C5-1

CAPITULO 5
CONCEPTOS DE PROBABILIDAD EN HIDROLOGA
CONCEPTOS BSICOS (Ven T. Chow)
Algunos de los procesos hidrolgicos pueden ser predecibles y su
comportamiento puede ser explicado por relaciones matemticas o leyes fsicas.
Algunos otros contienen una parte que puede ser predecible de forma
determinstica (a travs de una ley fsica) y otra parte que sea aleatoria. Otros no
contienen ninguna parte que pueda ser predeterminada de forma determinstica
y son totalmente aleatorios, estos ltimos son conocidos como procesos
estocsticos. En este caso se encuentran los eventos hidrolgicos extremos, tales
como las crecientes o sequas y en general los relacionados de forma muy directa
con los fenmenos de precipitacin. En estos procesos una observacin no esta
correlacionada con observaciones adyacentes (anteriores o posteriores).
En este tema se har una breve recapitulacin de los conceptos de probabilidad
y estadstica que se han adquirido en cursos previos. Para lo cual se presentan
una lista de definiciones que es preciso tener presentes:
Variable Aleatoria.
Distribucin de probabilidad.
Muestra: Es el conjunto de observaciones de la variable aleatoria. Las
propiedades estadsticas pueden variar de muestra a muestra.
Poblacin: El conjunto de muestras forma una poblacin infinita que posee
propiedades estadsticas constantes.
Espacio Muestral: es el conjunto de todas las muestras posibles.
Evento: subconjunto de un espacio muestral.
Probabilidad de ocurrencia de un evento: Es la posibilidad de que este evento
(n
A
)ocurra cuando se hace una observacin (n) de la variable aleatoria. La
frecuencia relativa de A es n
A
/n. A medida que el tamao de la muestra aumenta,
la frecuencia relativa se convierte progresivamente en una estimacin ms
aproximada de la probabilidad del evento, es decir,
n
n
Lim A P
A
n
= ) (
Principios bsicos de la probabilidad:
a) Probabilidad total. Si el espacio muestral O esta completamente dividido
en m eventos o reas no traslapadas A
1
, A
2
, A
3
, .....,A
m
, entonces
1
4 3 2 1
= O = + + + + + ) ( ) ( .... ) ( ) ( ) ( ) ( P A P A P A P A P A P
m

b) Complementariedad. Se dice que si A es complemento de A, es decir,
A A O = , entonces
) ( ) ( A P A P =1

C5-2
c) Probabilidad Condicional.
) (
) (
) / (
A P
B A P
A B P

=
EJEMPLO
El registro de precipitacin mxima en 24 horas en la estacin de Mexicali, desde
1948 hasta 1997 se muestra en la tabla I y en forma grfica en la figura 1. Cul es
la probabilidad de que la precipitacin anual R en cualquier ao sea menor que
__ mm? mayor que __ mm? Entre __ y __ mm?.
Tabla I. Registro de precipitacin mxima en 24 en la Estacin Mexicali, BC,
Mxico (mm).
Ao Precipitacin
Mxima
en 24 hrs.
Ao Precipitacin
Mxima
en 24 hrs.
Ao Precipitacin
Mxima
en 24 hrs.
1948 34.3 1965 19.5 1982 50.2
1949 29.3 1966 10.5 1983 32.9
1950 6.2 1967 36.5 1984 14.8
1951 17.8 1968 15.0 1985 18.4
1952 11.2 1969 17.6 1986 48.0
1953 7.0 1970 16.8 1987 11.1
1954 8.0 1971 10.5 1988 30.8
1955 29.8 1972 55.5 1989 14.0
1956 8.3 1973 11.1 1990 17.1
1957 37.0 1974 15.3 1991 17.2
1958 22.0 1975 17.9 1992 73.8
1959 13.5 1976 37.3 1993 19.0
1960 18.0 1977 62.0 1994 17.3
1961 34.5 1978 29.5 1995 17.3
1962 31.0 1979 26.9 1996 7.30
1963 29.0 1980 16.7 1997 45.6
1964 8.6 1981 16.2

PARMETROS ESTADSTICOS
El objetivo de la estadstica es contar con un nmero reducido de valores que nos
indiquen la informacin esencial de un conjunto muy grande de datos. Un
parmetro estadstico nos muestra alguna caracterstica de la poblacin y los
ms importantes son la media, la desviacin estndar y la asimetra.
El valor esperado de la variable aleatoria es un parmetro estadstico y se conoce
como media . Para una variable aleatoria X la media es E(X) y se calcula como

C5-3
el producto de x y la correspondiente densidad de probabilidad f(x), integrando
sobre el rango factible de la variable aleatoria:
}

= = dx x xf X E ) ( ) (
Se conoce tambin como el primer momento alrededor del origen de la variable
aleatoria, una medida del punto medio o tendencia central de la distribucin.
La estimacin de la media de una muestra se denota como x

=
=
n
i
i
x
n
x
1
1

La variabilidad de la informacin se mide por medio de la varianza
2
o , la cual es
el segundo momento alrededor de la media:
}

= = dx x f x x E ) ( ) ( ] ) [(
2 2 2
o
El valor estimado de la varianza para una muestra esta dado por:

=
n
i
i
x x
n
s
1
2 2
1
1
) (
Se indica n-1 para asegurar que la estadstica no est sesgada.
La simetra de una distribucin alrededor de la media se mide utilizando la
asimetra (oblicuidad) que corresponde al tercer momento alrededor de la
media:
}

