HDA Vial 2 HDL ED

Universidad de Piura
Programa Master en Ingeniera Civil
PROGRAMA MASTER
EN INGENIERIA CIVIL
CON MENCION EN INGENIERIA VIAL
Hidrologa Estadstica
M.Sc. Marina Faras de Reyes
Agosto 2017
Hidrologa Avanzada - 2017

M.Sc. Marina Faras de Reyes 1
Contenido
Introduccin
Tratamiento estadstico de las variables
Modelos probabilsticos en Hidrologa
Principales modelos probabilsticos:
discretos y continuos
Bondad de ajuste de los modelos
Introduccin
Universo o poblacin: Conjunto de datos cuyas
propiedades se van a estudiar.
Muestra: Conjunto de datos seleccionados de un
universo.
Muestra representativa.
http://www.winmates.net/ayuda/arbol/411esta.php

Introduccin
Experimento: Reproduccin controlada de un
fenmeno.
Experimento aleatorio
www.xatakaciencia.com
www.sinembargo.mx
www.thehouseofblogs.com
Introduccin
Experimento: Reproduccin controlada de un
fenmeno.
Experimento aleatorio
www.actiweb.es
www.ott.com
www.aguascordobesas.com.ar

Introduccin
Evento: Resultado de un experimento.

Simples o compuestos.
Introduccin
Espacio muestra: Representacin de
todos los eventos de un experimento.
Grfica o analtica.
http://www.matematicasypoesia.com.es/Estadist/espacio-muestral-01.gif

Variable aleatoria
Funcin definida sobre un espacio muestra.
A cada evento le corresponde un nmero real.
A partir de un espacio muestra, diferentes variables.
Ser:
Discreta: Nmero de eventos es finito.
Continua: Nmero de eventos es infinito.
Dominio: espacio muestra
Rango: v.a.
X(ei) = xi
Ejemplos
Experimento: Llegada de autos a un estacionamiento.
Evento: Hora de llegada
Espacio muestra: 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.
Evento: No. de crditos
Espacio muestra: S={1,2,3, ... 28, 29, 30}
Variable aleatoria discreta:
Nmero de alumnos con ms de 20 crditos.
Nmero total de crditos inscritos.

Probabilidad
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.
0 <= P(A) <= 1; P() = 0; P(S) = 1.
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.
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.

Introduccin
Tipos de probabilidad
Probabilidad a priori
Probabilidad subjetiva
Probabilidad experimental
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.

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.
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= frecuencia observada = f_
# repeticiones del experimento N

Medidas descriptivas de los datos
De tendencia central
De variabilidad
De posicin
De forma
Introduccin
Medidas descriptivas de tendencia central
Media aritmtica o promedio: la suma

de los valores entre el nmero de
sumandos.
Mediana: es el valor de la variable que
deja el mismo nmero de datos antes y
despus que l, una vez ordenados stos.
Moda: es el valor con una mayor
frecuencia en una distribucin de datos.

AO Q (m3/s) AO
3
Q (m /s) orden
1926 860 1943 2250 1
1927 610 1941 2220 2
1928 124 1932 1900 3
1929 135 1939 1525 4
1930 95 1949 1010 5
1931 450 1926 860 6
1932 1900 1933 620 7
1933 620
1927 610 8
1934 438
1938 508 9
1935 379
1931 450 10
1936 390
1934 438 11
1937 39
1942 405 12
1938 508
1939 1525 1936 390 13
1940 185 1935 379 14
1941 2220 1944 273 15
1942 405 1945 220 16
1943 2250 1940 185 17
1944 273 1929 135 18
1945 220 1946 134 19
1946 134 1928 124 20
1947 41 1930 95 21
1948 43 1948 43 22
1949 1010 1947 41 23
1950 0 1937 39 24
media 594 1950 0 25
Introduccin
Medidas descriptivas de variabilidad

Amplitud o rango Mnimo 0
Mximo 2250
Rango 2250
(Desviacin)
Desviacin media
Varianza
Desviacin estndar
Coeficiente de variacin: cv= s/m

