Distribuciones Probabilísticas en Hidrología
Distribuciones Probabilísticas en Hidrología
Distribuciones Probabilísticas en Hidrología
INFORME ACADÉMICO
AUTOR:
García Leveaú, David Oswaldo
ASESOR:
Ing. Daniel Díaz Pérez
CACATACHI – PERÚ
2017
P á g i n a 1 | 31
ÍNDICE
Página
I. INTRODUCCIÓN……………………………………………………….. 03
II. MARCO TEÓRICO……………………………………………………... 05
III. DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGÍA………. 11
IV. CONCLUSIONES………………………………………………………. 30
V. REFERENCIAS LINKOGRÁFICAS…………………………...………. 31
P á g i n a 2 | 31
I. INTRODUCCIÓN
P á g i n a 3 | 31
1.1. Objetivos
El presente informe cuenta con dos distintos tipos de objetivos, de acuerdo al valor
de importancia propuesta por el autor, para el conocimiento del tema.
P á g i n a 4 | 31
II. MARCO TEÓRICO
Según Chow et al., (1994), las precipitaciones y los caudales son variables
hidrológicas que son medidas por las estaciones hidrométricas. Éstas son
consideradas variables aleatorias y son definidas mediante una función que les
asigna un valor, asociado a cada punto del espacio muestral.
P á g i n a 5 | 31
2.3. Precipitaciones
Las precipitaciones representan el elemento más importante del ciclo hidrológico.
Para Fernández (1995), la precipitación, junto con la temperatura, es el elemento
climático más influyente en el medio natural, ya que afecta directamente en la
distribución de las especies vegetales y animales, y a la vez en las actividades del
hombre, como son las agrícolas, las forestales y las económicas entre otras.
Según Llamas, (1993), las precipitaciones son un fenómeno físico que describe la
transferencia de agua en fase líquida (en forma de lluvia), y en fase sólida (en
forma de nieve y granizo), entre la atmósfera y el suelo. Una parte de las
precipitaciones alimenta la evaporación en la cuenca y el resto es aportación
superficial o subterránea.
2.4. Caudales
Según Pizarro et al., (1993), se denomina caudal o gasto, al volumen de agua que
fluye a través de una sección transversal por unidad de tiempo, donde la unidad
de medida más comúnmente empleada es m3 /s. Para el ingeniero hidrólogo, el
caudal es una variable dependiente en la mayoría de los estudios, puesto que la
P á g i n a 6 | 31
ingeniería hidrológica se dedica principalmente a estimar volúmenes de flujo, o
los cambios en estos valores debido a la acción del hombre (Linsley et al., 1988).
Al considerar los caudales, son de gran importancia los que representan valores
máximos. Linsley et al., (1988) señalan que un caudal punta, es un caudal máximo
registrado, el cual sobrepasa los valores normales. En un hidrograma de crecidas,
es el valor más alto de la curva. El cálculo de este tipo de caudales es una de las
máximas preocupaciones de la ingeniería hidrológica, con el fin de que esta
información sea útil en el diseño de obras hidráulicas, además de permitir su
cuantificación en volumen y poder así definir estrategias de gestión de los recursos
hídricos, hecho que cada vez cobra mayor relevancia.
P á g i n a 7 | 31
es la función de frecuencia acumulada, y en su límite, cuando n→∞ y ∆χ→0, se
denomina función de distribución de probabilidad.
P á g i n a 8 | 31
Funciones de frecuencia de la muestra y funciones de probabilidad de la
población (Fuente: Chow et al.,1994).
P á g i n a 9 | 31
La probabilidad de que un valor de la variable aleatoria no sea excedido, está dado
por la función de distribución de probabilidad F(x), la cual se expresa de la
siguiente manera:
P á g i n a 10 | 31
III. DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGÍA
Ejemplo
Se tienen las probabilidades de que haya 1, 2, 3, ... etc, días nublados por semana en un
determinado lugar, con ellos calcule la distribución de probabilidades
x P(x) F(x)
0 0.05 0.05
1 0.15 0.20
2 0.25 0.45
3 0.20 0.65
4 0.15 0.80
5 0.10 0.90
6 0.08 0.98
7 0.02 1.00
Total 1.0
P á g i n a 11 | 31
Si se tiene una variable aleatoria continua, la figura presenta el histograma de 85 años de
registro de caudales de crecientes (máximos instantáneos) en el río Magdalena, agrupados
en 9 intervalos de clase.
x P(x) F(x)
1 0.05 0.05
2 0.10 0.15
3 0.15 0.30
4 0.20 0.50
5 0.10 0.60
6 0.10 0.70
7 0.15 0.85
8 0.10 0.95
9 0.05 1.00
Total 1.00
P á g i n a 12 | 31
Cuando el número de observaciones se incrementa, el tamaño de los intervalos decrece y
se puede tener algo sí
P á g i n a 13 | 31
donde f(x) es la llamada función de densidad de probabilidades y tiene las siguientes
características
i)
ii)
iii)
Lo que implica que las probabilidades se definen sólo como ÁREAS bajo la función de
densidad de probabilidad (FDP) entre límites finitos.