= dx x f x x E ) ( ) ( ] ) [(
3 3

La asimetra se denota ms familiarmente como coeficiente de asimetra que no
es ms que dividirla entre la desviacin estndar al cubo (
3
o ).
] ) [(
3
3
1

o
= x E
Una estimacin del coeficiente de asimetra es:
3
1
3
2 1 s n n
x x n
C
n
i
i
s
) )( (
) (

=

=


C5-4

Ejemplo: Calcule la media de la muestra, la desviacin estndar de la muestra y
el coeficiente de asimetra de la muestra de la informacin de precipitacin
anual en Mexicali BC. Desde 1970 hasta 1979.
. .
.
mm x
n
x
n
i
i
17 40
10
7 401 1
1
= = =

=


1 2 3 4
Ao Precipitacin
2
) ( x x
i

3
) ( x x
i

1970 33.9 39.3 -246.5
1971 31.7 71.7 -607.6
1972 31.5 75.2 -651.7
1973 59.6 377.5 7335.3
1974 60.5 106.7 1102.3
1975 38.6 2.5 -3.9
1976 43.4 10.4 33.7
1977 28.7 131.6 -1509
1978 32 66.7 -545.3
1979 51.8 135.3 1573
total 401.7 1016.9 6480.3

mm x x
n
s
n
i
i
113
9
9 1016
1
1
1
2 2
= =

=

=
.
) (
749 0
63 10 8 9
3 6480 10
2 1
3 3
1
3
.
) . (
.
) )( (
) (
=


=

=

=
s n n
x x n
C
n
i
i
s


C5-5

PRUEBA DE LA BONDAD DEL AJUSTE
La bondad del ajuste de una distribucin de probabilidad puede hacerse
comparando los valores tericos y muestrales de las funciones de frecuencia
relativas y de frecuencia acumulada. En el caso de la funcin de frecuencia
relativa se utiliza la prueba
2
_ . La frecuencia relativa se define como:
n
n
x f
i
i s
= ) (
Donde el nmero de observaciones n
i
en el intervalo i se divide por el nmero
total de observaciones n.
El valor terico de la frecuencia relativa es p(x
i
)=F(x
i
)-F(x
i-1
) La prueba estadstica
2
_ esta dada por:

=
m
i i
i i s
x p
x p x f n
1
2
2
) (
)] ( ) ( [
_
donde mes el nmero de intervalos. Debe notarse que
i i s
n x nf = ) ( es el nmero
de ocurrencias OBSERVADAS en el intervalo i mientras que np(x
i
) es el nmero
ESPERADO de ocurrencias en el mismo intervalo, luego la ecuacin anterior se
limita a elevar al cuadrado la diferencia entre el nmero de ocurrencias
observadas y esperadas, dividiendo el nmero de ocurrencias esperadas en el
intervalo y sumando el resultado para todos los intervalos.
La distribucin
2
_ con v grados de libertad es la distribucin para la suma de los
cuadrados de v variables aleatorias normales estndar independientes z
i
, esta
suma es la variable aleatoria:

=
=
v
v
_
1
2 2
i
i
z
Los valores de esta funcin se muestran en la siguiente tabla.
En la prueba 1 = p m v donde m es el nmero de intervalos y p es el nmero de
parmetros utilizados en el ajuste de la distribucin propuesta. Se elige un nivel de
confianza para la prueba, expresado usualmente como o 1 donde o se
conoce como nivel de confianza. Un valor tpico para el nivel de confianza es
95%. La hiptesis nula para la prueba es que la distribucin de probabilidad
propuesta ajusta adecuadamente la informacin. Esta hiptesis se rechaza (el
ajuste se considera como inadecuado) si el valor de
2
c
_ es mayor que un valor
lmite
2
1 o v
_
,
determinado de la distribucin
2
_ con v grados de libertad como el
valor que tiene la probabilidad acumulada de o 1 .
EJEMPLO: Usando el mtodo de los momentos ajuste la distribucin normal a la
precipitacin anual en College Station, Texas de 1911 a 1979. Grafique las
funciones de frecuencia relativa y de probabilidad incremental, y las funciones de

C5-6
frecuencia acumulada y probabilidad acumulada. Utilice la prueba
2
_ para
determinar si la distribucin normal se ajusta adecuadamente a los datos.
Tabla II. Precipitacin anual en la estacin College en Texas, USA. (Tomada de
Ven Te Chow, 19__)
Ao 1910 1920 1930 1940 1950 1960 1970
0 48.7 44.8 49.3 31.2 46.0 33.9
1 39.9 44.1 34.0 44.2 27.0 44.3 31.7
2 31.0 42.8 45.6 41.7 37.0 37.8 31.5
3 42.3 48.4 37.3 30.8 46.8 29.6 59.6
4 42.1 34.2 43.7 53.6 26.9 35.1 50.5
5 41.1 32.4 41.8 34.5 25.4 49.7 38.6
6 28.7 46.4 41.1 50.3 23.0 36.6 43.4
7 16.8 38.9 31.2 43.8 56.5 32.5 28.7
8 34.1 37.3 35.2 21.6 43.4 61.7 32.0
9 56.4 50.6 35.1 47.1 41.3 47.4 51.8

SOLN. Se divide el intervalo de precipitacin (R) en 10. El primero es R 20 pulg, el
ltimo intervalo es R>60 pulg, y los intervalos intermedios son de 5 pulg. El
histograma de frecuencia se muestra en la columna 2 de la tabla y la funcin de
frecuencia relativa se muestra en la columna 3. Esta ltima se ha calculado
utilizando la siguiente frmula, con por ejemplo n=69 e i=4.
203 0
69
14
4
. = = =
n
n
f
s

donde 14 35 30 4
4
= = ) ( n
La funcin de frecuencia acumulada (columna 4) se encuentra sumando las
frecuencias relativas, para i=4
333 0 203 0 130 0
4 3
4
1
4
. . . ) ( ) ( ) ( ) ( = + = + = =

