UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA AMBIENTAL

CURSO: HIDROLOGIA GENERAL

TEMA: ESTADISTICA APLICADA

Ing. Ricardo Baca Rueda

(19/04/2017)
I. INTRODUCCION
• Los estudios hidrológicos requieren del análisis de la información
hidrometereologica.

• Esta información puede ser data de precipitación, caudales,

temperatura, evaporación, infiltración, etc.

• Si la información está organizada y se analiza adecuadamente en un

periodo de tiempo, se convierte en una herramienta de gran utilidad en
la hidrología.

• El análisis de la información hidrológica, permite tomar decisiones

sobre el diseño de estructuras hidráulicas y análisis probabilístico de
eventos hidrológicos.
II. DISTRIBUCIONES EMPIRICAS
• Los percentiles empíricos se calculan a partir de la función de
distribución empírica definida por los valores de la serie con
la que se trabaja ordenada desde el valor menor al mayor, y
asignando a cada valor ordenado su probabilidad calculada
según la expresión:

• Donde:
i: Número de orden que ocupa el valor “x” en la serie de datos
ordenada en orden creciente.
N: Número total de datos. La probabilidad correspondiente al 20,
40, 50, 60 ó 80 por ciento se obtienen por interpolación lineal,
considerando las probabilidades asignadas a cada dato
ordenado.
III. DISTRIBUCIONES TEORICAS
• Función que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra.
• Muestra todos los resultados posibles de un experimento y la
probabilidad de cada resultado.

VARIABLE ALEATORIA
• Toda distribución de probabilidad es generada por una variable
aleatoria x, la que puede ser de dos tipos:

• Discreta: variable aleatoria que sólo puede tomar valores enteros

• Continua: variable aleatoria que puede tomar todos los valores

posibles dentro de un cierto intervalo de la recta real.
 FUNCION DE PROBABILIDAD
• Es la correspondencia que hay entre el valor de la variable
aleatoria y la probabilidad de ocurrencia de cada valor.
• Se denota por f(x). Si la función de probabilidad [f(x)] es
discreta se le denomina función de Cuantía y tiene las
siguientes propiedades:

• Si la función de probabilidad [f (x)] es continua se le denomina

función de densidad y tiene las siguientes propiedades:
• Esta última propiedad nos indica que la probabilidad de un punto no
existe por lo tanto se cumplirá, para las variables continuas lo
siguiente:

FUNCION DE DISTRIBUCION
• La Función de Distribución se define como la
probabilidad de que "x" tome valores menores o iguales a
un valor determinado (xk). Es decir acumula hasta un
valor determinado:
• Función de distribución para variable aleatoria discreta:

• Función de distribución para variable aleatoria continua:

• Las desigualdades de mayor, o mayor igual solo se tendrán en cuenta

si se le aplica a variables discretas.
Función de Probabilidad Función de Distribución
 Distribución
Bernoulli

Distribución
Binomial

Variables
Aleatorias Distribución
Discretas Hipergeometrica

Distribución de
Poisson

Distribución
Geométrica
 DISTRIBUCION DE BERNULLI
• Un experimento aleatorio se dice que es de Bernoulli cuando únicamente
puede tener dos resultados mutuamente excluyentes; uno de ellos se
denomina “éxito” y el otro “fracaso”.

Ejemplos:
• Los resultados “cara” o “cruz” en el lanzamiento de una moneda.
• Las piezas “defectuosa” o “no defectuosa” en el control de calidad de un
producto.
• Resultado “exitoso” o “fallido” de la petición a un servidor.
• Sea X una v. a. asociada a un
experimento de Bernoulli y que X(éxito) = 1 X(fracaso) = 0
toma los valores:

• Entonces se dice que X sigue una X ≡ B(1, p)

distribución de Bernoulli:

• Su función de probabilidad viene Pr(X = 1) = p

dada por: Pr(X = 0) = 1 − p = q

Propiedades:
1. µ = E(X) = 0 × q + 1 × p = p
2. σ 2 = Var(X) = E(X2 ) − E2 (X) = p − p 2 = pq
 DISTRIBUCION BINOMIAL
• Una sucesión de “n” pruebas se dice que es de Bernoulli cuando los
experimentos individuales verifican las siguientes condiciones:
1. Las n pruebas son independientes.
2. Cada prueba es de Bernoulli.
3. La probabilidad “p” de éxito es igual en todas las pruebas.

