CONTENIDO.

Introducción.
Métodos estadísticos para determinación de caudales.
Parámetros estadísticos.
Frecuencia relativa de un evento.
Probabilidad de un evento.
Tabla de distribución de frecuencias.
Distribuciones de probabilidades en Hidrologia.
Normal, LogNormal II, Log Normal III, Gumbel,
Parerson III, LogPearson III.
Pruebas de Ajuste:
Ajuste Grafico.
Prueba Chi cuadrado.
Prueba de Kolmogrov Smirnov.
Periodo de Retorno.
Determinación del periodo de retorno.
Análisis de Frecuencias.
Factores de frecuencia.
Limites de confianza para la distribución de probabilidades.
Software de Aplicación.
 INTRODUCION.

Bocatoma La Huaca. Río Santa. Q= 1100 m3/seg. 10/02/1998.

Para proyectar cualquier obra hidráulica es necesario el conocimiento de la

magnitud y frecuencia de los caudales (o niveles de agua).
El subdimensionamiento o sobredimensionamiento de una obra implica costo.
El problema en el fondo es económico.

En la actualidad podrían ser usados tres tipos de métodos para la determinación

del caudal de diseño:

Métodos estadísticos.
Métodos hidrometeorológicos; y
Otros métodos (Formulas empíricas, regionalización)
 METODOS ESTADISTICOS.

Los Métodos Estadísticos se apoyan en la existencia de series

de datos de caudales máximos en el lugar de interés los cuales
son sometidos a un análisis de frecuencia y el ajuste a una
distribución de probabilidades teóricas.
 PARAMETROS ESTADISTICOS.
(Método de momentos).
MEDIA ARITMETICA : PRIMER MOMENTO.
 1 n
μQ  E(Q)   Qf(Q)dQ Q  Qi
n i 1


VARIANZA : SEGUNDO MOMENTO. DESVIACION ESTANDAR.

2
σ  E Q  μQ 2 
n
1
 
2
2 
Q
  sQ  Qi  Q σQ
n  1 i 1 sQ

COEFICIENTE DE ASIMETRIA : TERCER MOMENTO.

E  Q  μQ 3  n 3
   Qi Q 
 
n
Q i 1
Cs 
σQ3 n  1n  2 sQ3
 FRECUENCIA RELATIVA DE UN EVENTO.

na
fQ  a  
n

La frecuencia relativa es la estimación de la probabilidad.

PROBABILIDAD DE UN EVENTO.

na
PQ  a   limn  
n

n = numero de casos posibles.

na= numero de casos favorables del evento a.

La probabilidad de un evento es la posibilidad de que este evento (na)

ocurra cundo se hace una observación (n) de la variable aleatoria.
 TABLA DE DISTRIBUCION DE FRECUENCIAS.

Ordenación tabular de datos en categorías o intervalos de clases y con las frecuencias

correspondientes.

Recomendaciones para determinar el numero de intervalos de clase:

SPIEGEL(1961): NC: De 5 a 20.
STURGES(1925): NC: 1+1.43Ln(N) N=Numero de datos observados.
YEVJEVICH NC: 1+1.33Ln(N)
Si N < 30 NC < 5
Si 30 < N < 75 8 < NC < 10
Si N > 75 18< NC < 30
 DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA.
El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda de Distribución de Probabilidad.

FUNCION DE FRECUENCIA RELATIVA. FUNCION DE DENSIDAD DE PROBABILIDAD.

POBLACION.
MUESTRA.

FUNCION DE FRECUENCIA ACUMULADA. FUNCION DE DISTRIBUCION DE PROBABILIDAD.

F(X) = P(Q≤Q).
F(X) = probabilidad acumulada.
DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA.

FUNCION DE DENSIDAD DE PROBABILIDAD f(Q).

FUNCION DE DISTRIBUCION DE PROBABILIDAD F(Q).

DISTRIBUCIONES DE PROBABILIDAD USADAS EN HIDROLOGIA.
Distribución de probabilidad Normal.

Distribución de probabilidad Lognormal de 2 parámetros.

Distribución de probabilidad LogNormal de 3 parámetros.

Distribución de probabilidad Gumbel.

Distribución de probabilidad Log Gumbel.

Distribución de probabilidad Pearson Tipo IIl.

Distribución de probabilidad LogPearson Tipo IIl.

