Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
12/10/2021 Hidrología - Universidad de Piura 1 Ingeniería Civil Cap. 9 Hidrología probabilística II. Análisis hidrológico M.Sc. Marina Farías de Reyes Universidad de PiuraUniversidad de Piura Contenido 1. Probabilidades 2. Introducción a la Estadística 3. Estadística descriptiva 4. Función de probabilidad 5. Modelos de probabilidad M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 2 Universidad de PiuraUniversidad de Piura Definiciones • Experimento: Reproducción controlada de un fenómeno. • Evento: Resultado de un experimento. Simples o compuestos. • Espacio muestra: Representación de todos los eventos de un experimento. Gráfica o analítica. • Punto muestral: Resultado de un experimento. Uno de los resultados posibles. Pertenece al espacio muestral. Probabilidades M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Variable aleatoria Función definida sobre un espacio muestra. A cada evento le corresponde un número real. A partir de un espacio muestra, diferentes variables. Será: • Discreta: Número de eventos es finito. • Continua: Número de eventos es infinito. Dominio: espacio muestra Rango: v.a. X(ei) = xi Probabilidades M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 3 Universidad de PiuraUniversidad de Piura Ejemplos • Experimento: Llegada de autos a un estacionamiento. Evento: Hora de llegada Espacio muestra: S={00:00, 00:18, 00:52, ... 22:20, 23:45} Variable aleatoria continua: tiempo entre llegada de dos autos. Variable aleatoria discreta: Número de autos al día. • Experimento: Preguntar el número de créditos matriculados a los alumnos. • Evento: No. de créditos • Espacio muestra: S={1,2,3, ... 28, 29, 30} • Variable aleatoria discreta: • Número de alumnos con más de 20 créditos. • Número total de créditos inscritos. Probabilidades M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Probabilidad • Su estudio surge por el afán del hombre por las competencias y las apuestas. Hoy en día abarca más que los juegos de azar. • Expresa resultados de los que no se tiene la total certeza. • Expresa la posibilidad de que ocurra un evento como resultado de un experimento estadístico. • Se evalúa por números reales, probabilidades, del 0 al 1. • A cada punto del espacio muestral se le asigna una probabilidad tal que la suma es igual a 1. Pueden ser equiprobables o con diferentes valores. • La probabilidad de ocurrencia de un evento es la suma de probabilidades asignadas a los puntos muestrales. 0 <= P(A) <= 1; P() = 0; P(S) = 1. Probabilidades M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 4 Universidad de PiuraUniversidad de Piura • Probabilidad a priori • Probabilidad experimental • Probabilidad subjetiva Tipos de probabilidad Probabilidades M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Probabilidad a priori • Se conoce de antemano basados en que los eventos simples o puntos muestrales son equiprobables. • P = # eventos éxito / eventos totales • Monedas, dados, naipes, etc. Probabilidades M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 5 Universidad de PiuraUniversidad de Piura Probabilidad experimental • No en todos los experimentos los diversos resultados tienen la misma ocurrencia. • Si se repiten muchas veces, podemos observar mejor la frecuencia con que se repiten. • A mayor número de experimentos: frecuencias relativas observadas →probabilidades de ocurrencia p = frecuencia observada = f_ # repeticiones del experimento N Probabilidades M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Probabilidad subjetiva • Está asociada a la experiencia, habilidad o conocimiento que tiene una persona para juzgar cierta situación. • Se aplica a fenómenos que no se pueden repetir o cuya repetición no tiene