M

AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S ÍA
c. IDRHIDRÁULICA
MAESTRÍA EN INGENIERÍA H E HIDROLÓGICA.
In
g. OL IDR SUPERFICIAL
MÓDULO I: HIDROLOGÍA
J OG Á
a
Añ im I UL
o e A IC
20 S S A
ESTADISTICA Y22PROBABILIDAD U
ot PE E
er
o RF HID
Ro I C R
ja IAL OL
DOCENTE: M.Sc. s
Jaime ÓGAguirre
AgSotero Rojas
ui IC
rre A
 M
AE
ST
RI
DO M E A
CE OD N I N
CONCEPTOSN
TE ULO GEN
: M I: IE
ESTADÍSTICA DEFINICIÓN
.S HI RÍA
c. de datos
Ciencia que utiliza conjuntos DR numéricos
H para obtener información de ellos.
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
ESTADÍSTICA 2 2 ot DE
CÁLCULO PEPROBABILIDADES
E
DESCRIPTIVA e RF HID
ro ESTADÍSTICA
INFERENCIA
Manipular los datos con Ro IC
Analizar fenómenos no RO
el objetivo de sintetizar ocurridos j a IA LÓ
su información s L
Aguna
Dada una muestra sacar GI
consecuencia o deducciones
ui CA
rre
M
AE
ST
RI
DO M E A
CIntroducción
O
EN DU ING
N a la probabilidad
TE LO EN
: M I: IE
.S HI RÍA
c. DR H
In
Antecedentes g. OL IDR
Pascal y Fermat (1623-1662) A Ja
OG Á
ñ im IA UL
Bernoulli (1713)……….. o e S IC
20 S U A
22 ote PE E
ro R HI
“Los juegos de azar” (1445)
Ro FIC DR
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
Introducción
C EN DU INaG la probabilidad
O
TE LO EN
: M I: IE
HI RÍA
.S características
Hasta ahora hemos estudiado
c. DR de H distribuciones de fenómenos “ya ocurridos”
Ahora estudiaremos fenómenos “no In ocurridos” sobre cuyo resultado hay incertidumbre
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
1) nº de hermanos de cada20 Salumno S U A
ot 1/Equipo
2) resultado del partido Equipo er PER deEFutbol
22 de futbol
H 2
3) resultado de lanzar una moneda al aireo R FI IDR
o CI
……………. ja AL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DOIntroducciónA
M
CE OD IN
EN a la probabilidad
NT U GE
E: LO NI
1) AZAR Y DESCONOCIMIENTO
M I: H ER
.S
No sabemos a priori el resultado, con la experiencia
I Í A es posible cuantificar de manera numérica
c . I DR H
qué tan factible es este resultado.
ng O ID
. J LO RÁ
2) AZAR E INCERTIDUMBRE Añ aim GI UL
o e A IC resultados de un experimento
Si conseguimos formular qué tan probables 20 S son losSposibles
U A
convertimos una situación de incertidumbre2en otraode PEconocido.
E
2 teriesgoro RF HID
1) Una lista de probabilidades
Ro IC R
ja IAL OL
2) Una asignación de probabilidades que cuantifican la incertidumbre
s ÓG
Ag IC
ui A
rre
 M
AE
ST
R IA
DO M E
IntroducciónC EN DU Ia
O N
NGla probabilidad
TE LO EN
: M I: IE
.S HI RÍA
c. DR H
In Iposibles
g. Ocasos
•CONCEPTO CLÁSICO  casos favorables/
L DR “Aplicable cuando las distintas
posibilidades son igualmente probables”J OG Á
a
Añ im I UL
o e A IC
•CONCEPTO FRECUENTISTA  regularidad 20estadística S
So a partir
U de A
22 te PE la evidencia E directa
RF enHunIDlargo plazo
ro ocurren
Prob= proporción de veces en que eventos de la misma clase
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
Experimentos NT U Galeatorios
E: LO ENI
M I: H ER
Existe incertidumbre respecto.S
c. IDR ÍA H
del resultado
Conocemos los posibles resultados In
g. OL IDR
Imposible conocer “a priori” el resultado J OG Á
a UL
Añ impuedenI ser distintos
En iguales condiciones los resultados obtenidos
o e A IC
ESPACIO MUESTRAL: Es el conjunto de todos
S
20 losSposiblesUresultados
A de un experimento. Aún
2
cuando en un experimento, no es posible determinar
o
2 tecon P E
seguridad E su resultado, si se puede,
H
roocurrir.RFEsta listaIDconstituye el espacio
definir con precisión un listado de los resultados posibles de
muestral. Ro IC R
ja IAL OL
s ÓG
W: {…………………………...}
A gu IC
irr A
e
 M
AE
ST
R IA
DO M E
ExperimentosCE OD N IN aleatorios
NT U GE
E: LO NI
SUCESO o EVENTO M I: H ER
Cualquier acontecimiento que .Sse puedaI producir
ÍA en la realización de un experimento (cualquiera de
c
los elementos del conjunto de las .partesDdel
R E. Muestral).
HI
I n
Son los resultados posibles que se pueden O DRen la realización de un experimento. Es un
g. presentar
L
subconjunto del espacio muestral J OG Á
◦ Todo resultado es un suceso
a
Añ im I UL
o e A IC
◦ Todo suceso no es un resultado 20 S S U A
W: {Resultado1, Resultado2,..Resultadok)} 22 ote PE E
Ejemplos: ro RF HID
¿Definir el espacio muestral? Ro IC R
1)Lanzar un dado una vez ja IAL OL
2) Número de caras al lanzar una moneda 4 veces
s ÓG
Ag IC
3) Que sumen 8 los puntos de un dado lanzado 2 veces ui
rre A
 M
AE
ST
R IA
DO M E
ExperimentosCE OD N INaleatorios
NT U GE
E: LO NI
M I : ER
•Experimento  proceso .S observado
HI oÍAmedición
c. DR H
•Resultados  productos del Inexperimento
g. OL IDR
Otodos
•Espacio muestral  conjunto Añ im GI Álos
J a de UL posibles resultados de un
experimento o e A IC
20 S S U A
•Resultado  cada uno de los posibles ot PEdel espacio
22componentes E muestral
er R HI
o
•Sucesos  resultados (o combinación de resultados) Ro FIC queDRno tienen que
coincidir directamente con un elemento específico del espacio OL
ja IAmuestral.
s L ÓG
Ag IC
ui A
rre
 M
AE
S TR
IA
DO M E
Tipos de C EN sucesos
O N
DU ING
TE LO EN
: M I: IE
Suceso seguro: Que salga
.S <7 alHlanzar
RÍun dado
ID A distinto
c. elemento
Sucesos distintos: tienen algún
In RO HID
Sucesos iguales: están formadosg.por losLO RÁelementos (siempre que ocurre
mismos
uno ocurre el otro)
J
Añ aim GI UL
o e A I
Suceso imposible: no puede ocurrir2nunca S SU CA
02 o PE E
te muestral
Sucesos complementarios: su unión es el2 espacio ro RF HID
Sucesos disjunto incompatibles: no pueden ocurrir aRlaovez IC RO
ja IAL L
s
Sucesos incluidos: si cada vez que ocurre uno ocurre el otro ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
Concepto NT clásico
UL GE
E: O NI
MeventoI:A,Hen E
La probabilidad P(A), de un un experimento aleatorio que tiene NS resultados
igualmente posibles, y de los.Scuales NA, sonRresultados favorables, esta dada por:
c. IDR ÍA H
In
g. OL IDR
𝑃(𝐴) O
Añ aim GI ÁUL
J =

