AO DEL BUEN SERVICIO AL CIUDADANO

FACULTAD DE INGENIERA

ESCUELA ACADMICA PROFESIONAL DE INGENIERA CIVIL

TEMA:

Caudales mximos Mtodos Estadsticos

ASIGNATURA:Hidrologa

TURNO:Maana

INTEGRANTES:
Benites Vilchez Joao
Castro Marzal Gianfranco
ChumioqueBedn Katherine
Garcia Manrique Jos
Vsquez TorrealvaMilser
DOCENTE:Edgar GustavoSparrowAlamo

NUEVO CHIMBOTEPER

2017

1
INTRODUCCIN..3
NDICE
1. Conceptos de probabilidad y estadstica4
1.1. Funciones de probabilidad.5
1.1.1. Funciones discretas..5
1.1.2. Funciones continuas.5
1.2. Distribucin de probabilidad.5
1.2.1. Momentos de las distribuciones.6
1.2.2. Parmetros estadsticos7
1.2.2.1. Media...7
1.2.2.2. Varianza..7
1.2.2.3. Coeficiente de variacin..7
1.2.2.4. Coeficiente de asimetra..8
1.2.2.5. Periodo de retorno..8
1.2.3. Distribuciones de Probabilidad ms usadas en hidrologa para variables
continuas..10
1.2.3.1. Distribucin normal..10
1.2.3.2. Distribucin Pearson III..11
1.2.3.3. Distribucin Log-Pearson III ..12
1.2.3.4. Distribucin Gumbel12
1.3. Otros mtodos estadsticos.13
1.3.1. Mtodo de Nash..14

2
INTRODUCCIN

El objetivo de este captulo es dar a conocer los fundamentos tericos de las metodologas
utilizadas, que posteriormente se validar n, mejorando as su comprensin; adems de servir
como gua para posteriores estudios relacionados con la temtica abordada. Existen
metodologas tanto Hidrometeoro lgicas como Estadsticas para la determinacin de caudales
mximos. Las metodologas Estadsticas utilizadas son Gumbel, log Pearson III, Nash y
Lebediev.

3
El estudio de un fenmeno hidrolgico requiere del anlisis de datos o muestras histricas
recopiladas para poder comprender el comportamiento del mismo, as como para tomar
decisiones relativas a un proyecto de ingeniera que dependa en gran medida del fenmeno en
cuestin.

1. Conceptos de probabilidad y estadstica

Para estudiar las tcnicas y recursos estadsticos es necesario tomar en cuenta algunos
conceptos bsicos sobre probabilidad, debido a que sta es el nexo entre Hidrologa y
Estadstica.
Cuando se va a realizar un experimento, slo se presentan dos situaciones: se sabe con
certeza lo que va a ocurrir o no se sabe. En Hidrologa esta semejanza es vlida, y
ocurre lo que en el segundo caso: no se sabe con certeza lo que ocurrir, an bajo las
mismas condiciones, los fenmenos hidrolgicos se "predicen" en base a
"probabilidades".
Visto desde este punto, se dice que estamos en este caso frente a lo que se denomina
"experiencia aleatoria".
La teora de la probabilidad estudia las experiencias aleatorias y las posibles formas en
que ocurren, llamadas sucesos o eventos.
La probabilidad es un nmero real, entre cero y uno, que se le adjudica a los sucesos
como una medida de su posible ocurrencia. Si un suceso no puede ocurrir jams, como
resultado de la experiencia, se llama "suceso imposible" y tiene una probabilidad de
cero. Si, por el contrario, es evidente que siempre ocurrir, se le llama "suceso seguro"
y tiene una probabilidad de uno.
Cualquier otro suceso diferente de los sealados tomar su valor de probabilidad en el
intervalo real abierto.
En este intervalo, como se dijo, cada suceso es relacionado con un nmero real
llamado "variable aleatoria", de un modo tal que la asignacin de la probabilidad se
realiza desde un conjunto de nmeros reales hacia el intervalo [0, 1], donde la suma
de todos los valores de probabilidad es igual a 1.
Las variables aleatorias numricas se clasifican en discretas y continuas. Se llaman
discretas cuando toman valores puntuales; por lo general, nmeros enteros. Se llaman
continuas cuando, real o tericamente, pueden tomar cualquier valor dentro de un
conjunto bien definido de nmeros reales.