sentido. • Ejemplos: • Un topógrafo opina que tiene el 30% de posibilidades de terminar su trabajo en el cauce del río a tiempo si el nivel de agua no le causa retrasos. • Existe un 20% de probabilidad que el nivel del río esté alto durante la próxima semana. Probabilidades M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 6 Universidad de PiuraUniversidad de Piura Contenido 1. Probabilidades 2. Introducción a la Estadística 3. Estadística descriptiva 4. Función de probabilidad 5. Modelos de probabilidad M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Introducción a la Estadística • Es la ciencia que recopila, clasifica, presenta, describe e interpreta conjuntos de datos. • Generalmente se ocupa de estudiar fenómenos aleatorios. • Es una ciencia que ha llegado a emplearse en casi todas las ciencias. M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 7 Universidad de PiuraUniversidad de Piura Definiciones • Universo: Conjunto de datos cuyas propiedades se van a estudiar. • Muestra: Conjunto de datos seleccionados de un universo. • Muestra representativa: Si refleja bien las características del universo. M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Tipos de Estadística • Estadística descriptiva Se encarga de recopilar, clasificar, presentar y describir un conjunto de datos. Como generalmente estos conjuntos o universos son muy grandes, se estudian muestras. • Estadística inferencial Se encarga de interpretar los datos descritos por la anterior. De las muestras analizadas saca conclusiones para el universo, lógicamente con ciertos márgenes de incertidumbre que pueden ser cuantificados. M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 8 Universidad de PiuraUniversidad de Piura Contenido 1. Probabilidades 2. Introducción a la Estadística 3. Estadística descriptiva 4. Función de probabilidad 5. Modelos de probabilidad M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura • Media aritmética o promedio: la suma de los valores entre el número de sumandos. • Mediana: es el valor de la variable que deja el mismo número de datos antes y después que él, una vez ordenados éstos. • Moda: es el valor con una mayor frecuencia en una distribución de datos. Medidas descriptivas de tendencia central M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 9 Universidad de PiuraUniversidad de Piura AÑO Q (m 3 /s) 1926 860 1927 610 1928 124 1929 135 1930 95 1931 450 1932 1900 1933 620 1934 438 1935 379 1936 390 1937 39 1938 508 1939 1525 1940 185 1941 2220 1942 405 1943 2250 1944 273 1945 220 1946 134 1947 41 1948 43 1949 1010 1950 0 media 594 AÑO Q (m 3 /s) orden 1943 2250 1 1941 2220 2 1932 1900 3 1939 1525 4 1949 1010 5 1926 860 6 1933 620 7 1927 610 8 1938 508 9 1931 450 10 1934 438 11 1942 405 12 1936 390 13 1935 379 14 1944 273 15 1945 220 16 1940 185 17 1929 135 18 1946 134 19 1928 124 20 1930 95 21 1948 43 22 1947 41 23 1937 39 24 1950 0 25 mediana M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura • Amplitud • Desviación media • Varianza • Desviación estándar • Coeficiente de variación Medidas descriptivas de variabilidad o dispersión M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 10 Universidad de PiuraUniversidad de Piura AÑO Q (m 3 /s) Desviaciónre specto de la media Valor absoluto de la desviación Desviación al cuadrado 1926 860 266 266 70682 1927 610 16 16 252 1928 124 -470 470 221032 1929 135 -459 459 210810 1930 95 -499 499 249141 1931 450 -144 144 20776 1932 1900 1306 1306 1705270 1933 620 26 26 669 1934 438 -156 156 24380 1935 379 -215 215 46285 1936 390 -204 204 41673 1937 39 -555 555 308180 1938 508 -86 86 7420 19391525 931 931 866500 1940 185 -409 409 167396 1941 2220 1626 1626 2643421 1942 405 -189 189 35774 1943 2250 1656 1656 2741872 1944 273 -321 321 103131 