Desviacinre
Valor absoluto Desviacin al
specto de la
3
Q (m /s) de la desviacin cuadrado
AO media
1926 860 266 266 70682
1927 610 16 16 252
1928 124 -470 470 221032
1929 135 -459 459 210810
1930 95 -499 499 249141
1931 450 -144 144 20776
1932 1900 1306 1306 1705270
1933 620 26 26 669
1934 438 -156 156 24380
1935 379 -215 215 46285
1936 390 -204 204 41673
1937 39 -555 555 308180
1938 508 -86 86 7420
1939 1525 931 931 866500
1940 185 -409 409 167396
1941 2220 1626 1626 2643421
1942 405 -189 189 35774
1943 2250 1656 1656 2741872
1944 273 -321 321 103131
1945 220 -374 374 139981
1946 134 -460 460 211729
1947 41 -553 553 305964
1948 43 -552 552 304307
1949 1010 416 416 172940
1950 0 -594 594 353002
10952585 10952585
media 594 0 499 438103 456358
desviacin estndar 661.89 675.54
n n-1
Introduccin
Medidas descriptivas de posicin

Cuartiles
Percentiles

3
Q (m /sec) 1 3900 cuartil 0 38 350
860 2 3200 39 273
610
124 3 3107 40 272
135 4 2500 41 220
95
450 Cuartiles 5 2250 42 185
1900 6 2220 43 180
620
438 7 2200 44 167
379 8 1900 45 153
390
39 9 1793 46 135
508 10 1700 47 134
1525
185 11 1616 48 124
2220 12 1530 49 115
405
2250 13 1525 50 112
273 14 1108 51 101
220
134 15 1042 52 95
41 16 1010 53 88
43
1010 17 980 54 82
0 18 900 55 81
0
153 19 860 cuartil 1 cuartil 3 56 75
2200 20 845 57 74
44
350 21 845 58 58
1530 22 690 cuartil 2 365 59 49
1700
690 23 646 60 45
900 24 638 61 44
81
88 25 620 62 43
115 26 610 63 41
37
33 27 574 64 39
2500 28 568 65 37
49
82 29 545 66 33
21 30 508 67 29
180
29 31 450 68 25
545 32 438 69 21
1616
845 33 405 70 14
58 34 390 71 6
272
388 35 390 72 6

646 36 388 73 0
167
74 37 379 cuartil 4 74 0
45
568
390
3200
980
112
25
574
6
845
6
14
1793
1042
1108
75
101
638
4424
3107
Introduccin
Medidas descriptivas de forma
Asimetra: Distorsin
Curtosis: Agudeza

Asimetra
Es el grado de
agrupacin de valores
alrededor de la media.
Es una medida de la
distorsin de los datos.
Su expresin matemtica
es:
Curtosis
Es el grado de agudeza o de achatamiento
que presenta una distribucin de datos.
Su expresin matemtica es:

Medidas descriptivas en Excel
Para activar su uso, ir al botn de

office / opciones de excel /
complementos / administrar
complementos de excel / ir /
herramientas para anlisis + solver

Funciones estadsticas en excel

Medida Descriptiva Funcin
Media aritmtica PROMEDIO
Mediana MEDIANA
Moda MODA
Varianza (muesta) VAR
Varianza (poblacin) VARP
Desviacin estndar (muestra) DESVEST
Desviacin estndar (poblacin) DESVESTP
Cuartil CUARTIL
Percentil PERCENTIL
Coeficiente de asimetra COEFICIENTE.ASIMETRIA
Curtosis CURTOSIS
Tratamiento estadstico de las variables
Variable aleatoria:
Funcin definida sobre un espacio muestra.
A cada evento le corresponde un nmero real.
A partir de un espacio muestra, diferentes variables.
Discreta: Nmero de eventos es finito.
Continua: Nmero de eventos es infinito.

Funcin de probabilidad
Una funcin de probabilidad de una
variable aleatoria X se define como el
conjunto de parejas ordenadas {xi, f(xi)}
donde xi es el valor que puede tomar X y
f(xi) representa la probabilidad de que X
asuma dicho valor , de tal forma que
Sf(xi) = 1.

Modelo matemtico: Descripcin de un fenmeno
de la naturaleza por medio de formulaciones
matemticas.
M. M. determinstico: Resultado determinado por las
condiciones en que se realiza el experimento. Slo
cambia si se cambian las condiciones.
M. M. probabilstico o no determinstico: Las
condiciones en que se produce el fenmeno no
determinan el resultado.

Modelo matemtico probabilstico

o no determinstico
Dan resultados aproximados, con cierto grado de

confiabilidad.
Caractersticas:
Sin variar las condiciones se obtienen
diferentes resultados.
Se puede describir el conjunto de todos los
resultados posibles.
Al inicio los resultados parecen sin patrn.
Ejemplo: Lluvias en Piura, sismos en Lima.
Modelo matemtico probabilstico

o no determinstico
Es necesario:
Espacio muestral, S.
Probabilidad, asociada a c/punto de S.
Ejemplo: Lluvias en Piura.
v.a.: Total de lluvia mensual en Piura.
Registros: 0 820 mm
Espacio muestral: 0 a
Probabilidad: funcin de probabilidad.

