HIDROLOGIA AVANZADA

INTRODUCCION
La planeacin y el diseo de proyectos relacionados con el agua necesitan informacin de diferentes eventos hidrolgicos que no son gobernados por leyes fsicas y qumicas conocidas, sino por las leyes de azar. Por ejemplo, el caudal de un ro vara da a da y ao tras ao, y no puede predecirse exactamente cual ser su valor en un perodo de tiempo cualquiera. En el caso del diseo de un puente, el estudio hidrolgico determinara la creciente asociada con una probabilidad crtica(se busca determinar el caso crtico), la cual se supone representa el riesgo para el puente. Esto solo puede determinarse a travs del anlisis probabilstico y estadstico basado en los registros hidrolgicos del pasado.

Es dable afirmar que en hidrologa, en algunos casos, trata con variables aleatorias cuyo comportamiento no puede predecirse con certidumbre. El comportamiento de una variable aleatoria est descrito por una ley de probabilidades, la cual asigna medidas de probabilidad a posibles valores o rangos de ocurrencia de la variable aleatoria. Las variables aleatorias pueden ser discretas o continuas.

Aleatoria del latn alea, que significa suerte o azar

Se dice que una variable aleatoria es discreta si ella slo puede tomar valores especficos. Por ejemplo, si N denota el nmero de das lluviosos en el mes de diciembre, entonces N es una variable aleatoria discreta. En este caso, la ley de probabilidades asocia medidas de probabilidad a cada posible ocurrencia de la variable aleatoria.

Una variable aleatoria es continua si puede tomar todos los valores en un rango de ocurrencia. Por ejemplo, si Q es una variable aleatoria que denota el valor de los caudales promedios diarios del ro Magdalena, entonces Q puede asumir cualquier valor y es entonces una variable aleatoria continua. En este caso la ley de probabilidades asigna medidas de probabilidad a rangos de ocurrencia de la variable aleatoria.

En el anlisis probabilstico y estadstico en hidrologa, se asume que la informacin histrica disponible de una variable hidrolgica representa una muestra tomada de una poblacin cuyas caractersticas se desconocen. En el anlisis probabilstico se analizan posibles leyes de probabilidad que pueden describir el comportamiento de las variables de la poblacin.

En el anlisis estadstico, se hacen inferencias sobre la variable (la poblacin), usando la muestra. Por ejemplo, cuando se calcula una media con observaciones disponibles, se est infiriendo que la media calculada es la media de la poblacin, lo cual no necesariamente es verdad, pues esto depender de la calidad de la informacin, del nmero de observaciones y otros aspectos

Costa norte de Venezuela a fines de 1999. En Diciembre de 1999 ocurren lluvias extraordinarias en la vertiente del Caribe en la costa norte de Venezuela, provocando la erosin de los cerros, grandes aluviones y la inundacin de varios pueblos del litoral. Los daos provocados son un ejemplo de las situaciones que pueden ocurrir cuando las zonas urbanas ocupan la red de drenaje y son sometidas a crecidas extraordinarias. A continuacin un resumen de lo ocurrido extrado de una presentacin de la Sociedad Venezolana de Geologa.

El hecho es que muchos fenmenos hidrolgicos son errticos, complejos y de naturaleza aleatoria, y solo pueden ser interpretados en un sentido probabilstico. Uno de los problemas ms importantes en hidrologa es la interpretacin de registros de eventos pasados para inferir la ley de probabilidades de la variable hidrolgica (poblacin) de inters, procedimiento que en hidrologa se conoce con el nombre de anlisis de frecuencia.

Por ejemplo supngase que se tienen registros del caudal del ro Magdalena durante un perodo de 50 aos. Son factibles dos tipos de anlisis: descriptivo y de inferencia. El primero se realiza sin ninguna referencia a su poblacin, de la cual se tiene una muestra de 50 aos. Consiste, bsicamente, en calcular propiedades estadsticas, como media, varianza y otras. En el segundo, la muestra se analiza para inferir las propiedades

de su poblacin, lo cual ayudar a derivar las caractersticas probabilsticas del caudal. El primero es una aplicacin de los mtodos estadsticos que requieren poca decisin y poco riesgo. El segundo involucra riesgos y requiere una total comprensin de los mtodos empleados y el peligro involucrado en la prediccin y estimacin de las variables.