o e A IC
20 S S U A
El concepto clásico de probabilidad sólo se puede ot en experimentos
22 aplicar PE E en los que hay un
e
número finito de casos igualmente posibles. Pero en la naturaleza,
r R HI problemas
los principales
o
prácticos no son de este tipo.
Ro FIC DR
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
Definición
C EN Daxiomática
O
U
IN
G de probabilidad
TE LO EN
: M I: IE
Medida numérica (escala: . de H0 a 1)R de las expectativas de que un determinado
fenómeno ocurra Sc. IDR ÍA H
In 0O P(A)ID 1
g. LO R
A J a G ÁU
El estudio de la probabilidad se ñoaplica
im al Iuso
A deLfenómenos aleatorios y no a
fenómenos deterministas e S IC
20 S U A
22 otcondiciones
• F. Determinista= si se repite bajo las mismas er PER EsuHresultado es siempre
el mismo o F ID
Ro IC R
j a I A OL
•F. Aleatorio (probabilístico o estocástico) s L ÓG
Ag IC
ui A
rre
 M
AE
STR
IA
DO M E
CE OD N IN
DIAGRAMASNDE VENN
TE ULO GEN
: M I: IE
.S HI RÍA
c. DR H
Los sucesos pueden ser interpretados
In O comoI conjuntos y definir sobre ellos las
mismas propiedades que sobre losgconjuntos
L DR
.J O
Añ aim GI ÁUL
o e A IC
W 20 S S U A
A2
2 B oter PER E H
o F ID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
A
DIAGRAMAS DE VENN
DO M E
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In OL ID
Suceso A
g . J O RÁ Suceso A C