4
 Esta asignacin de la probabilidad obliga a analizar la forma en que dicha probabilidad
se distribuye en cada una de las variables aleatorias. Cuando el nmero de
observaciones se incrementa, el tamao de los intervalos decrece. Si los intervalos en
los que ocurren los sucesos u observaciones, es tan pequeo que tienden a cero, la
distribucin de probabilidades se hace mediante una determinada funcin.
1.1. Funciones de probabilidad
Existen dos tipos de funciones de probabilidad:
1.1.1. Funciones discretas
Cuando el nmero de valores x que puede tomar una variable aleatoria X es finito,
se dice que la variable aleatoria X es discreta (por ejemplo, el arrojar un dado).
1.1.2. Funciones continuas
Cuando el nmero de valores x que puede tomar una variable aleatoria X es
infinito se dice que dicha variable aleatoria es continua.

Por su naturaleza, a la hidrologa le interesa estudiar a las funciones continuas de probabilidad,

ya que los eventos ocurrentes no tienen un rango finito. (Por ejemplo los volmenes de
escurrimiento mensual de un ro).

Estimar a qu funcin de distribucin pertenece un fenmeno hidrolgico es un problema

complejo, puesto que slo se tiene la muestra histrica disponible como herramienta, y un
anlisis previo de la misma dar la pauta para elegir la funcin ms adecuada. En el anlisis de
dicha muestra pueden considerarse los siguientes criterios:

El tipo de fenmeno hidrolgico: Se pueden elegir las funciones cuyos lmites matemticos
sean compatibles con los lmites impuestos por la naturaleza del fenmeno. [Llamas, 1993: p.
96].

Las caractersticas estadsticas de la muestra: La bsqueda de la funcin de distribucin debe

limitarse a aquellas familias de funciones de simetra equivalente.

La longitud de la muestra: Cuando se cuenta con muestras cortas o de reducido nmero de

valores (50 o menos), slo deben analizarse las funciones definidas por un nmero reducido de
parmetros (de 1 a 3). Si la muestra es larga o lo suficientemente grande se debe utilizar
funciones con mayor nmero de parmetros para dar mayor precisin debido a que el riesgo
de la extrapolacin a partir de una muestra limitada, es inversamente proporcional a la
longitud de la muestra.

1.2. Distribuciones de probabilidad

5
El comportamiento de las variables aleatorias discretas o continuas se describe con la
ayuda de Distribuciones de Probabilidad. La variable se designa por mayscula y un
valor especfico de ella por minscula.
Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente
P(a x b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b).
Si conocemos la probabilidad P(a x b) para todos los valores de a y b, se dice que
conocemos la
Distribucin de
Probabilidades de la
variable x.

Figura 2.3. Distribucin de la funcin de probabilidad de la variable x

P(a x b) = () = (Ec. 2.42)

Si x es un nmero dado y consideramos la probabilidad P(Xx):

() = ( ) (Probabilidad de no excedencia). (Ec. 2.43)

Y llamamos F(x) la funcin de distribucin acumulada.

Cuando el nmero de observaciones se incrementa, el tamao de los intervalos

decrece.

f(x) es la llamada funcin de densidad de probabilidades y tiene las siguientes

caractersticas:

() = 1(Ec. 2.44)

( ) = ()(Ec. 2.45)

6

() = 0(Ec. 2.46)

Lo que implica que las probabilidades se definen slo como reas bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.