Analoga con modelos determinsticos
X Y
0.1 0.5
0.5 0.8
1 2
1.8 2.5
2.5 3
3 3.6
4.2 4.8
5 6.5
5.6 6.8
6.5 7
8 7.8
Ahora, qu pasa si extrapolamos hasta x=20?
700
X Y
0.1 0.5 600 Y
0.5 0.8
1 2 Lineal (Y)
1.8 2.5 500
2.5 3
Polinmica (Y)
3 3.6
400
4.2 4.8
5 6.5 Exponencial (Y)
y = 1.03e0.32x
5.6 6.8 300 R = 0.82
6.5 7 Potencial (Y)
8 7.8
200
y = 0.99x + 0.68 y = 1.85x 0.68

R = 0.97 R = 0.96
100
y = -0.05x 2 + 1.38x + 0.25

R = 0.98
0
0 5 10 15 20 25

Y hasta x=50? Lo mismo va a suceder con los

modelos probabilsticos.
X Y
0.1 0.5
0.5 0.8
1 2
1.8 2.5
2.5 3
3 3.6
4.2 4.8
5 6.5
5.6 6.8
6.5 7
8 7.8
Principales modelos
probabilsticos discretos
Binomial
Poisson

Distribucin Binomial
Nmero de xitos en n ensayos
independientes de tipo Bernoulli.
Por ejemplo, la probabilidad de que uno

de los prximos diez aos se produzca
un Fenmeno del Nio de magnitud 3.
Usada en problemas cuando se tiene:
Un nmero fijo de pruebas o ensayos.
Los resultados del ensayo son slo xito
o fracaso.
Los ensayos son independientes, y
Probabilidad de xito es constante
durante todo el experimento.

La funcin de masa de
probabilidad binomial es:
donde: es el combinatorio(n; x).
La distribucin binomial
acumulada es:
Probabilidad de falla para una vida

til de n aos
El criterio de riesgo es la fijacin, a priori, del
riesgo que se desea asumir por el caso de que la
obra llegase a fallar dentro de su tiempo de vida
til, lo cual implica que no ocurra un evento de
magnitud superior a la utilizada en el diseo
durante el primer ao, durante el segundo, y as
sucesivamente para cada uno de los aos de vida
de la obra.

Probabilidad de falla para una vida

til de n aos
Perodo de retorno: Tr aos
Probabilidad de falla en un ao dado: 1/Tr
Prob. de que no falle en ese ao:1-1/Tr
Prob. que no falle en los n aos: (1-1/Tr)n
Prob. que falle en los n aos: R =1-(1-1/Tr)n
Con Binomial, prob. que no falle en los n aos:
0 n 0 n n
n 1 1 1 1
b( x 0; n;1 / Tr ) 1 1*1* 1 1
0 Tr Tr Tr Tr
Riesgo R =1-(1-1/Tr)n
Tr=1/(1-(1-R) 1/n)
Si la obra tiene una
vida til de n aos,
se calcula Tr,
R VIDA TIL DE LAS OBRAS (n aos)
fijando el riesgo de (%) 1 2 3 5 10 20 25 50 100 200
falla admisible R, el 0.01 100 199 299 498 995 1,990 2,488 4,975 9,950 19,900
cual es la 0.02 50 99 149 248 495 990 1,238 2,475 4,950 9,900
probabilidad de 0.05 20 39 59 98 195 390 488 975 1,950 3,900
ocurrencia del pico 0.1 10 19 29 48 95 190 238 475 950 1,899
0.2 5 9 14 23 45 90 113 225 449 897
de la creciente 0.25 4 7 11 18 35 70 87 174 348 696
estudiada, durante 0.5 2 3 5 8 15 29 37 73 145 289
la vida til de la 0.75 1.3 2.0 2.7 4.1 7.7 15 19 37 73 145
obra. 0.99 1.0 1.1 1.3 1.7 3 5 6 11 22 44

Principales modelos
probabilsticos continuos
Normal
Log-normal
Exponencial
Gamma o Pearson III
Valores extremos tipo I. Gumbel
Distribucin Normal
Funcin densidad:
Esta funcin tiene un 0.5

gran nmero de 0.4
aplicaciones en 0.3
f(x)
estadstica, incluidas las 0.2

0.1
pruebas de hiptesis.
-
-4 -2 0 2 4
xm
z v.a.
s

Tabla de distribucin normal z versus P completa

Tabla de distribucin normal z versus P completa

(Cont.)