PARÁMETROS ESTADÍSTICOS
Media :
es el valor esperado de la variable misma . Primer momento respecto a la origen. Muestra
la tendencia central de la distribución
estimado es
P á g i n a 15 | 31
Coeficiente de asimetría
la distribución de los valores de una distribución alrededor de la media se mide por la
asimetría. Se obtiene a partir del tercer momento alrededor de la media, dividiéndolo por
el cubo de la desviación estándar para que sea adimensional.
Ejemplo
Frecuencia Frecuencia
Intervalo (mm) Xi medio x f(x)
absoluta relativa
100 110 105 10 0.1 10.5
110 120 115 16 0.16 18.4
120 130 125 9 0.09 11.25
130 140 135 10 0.1 13.5
140 150 145 20 0.2 29
150 160 155 15 0.15 23.25
160 170 165 20 0.2 33
Total=100 = 138.9
ANALISIS DE FRECUENCIA
P á g i n a 16 | 31
de la variable respecto a la media. Chow en 1951 propusó determinar esta variación a
partir de un factor de frecuencia KT que puede ser expresado:
Para una distribución dada, puede determinarse una relación entre K y el período de
retorno Tr. Esta relación puede expresarse en términos matemáticos o por medio del uso
de una tabla.
Los dos parámetros de la distribución son la media y desviación estándar para los
cuales (media) y s (desviación estándar) son derivados de los datos.
P á g i n a 17 | 31
3.1.2 Estimación de parámetros:
Esta distribución es muy usada para el calculo de valores extremos por ejemplo Qmax,
Qmínimos, Pmax, Pmínima (excelentes resultados en Antioquia). Tiene la ventaja que
X>0 y que la transformación Log tiende a reducir la asimetría positiva ya que al sacar
logaritmos se reducen en mayor proporción los datos mayores que los menores.
P á g i n a 18 | 31
y = ln x
donde,
y : media de los logaritmos de la población (parámetro escalar), estimado y :
Desviación estándar de los logaritmos de la población, estimado sy.
Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)
con K con variable normal estandarizada para el Tr dado, x y media de los logaritmos y
Sy es la desviación estándar de los logaritmos.
P á g i n a 19 | 31
3.2.4 Limites de confianza:
En el campo transformado.
Solución:
n=30
x= 15 m3/s xy=2.655
s = 5 m3/s sy = 0.324
En el campo original
= 5/15 = 0.33
KT = 3.06
QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s
P á g i n a 20 | 31
En el campo transformado se tiene que:
LnQTr100 = 3.40992
Limites de confianza
Ln (QTr) t(1-) Se
= 1.93
3.41 0.18095
[3.22905 3.59095]
[e3.22905 e3.59095]
[25.26 36.29] Intervalos de confianza para QTr100
Ln(42.5) = 3.75
t = (3.75 - 2.655)/0.324
P á g i n a 21 | 31
3.3 DISTRIBUCION GUMBEL O EXTREMA TIPO I
Xt t(1-) Se
P á g i n a 22 | 31
KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una
probabilidad de no excedencia de 1-.
QTr100 = x + KT s
KT = 3.14
QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
= 3.93
Xt t(1-) Se
Esta distribución ha sido una de las mas utilizadas en hidrología. Como la mayoría de las
variables hidrológicas son sesgadas, la función Gamma se utiliza para ajustar la
distribución de frecuencia de variables tales como crecientes máximas anuales, Caudales
mínimos, Volúmenes de flujo anuales y estacionales, valores de precipitaciones extremas
y volúmenes de lluvia de corta duración. La función de distribución Gamma tiene dos o
tres parámetros.
P á g i n a 23 | 31
donde,
x0 x para 0
x x0 para 0
Xt t(1-) Se
P á g i n a 24 | 31
QTr100 = X+ SK
Intervalos de confianza
Xt t(1-) Se
Se = 5133.56 pie3/s
Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo
III, se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III.
Esta distribución es ampliamente usada en el mundo para el análisis de frecuencia de
Caudales máximos. Esta se trabaja igual que para la Pearson Tipo III pero con X y y Sy
como la media y desviación estándar de los logaritmos de la variable original X.