1.2.1. Momentos de las distribuciones

Las propiedades de las distribuciones pueden ser definidas completamente en
trminos de los momentos. Los momentos en estadstica son similares a los
momentos en fsica (rotacin respecto al o)

= () Parala variable continua (Ec. 2.47)

O respecto a la media (eje de rotacin diferente al origen)

= ( ) () Para la variable continua (Ec. 2.48)

1.2.2. Parmetros estadsticos

Los estadsticos extraen informacin de una muestra, indicando las caractersticas
de la poblacin. Los principales estadsticos son los momentos de primer, segundo
y tercer orden correspondiente a la media, varianza, y asimetra respectivamente.
1.2.2.1. Media :
Es el valor esperado de la variable misma. Primer momento respecto al origen.
Muestra la tendencia central de la distribucin

= () (Ec. 2.49)

El valor estimado de la media a partir de la muestra es:

1
= =1 (Ec. 2.50)

1.2.2.2. Varianza 2
Mide la variabilidad de los datos. Es el segundo momento respecto a la media.

2 = ( )2 () (Ec. 2.51)

El valor estimado de la varianza a partir de la muestra es:

1
2 = 1 =1(1 )2 (Ec. 2.52)

En el cual el divisor es n-1 en lugar de n para asegurar que la estadstica de la

muestra no sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser
mayor o menor que el valor verdadero. Las unidades de la varianza son la media

7
 al cuadrado, la desviacin estndar s es una medida de la variabilidad que tiene
las mismas dimensiones que la media y simplemente es la raz cuadrada de la
varianza, se estima por s.

1.2.2.3. Coeficiente de variacin.

Es una medida adimensional de la variabilidad. Su estimado es:

= (Ec. 2.53)

1.2.2.4. Coeficiente de asimetra

La distribucin de los valores de una distribucin alrededor de la media se mide

por la asimetra. Se obtiene a partir del tercer momento alrededor de la media,
dividindolo por el cubo de la desviacin estndar para que sea adimensional.

[( )3 ] = ( )3 () (Ec. 2.54)

Tercer momento respecto a la media

1
= [( )3 ](Ec. 2.55)
3

Un estimativo del coeficiente de asimetra est dado por:

1 ( )3
= (1)(2) 3 (Ec. 2.56)

1.2.2.5. Perodo de Retorno

Cada espacio muestral tiene su propia funcin de distribucin o de densidad de
probabilidad, que normalmente no se conoce a priori. Cuando de ese espacio se
extrae un grupo de datos (muestra) al azar, es razonable esperar que su funcin de
distribucin de probabilidad sea similar a la del espacio completo, en particular si
la muestra es grande.
Adems, lo ms razonable que se puede suponer en cuanto a la frecuencia de cada
dato del grupo es que sta sea, dentro del espacio muestral, igual a la observada.
El perodo de retorno o intervalo de recurrencia, T, se define como el tiempo
promedio en el cual un evento de cierta magnitud va a ser igualado o superado
por lo menos en una ocasin. Por ejemplo, si se tiene un evento de diseo con una
probabilidad de ocurrencia P = 0.25 y tomando un proyecto con una vida til de

8
100 aos se tendra entonces que de los 100 aos que dure el proyecto, en 25 se
excedera el evento de diseo. Por lo tanto, el tiempo promedio de recurrencia del
evento es de 100/25 = 4 aos. Si P es la probabilidad, entonces:

1
= (Ec. 2.57)

La probabilidad de que el evento no ocurra sera entonces:

11
() = (1 ) =
(Ec. 2.58)

La probabilidad de que no ocurra en n aos de la vida til del proyecto sera:

() = (1 1/ ) (Ec. 2.59)

Y la probabilidad de que ocurra el evento en n aos o el riesgo de que se presente

es:

() = [1 (1 1/)] (Ec. 2.60)

Cuando se tiene una lista de datos ordenados en forma decreciente con respecto
al evento, el perodo de retorno se puede calcular como:

(+1)
=
(Ec. 2.61)

Donde: n = nmero de datos.

m = nmero consecutivo de la lista para dicho evento.