Contenido
1.Probabilidades 2.Introduccin a la Estadstica 3.Estadstica descriptiva 4.Funcin de probabilidad Distribuciones de probabilidad de variables discretas, Distribuciones continuas de probabilidad 5.Pruebas de bondad de ajuste

GENERALIDADES
El comportamiento de la variable hidrometeorolgica como la precipitacin , temperatura del aire, descargas o caudales, etc., en la naturaleza son aleatorios, especialmente las variables extremas (mximas o mnimas), el medio adecuado para estudiar para estudiar es a travs de la TEORIA DE PROBABILIDADES FENMENO ALEATORIO Es aquel fenmeno que bajo las mismas condiciones experimentales se presenta en ms de una manera, o tambin se le denomina fenmeno que sucede al azar.En el lenguaje de probabilidades las palabras: fenmeno, sucesos, experimento, observacin o dato son trminos que se usan indistintamente. El azar hace que algunas cosas ocurran de manera fortuita e impredecible.

Eventos: Subconjunto del espacio muestra. Pueden ser simples o

compuestos de dos o ms puntos muestrales. Caras. Pares: 2,4,6. Velocidad inicial. Primera llegada y ltima llegada. Variable aleatoria: Es una funcin definida sobre un espacio muestra. A partir de un espacio muestra se pueden tener diferentes v.a. Con frecuencia a cada evento o punto muestral, ei, le corresponde un nmero real, v.a.

Dominio: espacio muestra Rango: v.a.

X(ei) = xi Ser:

discreta: si el nmero de eventos posibles es finito. si N denota el nmero

de das lluviosos en el mes de diciembre, entonces N es una variable aleatoria discreta. continua: si el nmero de eventos posibles es infinito. si Q es una variable aleatoria que denota el valor de los caudales promedios diarios del ro Magdalena, entonces Q puede asumir cualquier valor y es entonces una variable aleatoria continua

Ejemplos:
Experimento: Llegada de autos a un estacionamiento. Espacio muestra: Hora de llegada S={00:00, 00:18, 00:52, ... 22:20, 23:45} Variable aleatoria continua: tiempo entre llegada de dos autos. Variable aleatoria discreta: Nmero de autos al da. Experimento: Preguntar el nmero de crditos matriculados a los alumnos. Espacio muestra: Nmero de creditos S={1,2,3, ... 28, 29, 30} Variable aleatoria discreta: Nmero de alumnos con ms de 20 crditos. Nmero total de crditos inscritos.

Modelos Matemticos Un modelo es una representacin de un fenmeno de la naturaleza. Un modelo matemtico los representar mediante formulaciones matemticas. Estos pueden ser:

Modelos Matemticos Determinsticos: El resultado est determinado por las condiciones en que se realiza el experimento o se produce el fenmeno. Ej:

este resultado solo cambiar si cambiamos algn dato, es decir las condiciones bajo las cuales se realiza.

Modelos Matemticos No determinsticos: Cuando las condiciones en que se realiza el experimento no determinan el resultado. Estos modelos dan resultados aproximados con cierto grado de confiabilidad. Tienen las siguientes caractersticas: Sin cambiar las condiciones se obtienen diferentes resultados. Se puede describir el conjunto de resultados posibles. Al inicio los resultados parecen ocurrir sin ningn patrn, pero despus de muchas repeticiones se observa un patrn regular que permite elaborar un modelo preciso que describe el fenmeno.

Modelos Matemticos No determinsticos:

Ej: la lluvia en una localidad, la intensidad de un sismo. Se requiere: Espacio muestral, S. Probabilidad, asociada a c/punto de S. Ejemplo: Lluvias en Cajamarca. v.a.: Total de lluvia mensual en Cajamarca. Registros: 0 160 mm Espacio muestral: 0 a Probabilidad: funcin de probabilidad.

Probabilidad

Su estudio surge por el afn del hombre por las competencias y las apuestas. Hoy en da abarca ms que los juegos de azar: poltica, ingenieras, negocios,

clima, etc.