P á g i n a 25 | 31
donde,
y0 y para 0
y y0 para 0
Xt t(1-) Se
P á g i n a 26 | 31
AJUSTE DE DISTRIBUCIONES
Para la modelación de caudales máximos se utilizan, entre otras, las distribuciones Log -
Normal, Gumbel y Log-Gumbel principalmente. Para seleccionar la distribución de
probabilidades de la serie histórica se deben tener en cuenta algunas consideraciones.
Para ajustar distribuciones de tres parámetros (Log Normal III, Log Pearson) se
requiere estimar el coeficiente de asimetría de la distribución; para ello es
necesario disponer de una serie con longitud de registros larga, mayor de 50 años,
(Kite, 1988). Las distribuciones de dos parámetros son usualmente preferidas
cuando se dispone de pocos datos, porque reducen la varianza de la muestra,
(Ashkar, et al. 1994).
Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cual es
la distribución que mejor se ajusta a los caudales máximos y recomiendan
seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste gráfico
o basado en el comportamiento de las pruebas estadísticas de bondad del ajuste
(por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von Mises) en las
que se calcula un estimador y se compara con un valor tabulado para determinar
si el ajuste es adecuado o no. En la prueba de ajuste gráfica se dibujan los valores
registrados en la serie contra la distribución teórica de probabilidades y de manera
visual (subjetiva) se determina si el ajuste es adecuado o no.
P á g i n a 27 | 31
algunas limitaciones relacionadas con el comportamiento de la serie histórica y con el
tamaño y calidad de los datos de la muestra.
El ajuste a distribuciones se puede hacer de dos técnicas, con el factor de frecuencia como
se refirió en el numeral ANALISIS DE FRECUENCIA o hallando la distribución
empírica de los datos muestrales, por el método de Plotting Position.
Plotting Position
California
Weibull
Hazen
La expresión más utilizada es la Weibull. Con las anteriores expresiones se halla lo que
se conoce como la distribución empírica de una muestra, esta luego se puede ajustar a una
de las distribuciones teóricas presentadas anteriormente. Los resultados pueden ser
dibujados en el papel de probabilidad; este es diseñado para que los datos se ajusten a una
línea recta y se puedan comparar los datos muestrales con la distribución teórica (línea
recta).
Pruebas de Ajuste
Para determinar que tan adecuado es el ajuste de los datos a una distribución de
probabilidades se han propuesto una serie de pruebas estadísticas que determinan si es
adecuado el ajuste. Estos son análisis estadísticos y como tal se deben entender, es decir,
no se puede ignorar el significado físico de los ajustes.
P á g i n a 28 | 31
Prueba Smirnov Kolmogorov
La prueba requiere que el valor Dn calculado con la expresión anterior sea menor que el
valor tabulado Dn para un nivel de probabilidad requerido.
Una medida de las discrepancia entre las frecuencias observadas (fo) y las frecuencias
calculadas (fc) por medio de una distribución teórica esta dada por el estadístico χ²
en donde
si el estadístico χ²=0 significa que las distribuciones teórica y empírica ajustan
exactamente, mientras que si el estadístico χ²>0, ellas difieren. La distribución del
estadístico χ² se puede asimilar a una distribución Chi-cuadrado con (k-n-1) grados de
libertad, donde k es el número de intervalos y n es el número de los parámetros de la
distribución teórica. La función χ² se encuentra tabulada. Supongase que una hipótesis
Ho es aceptar que una distribución empírica se ajusta a una distribución Normal. Si el
valor calculado de χ² por la ecuación anterior es mayor que algún valor crítico de χ², con
niveles de significancia de 0.05 y 0.01 (el nivel de confianza es 1-) se puede decir que
las frecuencias observadas difieren significativamente de las frecuencias esperadas (o
calculadas) y entonces la hipótesis Ho se rechaza, si ocurre lo contrario entonces se
acepta.
2[1] Aunque no existe una definición generalmente aceptada, se puede entender como
valores extremos, muy superiores a los demás registrados (Ashkar, et al. 1994).
P á g i n a 29 | 31
IV. CONCLUSIONES
P á g i n a 30 | 31
V. REFERENCIAS LINKOGRÁFICAS
http://www.academia.edu/7985199/HIDROLOGIA_I_UNIDAD_9_ESTAD%C3%
8DSTICA_APLICADA_A_LA_HIDROLOG%C3%8DA
http://www.cuevadelcivil.com/2010/04/caudal-de-diseno.html
http://fluidos.eia.edu.co/hidrologiai/probabilidad/probabilidad.htm
https://civilgeeks.com/2011/06/02/manual-de-estadistica-aplicada-la-
hidrologia/
https://es.slideshare.net/freddysantiagord/metodos-probabilisticos-de-
hidrologia
P á g i n a 31 | 31