Distribuciones de Probabilidad Normal.

FUNCION DE DENSIDAD DE PROBABILIDAD NORMAL.

Q -  2
 Q
  Q  
f Q  
e 2 Q 2

Q= Parámetro de escala.

 Q 2 Q = Parámetro de forma.

FUNCION DE DISTRIBUCION DE PROBABILIDAD NORMAL.


 
Q- 
Q
2

2 Q2

FQ   PQ  Q  
Q
e


 Q 2
dQ
Distribuciones de Probabilidad Normal Estandar.

FUNCION DE DENSIDAD DE PROBABILIDAD NORMAL ESTANDAR.

Q -  2 2

Q- 
Z
Q

f Q  
e 2 Q
2
Z
Q
Q

f Z  
e 2
 Q 2 2

Q0

FUNCION DE DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR.

2
Z

F Z   P Z  Z  
Z

e 2
dZ
 2
Distribuciones de Probabilidad Log Normal II.

Y  Ln Q Q0

FUNCION DE DENSIDAD DE PROBABILIDAD LOG NORMAL II.


Y -  2
Y
y= Parámetro de escala.

f Y  
e 2 Y
2
y = Parámetro de forma.

Q Y 2
Distribuciones de Probabilidad Log Normal III.

FUNCION DE DENSIDAD DE PROBABILIDAD LOG NORMALIII.

( Ln( Q -Q 0 ) ) -μ Y 2

e

2σ 2Y Q  Q0
f Y  
Q - Q σ 0 Y
2π Qo = Parámetro de posición.
y = Parámetro de escala.
y = Parámetro de forma.

2
  0.52  4.85 y

 2 
   2  y  y
 2 
x 

 y2
e  1

e  
 

1 2
( y   y )
X  X0  e 2
 Distribución de Probabilidad Gumbel.
FUNCION DE DENSIDAD DE PROBABILIDAD GUMBEL.

  Q -     Q  


-   
6

Q
- Q -
 e    0   
  
    
1  
f Q   e 
  Q  0.5772  = Parámetro de posición.
  = Parámetro de escala.

FUNCION DE DISTRIBUCION DE PROBABILIDAD GUMBEL.

 Q- 
- 
- e  
F Q   e
 Distribución de Probabilidad Log Gumbel.
FUNCION DE DENSIDAD DE PROBABILIDAD Log GUMBEL.

  X-    X  
 X -   -     
6
X
 -   e 
  0   
X = Log Q
      
1  
f X   e 
X
 0.5772
 = Parámetro de posición.
 = Parámetro de escala.

FUNCION DE DISTRIBUCION DE PROBABILIDAD GUMBEL.

 X- 
- 
  
- e 
 
F X e
 Distribución de Probabilidad Pearson Tipo III.
FUNCION DE DENSIDAD DE PROBABILIDAD PEARSON TIPO III.


Q-Q0 
f Q  
Q -Q  0
 -1
e  Qo= Parámetro de posición.
B = Parámetro de escala.
 = Parámetro de forma.
    
Q0  Q   0       Q0   0    

2
 2  1
     Q
  
 Q

Q0  Q  

FUNCION DE DISTRIBUCION DE PROBABILIDAD PEARSON TIPO III.


Q -Q
0

Q - Q 0  - 1e

 
F Q    dQ
0

   
Distribución de Probabilidad Log-Pearson Tipo III.
Z  Ln Q

FUNCION DE DENSIDAD DE PROBABILIDAD LOG-PEARSON TIPO III.


Z -Z0 
f Z  
Z - Z  - 1e
0
 zo= Parámetro de posición.
B = Parámetro de escala.
 = Parámetro de forma.
    
Z0  Z   0       Z0   0 

2 1
 2    Z
   
 Z Z0  Z   
 Z 
 PRUEBAS DE AJUSTE.
AJUSTE GRAFICO.

Si los valores ploteados de la probabilidad empírica (Fm) vs la probabilidad

acumulada calculada (FQ) se aproximan a una línea recta se puede afirmar que los
datos se ajustan a la distribución deseada.

Cuanto mas se superpongan los puntos ploteados de la probabilidad empírica (Fm) vs

variable hidrológica (Q) observada y calculada, entonces se puede afirmar que los datos
se ajustan a la distribución deseada.

Formula de WEIBULL. Formula de CALIFORNIA.

