a wide variety of natural extremes, including floods, rainfall,
wind speed, wave heights, and other maxima (Martins and Stedinger, 2000). The
GEV cumulative distribution function is given by:
La distribucin general de los valores extremos. La extrema-valor general (GEV)
distribucin incorpora el valor extremo de tipo I, II y III para las distribuciones
maxima. La distribucin GVE fue propuesta por primera vez por Jenkinson (1955)
para describir la distribucin de los valores ms grandes de datos meteorolgicos
cuando el formulario que limita la distribucin de los valores extremos es
desconocido. La distribucin GVE ha actualizado ha utilizado para modelar una
amplia variedad de extremos naturales, incluyendo inundaciones,
precipitaciones, velocidad del viento, altura de las olas, y otros mximos (Martins
y Stedinger, 2000). La funcin de distribucin acumulativa GEV est dada por:
() ()
{

{[
()

{
[
()

]
}

()
Where a, b and c are location, scale, and shape parameters respectively. For c=0,
the GEV distribution is the same as the extreme-value type I distribution; for c<0
the GEV distribution corresponds to the type II distribution for maxima that have
a finite lower bound of a + b/c; and for c>0 the GEV distribution corresponds to
the type III distribution for maxima that have a finite upper bound at a + b/c. The
mean, variance, and skewness coefficient for the GEV distribution are given by
(Kottegoda and Rosso, 1997)
Donde a, b y c son la ubicacin, escala y parmetros de forma, respectivamente.
Para c = 0, la distribucin GEV es el mismo que el valor de la distribucin extrema
de tipo I; para c <0 la distribucin GEV corresponde a la distribucin de tipo II
para maxima que tiene un lmite inferior finito de a + b / c; y c> 0 la distribucin
GEV corresponde a la distribucin de tipo III para maxima que tiene un lmite
superior finito en a + b / c. La media, la varianza y coeficiente de asimetra de la
distribucin GVE estn dadas por (Kottegoda y Rosso, 1997)

[ ( )] ()

[( )

( )] ()
() ()
()()()

()
[()

()]

()
Where is noted that the moment only exist for certain value of c. the generalize
extreme-value distribution is commonly used in Grain Britain to describe annual
flood extremes (Singh and Strupczewski, 2002b).
Cuando se seal que de momento slo existe para determinado valor de c. la
distribucin de los valores extremos generalizada se utiliza comnmente en
Grano Bretaa para describir las inundaciones extremas anuales (Singh y
Strupczewski, 2002b).
Example 4.14: the annual-maximum 24-hour rainfall amounts in a subtropical
area have a mean of 15.4 cm, a standard deviation of 3.42 cm, and a skewness
coefficient of 1.24. Assuming that the annual-maximum 24-hour rainfall is
described by a general extreme-value (GEV) distribution, estimated the annual-
maximum 24-hours rainfall with a return period of 100 years.
Ejemplo 4.14: las cantidades mximas anuales de precipitacin de 24 horas en
una zona subtropical tiene una media de 15,4 cm, una desviacin estndar de
3,42 cm, y un coeficiente de asimetra de 1,24. Suponiendo que el anual-
precipitacin mxima de 24 horas es descrito por un valor extremo general (GEV)
distribucin, que se estima el mximo anual-las 24 horas de lluvia con un periodo
de retorno de 100 aos.
Solution: From the given data:

, and gx=1.24. In
order to find the GEV cumulative distribution function, the parameters a, b and c
must first be determined. The shape parameter, c, can be determined directly
from the skewness coefficient, gx, using equation 4.98, where:
Solucin: De los datos dados:

, y gx = 1,24. Con el fin


de encontrar la funcin de distribucin acumulada GEV, los parmetros a, b y c
deben primero determinar. El parmetro de forma, c, se puede determinar
directamente desde el coeficiente de asimetra, GX, utilizando la ecuacin 4.98,
donde:
() () (( )( )( ) (
))[( ) ( )]()
Which can solve to give c=-0.129. Rearranging equation 4.97gives b as
Qu puede resolver para dar c = -0.129. Reordenando la ecuacin 4.97gives b
como

( )

( )]

()

()


And rearranging equation 4.96 give as
Y reordenando la ecuacin 4.96 da como

[ ( )]

[ ]
Hence the cumulative distribution function, F(x), is given by equation 4.95 as:
Por lo tanto la funcin de distribucin acumulativa, F (x), est dada por la
ecuacin 4.95 como:
()
{[
()

}

{[
()

}

Which yield
que producen
()
{[(]

}

For a return period of 100 years, F(x100)=1 - 1/100 = 0.99 and
Para un perodo de retorno de 100 aos, F (x100) = 1 - 1/100 = 0.99 y
(

)
{[(

}

Which yield
que producen


Therefore, an annual-maximum 24-hours rainfall of 27.4 cm has a return period
of 100 years.
Por lo tanto, un mximo anual de 24 horas de lluvia de 27,4 cm tiene un periodo
de retorno de 100 aos.

Chi-square distribution. Unlike the previously described the probability
distributions, the chi-square distribution is not used to describe a hydrologic
process but is more commonly used in testing how well observed outcomes of
hydrologic processes are described by theoretical probability distributions. The
chi-square distribution is the probability of a variable obtained by adding the
squares of normally distributed random variables, all of which have a mean of
zero and a variance of 1. That is, if X1, X2,., X are normally distributed random
variables with mean of zero and variance of 1 and a new random variable

is
defined such that:
Distribucin Chi-cuadrado. A diferencia de la descrita previamente las
distribuciones de probabilidad, la distribucin de chi-cuadrado no se utiliza para
describir un proceso hidrolgico pero es ms comnmente utilizado en la prueba
de cmo los resultados as observados de los procesos hidrolgicos se describen
por las distribuciones de probabilidad tericas. La distribucin de chi-cuadrado es
la probabilidad de que una variable de resultado de sumar los cuadrados de
normalmente distribuidos variables aleatorias, todas ellas con una media de cero
y una varianza de 1. Es decir, si X1, X2, ...., X normalmente se distribuyen
variables aleatorias con media cero y varianza de 1 y un nuevo

variable
aleatoria definida es tal que:

()
Then the probability density function of

is defined as the chi-square


distribution and is given by:
Entonces la funcin de densidad de probabilidad de

es definida como la
distribucin de chi-cuadrado y est dada por:
()

)
()
where

and is called the number of degrees of freedom. The chi-square


distribution is illustrated in figure 4.9. The mean and variance of the chi-square
distribution are given by:
donde

se llama el nmero de grados de libertad. La distribucin de chi-


cuadrado se ilustra en la figura 4.9. La media y la varianza de la distribucin de
chi-cuadrado se dan a travs de:

()
The chi-square distribution is commonly used in determining the confidence
intervals of various sample statistics. The cumulative chi-square distribution is
given in Appendix C.3.
La distribucin de chi-cuadrado se utiliza comnmente en la determinacin de los
intervalos de confianza de diversas estadsticas de la muestra. La distribucin de
chi-cuadrado acumulada figura en el Apndice C.3.