=
x f x f x f x F
s s
j
j s s

Puede notarse que esta es P(X35.0 pulg) tal com
Para ajustar la distribucin de funcin normal, las estadsticas de la muestra
77 39. = x pulg y s=9.17 pulg, se calculan con la informacin obtenida desde 1911
hasta 1979 y se usan como estimativos de y o . La variable normal estndar z
corresponde al lmite superior en cada uno de los intervalos de la informacin se
calcula utilizando:
520 0
17 9
77 39 0 35
.
.
. .
=

=
o
x
z
El valor correspondiente de la funcin de densidad de probabilidad normal est
dado en la Tabla como 0.301 tal como se muestra en la columna 6. La funcin de
probabilidad incremental se calcula utilizando:

C5-7
158 0 144 0 301 0 30 35 35 30
4
. . . ) ( ) ( lg) ( ) ( = = = s s = F F pu X P x p
los valores para otros intervalos se muestran en la columna 7.
Los valores de frecuencia relativa f
s
(x
i
) y p(x
i
) de la tabla se muestran como
HISTOGRAMA.
Las funciones de frecuencia acumulada y de distribucin de probabilidad F
s
(x
i
) y
F(x) se grafican como puntos acumulados.
Tabla III. Resultados del anlisis de la distribucin de probabilidad y la
prueba chi2. (Tomada de Ven Te Chow, 19__)
Colum 1 2 3 4 5 6 7 8
Int.
(i)
Rango
(pulg)
N(i)

fs(xi)

Fs(xi)

Z

F(xi)

p(xi)

CHI

1 10 1 0.014 0.01 -2.155 0.016 0.016 0.005
2 10-15 2 0.029 0.04 -1.610 0.054 0.038 0.151
3 15-20 6 0.087 0.13 -1.065 0.143 0.090 0.006
4 20-25 14 0.203 0.33 -0.520 0.302 0.158 0.872
5 25-30 11 0.159 0.49 0.026 0.510 0.209 0.799
6 30-35 16 0.232 0.72 0.571 0.716 0.206 0.229
7 35-40 10 0.145 0.87 1.116 0.868 0.152 0.022
8 40-45 5 0.072 0.94 1.661 0.952 0.084 0.107
9 45-50 3 0.043 0.99 2.207 0.986 0.035 0.155
10 50-55 1 0.014 1.00 2.752 0.997 0.011 0.092
Total 69 1.00 0.997 2.438

CONCLUSIN 1: DEBIDO A LA SIMILITUD DE LAS DOS FUNCIONES ES EVIDENTE QUE
LA DISTRIBUCIN NORMAL SE AJUSTA MUY BIEN A ESTA INFORMACIN DE
PRECIPITACIN ANUAL.
Para verificar la bondad del ajuste, se aplica la prueba
2
_ descrita
anteriormente. Para i=4.
891 0
15777 0
15777 0 20290 0 69
2
4
2
4 4
.
.
) . . (
) (
)] ( ) ( [
=

=

x p
x p x f n
s

esta estimacin se repite para cada x (columna 8) y la suma de todas ellas es
2
c
_
2.377.

C5-8
0.0
0.2
0.4
0.6
0.8
1.0
20 25 30 35 40 45 50 55 60 65
Precipitacin (pulg)
F
r
e
c
.

r
e
l
a
t
i
v
a
Fs(x)
F(x)

0.00
0.05
0.10
0.15
0.20
0.25
20 25 30 35 40 45 50 55 60 65
Precipitacin (pulg)
P
r
e
c
.

a
c
u
m
u
l
a
d
a
f s(x)
p(x)

Fig. __ Funciones de frecuencia para la distribucin normal ajustada a la
precipitacin anual en la estacin College Texas, USA. (Tomada de Ven Te
Chow, 19__)
El valor de
2
1 o v
_
,
para una probabilidad acumulada de 1-a=0.95 y
7 1 2 10 1 = = = p m v grados de libertad es 1 14
2
95 0 7
.
. ,
= _ como este valor es
mayor que la
2
c
_ la hiptesis nula no puede rechazarse con un nivel de confianza
del 95% por lo tanto CONCLUSIN 2. EL AJUSTE DE LA DISTRIBUCIN NORMAL A LA
INFORMACIN DE PRECIPITACIN ANUAL DE COLLEGE STATION SE ACEPTA.
DISTRIBUCIONES DE PROBABILIDAD
Las distribuciones de probabilidad ms utilizadas en Hidrologa son las siguientes:
DISTRIBUCION BINOMIAL
Una variable aleatoria X que puede tomar dos valores, donde la probabilidad de
que tome uno de ellos es p tiene una distribucin binomial si su funcin de
densidad de probabilidad puede ser escrita como:

x n x
n
x
p p x P

|
.
|

\
|
= ) ( ) ( 1
Para x = 0,1,...,n
donde

C5-9

)! ( !
!
x n x
n
n
x
=
|
.
|

\
|


p = probabilidad de uno de los valores, definida como un suceso, 0sps1
n = nmero de eventos.
x = nmero de sucesos.