Una vez que se asigna un perodo de retorno al gasto de diseo de la obra que se
est analizando, es necesario hacer extrapolaciones a partir de los gastos
mximos anuales que se hayan registrado para conocer el gasto de diseo que
correspondera al perodo de retorno seleccionado. Esas extrapolaciones se logran
mediante el uso de funciones de distribucin de probabilidad, aquellas que ms se
ajusten a los registros con los que se cuenta.

De las funciones de distribucin de probabilidad ms usadas en hidrologa, estas

son algunas de ellas para la determinacin de caudales mximos:

1. Normal

2. Log-normal

3. Pearson III

9
 4. log-Pearson III

5. Gumbel

Para la estimacin de caudales mximos en este documento se seleccionaron la

funcin Log-Normal porque es apropiada para variables aleatorias que cubren
todo el rango de valores de los resultados posibles del experimento bajo anlisis
(volmenes de escurrimiento mensual, por ejemplo); la funcin Gumbel debido
que se desarroll para el anlisis de los valores extremos de dichos resultados,
como los gastos mximos o mnimos anuales; y la funcin Log-Pearson III ya que
ocupa un lugar intermedio. [Francisco Aparicio, 2001: p. 253]

1.2.3. Distribuciones de Probabilidad ms usadas en hidrologa para variables continuas.

1.2.3.1. Distribucin normal
La distribucin normal es una distribucin simtrica en forma de campana,
tambin conocida como Campana de Gauss. Aunque muchas veces no se ajusta a
los datos 43 hidrolgicos tiene amplia aplicacin por ejemplo a los datos
transformados que siguen la distribucin normal.
La funcin de densidad de probabilidad normal se define como:

1 2
1 ( )
() = 2 (Ec. 2.62)
2

Y la funcin de distribucin de probabilidad normal como:

1 2
1 ( )
() = 2 (Ec. 2.63)
2

Donde:

x = variable aleatoria.

= media de la poblacin.

= desviacin estndar de la poblacin.

Para resolver esta funcin se recurren a mtodos numricos para evaluarla, y para
hacer esto ms sencillo se ha asignado como variable estandarizada:

= (Ec. 2.64)

Que est normalmente distribuida con media cero y desviacin estndar unitaria.
As la funcin principal queda como:

10
 1 2
() = () = 2 2 (Ec. 2.65)

Hay dos maneras de estimar F(z), una es mediante una tabla que se ha publicado
de dicha ecuacin. Y la segunda es mediante frmulas aproximadas, la funcin de
densidad f(z) se aproxima como:

() = (0 + 1 2 + 2 4 + 3 6 )1(Ec. 2.66)

Donde:

0 = 2.490895
1 = 1.466003
2 = 0.024393
3 = 0.178257
Y la funcin de distribucin sera la siguiente:

() = (), > 0(Ec. 2.67)

() = 1 (), < 0(Ec. 2.68)

Donde:
2

1
() = 1 2 (
1 + 2 2 + 3 3 )(Ec. 2.69)
2

Siendo:
1
= 1+ (Ec. 2.70)
0 ||

0 = 0.33267
1 = 0.43618
2 = 0.12017
3 = 0.93730
1.2.3.2. Distribucin Log-Normal de dos parmetros
Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice
que X se distribuye normalmente.

Esta distribucin es muy usada para el clculo de valores extremos por ejemplo
Qmax, Qmnimos, Pmax, Pmnima (excelentes resultados en Antioquia). Tiene la
ventaja que X>0 y que la transformacin Log tiende a reducir la asimetra positiva
ya que al sacar logaritmos se reducen en mayor proporcin los datos mayores que
los menores.

Limitaciones: tiene solamente dos parmetros, y requiere que los logaritmos de

las variables estn centrados en la media

11
Funcin de densidad:

y = ln x
donde,
my : media de los logaritmos de la poblacin (parmetro escalar), estimado
sy : Desviacin estndar de los logaritmos de la poblacin, estimado sy

Estimacin de parmetros:

Factor de frecuencia:

Puede trabajarse en el campo original y en el campo transformado.