Añ aim GI UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
Suceso AB Suceso ABu
irr A
e
 M
AE
ST
RI
DO M E A
CE OD N IN
DIAGRAMAS DENVENN U
TE LO GEN
: M I: IE
. S H RÍ
c. deIDVENN
Utiliza diagramas A
para verificar que:
1) (A B) C esIn
R H que A (B C)
el mismoOsucesoID
g. LO R
2) A (BC) es el mismoJ
Añ aievento Gque ÁU C)
(AB)(A
m que
o evento
3) A(BC) es el mismo
IA(AB)L(AC)
IC
20 S e S A
4) (A B)C = AC BC 22 ote PE E U
5) (A B)C=AC BC ro RF HID
Ro I C R
6) (A B) (A BC)=A ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
Regularidad
C EN DUestadística
O IN
TE LO GEN
: M I: IE
. S H RÍ
A partir de un experimentocaleatorioI D que Apodamos repetir indefinidamente
.I R H
ng O ID
. LO R
J
La probabilidad de que salgaAun resultado a viene Á
G determinada
U por el concepto de
regularidad estadística (si lanzamos imun número
ñoel dado IA elevado
LI de veces el resultado se
acerca a 1/6) e
20 S SU CA
22 ote PE E
P(A): lim fa ro RF HID
N Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
Clases de NT variables
UL GE
E: O NI
aleatorias
M I: H ER
1. Variable aleatoria discreta
.S X esIdiscreta,
c. DR ÍAcuando
Se dice que una variable aleatoria
H sus valores se restringen a un conjunto
enumerable finito o infinito In OL ID
g . J en los RÁde un año cualquiera
Ejemplo: Número de días de lluvia ocurridas OG meses
Añ aim I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
M I: H ER
1. Variable aleatoria continua
.S X esIcontinua,
c. DR ÍA cuando
Se dice que una variable aleatoria
H sus valores se encuentran en un rango
continuo y puede ser representadoIn por cualquier número
I entero o decimal.
g O D
LO de Raforo.
. J estación
Ejemplo: El caudal diario registrado en una
Añ aim GI ÁUL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
La mayoría de secuenciasM de variables ER
I: hidrológicas son series continuas, de variables continuas.
Sin embargo para propósitos HI unaÍAvariable discreta puede tratarse arbitrariamente
.Sprácticos,
como continua, ajustándose ac.una funciónDR continua,
H o bien, una continua como discreta,
In ID discretos.
g. Oen
dividiendo éstas en intervalos y agrupándolas números
LO R
DISTRIBUCIONES Añ aim GI ÁUL
J
o se describe
El comportamiento de una variable aleatoria e A medianteIC su ley de probabilidades, que
a su vez se puede caracterizar de varias maneras.
S
20 LaS más común U A
es mediante la distribución de
probabilidades de la variable aleatoria. 2 o
2 ter ER E H P
Notación:
o F ID
Ro IC R
X= Variable aleatoria de la función ja IAL OL
x= valor particular que toma la variable aleatoria s ÓG
A
f(x)= función de densidad (función de probabilidad, distribución de probabilidad
gu de x) I
F(x)= función acumulada (función de distribución acumulada)
CA
irr
e
 M
AE
ST
RI
DO M E A
CE OD N IN
Función densidad GE
NT de Uuna variable aleatoria continua
L
E: queOpermiteNIdeterminar la probabilidad, de que una variable aleatoria
Es una función matemática M I ER
continua X, tome los diferentes.S