Fig. 1. Distribucin Binomial
EJEMPLO.
Usted es el responsable de regular el caudal de descarga de una presa. La
Comisin Nacional del Agua ha determinado que si el caudal que pasa por la
estacin supera la marca de 3 m en la estaca de aforo de la estacin, se corre el
riesgo de daar estructuras hidrulicas aguas abajo. La penalizacin por
descargar caudales mayores es muy severa y le podra costar el puesto. La
probabilidad de que se viole la norma sobre un perodo de tiempo muy grandes
es de 0.20.
Cree Usted probable que durante los ltimos 6 eventos de escurrimiento se haya
sobrepasado la norma en 4 ocasiones?.
SOLUCION.
La probabilidad de que se sobrepase la norma en 4 ocasiones durante 6 eventos
es:

015 0 2 0 1 2 0
2 4
6
4
. ) . ( . ) ( =
|
.
|

\
|
= x P

Este valor es muy pequeo y por lo tanto muy improbable que esto haya
sucedido, por lo que de haberse llevado a cabo correctamente la medicin, el
punto de aforo esta recibiendo adems de la descarga de la presa, escurrimiento
directo o bien flujo base del subsuelo.
DISTRIBUCION DE POISSON
Aplicacin. El flujo en un canal puede ser caracterizado como una distribucin de
Poisson cuando es la entrada a una presa. Su distribucin de densidad de
probabilidad puede ser descrita como:

C5-10

!
) (
x
e
X p
x

= Para x = 0,1,2,...
Donde:
= constante positiva (valor medio del caudal de llegada)
x = cualquier entero positivo
e = una constante = 2.7182

La funcin de probabilidad se muestra en la figura con su tpica asimetra.
EJEMPLO.
Suponga que el nivel de agua en una presa cambia su nivel mensualmente en
promedio 1 cm, de forma aleatoria, y los cambios graficados describen una
distribucin de Poisson. Cul es la probabilidad de que se presente un cambio
de 2 cm de elevacin en un mes?.
SOLUCIN

184 0
2
1
2
1 2
.
!
) ( = = =

e
X p

Cul es la probabilidad de que el cambio sea como mximo de 2 cm.?
) ( ) ( ) ( 2 1 0 = + = + = x P x P x P
O
92 0 184 0 368 0 368 0 2 . . . . ) ( = + + = s x F

DISTRIBUCION NORMAL
Definicin.


(
(

|
.
|

\
|

|
|
.
|

\
|
=
2
2
1
2
1
o

t o
x
x f exp ) (
< < x para
Donde:
o = desviacin estndar
x = cualquier valor
= media de la poblacin.

C5-11

EJEMPLO:
Suponga que la concentracin anual promedio de cloruros en el agua del ro
Colorado es de 300 ppm (partes por milln) con una varianza de 150 ppm. Estos
promedios estn basados en mediciones semanales de muestras durante un ao
contando con datos de 35 aos. Durante un ao en el que se verti agua de
drenaje agrcola el promedio anual aument a 310 ppm. Cul es la probabilidad
de que las concentraciones anuales sean iguales o mayores a 310 ppm?.
Habra que resolver la ecuacin de la distribucin de probabilidad, lo que se logra
utilizando tablas normalizadas a z tales que:

816 0
24 12
300 310
.
.
) (
=

= z

Usando la tabla, observamos que la probabilidad de que este evento ocurra es
de 0.7939 o sea el 79% del tiempo las concentraciones sern menores a 310 ppm
mientras que tan solo el 21% del tiempo se observarn concentraciones mayores
a 310 ppm en el ro.
DISTRIBUCION LOGNORMAL
Definicin.

(
(

|
.
|

\
|

|
|
.
|

\
|
=
2
2
1
2
1
o

t o
x
x
x f
ln
exp ) ( 0 > x para.......
Esta distribucin es una transformacin muy til de la distribucin normal. El grfico
del flujo promedio semanal esta generalmente sesgado hacia la derecha y no
puede ser explicado por una distribucin normal, sin embargo, el logaritmo de
estos valores semanales muestran una distribucin normal, como se muestra en la
figura.


C5-12
Fig. distribucin lognormal.
Como en el caso de la distribucin normal se utiliza la tabla normalizada de la
distribucin normal haciendo la transformacin respectiva:

o

=
x
z
ln


DISTRIBUCION EXPONENCIAL
Definicin.
x
e x f



= ) ; (
x
e x F

=1 ) ; (
Para toda x > 0
Donde =1/

Los intervalos de tiempo entre dos crecidas de agua sucesivas o dos eventos de
lluvia muestran una distribucin de este tipo y la en este caso es la taza media
de ocurrencia.
EJEMPLO
Estime la probabilidad de que el intervalo de tiempo entre precipitaciones en la
Costa de Tabasco en la poca de lluvias sea menor a 5 das (120 hr) suponiendo
que el intervalo de tiempo promedio entre precipitaciones es de 84 hr.

0119 0
84
1
. = =
x
e x F

=1 ) ; ( 76 0 1
120 0119 0
. ) ; (
* .
= =

e x F

DISTRIBUCION GAMMA

Definicin

) (
) (
|

| |
I
=
x
e x
x f
1
0 > x
2
x
s
x
=

C5-13
2 2
2
1
CV s
x
x
= = |

Donde 1 2 3 2 1 1 = = I ).... )( ( )! ( ) ( | | | | 1 2 3 4 5 = I ) (

Constituye una funcin de probabilidad suave muy til en la descripcin de
variables hidrolgicas asimtricas sin usar la transformacin log.
DISTRIBUCION PEARSON III
Definicin
) (
) (
) (
) (
|
c
c | |
I

=
x
e x
x f
1
c > x
| c |
|

x
s
x
s x
C
s
=
|
|
.
|

\
|
= = , ,
2
2


Tambin es conocida como distribucin gamma de tres parmetros en la que el
tercer parmetro constituye el lmite inferior.
DISTRIBUCIN LOG-PEARSON TIPO III
Definicin
) (
) (
) (
) (
|
c
c | |
I