1945 220 -374 374 139981 1946 134 -460 460 211729 1947 41 -553 553 305964 1948 43 -552 552 304307 1949 1010 416 416 172940 1950 0 -594 594 353002 10952585 10952585 media 594 0 499 438103 456358 661.89 675.54 n n-1 desviación estándar Desviación estándar de la muestra: Desviación estándar de el universo: M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura • Cuartiles • Percentiles Medidas descriptivas de posición M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 11 Universidad de PiuraUniversidad de Piura • Asimetría: Distorsión respecto del eje de simetría. • Positivo → cola hacia la derecha • Negativo → cola hacia la izquierda • Curtosis: Agudeza. • Positivo → distribución aguda • Negativo → distribución plana Medidas descriptivas de forma M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Contenido 1. Probabilidades 2. Introducción a la Estadística 3. Estadística descriptiva 4. Función de probabilidad 5. Modelos de probabilidad M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 12 Universidad de PiuraUniversidad de Piura Función de probabilidad • Una función de probabilidad de una variable aleatoria X se define como el conjunto de parejas ordenadas {xi, f(xi)} donde xi es el valor que puede tomar X y f(xi) representa la probabilidad de que X asuma dicho valor , de tal forma que Sf(xi) = 1. M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Función de probabilidad • La probabilidad total se divide entre le número de puntos muestrales: • Pero cuando tenemos infinitos puntos muestrales ¿? M.Sc. Marina Farías de Reyes - UDEP x f(x) 2 monedas x=Nº caras x f(x) 1 1/6 CC 2 0 1/4 2 1/6 CS 1 1 1/2 3 1/6 SC 1 2 1/4 4 1/6 SS 0 Suma = 1 5 1/6 6 1/6 Suma = 1 12/10/2021 Hidrología - Universidad de Piura 13 Universidad de PiuraUniversidad de Piura … M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Contenido 1. Probabilidades 2. Introducción a la Estadística 3. Estadística descriptiva 4. Función de probabilidad 5. Modelos de probabilidad M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 14 Universidad de PiuraUniversidad de Piura Modelos probabilísticos en Hidrología Modelo matemático: Descripción de un fenómeno de la naturaleza por medio de formulaciones matemáticas. • M. M. determinístico: Resultado determinado por las condiciones en que se realiza el experimento. Sólo cambia si se cambian las condiciones. • M. M. probabilístico o no determinístico: Las condiciones en que se produce el fenómeno no determinan el resultado. M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Modelos probabilísticos en Hidrología Dan resultados aproximados, con cierto grado de confiabilidad. Características: • Sin variar las condiciones se obtienen diferentes resultados. • Se puede describir el conjunto de todos los resultados posibles. • Al inicio los resultados parecen sin patrón. Ejemplo: Lluvias en Piura, sismos en Lima. Modelo matemático probabilístico o no determinístico M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 15 Universidad de PiuraUniversidad de Piura Es necesario: • Espacio muestral, S. • Probabilidad, asociada a c/punto de S. Ejemplo: Lluvias en Piura. v.a.: Total de lluvia mensual en Piura. Registros: 0 – 820 mm Espacio muestral: 0 – a Probabilidad: función de probabilidad. Modelos probabilísticos en Hidrología Modelo matemático probabilístico o no determinístico M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Analogía con modelos determinísticos X Y 0.1 0.5 0.5 0.8 1 2 1.8 2.5 2.5 3 3 3.6 4.2 4.8 5 6.5 5.6 6.8 6.5 7 8 7.8 M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 16 Universidad de PiuraUniversidad de Piura Analogía con modelos determinísticos X Y 0.1 0.5 0.5 0.8 1 2 1.8 2.5 2.5 3 3 3.6 4.2 4.8 5 6.5 5.6 6.8 6.5 7 8 7.8 