:
valoresHxi, dentro del rango en el que está definido, y cumple con las
siguientes condiciones: c. DR H I Í A
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
Función de distribución acumulada 2 ot PE E
2 er la función
Si X es una variable aleatoria (discreta o continua), se define R deHdistribución o función de
o
distribución acumulada F(x), como la probabilidad de que X tome cualquier F ID menor o igual que x,
valor
Ro IC R
es decir:
j a IA OL
F(x)=P(X≤x) s L ÓG
Se puede demostrar que: A gu IC
P(a<x≤b) = F(b) – F(a) A
irr
e
 M
AE
ST
RI
DO M E A
FunciónCde distribución
O
EN DU G
N
I N acumulada correspondiente a
una distribución TE Lcontinua EN
Para el caso de una variable:continua,
O seIE
M IF(x) : representa por:
𝐹 𝑥 .=S𝑃c 𝑋 ≤H𝑥ID=R∫ÍA𝑓 𝑥 𝑑𝑥
. I acumulada
La relación entre la función de distribución R H y la función densidad es:
ng 𝑑 𝐹(𝑥)OL= 𝑓(𝑥)ID
. J𝑑𝑥 O RÁ
De donde se tiene: Añ aim GI UL
A
𝑃 𝑎 < 𝑥 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 = S 𝑓 𝑥 I𝑑𝑥
o e CA
20 S U
o PEbajo laEcurva de la función de densidad
22 al áreateque hay
Esto significa que la probabilidad del evento a<x≤b, es igual
f(x), entre x=a y x=b ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
Tambien se cumple que, la Mprobabilidad ER en efecto:
I: P(x=a)=0,
. S H
c. IDR ÍA H
P(x=a)=F(a)-F(a)=0
Inen un punto,
Es decir, que el área bajo la curva f(x) g. OL esIDcero:
J OG RÁ
Añ aim I UL
o e A IC
20 S S U A
22 ote PE E
RF HID a los
ro correspondientes
De esto, como F(x) es continua, se observa que las probabilidades
intervalos: Ro IC R
j a IA OL
a<x≤b, a<x<b, a ≤x<b, a ≤x ≤b s L ÓG
Ag IC
P(a<x≤b)= P(a<x<b)= P(a ≤x<b)=P(a ≤x ≤b) ui
rre A
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
STR
IA
DO M E
CE OD N IN
Distribuciones
NT U aplicados
L
GE en la hidrología
E: O NI
 Normal M I: H ER
.S
 Log Normal 2 parámetros c. IDR ÍA H
 Log Normal 3 parámetros g
In OL ID
. J O RÁ
 Gamma 2 parámetros Añ aim GI UL
o e A IC
 Gamma 3 parámetros
20 S S U A
 Log Pearson tipo III 22 ote PE E
r o R HI
 Gumbel
Ro FIC DR
 Log Gumbel ja IAL OL
s ÓG
 Etc. Ag IC
ui A
rre
 M
AE
ST
RI
A
Distribución
DO MNORMAL EN
CE OD IN
NT U GE x
LO N ada z 
Variable Eestandariz
: M I: IE
R 
.S HI ÍA
c. DR H
In
z g. OL IDR A=0,5
1 u 2 /A2 Ja OG ÁU
F ( z)   e ño im IA LI
  2 20 e S SU CA x
22 ote PE E
ro R H2 I
B=½ [1+0,196854|z|+0,115194Ro F|z|IC +DRO
j a IA-4 L
0,000344 |z| +0,019527 |z|
3
s ] L
4
ÓG
Ag IC
Z<0 F(z)=B z>0 F(z)=1-B u
Error<0,00025
irr A
e
 M
AE
S TR
IA
DO M E
Factor de OD N IN
CEfrecuencia
NT U GE
E: LO NI
w=[Ln
M (1/pI: 2)]E½R
.S HI ÍA
c. DR H
In
g. OL IDR 1/T
Si p>0,5 usar 1-p J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID 2
2,515517  0,802853w R0,010328 I R w
z  w o
2 ja
C IA OL 3
1  1,432788w  0,1889269 w s0,001308 L w
ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
C O N
Distribución DU ING
EN LogNormal
TE LO EN
: M I: IE
.S (x)HI RÍA
y=Ln
c. DR H
In
g1. OL ID( yR  ) 2
/( 2 2
O y)
f y ( y )  Añ aime GIA UL
J Á y