Expresa resultados de los que no se tiene la total certeza. Expresa la posibilidad de que ocurra un evento como resultado de un experimento estadstico. Se evala por nmeros reales, probabilidades, del 0 al 1. A cada punto del espacio muestral se le asigna una probabilidad tal que la suma es igual a 1. Pueden ser equiprobables o con diferentes valores. La probabilidad de ocurrencia de un evento es la suma de probabilidades asignadas a los puntos muestrales.|

Tipos de probabilidad
Probabilidad a priori Probabilidad experimental Probabilidad subjetiva

Probabilidad a priori
Se conoce de antemano basados en que los eventos simples o puntos muestrales son equiprobables. P = # eventos xito / eventos totales Monedas, dados, naipes, etc. Ejemplos: - Lanzamiento de una moneda S = {c, s}; P(c) = - Lanzar dos dados y obtener resultados iguales: eventos totales: cc, cs, sc, ss 4 eventos xito: cc, ss 2 P = 2/4 =

Probabilidad experimental
No en todos los experimentos los diversos resultados tienen la misma ocurrencia. Si se repiten muchas veces, podemos observar mejor la frecuencia con que se repiten. A mayor nmero de experimentos:
frecuencias relativas observadas probabilidades de ocurrencia
P=# repeticiones del experimento=
frecuencia observada

Probabilidad subjetiva
Est asociada a la experiencia, habilidad o conocimiento que tiene una persona para juzgar cierta situacin. Se aplica a fenmenos que no se pueden repetir o cuya repeticin no tiene sentido. Ejemplos: Un topgrafo opina que tiene el 30% de posibilidades de terminar su trabajo en el cauce del ro a tiempo si el nivel de agua no le causa retrasos. Existe un 20% de probabilidad que el nivel del ro est alto durante la prxima semana.

Teorema: Probabilidad condicional

La probabilidad de que ocurra A dado que ha ocurrido B es:

Ej. Supngase que el ro Grande alcanza cada invierno un nivel de creciente con una frecuencia relativa de 0.2. En el Grande hay un puente cuya probabilidad de falla en los estribos es 0,3 y la experiencia muestra que cuando hay creciente, las probabilidades de esta falla suben a 0,5. Las probabilidades son: P(creciente) = P(C) = 0,2 P(no creciente) = P(C) = 0,8 P(falla) = P(F) = 0,3 P(no falla) = P(F) = 0,7 P (falla dada creciente) = P(F/C)= 0,5
Se desea conocer la probabilidad de falla del puente.

Solucin:
El puente falla (queda inutilizado) cuando falla en los estribos o cuando hay creciente; esto se puede denotar as:

Aplicando la ecuacin de la probabilidad condicional:

Reemplazando valores, se obtiene:

Al reemplazar este valor en la expresin de unin de probabilidades, se concluye finalmente que.

Ej. Una presa por gravedad puede fallar por deslizamiento (A), por crecientes (B), o por ambas. Asumir que : 1) La probabilidad de falla por deslizamiento es dos veces la probabilidad de falla por creciente: P(A)=2 P(B) 2) La probabilidad de falla por deslizamiento, dado que ha habido creciente, es 0.8 3) La probabilidad de falla de la presa es de 1*10-3 Determinar la probabilidad de que ocurra un deslizamiento, P(A).

Solucin:
La presa queda inutilizada cuando se presenta una falla por deslizamiento o cuando hay una creciente, lo que puede expresarse como: (A B) = 0.001 = P(A) + P(B) - P(A B) (1)

Se tiene adems que: P(A) = 2 P(B) (2)

Reemplazando la (2) en la (1):

0.001 = 3P(B) - P(A B) (3) Se sabe que: (4) Resolviendo simultneamente la (3) y la (4), se obtiene: P(A) = 9.1 * 10-4

Ej. De 1000 circuitos de tubera de agua potable en una ciudad, se reportan 15 contaminados con materias fecales; 5 tienen excesivas concentraciones de plomo (Pb) y entre stos dos de ellos contaminados tambin por materias fecales. Se pregunta:

a) Cul es la probabilidad de que un sistema seleccionado al azar resulte con contaminacin fecal? b) Suponiendo que un sistema se encuentre contaminado con materias fecales, cul es la probabilidad de que tambin est contaminado con plomo? c) Cul es la probabilidad de que un sistema seleccionado al azar est contaminado? d) Suponiendo que la probabilidad de contaminacin hallada en el numeral anterior no es satisfactoria, y que se desea que no exceda de 0.01, cul es el valor permisible para la probabilidad de contaminacin por materias fecales, asumiendo que el valor de la probabilidad condicional hallada en el numeral b an se puede aplicar?