F m   F m  
m m
N 1 N

F(m) = Probabilidad empírica o frecuencia relativa acumulada.

m = Orden.
N = Numero de datos.
PRUEBAS DE AJUSTE.
AJUSTE GRAFICO.
 PRUEBAS DE AJUSTE.
PRUEBA DE AJUSTE CHI CUADRADO (2).

La Prueba de ajuste Chi Cuadrado es realizada en la función de densidad en datos agrupados en intervalos de clase.

k f  f 2
c2   e o
i 1 fe

fo= Frecuencia observada.

fe= Frecuencia esperada.
K = Numero de intervalos de clase.

 c2   t2 OK !

Calculo tabular de t2 : PRUEBA.CHI.INV(probabilidad,grados_de_libertad).

 = Nivel de significancía (probabilidad)

G.L.= k-r-1(grados de libertad)
r = Numero de parámetros que intervienen.
 PRUEBAS DE AJUSTE.
VENTAJAS Y LIMITACIONESPRUEBA DE AJUSTE CHI CUADRADO (2).

Es aplicable sólo para ajustes a la distribución normal, puesto que ha sido

desarrollado con base a los datos normales e independientes. En la practica se usa
para cualquier modelo de ajuste

Se realiza en la función de densidad f(Q) de datos agrupados en intervalos de clases.

Requiere un conocimiento a priori, de la función de distribución teórica utilizada en el

ajuste.

Es de fácil aplicación.
 PRUEBAS DE AJUSTE.
KOLMOGOROV - SMIRNOV.

Se trabaja con la distribución de frecuencias acumuladas.

max  tabla OK !

max  Fm   FX 

F(m) = Probabilidad acumulada empírica.

FX   FZ 

Calculo tabular de tabla :

= Nivel de significancía.
N= Numero de datos.
N =20% =10% =5% =2% =1%
1 0.900 0.950 0.975 0.990 0.995
2 0.684 0.776 0.842 0.900 0.929
3 0.565 0.636 0.708 0.785 0.829
4 0.493 0.565 0.624 0.689 0.734
5
6
0.447
0.410
0.509
0.468
0.563
0.519
0.627
0.577
0.669
0.617
 TABLA
7
8
0.381
0.359
0.436
0.410
0.483
0.454
0.538
0.507
0.576
0.542
(KOLMOGOROV – SMIRNOV).
9 0.339 0.387 0.430 0.480 0.513
10 0.323 0.369 0.409 0.457 0.486
11 0.308 0.352 0.391 0.437 0.468
12 0.296 0.338 0.375 0.419 0.449
13 0.285 0.325 0.361 0.404 0.432
14 0.275 0.314 0.349 0.390 0.418 n =20% =10% =5% =2% =1%
15 0.266 0.304 0.338 0.377 0.404
35 0.177 0.202 0.224 0.251 0.269
16 0.258 0.295 0.327 0.366 0.392
40 0.165 0.189 0.210 0.235 0.252
17 0.250 0.285 0.318 0.355 0.381
45 0.156 0.179 0.198 0.222 0.238
18 0.244 0.279 0.309 0.346 0.371
50 0.148 0.170 0.188 0.211 0.226
19 0.237 0.271 0.301 0.337 0.361
55 0.142 0.162 0.180 0.201 0.216
20 0.232 0.265 0.294 0.329 0.352
60 0.136 0.155 0.172 0.193 0.207
21 0.226 0.259 0.287 0.321 0.344
65 0.131 0.149 0.166 0.185 0.199
22 0.221 0.253 0.281 0.314 0.337
70 0.126 0.144 0.160 0.179 0.192
23 0.216 0.247 0.275 0.307 0.330
75 0.122 0.139 0.154 0.173 0.185
24 0.212 0.242 0.269 0.301 0.323
80 0.118 0.135 0.150 0.167 0.179
25 0.208 0.238 0.264 0.295 0.317
85 0.114 0.131 0.145 0.162 0.174
26 0.204 0.233 0.259 0.290 0.311
90 0.111 0.127 0.141 0.158 0.169
27 0.200 0.229 0.254 0.284 0.305
95 0.108 0.124 0.137 0.154 0.165
28 0.197 0.225 0.250 0.279 0.300
100 0.106 0.121 0.134 0.150 0.161
29 0.193 0.221 0.246 0.275 0.295
30 0.190 0.218 0.242 0.270 0.290
N grande 1.07/n^0.5 1.22/n^0.5 1.36/n^0.5 1.52/n^0.5 1.63/n^0.5
 PRUEBAS DE AJUSTE.
VENTAJAS Y LIMITACIONESPRUEBA DE AJUSTE KOLMOGOROV - SMIRNOV.