Campo transformado: Si se trabaja en el campo transformado se trabaja con la media y

la desviacin estndar de los logaritmos, as:

Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)

con K con variable normal estandarizada para el Tr dado, xy media de los logaritmos y
Sy es la desviacin estndar de los logaritmos.

Campo original: Si se trabaja con los X sin transformar el K se calcula como

K es la variable normal estandarizada para el Tr dado, es el coeficiente de

variacin, x media de los datos originales y s desviacin estndar de los datos
originales.

12
1.2.3.3. Distribucin Pearson III
Esta distribucin ha sido una de las ms utilizadas en hidrologa. Como la mayora
de las variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar
la distribucin de frecuencia de variables tales como crecientes mximas anuales,
Caudales mnimos, Volmenes de flujo anuales y estacionales, valores de
precipitaciones extremas y volmenes de lluvia de corta duracin.
La funcin de distribucin Gamma tiene dos o tres parmetros. La funcin de
densidad de probabilidad Pearson de tres parmetros (tipo III) se define como:

1 1 1 1 1
() = { } 1 (Ec. 2.76)
1 (1 ) 1

Donde1 , 1 ,1 son los parmetros de la funcin y T(1 ) es la funcin de Gamma.

Los parmetros 1 , 1 ,1 se evalan a partir de datos medidos, mediante el
siguiente sistema de ecuaciones:

= 1 1 + 1 (Ec. 2.77)

2 = 1 2 1 (Ec. 2.78)

= 2/(1 )0.5(Ec. 2.79)

Donde es la media de los datos, 2 su variancia y su coeficiente de sesgo, que

se define como:

( )3 /
= =1 3
(Ec. 2.80)

La funcin de distribucin de probabilidad es:

1 ( 1 ) 1 1
() = 1 ( ) (Ec. 2.81)
1 (1 ) 0 1

Y sustituyendo

1
=( 1
)(Ec. 2.82)

La ecuacin quedara

1
() = ( ) 0 1 (Ec. 2.83)
1

Siendo la anterior una funcin ji cuadrada con 2b1 grados de libertad y

13
 () = ( 2 ) = 2 (221 ) (Ec. 2.84)
Esta funcin se usa solo cuando 1 = /2, donde es un entero positivo
cualquiera. Como 2 es no entero, puede tomarse como el entero ms prximo o
bien interpolar en la tabla del anexo B. Cuando < 0.3, se tendr que acudir a
tablas de la funcin de distribucin de Gamma de un parmetro. Cuando da
valores extraos, como negativos o muy grandes, es recomendable fijar dicho
valor de d a ojo, estimndolo, como la ordenada al origen en una grfica de gasto
contra periodo de retorno.

1.2.3.4. Distribucin Log-Pearson III

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin

Pearson tipo III, se dice que la variable aleatoria X se ajusta a una distribucin Log
Pearson Tipo III. Esta distribucin es ampliamente usada en el mundo para el
anlisis de frecuencia de caudales mximos. Esta se trabaja igual que para la
Pearson Tipo III incluso el uso de la distribucin ji cuadrada, pero con Xy y Sy
como la media y desviacin estndar de los logaritmos de la variable original X.

1.2.3.5. Distribucin Gumbel

Supngase que se tienen N muestras cada una con n eventos. Si se selecciona el
mximo x de los n eventos de cada muestra, es posible demostrar que, a medida
que aumenta n, la funcin de probabilidad de x (probabilidad de no excedencia)
tiende a:

()
() = = ( = ) (Ec. 2.85)

La funcin de densidad de probabilidad es entonces:

() ]
() = [() (Ec. 2.86)

Y la probabilidad de excedencia es:

= [1 ()](Ec. 2.87)

Donde y son los parmetros de la funcin.