Uso de software
HIDROESTA
Mximo Villn Bjar

Creacin de un
nuevo conjunto
de datos

Acceso a datos
pregrabados


Mtodo de clculo
Nmero de orden de los parmetros
Datos
Probabilidad emprica Weibull
Probabilidad terica
Bondad
de ajuste



Distribucin Log-Normal
Es la distribucin Normal aplicada habiendo
hecho un cambio de variable.
Existen dos tipos de Log Normal:
De dos parmetros: y my
y ln( x); z
sy
y my
De tres parmetros: y ln( x a); z
sy

Trabajando en Excel LN2
f(x)
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9


LogN de 3 parmetros y my
y ln( x a); z
sy

Lognormal de
3 parmetros

VE I o Gumbel
La probabilidad acumulada:
y 1
F ( x X ) 1 e e
Tr
donde y es una variable auxiliar:
xu
y
a
a y u son los parmetros de la funcin:
Sx
a u x yn .a
Sn
Valores de Gumbel
Media reducida Yn
n 0 1 2 3 4 5 6 7 8 9
10 0,4952 0,4996 0,5035 0,5070 0,5100 0,5128 0,5157 0,5181 0,5202 0,5220
20 0,5230 0,5252 0,5268 0,5283 0,5296 0,5309 0,5320 0,5332 0,5343 0,5353
30 0,5362 0,5371 0,5380 0,5388 0,5396 0,5402 0,5410 0,5418 0,5424 0,5430
40 0,5436 0,5442 0,5448 0,5453 0,5458 0,5463 0,5468 0,5473 0,5477 0,5481
50 0,5485 0,5489 0,5493 0,5497 0,5501 0,5504 0,5508 0,5511 0,5515 0,5518
60 0,5521 0,5524 0,5527 0,5530 0,5533 0,5535 0,5538 0,5540 0,5543 0,5545
70 0,5548 0,5550 0,5552 0,5555 0,5557 0,5559 0,5561 0,5563 0,5565 0,5567
80 0,5569 0,5570 0,5572 0,5574 0,5576 0,5578 0,5580 0,5581 0,5583 0,5585
90 0,5586 0,5587 0,5589 0,5591 0,5592 0,5593 0,5595 0,5596 0,5598 0,5599
100 0,5600
Desviacin tipica reducida Sn
n 0 1 2 3 4 5 6 7 8 9
10 0,9496 0,9676 0,9833 0,9971 1,0095 1,0206 1,0316 1,0411 1,0493 1,0565
20 1,0628 1,0696 1,0754 1,0811 1,0864 1,0915 1,0961 1,1004 1,1047 1,1086
30 1,1124 1,1159 1,1193 1,2260 1,1255 1,1285 1,1313 1,1339 1,1363 1,3880
40 1,1413 1,1430 1,1458 1,1480 1,1499 1,1519 1,1538 1,1557 1,1574 1,1590
50 1,1607 1,1623 1,1638 1,1658 1,1667 1,1681 1,1696 1,1708 1,1721 1,1734
60 1,1747 1,1759 1,1770 1,1782 1,1793 1,1803 1,1814 1,1824 1,1834 1,1844
70 1,1854 1,1863 1,1873 1,1881 1,1890 1,1898 1,1906 1,1915 1,1923 1,1930
80 1,1938 1,1945 1,1953 1,1959 1,1967 1,1973 1,1980 1,1987 1,1994 1,2001
90 1,2007 1,2013 1,2020 1,2026 1,2032 1,2038 1,2044 1,2049 1,2055 1,2060
100 1,2065



Distribucin Gamma o Pearson III

Posee gran flexibilidad y diversidad de formas, segn los
parmetros.
Se utiliza esta funcin para estudiar variables cuya
distribucin es asimtrica, tales como las hidrolgicas.
De uso corriente en anlisis de las colas de espera.
Gamma de 3 parmetros:
a 1 x
1 x

f ( x;a ; ; ) e
(a )

a 1 x
1 x

f ( x;a ; ; )
(a )
e
Distribucin Gamma o Pearson III
Dependiendo de los valores de los parmetros, se trata de
Gamma de 3p o Gamma de 2p.
Si = 0 Gamma de 2 parmetros (Excel):
1
f ( x;a ; ) a
xa 1e x
(a )
Si = 1 Gamma de 1 parmetro o estndar:
1 a 1 x
f ( x;a ) x e
(a )
Si a = 1, equivale a la distribucin exponencial con: l 1/.