=

x
e y
x f
y 1
c > x log
| c |
|

y
s
y
s y
y C
s
=
|
|
.
|

\
|
= = ,
) (
,
2
2


Donde y=log(x) Suponiendo que Cs(y) es positivo
Esta distribucin ha sido ampliamente aceptada para estimar la probabilidad de
caudales. Si se cuenta con una serie de mediciones de caudales para cada ao,
estos pueden ser convertidos a logaritmos a partir de los cuales se puede estimar
la asimetra, la media y la varianza. El sesgo puede ser estimado a partir de la
ecuacin:

3
1
3
2 1 s n n
x x n
G
n
i
i
) )( (
) (

=

=


Una forma alterna de calcular la asimetra y la desviacin estndar es:

3
3 2 3 2
2 1
2 3
s N N N
X X X N X N
G
) )( (
) ( ) )( ( ) (

+
=


Donde

C5-14

5 0
2 2
1
.
/ ) ( ) (
(
(

=

N
N X X
s
Conociendo el coeficiente de asimetra y la probabilidad del excedente, es
posible calcular el valor de los caudales correspondientes usando:

s
K X X + =
donde

+ |
.
|

\
|
|
.
|

\
|
= 1 1
6 6
2
3
G G
K
G
K
n
0 1 0 1 . . < < G para
K es conocida como la variable reducida Tipo III. K se puede calcular a partir
de la Tabla Anexa.
Kn es la desviacin estndar normal para esa probabilidad.
El coeficiente de asimetra es muy sensitivo a valores extremos por lo que
debemos contar con series de ms de 100 aos. Si no se cuenta con una serie tan
larga se recomienda hacer los siguientes ajustes en la estimacin de G.

Aos de registro, N Valor de la asimetra
100 G
26 100
g
G
N
G
N
|
.
|

\
|
+ |
.
|

\
|
75
25
1
75
25

25 Gg
Donde
Gg = coeficiente de asimetra generalizado

DISTRIBUCION GUMBEL (valor extremo)
Definicin.

b
e
e x F

= 1 1 ) (

Donde:
b = (1/0.7797s)(x-+0.45s)
x = magnitud del flujo (m
3
/s)
= magnitud promedio del flujo (m
3
/s)
s = desviacin estndar de la magnitud del flujo (m
3
/s)

C5-15

Se ha usado ampliamente para describir escurrimientos anuales. Los diagramas
de distribucin de flujo son generalmente asimtricos, como el que se muestra en
la figura. Estos pueden ser aproximados de forma bastante cercana con la
distribucin de Gumbel que posee una asimetra fija de 1.14. Es usada para
calcular escurrimientos excedentes mximos anuales. Los escurrimientos mximos
anuales se calculan eligiendo el escurrimiento mximo anual obtenido a partir de
mediciones diarias. Este escurrimiento mximo anual es agrupado con los
escurrimientos mximos de varios aos. La distribucin probabilstica de estos
escurrimientos mximos anuales puede ser representada por Gumbel.



EJEMPLO.
Si el caudal de escurrimiento en la cuenca del Ro Nazas tiene un valor promedio
de 1340 m
3
/s con una varianza de 58,400 (m
3
/s)
2
. Cul es la probabilidad de que
el caudal sea igual o exceda los 2100 m
3
/s usando la distribucin de Gumbel?.
SOLUCION
La variable reducida b se estima como:

61 4 6 241 45 1340 2100
6 241 7797 0
1
. )] . ( . [
) . ( .
= + = b

Adems

0099 0 1 1
61 4
. ) (
.
= =

e
e x F

Lo que significa que un caudal de esa magnitud tiene la posibilidad de ocurrir 1
vez cada 100 aos aproximadamente.
Como se observa la posibilidad de que se exceda el caudal, o se observe el
perodo de retorno, es una funcin directa del valor de b, entonces de puede
determinar la probabilidad de forma inmediata a travs de la Tabla IV.

Tabla IV. Probabilidad de Gumbel y perodo de retorno.
Variable reducida Probabilidad de
excedencia
Perodo de retorno
b (intervalo de recurrencia)

C5-16
0.367 .50 2
1.367 .20 5
2.250 .10 10
2.970 .05 20
3.199 .04 25
3.902 .02 50
4.601 .01 100
5.296 .005 200


C5-17
ANALISIS DE FRECUENCIA
Eventos extremos:
Sequias
Tormentas severas
Crecientes
MAGNITUD ---- inversamente proporcional a ------ FRECUENCIA DE OCURRENCIA
Objeto: Analizar la frecuencia de ocurrencia a partir de alguna distribucin de
probabilidad
Supuestos: eventos independientes
Distribucin idntica
Sistema que lo produjo es estocstico.
Resultado: diseo de presas
Puentes
Estructuras de crecientes
Determinar beneficio econmico de los proyectos de control de
crecientes
Delinear planicies de inundacin, etc.
PERODO DE RETORNO
El perodo de retorno T de un evento X xT es el valor esperado , E() su valor
promedio medido sobre un nmero de ocurrencias suficientemente grande.
EJEMPLO
Determine el perodo de retorno de una caudal mximo anual de 50,000 cfs en el
registro que se muestra en la figura.
Durante el perodo de registro (41 aos) se observan 8 registros de caudal anual
mximo superiores a 50,000 cfs (pies cbicos por segundo), por lo que el perodo
de retorno ser de = 41/8 = 5.1 aos.
EL PERIODO DE RETORNO DE UN EVENTO CON UNA MAGNITUD DADA PUEDE
DEFINIRSE COMO EL INTERVALO DE OCURRENCIA PROMEDIO ENTRE EVENTOS QUE
IGUALAN O EXCEDEN UNA MAGNITUD ESPECFICA.
INTERVALO DE RECURRENCIA Y RIESGO
El intervalo de ocurrencia (perodo de retorno) (Tr) es el intervalo de tiempo
promedio dentro del cual un evento ser igualado o excedido. La probabilidad
de ocurrencia de un evento en cualquier ao es (1/Tr). El intervalo de ocurrencia
deber estar basado en un registro temporal del evento muy largo. Es un trmino
estadstico muy importante y de fcil entendimiento para cualquier persona.
Se conoce como evento extremo a cualquier variable aleatoria que alcance o
sobrepase un cierto nivel dado.