• La variable aleatoria definida como numero de éxitos en n pruebas, X

≡ B(n, p), se dice que sigue una distribución binomial de parámetros n,
p.
• La variable puede tomar los valores
{0, 1, 2, . . . , k, . . . , n} y su función de
probabilidad es la siguiente:
• Donde:
= Número de resultados posibles en k éxitos.

(cada resultado con k éxitos)

 Ejemplos:
• Numero de “veces” que aparece el resultado cara al lanzar una moneda
diez veces.
• Numero de éxitos en la recepción de un mensaje enviado a 100
destinatarios.
• Numero de ordenadores en una subred que han sido infectados por un
virus.

Propiedades:
1. X = X1 + X2 + · · · + Xn, donde: X1, . .,
Xn son v.a. independientes todas ellas
con distribución B(1, p).
2. µ = E(X) = np.
3. σ2 = Var(X) = n p q.
4. Dadas: X1 ≡ B(n1, p) y X2 ≡ B(n2, p), v.a. independientes, entonces
X1 + X2 ≡ B(n1 + n2, p).
 DISTRIBUCION HIPERGEOMETRICA
• En teoría de la probabilidad la distribución hipergeométrica es una
distribución discreta relacionada con muestreos aleatorios y sin
reemplazo.
• Suponga que se tiene una población de N elementos de los cuales, d
pertenecen a la categoría A y N-d a la B.
• La distribución hipergeométrica mide la probabilidad de obtener
elementos elementos de la categoría A en una muestra sin reemplazo de
n elementos de la población original.
• Propiedades
• La función de probabilidad de una variable aleatoria con distribución
hipergeométrica puede deducirse a través de razonamientos
combinatorios y es igual a:

• Donde:
N: es el tamaño de población.
n: es el tamaño de la muestra extraída.
d: es el número de elementos en la población original que pertenecen a la categoría
deseada.
x: es el número de elementos en la muestra que pertenecen a dicha categoría.
: La notación hace referencia al coeficiente binomial, es decir, el número de
combinaciones posibles al seleccionar x elementos de un total a.
• El valor esperado de una variable aleatoria X
que sigue la distribución hipergeométrica es:

• La varianza es:

• En la formula anterior definiendo: y

• Se obtiene:

• La distribución hipergeométrica es aplicable a muestreos sin

reemplazo y la binomial a muestreos con reemplazo.
 DISTRIBUCION POISSON
• La distribución de Poisson suele emplearse para representar
experimentos en los que se analiza el numero de veces que ocurre
cierto suceso en un intervalo (en general de tiempo).

Distribución de Poisson Distribución de Poisson P(8)

 DISTRIBUCION POISSON
• Los requisitos que deben verificar estas experiencias son las siguientes:
1. Las condiciones experimentales deben ser constantes a lo largo de
todo el intervalo.
2. Los resultados del experimento deben ser independientes cuando se
refieren a intervalos disjuntos.
3. La tasa media de aparición del suceso, en cualquier intervalo de
longitud uno, es constante y se representa por λ.
4. La probabilidad de que el suceso ocurra una sola vez en un intervalo de
amplitud h suficientemente pequeña, debe ser aproximadamente λ h.
5. La probabilidad de dos o mas ocurrencias del suceso, en un intervalo
suficientemente pequeño, debe ser prácticamente cero.
 DISTRIBUCION POISSON
• Bajo las anteriores condiciones la variable X = numero de veces que
ocurre el suceso, se dice que sigue una distribución de Poisson de
parámetro λ, X ≡ P(λ). Los valores de la variable son {0, 1, 2, . . . k . . .}
con probabilidades:

• Ejemplos:
• El numero de partículas emitidas por una substancia radiactiva en una
hora.
• El numero de mensajes que llegan a un servidor de correo durante una
hora.

• Propiedades:
• 1. µ = E(X) = λ. 3. Sean: X1 ≡ P(λ1) y X2 ≡ P(λ2) v.a.
independientes, entonces X1 + X2 ≡ P(λ1 + λ2).
• 2. σ2 = Var(X) = λ.
 DISTRIBUCION GEOMETRICA
• Sea X la variable aleatoria definida como el numero de
pruebas realizadas hasta que aparece por primera vez el
resultado éxito, en pruebas de Bernoulli; entonces se dice
que X ≡ G(p) sigue una distribución geométrica de
parámetro p.
• Los valores que puede tomar esta variable son {1, 2, . . . ,
k, . . . } con probabilidades:
 Ejemplos:
• Numero de veces que ha sido necesario ejecutar un programa hasta que
falla por primera vez.
• Numero de veces que ha sido necesario enviar un mensaje hasta que fue
recibido por el destinatario.
Propiedades:
• 1. µ = E(X) = 1/p, si: p > 0
• 2. σ2 = Var(X) = q/p2

