You are on page 1of 35

ANALISIS DE FRECUENCIA EN

HIDROLOGIA (3)

Profesor Luis F. Carvajal


Universidad Nacional de Colombia
Facultad de Minas
Escuela de Geociencias y Medio Ambiente
Distribuciones de Probabilidad
Distribuciones discretas

Distribucin Binomial
Distribucin Poisson
Distribucin Geomtrica

Distribuciones continuas

Distribucin Exponencial
Distribucin Normal
Distribucin Log Normal
Distribucin Gamma
Distribucin Log Pearson tipo III
Distribucin General de Valor Extremo
DISTRIBICIONES DE
PROBABILIDAD DISCRETA
Distribucin Binomial
Un ejemplo de los ensayos de Bernoulli es lanzar una
moneda. Los ensayos operan bajo tres condiciones:

1. Cualquier ensayo solo puede tener uno o dos posibles


resultados, xito o falla, llueve o no llueve.
2. Ensayos sucesivos son independientes.
3. Las probabilidades son constantes.

Bajo estas tres condiciones la probabilidad de x xitos en n


ensayos, est dada por la distribucin Binomial como:
n x n x
p ( x ) p q
x
Donde:
n
Es el nmero de combinaciones de n eventos
x
tomando xa
la vez.
n n!

x x!(n x)!

p es la probabilidad de ocurrencia de un evento, por ejemplo


la probabilidad de xito en lanzar una moneda, q es la
probabilidad de falla.

q 1 p

x es la variable o el nmero de ensayos con xito.


Ejemplo: Distribucin Binomial
Suponga que una presa tiene una vida til de 50 aos y se
desea evaluar la probabilidad que una inundacin, con un
periodo de retorno de 100 aos, ocurra una vez durante la vida
til de la presa.

p 1 / T 0.01
q 1 p 0.99 50
p (1) 0.1 0.99 0.306
1 49
x 1 1
n 50

Por lo tanto, es alrededor de 31% de probabilidad que un evento


de tal magnitud pueda ocurrir una vez en la vida til de la presa
Distribucin Poisson
Una expansin binomial es un pequeo inconveniente para
calcular nmeros grandes.

P es pequeo (p < 0.1)


n es grande (n > 30)
La media np es constante.
p 0, q 1, n
2
e
( p q ) e e e e
n
.....
2!

Esta es conocido como la expansin Poisson y es


x
generalmente escrita como: e
p( x)
x!
Donde:

= np es la media.

La distribucin binomial finita puede ser aproximada por


la distribucin Poisson infinita, siempre que se
apliquen las siguientes 4 condiciones:

1. Nmero de eventos es discreto


2. Dos eventos no pueden coincidir
3. La media del nmero de eventos en el tiempo es
constante
4. Los eventos son independientes
Ejemplo: Distribucin Poisson

Tomando el ejemplo anterior, la probabilidad que una


inundacin con periodo de retorno de 100 aos pueda
ocurrir una vez en 50 aos ser:

1 0.5
0.5 e
p (1) 0.303
1!

Comparado con el resultado de la distribucin binomial,


p(1) = 0.306, es similar.
Distribucin Geomtrica
RECORDANDO:

En una secuencia de Bernoulli, el nmero de ensayos hasta que un


evento especfico ocurra por primera vez es modelado por la
distribucin geomtrica.

xito ensayo t + n
Falla ensayo t 1

Si T v.a. apropiada:

P(T t ) pq T 1 t 1, 2, ....

Periodo de retorno Tiempo de recurrencia promedio para


que un evento de cierta magnitud sea igualado o excedido.
DISTRIBICIONES DE
PROBABILIDAD CONTINUA
Distribucin Exponencial
Consideraciones:
Proceso de eventos aleatorios (los parmetros no
cambian con el tiempo).
No es posible tener mas de un evento en cualquier
instante.
Descripcin de un proceso Poisson.
La v.a. t representa el tiempo entre tormentas.
f (t ) e t , t0
Funcin de Densidad:E (t ) 1 /
La media es:
La varianza es:
La funcin de distribucin acumulada es:
Ejemplo: Distribucin exponencial

En un ao en un sitio determinado ocurren 110 tormentas


independientes con una duracin promedio (todas) de 5.3 h. El
intervalo entre tormentas es:

8760 110 5.3


t 74.3h = 1/ = 1/74.3 = 0.0135 h-1
110

a) Cul es la probabilidad de que pasen al menos 4 das (96 h)


entre tormentas?
P(t 96) =1- F(96)
96
F (96) e t dt 1 e t
0

P (t 96) 1 1 e t e 0.0135*96 0.27


b) Cual es la probabilidad de que el tiempo entre dos
tormentas sea exactamente 12 horas?