M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Ahora, qué pasa si extrapolamos hasta x=20? X Y 0.1 0.5 0.5 0.8 1 2 1.8 2.5 2.5 3 3 3.6 4.2 4.8 5 6.5 5.6 6.8 6.5 7 8 7.8 y = 0.99x + 0.68 R² = 0.97 y = -0.05x2 + 1.38x + 0.25 R² = 0.98 y = 1.03e0.32x R² = 0.82 y = 1.85x0.68 R² = 0.96 0 100 200 300 400 500 600 700 0 5 10 15 20 25 Y Lineal (Y) Polinómica (Y) Exponencial (Y) Potencial (Y) M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 17 Universidad de PiuraUniversidad de Piura Y hasta x=50? Lo mismo va a suceder con los modelos probabilísticos. X Y 0.1 0.5 0.5 0.8 1 2 1.8 2.5 2.5 3 3 3.6 4.2 4.8 5 6.5 5.6 6.8 6.5 7 8 7.8 M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Conclusiones de la analogía • A partir de unos datos (x, y) se pueden establecer modelos que intentan explicar la relación entre ellos. Lo mismo para (x, f(x)). • Ningún modelo es la verdad absoluta. • Son válidos en mayor o menor medida para el rango de los datos y algo más. No son buenas las extrapolaciones. • Los modelos tienen o son formas predeterminadas. Ajustarlos significa determinar sus parámetros. • Nos permiten estimar el valor de y para un x dado. Y viceversa. • De igual modo para x y su frecuencia o probabilidad. M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 18 Universidad de PiuraUniversidad de Piura Principales modelos probabilísticos discretos •Binomial •Poisson M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Distribución Binomial • Número de éxitos en n ensayos independientes de tipo Bernoulli (solo dos posibles resultados: éxito y fracaso) • Por ejemplo, la probabilidad de que uno de los próximos diez años se produzca un Fenómeno del Niño de magnitud muy fuerte (que se produzca fuerte o que no se produzca). M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 19 Universidad de PiuraUniversidad de Piura …Distribución Binomial Usada en problemas cuando se tiene: • Un número fijo de pruebas o ensayos. • Los resultados del ensayo son sólo éxito o fracaso. • Los ensayos son independientes (año hidrológico ok), y • Probabilidad de éxito es constante durante todo el experimento. M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura La función de masa de probabilidad binomial es: donde: La distribución binomial acumulada es: Está en Excel. es el combinatorio(n; x). …Distribución Binomial M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 20 Universidad de PiuraUniversidad de Piura • El criterio de riesgo es la fijación, a priori, del riesgo que se desea asumir por el caso de que la obra llegase a fallar dentro de su tiempo de vida útil, lo cual implica que no ocurra un evento de magnitud superior a la utilizada en el diseño durante el primer año, durante el segundo, y así sucesivamente para cada uno de los años de vida de la obra (Manual MTC). Probabilidad de falla para una vida útil de n años M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Probabilidad de falla para una vida útil de n años • Período de retorno: Tr años • Probabilidad de falla en un año dado: 1/Tr • Prob. de que no falle en ese año:1-1/Tr • Prob. que no falle en los n años: (1-1/Tr)n • Prob. que falle en los n años: R =1-(1-1/Tr)n • O con Binomial, prob. que no falle en los n años: nnn TrTrTrTr n Trnxb −= −= − == − 1 1 1 1*1*1 1 1 1 0 )/1;;0(00 M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 21 Universidad de PiuraUniversidad de Piura Riesgo R =1-(1-1/Tr)n Tr=1/(1-(1-R) 1/n) • Si la obra tiene una vida útil de n años, se calcula Tr, fijando el riesgo de falla admisible R, el cual es la probabilidad de ocurrencia del pico de la creciente estudiada, durante la vida útil de la obra. 1 2 3 5 10 20 25 50 100 200 0.01 100 199 299 498 995 1,990 2,488 4,975 9,950 19,900 0.02 50 99 149 248 495 990 1,238 2,475 4,950 9,900 0.05 20 39 59 98 195 