No requiere un conocimiento a priori de la función de distribución teórica.

Es aplicable a conjunto de datos no agrupados, vale decir no se requiere hacer

intervalos de clase.

Se aplica en la función distribución acumulada F(Q) y no en función densidad f(Q).

No es una prueba exacta, sino aproximada.

 Inicio

Registro de
datos.

Elegir una PROCESO DE SELECCIÓN DE UNA

distribución teórica. DISTRIBUCION DE PROBABILIDAD.

Estimación de
parámetros.

Prueba de bondad
de ajuste.

Utilizar
distribución
F Ajuste bueno. teórica elegida.

V Fin
 PERIODO DE RETORNO.

PERIODO DE RETORNO: *Promedio de los intervalos de recurrencia entre Q≥Qmax.

*Estadísticamente es la inversa de la probabilidad de excedencia

INTERVALO DE RECURRENCIA: Tiempo entre ocurrencias de Q≥Qmax.

 PERIODO DE RETORNO.

Estimar el período de retorno para un caudal Qmax>= 100 m3/seg en el río Viru.

A.Q.>= 1933 1935 1936 1943 1960 1962 1963 1967 1970 1972 1975 1981 1983 1984 1998 1999
I.R.A 2 1 7 17 2 1 4 3 2 3 6 2 1 14 1

A.Q.>= Años con caudal >=.

I.R.A Intervalos de recurrencia en años.
Existen 15eventos Q>= 100 m3/seg. Intervalos de recurrencia entre 1 y 17 años

T = 66/15 = 4.40 años

 ANALISIS DE FRECUENCIA.
Permite calcular la magnitud del caudal asociado a un periodo de retorno, a
partir de información histórica de caudales.
El valor X ≥ XT de un evento hidrológico extremo puede representarse mediante
la media ( ) mas una desviación (KT) de la variable con respecto a la media.

XT    KT

X≥XT = Evento extremo.

T = Periodo de retorno.
KT = Factor de frecuencia.

1 1
F(X T )  1  T 
T 1 - F(XT )
 ANALISIS DE FRECUENCIA USANDO
FACTORES DE FRECUENCIA.
FACTOR DE FRECUENCIA PARA LA DISTRIBUCION NORMAL Y LOG NORMAL:

KT  Z
Z = Variable Normal Estandar=DISTRB.NORM.ESTAND.INV.(1-1/T).

FACTOR DE FRECUENCIA PARA LA DISTRIBUCION GUMBEL:

6    T 
K-  0.5772  ln ln 
   T - 1 
   

FACTOR DE FRECUENCIA PARA LA DISTRIBUCION PEARSON Y LOG PEARSON:

     
2 3 4 5
2  1 3  2    1 
K  Z  Z  1    Z  6Z    Z  1    Z    
6 3 6 6 6 36

Z = DISTRB.NORM.ESTAND.INV.(1-1/T).
 LIMITES DE CONFIANZA PARA LAS
DISTRIBUCIONES DE PROBABILIDAD.

Los estimados estadísticos usualmente se presentan con un rango o intervalo

de confianza, dentro del cual razonablemente puede esperarse que caiga el
valor correcto.

El tamaño del intervalo de confianza “ ” corresponde un nivel de significancia

“”, dado por:

1

2

Por ejemplo, si =90%, entonces =(1-0.9)/2=0.05=5%.

 LIMITES DE CONFIANZA PARA LAS
DISTRIBUCIONES DE PROBABILIDAD.

INTERVALO DE CONFIANZA:

1  0.5K 

t 2 0.5
IC 
N

t = DISTR.T.INV(,GDL).
GDL = N-r.

LIMITES DE CONFIANZA:

INFERIOR SUPERIOR
LCI  Q - IC LCS  Q  IC
BOCATOMA LA HUACA 10/02/1998 Q= 1100 m3/seg .EN RIO SANTA.
 FIN
CALCULO DE CAUDALES MAXIMOS USANDO
FUNCIONES DE DISTRIBUCION DE PROBABILIDADES.

GRACIAS.