2o2 y e S SU ICA
02 o
2 ter PER E H
o F ID
z=(y-y)/y Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
STR
IA
DO M E
CE OD N IN
2
( y  )
lognormal 1 2 2
y

NT U G E f ( x)  e y

E L O NI 2 x y
X>0:
M I: H ER
.S
c. IDR ÍA H
In OL ID
g   / 22
r 2 .J
2
r y   y OG x Á e
R y y

2 Añ a UL
Mr  e im I A
20 S x SUe A (e  1)
o 2 2I  2
 2
e Cy y y

22 ote PE E
Cv<0,2 r
o x RF 
HI 1/ 2
2

cv   xRo (eICID1)RO
y

ja AL L
s3 ÓG
se aproxima a normal
Cs  3Cv  Cv g A IC
ui A
rre
 M
AE
STR
IA
DO M E
ANÁLISIS OD N IN
CE GRÁFICO
NT U GE
E: LO NI
M I: H ER
•CALIFORNIA
.S P(Xx )=m/n
c. IDR ÍAmH
In P(Xx ID
•HAZEN g. OLm)=(m-0,5)/n
J OG RÁ
•CHEGODAYEV AñP(Xx ai )=(m-0,3)/(n+0,4)
I UL
o mm A IC
e S
20 )=(m-0,44)/ A
•GRINGORTEN P(Xx So UP (n+0,12)
2m2 te E E
ro RF HID
•WEIBULL P(Xxm)=m/(n+1)R
oj ICIA RO
as L LÓ
Ag GI
ui CA
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
2 10 20 50 u100
irr A
e
M
AE
ST
RI
DO M E A
C O N
Distribución
EN D Gamma IN
TE ULO GEN
: M I: IE
.S HI RÍAk x k 1e  x
c.f ( xD
In ) RO HID
g. LO(kR)
Añ Jaim GI ÁUL
o e A IC
(k)=(k-1)! 20 S
Si k entero S U A
22 ote PE E 
ro R HI u k 1
Ro(kF) IC0 eDRu du
j a I A OL
Tabulada en función de gamma s L ÓG
incompleta Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
Nx T U GE
E LO (kN , x,  )
F ( x)   f ( x: )M
dx  I IE

:
.S H(Ik ) RÍA
c. DR H
In
g. OL IDR
m(t)=(1-t/) A-k Ja OG ÁU
ño im IA LI
e S C
k k 1 2 0 S2o UP A
x   2 C v  1/ 2 C s22 1/ 2 te E E H
2

  k k ro RF ID
Ro IC R
ja IAL OL
De ábaco se obtiene F(u)=P(xx) u=x/ s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
Distribución
C EN DUGumbel
O IN
TE LO GEN
: M I: IE  x u 
  
.S H R Í   

F. xIn g
c IDRe H A
OL ID
e

. J O RÁ
Añ aim GI UL
6 o e A IC
S
 * s  2022 uSot xUPE0.A5772 E * 
 e ro RF HID
Ro IC R
ja IAL OL
Variable reducida y=(x-u)/a s A ÓG
gu IC
irr A
e
M
AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
EJERCICIOS
o
a
Añ im I UL
e A
S IC
20 S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S ÍA
c. IDRHIDRÁULICA
MAESTRÍA EN INGENIERÍA H E HIDROLÓGICA.
In
g. OL IDR SUPERFICIAL
MÓDULO I: HIDROLOGÍA
J OG Á
a
Añ im I UL
o e A IC
20 S S A
PRACTICA SUPERVISADA22 ote PE PARA
U E
HI
MÁXIMAS EXTRAORDINARIA r o R
Ro FIC DR
ja IAL OL
DOCENTE: M.Sc. s
Jaime ÓGAguirre
AgSotero Rojas
ui IC
rre A
 M
AE
ST
RI
DO M E A
CE OD N IN Mapas de lluvias máximas diarias
NT U GE para distintos T