P(t = 12)= 0 la probabilidad que una V.A continua


valga cero en un intervalo es cero.

c) Cual es la probabilidad que la separacin entre 2 tormentas


sea menor o igual que 12 h?
Distribucin Log Normal
En general, cuando la variable aleatoria X es el producto de un

gran nmero de otras variables aleatorias, la distribucin de

los logaritmos de X puede aproximarse a la Normal, ya que los

logaritmos de X son la suma de los logaritmos de los factores

contribuyentes.

Si se tiene una variable aleatoria X y ln X = Y, se ajusta a una

distribucin Normal, se dice que la variable aleatoria X es log

normalmente distribuida.

Funcin de Distribucin de Probabilidad


1
exp -

1 y - y 2

f(x) = 2

y x 2 2 y
Asumiendo Y = loga (X)
Parmetros y Factor de frecuencia

Media (Parmetro de escala)


Desviacin estandar (Parmetro de forma)

Estimacin de parmetros: Mtodo de los momentos


12
1 N 1
Y loga ( Xi )
N
log (X )
2

Y
N i1 N i1
a i Y

ln XT = y +K y K es la misma de la distribucin normal

Si se quiere trabajar con la variable no transformada en el


campo logartmico se tiene que:
ln1 + Cv2
exp K T ln1 + Cv -
2 1/2
-1
2
K=
Cv
-1 1
K T = Fu 1 -
Tr
Es el inverso de la funcin de distribucin
1 1
Fu 1 Normal estandarizada acumulada y Cv es
T
el coeficiente de variacin
Intervalos de confianza

: Nivel de confianza o significancia


ST: Error estndar
ln XT u1- 2 ST
1/2
Y 2

ST = = 1 +K
T

N 2
Ejemplo: Distribucin Log Normal
La media y desviacin estndar de los Q max anuales de la
estacin del ro Nare son:

=94.35 m3/s y =22.45 m3/s

Y=4.52 y Y=0.2337

Hallar el QTR=100 si los Qmax tienen una distribucin Log Normal.

K=2.326
QY Tr=100 =4.52+2.326*0.237

QTr=100=159 m3/s

Intervalos de Confianza: Ln(QTR=100) 95ST


Es un intervalo de dos colas, con una probabilidad en cada
una de 5% 1/2
Y 2
= 1 + K T

ST =
N 2

=1.92
ST=0.075
5.0711.6*0.075
4.94 QY 5.14 139159 170 m3/s
Distribucin Gamma (2 Parmetros)

Una de las mas usadas en Hidrologa. -1


1 x x
f(x) =
-
e

Crecientes mximas anuales


| | ( )
Caudales mnimos
Volmenes de flujo anuales y
estacionales
Valores de precipitaciones
extremas
Volmenes de lluvia de corta
duracin

Tiene 2 3 parmetros (Pearson


Tipo III).
Parmetros y Factor de frecuencia
(Parmetro de escala)
> 0 (Parmetro de forma) () = z-1 e-z dz
() es la funcin Gamma completa 0

Estimacin de parmetros: Mtodo de los momentos


=
1
= 2
v
C


=
2 2



2 3 4 5
1 3 1
K K T + (K t 1) + (K T 6KT ) (K T 1) +K T
2 2

6 3 6 6 6 3 6
Distribucin Gamma (3 Parmetros)

Funcin de distribucin de probabilidad


-1
1 x - xo x - xo
f(x) = exp -
| | ()
Funcin de densidad acumulada

X x x0 1

1 x x0
P ( X x)
( ) 0
e


dx

Parmetros
y , parmetros de escala y forma respectivamente.
xo parmetro de localizacin.