C5-18
Si un evento es definido como (X x) y su probabilidad de ocurrencia por P(X x),
el intervalo de ocurrencia es el inverso de la probabilidad, as:
P(XxT)=1/T
En cada una de las observaciones existen dos opciones, que el evento sobrepase
el limite preestablecido xT (xito) o que no lo sobrepase (fracaso), por lo que el
valor esperado se define como la distribucin binomial:
... ) ( ) ( ) ( ) ( ) ( + + + + = =

=
3 2
1
1
1 3 1 3 1 2 1 p p p p p p p p p E
t
t
t t
| | ... ) ( ) ( ) ( + + + + =
3 2
1 3 1 3 1 2 1 p p p p
esta ltima expresin puede representarse como una serie de potencia:
.. ..........
)] )( ( [ )] ( [
) ( +

+

+ + =
6
2 1
2
1
1 1
3 2
x n n n x n n
nx x
n

donde ) ( p x = 1 y n=-2
de tal forma que se puede escribir:
T
x X P bien o
p
T E
T
1 1
= > = = ) ( ) (t
EJEMPLO:
La Tabla V muestra el registro de caudales mximos anuales del ro Guadalupe
Texas, EUA de 1935 a 1978 y su grfica se muestra en la figura __. Si se toma como
xT=50,000 ft/s puede verse que el caudal mximo excede este nivel nueve veces
durante el perodo de registro, con intervalos de ocurrencia que varan desde un
ao hasta 16 aos. El valor esperado de que el caudal mximo sobrepase los
50,000 es 41/8=5.1 aos donde 8 corresponde al nmero de intervalos y 41 al
nmero de aos entre la primera vez (1936) que se present el evento y la ltima
(1977). De tal forma que se puede decir que el perodo de retorno de un evento
con una magnitud de 50,000 ft/s o ms es de 5.1 aos.
Tabla V. Caudales mximos anuales para el ro
Guadalupe, Texas, EUA. (Tomado de Ven Te
Chow, 19__)
ao 1930 1940 1950 1960 1970
0 55,900 13,300 23,700 9,190
1 58,000 12,300 55,800 9,740
2 56,000 28,400 10,800 58,500
3 7,710 11,600 4,100 33,100
4 12,300 8,560 5,720 25,200
5 38,500 22,000 4,950 15,000 30,200
6 179,000 17,900 1,730 9,790 14,100
7 17,200 46,000 25,300 70,000 54,500
8 25,400 6,970 58,300 44,300 12,700
9 4,940 20,600 10,100 15,200

C5-19
Caudales mximos anuales en el ro Gpe.
0
25,000
50,000
75,000
100,000
125,000
150,000
175,000
200,000
1930 1940 1950 1960 1970 1980 1990
tiempo (aos)
C
a
u
d
a
l

(
f
t
/
s
)

A menudo encontramos preguntas sobre cual es la probabilidad de que un
evento con perodo de retorno de T aos ocurra al menos una vez en N aos?.
Para calcular esto se requiere calcular primero la situacin de que no ocurra el
evento de T aos en N aos. Esto requiere una secuencia de N fallas sucesivas, de
tal manera que:

P(X<xT cada ao durante N aos)=(1-p)
N
El complemento de esta situacin es el caso requerido, luego utilizando la
ecuacin
P(XxT al menos una vez en N aos)=1-(1-p)
N
Como p=1/T
P(XxT al menos una vez en N aos)=1-(1-1/T)
N

EJEMPLO
Estime la probabilidad de que el caudal mximo anual Q en el ro Guadalupe
exceda 50,000 ft/s al menos una vez durante los prximos tres aos.
SOLUCION.
De acuerdo con las premisas anteriores P(Q50,000 en cualquier ao)=0.195.
entonces la P(Q50,000 al menos una vez durante los ltimos tres aos)=1-(1-
0.195)
3
=0.48

DISTRIBUCIN DE VALORES EXTREMOS.
El estudio de la hidrologa en la Ingeniera Civil esta enfocada al estudio de
eventos hidrolgicos extremos que no es ms que elegir los eventos mximos o
mnimos del conjunto de datos. Por ejemplo, el estudio de los caudales picos en
una estacin hidromtrica nos permitir encontrar el caudal de diseo de

C5-20
cualquier estructura hidrulica sobre el cauce del escurrimiento. Estos valores de
caudal pico son elegidos de entre miles de datos de caudal registrados en las
estaciones de aforo. Suponga que en la estacin de aforo en cuestin se han
tomado mediciones del caudal cada 15 min. Esta frecuencia de medicin
arrojara 4X24X365=35,040 valores en un ao, de todos los cuales se considerar
slo el caudal mximo durante ese ao.
Las observaciones elegidas de esa forma constituyen la cola extrema de la
distribucin de probabilidad de todas las observaciones de la poblacin de la
cual se extrajo. Por lo cual al distribucin de los valores extremos en general es
diferente a la distribucin de la poblacin entera.
En estos casos se utilizan las distribuciones de valores extremos, conocidas como
del Tipo I, Tipo II y Tipo III, que son casos particulares de la distribucin de Valor
Extremo General.