Solucin:
Llamemos P(F) a la probabilidad de contaminacin por materia fecal, P(Pb) a la probabilidad de contaminacin por plomo y P(C) a la probabilidad de contaminacin por plomo o por materia fecal. Se tiene entonces: a) P(F) = 17/1000 b) La probabilidad condicional P(Pb/F) puede expresarse como:

y P(Pb) = 5/1000. Reemplazando, se obtiene que: P(Pb/F) = 2/17

c)Se pregunta en este numeral el valor de P(C); este valor establece la probabilidad de que un circuito est contaminado con plomo o con materias fecales. Como hay 15 circuitos contaminados con materias fecales y 5 contaminados con plomo, se tiene entonces que:

P(C) = 20/1000= 0.002

d) La probabilidad de contaminacin C se puede expresar como:

P(C)=P(F ) = P(F) + P( ) - P(F )

y se conoce el valor de la probabilidad condicional:

(1)

Resolviendo la (1) y la (2) simultneamente se halla que:

P(F) = 0.00567

Teorema: Regla de multiplicacin

P(AB ) = P(A) x P(B\ A) = P(B) x P(A\ B)
y en general, la probabilidad conjunta de N eventos: P( E1 E2 E3 E4 ... E6 )= P( E1 )xP( E2 \ E1 )x P( E3 \ E1 E2 x...xP( EN \ E1 E2 ... EN-1 )

Teorema: Eventos independientes

Se dice que dos eventos A y B son independientes, si la ocurrencia (o no ocurrencia) de uno de ellos no influye en la ocurrencia (o no ocurrencia) del otro. Es decir: P( A\B ) = P(A) y P(B\ A) = P( B )

Y la probabilidad conjunta: P( A B ) = P( A) x P( B\ A) = P( A) x P( B ) y en general, la probabilidad conjunta de N eventos independientes: P( E1 E2 E3 ... EN )= P(E1)x P(E2 )x P( E3 )x...x P(EN)

Teorema: suma y multiplicaciones

Sean los eventos E1, E2, E3, , EN una particin del espacio muestra S, es decir , todos mutuamente excluyentes, de modo que la unin de todos conforma S. Sea adems un evento E, perteneciente a S.

Teorema: suma y multiplicaciones podemos decir:

P( E ) = P( E S )=P[ E ( E 1 U E2 U ... UEN )] P( E ) = P( E E 1 ) U P( E E2 )U UP( E EN) P( E ) = P(E1) P( E\E 1) + P(E 2) P( E\E 2) +... +P(EN)P( E\EN)

P( E )= P(Ei)P(E\E i)

Teorema de Bayes
Dada la misma particin conformada por los eventos E1, E2, EN y el evento E, tal como se vio en el teorema anterior, se puede deducir:

Se trata de una probabilidad condicional, que incluye las reglas de suma y multiplicacin de probabilidades.

Ej.
Suponga que el concesionario de una cafetera est tratando de reducir el nmero de clientes que no pagan sus cuentas a fin de ao, evaluando las demoras en pagos de sus cuentas mensuales. Ha visto en sus archivos que de todos los clientes que al final del ao no pagaron sus cuentas, el 95% se haban demorado en sus pagos mensuales. Adems, sabe que el 4% de los clientes a fin de ao no pagaron, y de los que s pagaron, el 35% se haba demorado alguna vez en su cuenta mensual. Determine la probabilidad de que un cliente que se demore alguna vez en los pagos mensuales, al final del ao no pague su cuenta. P(no pague) = 0.04; P(pague)= 0.96 P(demor/no pag)= 0.95, P(no demor/no pag)= 0.05 P(demor/s pag)= 0.35, P(no demor/s pag)= 0.65

La probabilidad de que un cliente no pague dado que se demor alguna vez ser:

La probabilidad de que un cliente que se ha demorado alguna vez ms de una semana en sus pagos mensuales no pague su cuenta al final del ao es 10.16%, es decir ese porcentaje de morosos no pagan al final su cuenta.