390 488 975 1,950 3,900 0.1 10 19 29 48 95 190 238 475 950 1,899 0.2 5 9 14 23 45 90 113 225 449 897 0.25 4 7 11 18 35 70 87 174 348 696 0.5 2 3 5 8 15 29 37 73 145 289 0.75 1.3 2.0 2.7 4.1 7.7 15 19 37 73 145 0.99 1.0 1.1 1.3 1.7 3 5 6 11 22 44 VIDA ÚTIL DE LAS OBRAS (n años)R (%) M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Principales modelos probabilísticos continuos • Normal • Log-normal • Valores extremos tipo I. Gumbel • Familia Gamma: Pearson III, Exponencial, etc. M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 22 Universidad de PiuraUniversidad de Piura Para cualquier modelo probabilístico • Función densidad o probabilidad bruta: 𝑓 𝑥 • Función de probabilidad acumulada: F 𝑥 𝐹 𝑥 = න −∝ 𝑥 𝑓 𝑥 𝑑𝑥 • Quiere decir que si tenemos una función f(x) debemos integrarla para hallar F(x) M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Para cualquier modelo probabilístico Las variables aleatorias continuas presentan “infinitos” valores posibles → infinitos eventos. Sus probabilidad individuales no son iguales, no son eventos equiprobables. Pero sí podemos decir que c/u es pequeñísima→ 0 - 0.1 0.1 0.2 0.2 0.3 0.3 0.4 0.4 0.5 -4 -3 -2 -1 0 1 2 3 4 f( x) v.a. Pexc M.Sc. Marina Farías de Reyes - UDEP Pno exc Por tanto, no nos interesa la probabilidad individual f(x) sino la acumulada F(x). Si dividimos todos los eventos posibles en “los que exceden un valor x” y “los que no lo exceden”, tendremos solo dos eventos compuestos y sus probabilidades suman 1: Las probabilidades son las áreas bajo la curva y suman uno 12/10/2021 Hidrología - Universidad de Piura 23 Universidad de PiuraUniversidad de Piura Para cualquier modelo probabilístico Entonces F(x) = P no exc Y Pexc + P no exc = 1 Además: 1 𝑇𝑟 = 𝑃𝑒𝑥𝑐→muy importante!! - 0.1 0.1 0.2 0.2 0.3 0.3 0.4 0.4 0.5 -4 -3 -2 -1 0 1 2 3 4 f( x) v.a. Pexc M.Sc. Marina Farías de Reyes - UDEP Pno exc Las probabilidades son las áreas bajo la curva y suman uno Universidad de PiuraUniversidad de Piura Distribución Normal Función densidad: Función acumulada: No se puede obtener, por eso recurrimos a tablas. Pero como no podemos tener infinitas tablas, estandarizamos las variables a una nueva v.a. “z”: - 0.1 0.2 0.3 0.4 0.5 -4 -2 0 2 4 v.a. f( x) − = x z P(z) : Z M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 24 Universidad de PiuraUniversidad de Piura Tabla de distribución normal “z versus P” M.Sc. Marina Farías de Reyes - UDEP + 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.00 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641 0.10 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247 0.20 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859 0.30 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483 0.40 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121 0.50 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776 0.60 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451 0.70 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148 0.80 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867 0.90 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611 1.00 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379 1.10 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170 1.20 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985 1.30 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823 1.40 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681 1.50 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559 1.60 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455 1.70 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367 1.80 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294 1.90 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233 2.00 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183 