() = z-1 e-z dz
0
Parmetros e Intervalos de confianza
(Funcin Gamma)
Estimacin de Parmetros: Mtodo de los momentos
2
2


=
=
0 =
X


2
Que tan cercano puede estar el estimado al verdadero
valor desconocido de la poblacin: Conocer con cierta
certeza. Franja grande: mucha incertidumbre.

XT u1 2 ST
: Nivel de confianza o nivel de probabilidad
ST: Error estndar

ST =
N
Tabla Factor de frecuencia
Pearson tipo III
Valores de para la Distribucin Gamma
Pearson tipo III
Ejemplo: Distribucin Gamma

Hallar el QTR=100. Si la distribucin de los caudales de la estacin


de Nare es Gamma.

= 94.35 m3/s y = 22.45 m3/s, = 0.845

Y = 4.52 y Y = 0.2337, Y = 0.0069

De tabla: K = 2.32

QTR=100 = 94.35 + 2.32*22.45 = 146.4

Intervalos de confianza:

X T u 1 2 S T
De tabla =4.7, N= 36 datos.


ST
N

ST = 17.6
De tabla 95=1.6
146,4 1.6*17.6
146.4 28.16 m3/s
Distribucin Log Pearson Tipo III
Funcin de distribucin de probabilidad
-1
1 ln(x) - yo -
ln(x)- yo
f x (x) = e
x ()

Parmetros
y , parmetros de escala y forma
y yo parmetro de localizacin

Estimacin de Parmetros
Mtodo de los momentos
2



2
y

=
y y0
y

y 2
Factor de Frecuencia:

Y T = ln XT =
y +K
y

Intervalos de Confianza: Que tan cercano puede estar el


estimado al verdadero valor desconocido de la poblacin:
Conocer con cierta certeza. Franja grande: mucha
incertidumbre. XT u1- 2 ST

: Nivel de confianza o nivel de probabilidad


ST: Error estndar
y
ST = ln X T 1 / 2S T
N
Distribucin General de Valor
Extremo
Los valores extremos son valores mximos y mnimos
seleccionados de un conjuntos de datos.

Las distribuciones de valores extremos seleccionados de


conjuntos de muestras de cualquier distribucin de
probabilidad convergen en una de las tres formas de
distribucin de valor extremo, llamadas:

Tipo I: Gumbel, g=1.14


Tipo II: Frechet g<=1.14
Tipo III: Weibull g>=1.14

Funcin de Distribucin de probabilidad


1 / para la GEV

x
F(x) = exp - 1 -

Donde:
, y son parmetros que deben ser determinados.

Los tres casos limitantes son:

= 0 Distribucin de Valor Extremo Tipo I (Gumbel)

1 x- x-
f(x) = exp - - exp -

Rango: - x
x 0 .5772 6
Estimacin de parmetros:
=


2. < 0 Distribucin de Valor Extremo Tipo II (Frechet)

x
1/

f(x) = exp - 1 -

Rango: ( / ) x

3. > 0 Distribucin de Valor Extremo Tipo III (Weibull)

x
1/

f(x) = exp - 1 -

Rango: x ( / )
Distribucin Gumbel
La fda y el factor de frecuencias es:

x
F(x) exp - exp x

6
K=- 0.577 + ln lnTr - ln Tr - 1

Intervalos de confianza: Que tan cercano puede estar el
estimado al valor verdadero desconocido de la poblacin.

XT u1- 2 ST
: Nivel de confianza o nivel de probabilidad
ST: Error estndar
^

ST = = 1 +1.1396K+1.1K
2 1/2
N
Ejemplo: Distribucin Gumbel

Si los caudales de la estacin del ro Nare


tienen una distribucin Gumbel:
QTr 95 ST
6
K 100 0.577 lnlnTR ln(TR 1)

KTr=100 = 3.13
QTr 100 K
QTr 100 94.35 3.13 22.45 164.77

Intervalos de confianza:
Ejemplo: Distribucin Gumbel


ST =
N

= 1 +1.1396K+1.1K2
1/2

= 3.91
ST = 14.62
QTR 1.6*14.62
141.4 164.77 188.17 m3/s