Los valores de y :

= 6(Ec. 2.88)

= /(Ec. 2.89)

14
 Donde? es la constante de Euler y es igual a:

? = 0.577215(Ec. 2.90)

1.3. Otros mtodos estadsticos

1.3.1. Mtodo de Nash
Utilizando la funcin de distribucin de probabilidad de Gumbel de una poblacin,
Nash propone la siguiente metodologa para calcular los parmetrosde la funcin:
Sea:

Comparando la ec. I.10 con la I.9, a = y c = -

Con un cambio de variable, la ec. I.10 queda:

Y a y c son los parmetros de la funcin, que se obtendrn a travs de

unanlisis de correlacin lineal simple con el criterio de los mnimos cuadrados.

El subndice i representa los datos muestrales.

1.4. Mtodo de Lebediev

Este mtodo est basado en suponer que los caudales mximos anuales son variables
aleatorias Pearson tipo III

El caudal de diseo se obtiene a partir de la frmula:

15
16
Aplicaciones

DISTRIBUCIN LOGNORMAL DE DOS PARMETROS

En un ro se tienen 30 aos de registros de Qmximos instantneos anuales con x= 15
m3/s, S = 5 m3/s (media y desviacin estndar para los datos originales). xy=2.655, sy =
0.324 (media y desviacin estndar de los datos transformados). Encontrar el caudal para
un periodo de retorno de 100 aos y los limites de confianza para un a = 5%. Calcular la
probabilidad de que un caudal de 42.5 m3/s no sea igualado o excedido P(Q 4.25).

Solucin:

n=30
x= 15 m3/s xy=2.655
s = 5 m3/s sy = 0.324

En el campo original

= 5/15 = 0.33

K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.99)

de la tabla de la normal se obtiene KT=2.33

KT = 3.06

QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s

En el campo transformado se tiene que:

LnQTr100 = 2.655 + 2.33*0.324

LnQTr100 = 3.40992

QTr100 = Exp (3.40992)

Q Tr100 = 30.26 m3/s

17
Limites de confianza

Ln (QTr) t(1-a) Se

d = 1.93

t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

Ln(30.28) (1.645 ) (0.11)

3.41 0.18095
[3.22905 3.59095]
3.22905
[e e3.59095]
[25.26 36.29] Intervalos de confianza para QTr100

b) Calcular la probabilidad de que un caudal de 45 m3/s no se igualado o excedido

P(Q 4.25).

Ln(42.5) = 3.75

t = (3.75 - 2.655)/0.324

F(3.38) = 0.9996 Ledo de la tabla de la normal

P(Q 4.25) = 99.9%

18
DISTRIBUCIN DE GUMBEL

Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno y los intervalos
de confianza. x= 15 m3/s, s = 5 m3/s

QTr100 = x + KT s

KT = 3.14

QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s

Intervalos de confianza

t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

d = 3.93

Xt t(1-a) Se

30.7 m3/s (1.64) (3.58)

[24.83 m3/s 36.58 m3/s] Intervalo de confianza para QTr100

19
DISTRIBUCION DE PEARSON TIPO 3
Se tiene una estacin con 30 aos de registros de caudales mximos instantneos con Media
de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el coeficiente de asimetra de los
caudales es de 1.981 pie3/s cual es caudal para un periodo de retorno de 100 aos y su
intervalo de confianza.

QTr100 = X+ SK

K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553

(2.0,100) = 3.605

QTr100 = 4144+ (3.595) (3311)

QTr100 = 16050 pie3/s

Intervalos de confianza

Xt t(1-a) Se

d = F(1.981,100) de tablas se obtiene d =8.4922 (1.9,100) = 8.2196

(2.0,100) = 8.5562

Se = 5133.56 pie3/s

t(1-a) = t(0.95) = 1.645

16050 (5133.56) (1.645)

[7605.29 pie3/s 24494.71pie3/s] Intervalos de confianza para QTr100

20
21