2.10 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143 2.20 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110 2.30 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084 2.40 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064 2.50 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048 2.60 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036 2.70 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026 2.80 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019 2.90 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014 3.00 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010 3.10 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007 3.20 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005 3.30 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003 3.40 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002 3.50 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 3.60 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.70 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.80 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 3.90 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Universidad de PiuraUniversidad de Piura DESCARGAS MAXIMAS EXTREMAS (m3/s) Q ORDENADOS F(x) f(x) MEDIA 666.21 4424.0 1.0000 0.000000 DESV.EST. 883.43 3200.0 0.9979 0.000007 3107.0 0.9971 0.000010 2500.0 0.9810 0.000052 2250.0 0.9635 0.000091 2220.0 0.9607 0.000096 2200.0 0.9587 0.000100 1900.0 0.9187 0.000170 1793.0 0.8989 0.000200 1700.0 0.8790 0.000228 1616.0 0.8588 0.000253 1530.0 0.8359 0.000280 1525.0 0.8345 0.000282 1108.0 0.6915 0.000399 1042.0 0.6647 0.000413 1010.0 0.6514 0.000419 980.0 0.6388 0.000424 900.0 0.6044 0.000436 860.0 0.5868 0.000441 - 0.00005 0.00010 0.00015 0.00020 0.00025 0.00030 0.00035 0.00040 0.00045 0.00050 0 1000 2000 3000 4000 5000 histograma Distribución Normal en Excel … M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 25 Universidad de PiuraUniversidad de Piura Distribución Log-Normal • Es la distribución Normal aplicada habiendo hecho un cambio de variable. • Existendos tipos de Log Normal: • De dos parámetros: • De tres parámetros: y yy zxy − == );ln( y yy zaxy − =−= );ln( M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Distribución LogNormal2 en Excel M.Sc. Marina Farías de Reyes - UDEP AÑO Q Q ORD. y = ln (x) F(x) f(x) 1926 860.0 4424 8.395 0.9495 0.0576 1927 610.0 3200 8.071 0.9280 0.0760 1928 124.0 3107 8.041 0.9257 0.0779 1929 135.0 2500 7.824 0.9073 0.0920 1930 95.0 2250 7.719 0.8972 0.0992 1931 450.0 2220 7.705 0.8959 0.1002 1932 1900.0 2200 7.696 0.8949 0.1008 1933 620.0 1900 7.550 0.8794 0.1112 1934 438.0 1793 7.492 0.8728 0.1154 1935 379.0 1700 7.438 0.8666 0.1193 1936 390.0 1616 7.388 0.8604 0.1231 1937 39.0 1530 7.333 0.8536 0.1271 1938 508.0 1525 7.330 0.8532 0.1274 1939 1525.0 1108 7.010 0.8087 0.1510 1940 185.0 1042 6.949 0.7993 0.1555 1941 2220.0 1010 6.918 0.7944 0.1577 1942 405.0 980 6.888 0.7896 0.1599 1943 2250.0 900 6.802 0.7758 0.1659 1944 273.0 860 6.757 0.7681 0.1690 1945 220.0 845 6.739 0.7652 0.1702 1946 134.0 845 6.739 0.7652 0.1702 1947 41.0 690 6.537 0.7293 0.1835 1948 42.5 646 6.471 0.7171 0.1875 1949 1010.0 638 6.458 0.7148 0.1882 1950 0.0 620 6.430 0.7093 0.1899 1951 0.0 610 6.413 0.7062 0.1908 - 0.05 0.10 0.15 0.20 0.25 0 1000 2000 3000 4000 5000 x (Caudales) histograma x - 0.05 0.10 0.15 0.20 0.25 0 2 4 6 8 10 y = ln x histograma ln x 12/10/2021 Hidrología - Universidad de Piura 26 Universidad de PiuraUniversidad de PiuraM.Sc. Marina Farías de Reyes - UDEP Datos originales Si quiero conocer el caudal para Tr = 100 años, MEDIA 666.21 DESV.EST. 883.43 sabiendo que Tr = 1 / P exc C.ASIMETRIA 2.0567 --> Pexc = 1 / 100 = 0.01 --> Pno exc = 1-P exc = 0.99 ln Q z = f ( Pno