• Una forma alternativa de representar este experimento es considerar la

variable Y que cuenta el numero de fracasos obtenidos hasta que
aparece el primer éxito; es evidente que la relación entre las dos
variables viene dada por la expresión: X = Y + 1.
• La esperanza de Y es E(Y ) = q/p.
• La varianza, obviamente, es la misma.
 Distribución Exponencial

Distribución Normal

Distribución Log Normal 2 par.

Variables Distribución Log Normal 3 par.

Aleatorias
Continuas Distribución Gamma 2 par.

Distribución Gamma 3 par.

Distribución Pearson Tipo III

Distribución Gumbell, Log Gumbell

 DISTRIBUCION EXPONENCIAL
• La distribución exponencial tiene una gran utilidad práctica, puede
considerarse como un modelo para la distribución de probabilidad del
tiempo de espera entre dos hechos que sigan un proceso de Poisson.
• La distribución exponencial puede derivarse de un proceso
experimental y de distribución de Poisson, tomando como variable
aleatoria, el tiempo que tarda en producirse un hecho.
• La variable aleatoria es continua.
• Existe una relación entre el parámetro a de la distribución exponencial.
• La intensidad del proceso l , esta relación es a = l .

Función de distribución:
 DISTRIBUCION EXPONENCIAL
• Tiene una gran utilidad en:
• Distribución del tiempo de espera entre sucesos de un proceso de
Poisson.
• Distribución del tiempo que transcurre hasta que se produce un fallo.
• Aplicaciones en fiabilidad y teoría de la supervivencia.

• La función de Supervivencia se define cómo la probabilidad de que la

variable aleatoria tome valores superiores al valor dado X:
 DISTRIBUCION EXPONENCIAL
• Sea X la variable aleatoria definida como el numero de
pruebas realizadas hasta que aparece por primera vez el
resultado éxito, en pruebas de Bernoulli; entonces se dice
que X ≡ G(p) sigue una distribución geométrica de
parámetro p.
• Los valores que puede tomar esta variable son {1, 2, . . . ,
k, . . . } con probabilidades:
 DISTRIBUCION NORMAL
• La función de densidad de probabilidad normal se define como:

Donde
f (x) = función densidad normal de la variable x
X = variable independiente
µ = parámetro de localización, igual a la media aritmética de x.
S = parámetro de escala, igual a la desviación estándar de x.
 DISTRIBUCION LOG NORMAL 2 PARAMETROS

• La función de distribución de probabilidad es:

Donde:
• X y S son los parámetros de la distribución.
• Si la variable x de la ecuación se reemplaza por una función
y = f(x), tal que y = log(x), la función puede normalizarse,
transformándose en una ley de probabilidades denominada log –
normal, N(Y, Sy).
• Los valores originales de la variable aleatoria x, deben ser
transformados a y = log x, de tal manera que:

• Donde Y es la media de los datos de la muestra transformada.

 DISTRIBUCION LOG NORMAL 2 PARAMETROS
• Donde Sy es la desviación estándar de los datos de la muestra
transformada. Asimismo; se tiene las siguientes relaciones:

• Donde Cs es el coeficiente de oblicuidad de los datos de la muestra

transformada. (Monsalve, 1999).
 DISTRIBUCION LOG NORMAL 3 PARAMETROS
• La función de densidad de x es:

• Para x > x0

Donde:
• X0: parámetro de posición
• Uy: parámetro de escala o media
• Sy²: parámetro de forma o varianza
 DISTRIBUCION GAMMA 2 PARAMETROS
• La función de densidad es:

Válido para:
0≤x<∞
0<γ<∞
0<β<∞

Donde:
γ : parámetro de forma
β : parámetro de escala
 DISTRIBUCION GAMMA 3 PARAMETROS
• La función de densidad es:

Válido para:
x0 ≤ x < ∞
-∞ < x0 < ∞
0<β<∞
0<γ<∞

Donde:
x0: origen de la variable x, parámetro de posición
γ : parámetro de forma
β : parámetro de escala
 DISTRIBUCION LOG PEARSON TIPO III
• La función de densidad es:

Válido para: Donde:

x0 ≤ x < ∞ x0: parámetro de posición
-∞ < x0 < ∞ γ : parámetro de forma
0<β<∞ β : parámetro de escala
0<γ<∞
 DISTRIBUCION GUMBELL
• La distribución de Valores Tipo I conocida como Distribución Gumbel o
Doble Exponencial, tiene como función de distribución de probabilidades
la siguiente expresión:

• Utilizando el método de momentos, se obtienen las siguientes relaciones:

Donde:
α : Parámetro de concentración.
β : Parámetro de localización. Según Ven Te Chow, la distribución puede
expresarse de la siguiente forma:

Donde:
x : Valor con una probabilidad dada, x : Media de la serie.
k : Factor de frecuencia.
 DISTRIBUCION LOG GUMBELL
• La variable aleatoria reducida Log Gumbel, se define como:

• Con lo cual, la función acumulada reducida Log Gumbel es:

IV. FUNCION DE DENSIDAD NORMAL
DISTRIBUCION NORMAL
• La distribución normal es una distribución simétrica en forma de
campana, también conocida como Campana de Gauss.
• Muchas veces no se ajusta a los datos hidrológicos.

a) FUNCION DE DENSIDAD
• La función de densidad está dada por:

• Los dos parámetros de la distribución son la media “m” y desviación

estándar.

• b) ESTIMACION DE PARAMETROS
 c) FACTOR FRECUENCIA
• Si se trabaja con los X sin transformar el K se calcula
como.

a) FUNCION DE DENSIDAD
• La función de densidad está dada por:

• Los dos parámetros de la distribución son la media “m” y desviación

estándar.

• b) ESTIMACION DE PARAMETROS
V. FUNCION DE DENSIDAD LOGARITMICO NORMAL
• La distribución logarítmico normal es continua.
• Se suele utilizar a menudo en situaciones en las que los valores se
sesgan positivamente.
• Ejemplo: Determinación de precios de acciones, precios de
propiedades inmobiliarias, escalas salariales y tamaños de depósitos
de aceite.
• Parámetros: Ubicación, Media, Desviación estándar
• Condicionales:

• Los límites superiores e inferiores son ilimitados, pero la variable

incierta no puede estar por debajo del valor del parámetro de ubicación.
• La distribución se ha sesgado positivamente, con la mayoría de los
valores próximos al límite inferior.
• El logaritmo natural de la distribución es una distribución normal.
V. FUNCION DE EVENTOS EXTREMOS
Eventos extremos
Los eventos meteorológicos extremos tales como huracanes,
inundaciones, ondas de calor, sequías y otros, pueden causar muerte y
destrucción de alcances catastróficos.

Cantidad mensual de precipitaciones

Se debe tener información de la cantidad media de precipitaciones por
años, meses y a veces por estaciones, pues su valor y comportamiento
permite evaluar los eventos extremos.

Distribución espacial y temporal de las precipitaciones

La variabilidad regional de las precipitaciones depende de la topografía
y de la frecuencia de los tipos de perturbaciones que afectan a una
determinada región.
V. FUNCION DE EVENTOS EXTREMOS
Análisis de frecuencia
Es un método basado en procedimientos estadísticos, que permite
calcular la magnitud asociada a un período de retorno.
Su confiabilidad depende de la longitud y calidad de la serie histórica,
además de la incertidumbre propia de la distribución de probabilidades
seleccionada.

Ajustes mediante las funciones de distribución

En Hidrología los riesgos suelen establecerse a partir de los llamados
períodos de retorno o intervalos de recurrencia, que no son sino la
inversa de la probabilidad.
A un evento con una probabilidad de ocurrencia de, por ejemplo, un
año en 100, o 1/100, le corresponde un período de retorno de 100
años.
V. FUNCION DE EVENTOS EXTREMOS
Normalmente se utiliza la máxima precipitación en 24 horas de cada
año, lo cual asegura la independencia de los sucesos, y la serie
resultante se ajusta a una distribución de probabilidad de valores
máximos: log-Logistic, log-Pearson 3, Gumbel, Weibull, Gamma,
etc.
VI. BIBLIOGRAFIA
• Karla Ávila Parra, 2012. Análisis del comportamiento de eventos
extremos de precipitación, Chile

• Carlos D. Cegerer, 2007. Estadística aplicada a la hidrología, Argentina.

• Ministerio de Transporte y Comunicaciones. Manual de Hidrología,

Hidráulica y drenaje, Perú.
¡¡¡ Muchas Gracias !!!
eco_rbaca@yahoo.es

20/04/2017

42