1 1
f ( x;1; ) ex ; f ( x; l ) l e l x con l

Distribucin Gamma 2 parmetros
La ecuacin para la funcin de densidad de la

probabilidad es:
1
f ( x;a ; ) a
xa 1e x
(a )
Parmetros:
Forma: a x/ > 0
Escala: s2/x > 0


Bondad de ajuste de los modelos

Los test de bondad de ajuste son una prueba de
hiptesis que se usa para evaluar si un conjunto
de datos es una muestra independiente de la
distribucin F elegida.
Ho: Los datos son una muestra independiente e

idnticamente distribuida de F(x).
Ojo: No rechazar Ho no quiere decir aceptar Ho.

Pruebas de bondad de ajuste
Prueba c2: Se necesita agrupar los
valores y es ms trabajosa.
Prueba Smirnov-Kolmogorov: Se
trabaja con los valores individuales.
Prueba Smirnov-Kolmogorov
Compara las P exc empricas:
P = m/(n+1) m:# orden; n:# datos
con las tericas segn cada distribucin de los
datos individuales, sin agrupar.
Producto de dicha comparacin se obtienen unos
valores D.
El Dmximo se compara con un valor Dcrtico:
Dcrtico = 1.36 / n
Se acepta si Dmximo < Dcrtico Nivel de
significancia
Numerador
20% 1,07
10% 1,22
5% 1,36
1% 1,63


Cmo se elige el mejor modelo?

Un criterio es el menor delta.
Una vez ajustado el modelo probabilstico se
predicen los valores y se llega a la curva de
diseo Q vs Tr.


HDA Vial 2 HDL ED

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

HDA Vial 2 HDL ED

Uploaded by

Copyright:

Available Formats

Universidad de Piura

Programa Master en Ingeniera Civil

Hidrologa Avanzada - 2017

Tratamiento estadstico de las variables

Modelos probabilsticos en Hidrologa

Principales modelos probabilsticos:

Bondad de ajuste de los modelos

Hidrologa Avanzada - 2017

Hidrologa Avanzada - 2017

Evento: Resultado de un experimento.

Hidrologa Avanzada - 2017

Experimento: Preguntar el nmero de crditos

Hidrologa Avanzada - 2017

Hidrologa Avanzada - 2017

Hidrologa Avanzada - 2017

Existe un 20% de probabilidad que el nivel del ro est

No en todos los experimentos los diversos

Hidrologa Avanzada - 2017

Medidas descriptivas de los datos

Medidas descriptivas de tendencia central

Media aritmtica o promedio: la suma

Hidrologa Avanzada - 2017

Medidas descriptivas de variabilidad

Hidrologa Avanzada - 2017

Medidas descriptivas de posicin

Hidrologa Avanzada - 2017

Medidas descriptivas de forma

Hidrologa Avanzada - 2017

Hidrologa Avanzada - 2017

Medidas descriptivas en Excel

Para activar su uso, ir al botn de

Hidrologa Avanzada - 2017

Funciones estadsticas en excel

Media aritmtica PROMEDIO

Varianza (muesta) VAR

Varianza (poblacin) VARP

Desviacin estndar (muestra) DESVEST

Desviacin estndar (poblacin) DESVESTP

Coeficiente de asimetra COEFICIENTE.ASIMETRIA

Tratamiento estadstico de las variables

A cada evento le corresponde un nmero real.

A partir de un espacio muestra, diferentes variables.

Discreta: Nmero de eventos es finito.

Continua: Nmero de eventos es infinito.

Hidrologa Avanzada - 2017

Modelos probabilsticos en Hidrologa

Hidrologa Avanzada - 2017

Modelos probabilsticos en Hidrologa

Modelo matemtico probabilstico

Dan resultados aproximados, con cierto grado de

Modelos probabilsticos en Hidrologa

Modelo matemtico probabilstico

Hidrologa Avanzada - 2017

Analoga con modelos determinsticos

Ahora, qu pasa si extrapolamos hasta x=20?

y = 0.99x + 0.68 y = 1.85x 0.68

y = -0.05x 2 + 1.38x + 0.25

Hidrologa Avanzada - 2017

Y hasta x=50? Lo mismo va a suceder con los

Hidrologa Avanzada - 2017

Por ejemplo, la probabilidad de que uno

Hidrologa Avanzada - 2017

donde: es el combinatorio(n; x).

Probabilidad de falla para una vida