(
(

|
.
|

\
|
=
k
u x
k x F
/
exp exp ) (
1
1
o
s s x
donde k, u, y o son parmetros que deben ser determinados.
La funcin de probabilidad de valor extremo tipo I (EVI) es cuando k=1 y es
conocida como GUMBEL revisada en el apartado anterior. La funcin Tipo II es la
conocida como Frechet.
Donde:
t
o
s 6
=
o 5772 0. = x u
El parmetro u es la moda de la distribucin (punto de mxima densidad de
probabilidad). Una variable reducida y puede definirse como:
o
u x
y

=
sustituyendo la variable reducida en la forma general tenemos
| | ) exp( exp ) ( y x F =
resolviendo para y:
(

|
|
.
|

\
|
=
) (
ln ln
x F
y
1

Tal como se demostr antes:
) (
T
x x P
T
> =
1

) (
T
x x P
T
< =1
1


C5-21
) (
T
x F
T
=1
1

luego
T
T
x F
T
1
= ) (
y sustituyendo en y
T
, tenemos:
(

|
.
|

\
|

=
1 T
T
y
T
ln ln
Para la distribucin Tipo I (Gumbel) la x
T
se relaciona con la y
T
mediante:
T T
y u x o + =
EJEMPLO.
Los valores mximos anuales para las lluvias de 10 minutos de duracin en
Chicago, Illinois, desde 1931 hasta 1947 se presentan en la Tabla VI. Desarrolle un
modelo para el anlisis de frecuencia de tormentas utilizando la distribucin de
Valor Extremo I (Gumbel) y calcule los valores mximos de lluvias de 10 minutos de
duracin con perodos de retorno de 5, 10, 50, 200 y 500 aos.
Tabla VI. Lluvia mxima anual de 10 minutos en
pulgadas para Chicago, Illinois, 1931-
1947, (Tomado de Ven Te Chow, 19__)
Ao 1910 1920 1930 1940
0 0.53 0.33 0.34
1 0.76 0.96 0.70
2 0.57 0.94 0.57
3 0.49 0.80 0.80 0.92
4 0.66 0.66 0.62 0.66
5 0.36 0.68 0.71 0.65
6 0.58 0.68 1.11 0.63
7 0.41 0.61 0.64 0.60
8 0.47 0.88 0.52
9 0.74 0.49 0.64

Los momentos (media y desv. Std.) de la muestra son calculados de los valores de
la Tabla IV. y los valores de alfa y u son calculados de las frmulas anteriores.
media= 0.530
desv. Std= 0.137
alfa= 0.106527
u= 0.468513
Habiendo obtenido los valores anteriores se sustituyen en la formula de y T para
cada perodo de retorno deseado.


C5-22
T yT xT
5 1.500 0.63
10 2.250 0.71
50 3.902 0.88
200 5.296 1.03
500 6.214 1.13
EJERCICIO:
La estacin climatolgica de San Felipe B.C. (38) y el observatorio
Meteorolgico de San Felipe posee un registro de altura de
precipitacin en 24 hr de 1948 hasta el 2002 (tabla VII) aos, utilice estos
datos para:
a) Ajustar las distribuciones de densidad de probabilidad Normal,
Lognormal, Exponencial, Gamma, Gumbel y Doble Gumbel para
dos poblaciones a los datos altura de la precipitacin con ayuda
del programa AX de la CNA.
b) Estime las alturas para los siguientes perodos de retorno (Tr): 5, 10,
20, 50, 100, 500 y 1000 aos.
c) Grafique las distribuciones ajustadas con los datos de la estacin
climatolgica y elija la que mejor se ajusta por inspeccin visual
de la grafica y por el error de ajuste (error cuadrtico promedio).
Explique su respuesta.

C5-23

Tabla VII Precipitacin Mxima anual en 24 hrs. para la Estacin
No. 36. San Felipe, B.C.
AO AO
1948 45 1975 11.5
1949 33 1976 13.5
1950 8 1977 15.2
1951 18 1978 12
1952 17 1979 63
1953 12 1980 12
1954 2 1981 7
1955 20.5 1982 35
1956 33 1983 73
1957 22 1984 26
1958 28 1985 12.2
1959 19 1986 20
1960 20 1987 9
1961 28.5 1988 4
1962 31.5 1989 11.2
1963 20.5 1990 33
1964 23.5 1991 26.6
1965 11 1992 38
1966 45.5 1993 127
1967 19 1994 29.8
1968 15 1995 2.4
1969 24 1996 32.1
1970 15 1997 216
1971 24 2000 22
1972 24 2001 207.2
1974 8 2002 43.7
Hp max 24 hrs (mm) Hp max 24 hrs (mm)




C5-24
Precipitacin mxima en 24 hr.
0
50
100
150
200
250
1
9
4
8
1
9
5
3
1
9
5
8
1
9
6
3
1
9
6
8
1
9
7
3
1
9
7
8
1
9
8
3
1
9
8
8
1
9
9
3

1
1
9
9
8

1
2
0
0
3

1
Perodo en aos
A
l
t
u
r
a

d
e

l
a

p
r
e
c
i
p
i
t
a
c
i

n

(
m
m
)

Figura ___. Yetograma de los registros de precipitacin anual mxima en 24 hrs de
la Estacin No. 36. San Felipe, B.C. Obsrvese la presencia de
precipitacin muy por arriba del promedio durante los ltimos 10 aos.
Datos de la Comisin Nacional del Agua. Los datos del 1992 al 2004 son de
la Estacin Meteorolgica de San Felipe.