E: LO NI
M I: H ER Análisis regional
.S
c. IDR ÍA H
Metodología In
g. OL IDR
J
Añ im I UL a
OG Á
Estadística descriptiva y
Estadística inferencial

o e A Hipótesis Estadísticas: verificación

IC
de las series mediante pruebas
20 S S U A
estadísticas

22 ote PE E
ro RF HID
Determinación del año hidrológico y
generación de series hidrológica de
máximas lluvias diarias
Ro IC R
ja IAL OL
Ubicación espacial de estaciones
pluviométricas
s ÓG
Recopilación y procesamiento de A gu IC
series pluviométricas
irr A
e
 M
AE
ST
RI
A
Recolección
DO M E de datos
CE OD N IN
NT U GE
DATOS: PRECIPITACIONES
E: LO NI
Pluviómetro: InstrumentoM simple I: E (un
R Pluviógrafo: Cuando es necesario conocer si el
recipiente con escala graduada) . H
Sc mideIDlos ÍAmáximo se registró en todo el día o en una hora.
milímetros recogidos en un día (de 9.hs a 9 hs). HI la evolución de la precipitación en el tiempo.
In RO Registra
g. LO DR
Añ Jaim GI ÁUL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
Lluvia diaria Lluvia para todas las u
duraciones
irr A
e
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
STR
IA
Estructura
DO M E
CE OD N IN
NT U GE
E: LO NI
M I: H ER
1- INTRODUCCIÓN
.S I ÍA
c
2- OBJETIVOS. I
D
ng RO HID
. LO R
3-3-ZONA DE
Añ im GI ÁUL
ESTUDIO J
ZONA DE ESTUDIO a
o e A IC
4- METODOLOGÍA
20 S S U A
2 2 ot PE E
er
o RF HID
5- RESULTADOS
Ro IC R
6- CONCLUSIONES
ja IAL OL
s ÓG
7- EJEMPLO Ag IC
ui A
rre
M
AE
ST
RI
DO M EA
CE OD N IN
NT U GE
E: LO NI
M I: H ER
.S
c. IDR ÍA H
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 S S U A
22 ote PE E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
AnálisisE de estadística
C O D IN inferencial
NT U GE
E: LO NI
M I: H ER
.S relacionar
c. IDR ÍA H
Se busca PMD-T
In
g. OL IDR
J OG Á
a
Añ im I UL
o e A IC
20 FDP S
So UP A
22 te E E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
EMPIRICA A
TEORICAS
gu IC
irr A
e
 M
AE
ST
RI
Función
DO M Edistribución de probabilidades
deA
CE OD N IN
empírica
NT U GE
E: LO NI
M I: H ER
WEIBULL .
Weibull
Sc ID ÍA 300

.I R H 250

ng O ID 200

. J LO RÁ

P [mm]
150

Añ aim GI UL 100

o e A 50
IC
20 S S U
0
A 0 5 10 15 20 25 30 35

22 ote PE E T [años]

RF HID
ro de Weibull:
Desventajas
Ro delImismo
 Para periodos C tamaño
RO de la
muestra (no permite
j a Iextrapolar).
A
s L LÓ
 no se puede interpolar
 Valores iguales paraATgdiferentes GI
ui CA
rre
M
AE
ST
RI
DO M E A
CE Análisis
OD N INde estadística inferencial
NT U GE
E: LO NI
M I: H ERGEV (Método de Max. Verosimilitud)
.S
c. IDR ÍA H
In Gumbel ID de Max. Verosimilitud)
g. OL (Método
J OG RÁ
Las funciones de ai (Método
Añ LogNormal I UL Verosimilitud)
distribución y o m A de Max.
IC
métodos de ajuste 20 S e S A
comúnmente GEV2(Métodoo
U PE E
2 t
de Momentos)
e
utilizados
ro RF HID
Ro IC R
Gumbel (Método de Momentos)
ja IAL OL
s ÓG
Ag
LogPearson tipo III (Método de Momentos)
IC
ui A
rre
 M
AE
ST
RI
DO M E A
N
TAREA EN DU ING
C O
TE LO EN
: M I: IE
.S HI RÍA
c DR 3 están
En una caja hay 8 bombillas de .lasI cuales HI fundidas. Se sacan de una en una hasta
n
encontrar los tres fundidos. Si nos fijamos
g O DRde bombillas que se queda en la caja
en el número
¿cuál es el espacio muestral? .J O L
A ai GI ÁU
m A conLlaI hidrología. Explica cuál es el
ño relacionado
Busca un ejemplo de experimento aleatorio
espacio muestral y que información necesitarías e asignar
20 para S C
probabilidades.
So UP A
22 te E E
ro RF HID
Ro IC R
ja IAL OL
s ÓG
Ag IC
ui A
rre