Precipitacin Promedio Mensual
0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
18.0
ENE FEB MAR ABR MAY JUN JUL AGO SEPT OCT NOV DIC
Perodo (meses)
A
l
t
u
r
a

d
e

l
a

p
r
e
c
i
p
i
t
a
c
i

n

(
m
m
)


C5-25
Figura ______. Yetograma de los registros de precipitacin acumulada mensual
promedio de la Estacin No. 36. San Felipe, B.C. Datos de la Comisi n
Nacional del Agua.
Tabla VIII. Ajuste de los registros de precipitacin mxima annual en 24 hrs. De la
Estacin No. 36 "San Felipe", B. C. a las distribuciones de densidad de
probabilidad; Normal, Lognormal, Exponencial, Gamma, Gumbel y Doble
Gumbel. En el ltimo rengln se muestra el error cuadrtico promedio que
fue usado como criterio de eelccin de la distribucin mejor ajustada.
Gumbel II
ajuste
53 216 118.24 153.94 155.19 149.04 141.44 183.77
26.5 207.2 105.77 114.29 126.47 122.11 118.73 143.11
17.67 127 97.72 94.37 109.67 105.3 105.31 117.84
13.25 73 91.58 81.47 97.75 93.13 95.69 98.59
10.6 63 86.52 72.26 88.5 83.62 88.15 82.41
8.83 45.5 82.16 65.16 80.94 75.86 81.93 67.99
7.57 45 78.3 59.38 74.55 69.31 76.61 55.26
6.63 43.7 74.8 54.64 69.02 63.67 71.95 45.77
5.89 38 71.58 50.62 64.14 58.73 67.79 39.85
5.3 35 68.58 47.13 59.77 54.34 64.02 36.06
4.82 33 65.77 44.07 55.82 50.39 60.58 33.38
4.42 33 63.1 41.36 52.22 46.83 57.39 31.33
4.08 33 60.56 38.92 48.9 43.58 54.43 29.68
3.79 32.1 58.12 36.72 45.83 40.6 51.64 28.3
3.53 31.5 55.77 34.72 42.97 37.85 49.02 27.11
3.31 29.8 53.5 32.87 40.3 35.31 46.52 26.07
3.12 28.5 51.29 31.19 37.78 32.95 44.15 25.13
2.94 28 49.13 29.61 35.42 30.75 41.88 24.28
2.79 26.6 47.02 28.15 33.18 28.69 39.7 23.5
2.65 26 44.95 26.79 31.05 26.76 37.59 22.77
2.52 24 42.92 25.52 29.03 24.95 35.56 22.1
2.41 24 40.91 24.31 27.1 23.25 33.59 21.46
2.3 24 38.93 23.17 25.26 21.64 31.67 20.86
2.21 23.5 36.97 22.11 23.49 20.13 29.8 20.29
2.12 22 35.01 21.09 21.8 18.69 27.97 19.74
2.04 22 33.07 20.12 20.18 17.34 26.18 19.22
1.96 20.5 31.13 19.21 18.61 16.06 24.42 18.71
1.89 20.5 29.19 18.33 17.11 14.85 22.69 18.22
1.83 20 27.24 17.48 15.65 13.7 20.98 17.74
1.77 20 25.28 16.67 14.25 12.61 19.29 17.28
1.71 19 23.29 15.9 12.89 11.57 17.61 16.82
1.66 19 21.29 15.15 11.57 10.59 15.95 16.38
1.61 18 19.25 14.43 10.3 9.67 14.29 15.94
1.56 17 17.18 13.73 9.06 8.79 12.63 15.5
1.51 15.2 15.08 13.05 7.86 7.96 10.97 15.07
1.47 15 12.92 12.4 6.69 7.17 9.3 14.64
1.43 15 10.71 11.76 5.56 6.43 7.63 14.21
1.39 13.5 8.44 11.13 4.45 5.73 5.93 13.78
1.36 12.2 6.09 10.53 3.37 5.07 4.21 13.34
1.33 12 3.65 9.93 2.33 4.45 2.46 12.9
1.29 12 1.11 9.35 1.3 3.86 0.67 12.46
1.26 12 -1.56 8.77 0.3 3.32 -1.17 12
1.23 11.5 -4.38 8.2 -0.67 2.82 -3.07 11.53
1.2 11.2 -7.37 7.64 -1.62 2.35 -5.05 11.04
1.18 11 -10.59 7.07 -2.56 1.92 -7.13 10.52
1.15 9 -14.09 6.51 -3.47 1.53 -9.33 9.98
1.13 8 -17.96 5.93 -4.36 1.18 -11.7 9.39
1.1 8 -22.31 5.35 -5.23 0.87 -14.3 8.73
1.08 7 -27.37 4.74 -6.08 0.6 -17.22 7.99
1.06 4 -33.51 4.1 -6.92 0.37 -20.63 7.08
1.04 2.4 -41.56 3.38 -7.74 0.19 -24.9 5.87
1.02 2 -54.03 2.51 -8.55 0.06 -31.1 3.58
215.706 123.3 141.956 133.903 171.775 84.274 Error cuadrtico promedio
Normal
ajuste
PR Registro
Lognormal
ajuste
Exponencial
ajuste
Gamma
ajuste
Gumbel
ajuste



C5-26
Ajuste de F.D.P.
-100
-50
0
50
100
150
200
250
0 10 20 30 40 50 60
Nmero de dato
P
r
e
c
i
p
i
t
a
c
i

n

M

x
i
m
a

2
4

h
r

(
m
m
)
Registro PR
Normal
Lognormal
Exponencial
Gamma
Gumbel
Gumbel II

Figura ____. Se muestra el ajuste de las diferentes distribuciones de densidad de
probabilidad utilizadas. Obsrvese que la que grficamente muestra el mejor
ajuste es la de Gumbel para dos poblaciones.