exc) =DISTR.NORM.ESTAND.INV(0,99) MEDIA 5.4346 DESV.EST. 1.8046 z = 2.326 C.ASIMETRIA (0.8016) y = + z S y = 5,435 + 2,326 * 1,805 y = 9.6327 y = ln (x) x = e (y) x = 15256 m3/s Universidad de PiuraUniversidad de Piura Distribución LogNormal3 en Excel M.Sc. Marina Farías de Reyes - UDEP Q ORD y = ln (x-a) F(x) f(x) 4424.0 8.400 0.97458 0.04336 Datos originales 3200.0 8.079 0.95705 0.06678 MEDIA 666.21 3107.0 8.049 0.95506 0.06926 DESV.EST. 883.43 2500.0 7.834 0.93803 0.08937 2250.0 7.730 0.92816 0.10020 C.ASIMETRIA 2.0567 2220.0 7.716 0.92682 0.10163 2200.0 7.708 0.92590 0.10260 1900.0 7.563 0.90987 0.11892 ln Q 1793.0 7.506 0.90288 0.12566 MEDIA 5.4346 1700.0 7.453 0.89612 0.13199 DESV.EST. 1.8046 1616.0 7.403 0.88938 0.13811 1530.0 7.349 0.88176 0.14482 C.ASIMETRIA (0.8016) 1525.0 7.346 0.88130 0.14522 1108.0 7.033 0.82951 0.18546 1042.0 6.973 0.81815 0.19319 ln (Q-a) 1010.0 6.942 0.81221 0.19709 MEDIA 5.7310 980.0 6.913 0.80636 0.20084 DESV.EST. 1.3670 900.0 6.830 0.78927 0.21126 a (25.07) 860.0 6.786 0.77981 0.21671 845.0 6.769 0.77609 0.21880 C.ASIMETRIA 6.61E-06 845.0 6.769 0.77609 0.21880 690.0 6.572 0.73089 0.24148 646.0 6.509 0.71534 0.24822 638.1 6.497 0.71239 0.24943 620.0 6.469 0.70545 0.25223 610.0 6.454 0.70150 0.25377 574.0 6.395 0.68653 0.25933 568.0 6.385 0.68391 0.26025 545.0 6.346 0.67355 0.26377 508.0 6.279 0.65566 0.26933 - 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0 2 4 6 8 10 LN3; C.A.=0 - 0.05 0.10 0.15 0.20 0.25 0 2 4 6 8 10 LN2; C.A.=-0,8 12/10/2021 Hidrología - Universidad de Piura 27 Universidad de PiuraUniversidad de Piura M.Sc. Marina Farías de Reyes - UDEP Datos originales Si quiero conocer el caudal para Tr = 100 años, MEDIA 666.21 DESV.EST. 883.43 sabiendo que Tr = 1 / Pno exc C.ASIMETRIA 2.0567 --> P exc = 1 / 100 = 0.01 --> Pno exc = 1-P exc = 0.99 ln Q z = f ( Pexc) =DISTR.NORM.ESTAND.INV(0,99) MEDIA 5.4346 DESV.EST. 1.8046 z = 2.3263479 C.ASIMETRIA (0.8016) y = + z y = 5,731 + 2,326 * 1,367 ln (Q-a) MEDIA 5.7310 y = 8.9111 DESV.EST. 1.3670 a (25.07) y = ln (x - a) C.ASIMETRIA 6.61E-06 x - a = e (y) x - a = 7413.4854 x = 7413,477 - 25,068 x = 7388 m3/s Universidad de PiuraUniversidad de Piura VE I o Gumbel La probabilidad acumulada: donde y es una variable auxiliar: a y u son los parámetros de la función: Sx y yn vienen a ser unos “preparámetros” 𝑭 𝑿 = 𝒆−𝒆 −𝒚 𝐹 𝑋 = 𝑃𝑛𝑜𝑒𝑥𝑐 = 1 − 𝑃𝑒𝑥𝑐 = 1 − 1 𝑇𝑟 a ux y − = ayxu n.−= Sn Sx a = M.Sc. Marina Farías de Reyes - UDEP - 0.1 0.2 0.3 0.4 0.5 -4 -2 0 2 4 v.a. f( x) Pexc Pno exc 12/10/2021 Hidrología - Universidad de Piura 28 Universidad de PiuraUniversidad de Piura Valores de Gumbel Media reducida Yn n 0 1 2 3 4 5 6 7 8 9 10 0,4952 0,4996 0,5035 0,5070 0,5100 0,5128 0,5157 0,5181 0,5202 0,5220 20 0,5230 0,5252 0,5268 0,5283 0,5296 0,5309 0,5320 0,5332 0,5343 0,5353 30 0,5362 0,5371 0,5380 0,5388 0,5396 0,5402 0,5410 0,5418 0,5424 0,5430 40 0,5436 0,5442 0,5448 0,5453 0,5458 0,5463 0,5468 0,5473 0,5477 0,5481 50 0,5485 0,5489 0,5493 0,5497 0,5501 0,5504 0,5508 0,5511 0,5515 0,5518 60 0,5521 0,5524 0,5527 0,5530 0,5533 0,5535 0,5538 0,5540 0,5543 0,5545 70 0,5548 0,5550 0,5552 0,5555 0,5557 0,5559 0,5561 0,5563 0,5565 0,5567 80 0,5569 0,5570 0,5572 0,5574 0,5576 0,5578 0,5580 0,5581 0,5583 0,5585 90 0,5586 0,5587 0,5589 0,5591 0,5592 0,5593 0,5595 0,5596 0,5598 0,5599 100 0,5600 Desviación tipica reducida Sn n 0 1 2 3 4 5 6 7 8 9 10 0,9496 0,9676 0,9833 0,9971 1,0095 1,0206 1,0316 1,0411 1,0493 1,0565 20 1,0628 1,0696 1,0754 1,0811 1,0864 1,0915 1,0961 1,1004 1,1047 1,1086 30 1,1124 1,1159 1,1193 1,2260 1,1255 1,1285 1,1313 1,1339 1,1363 1,3880 40 1,1413 1,1430 1,1458 1,1480 1,1499 1,1519 1,1538 1,1557 1,1574 1,1590 50 1,1607 1,1623 1,1638 1,1658 1,1667 1,1681 1,1696 1,1708 1,1721 1,1734 60 1,1747 1,1759 1,1770 1,1782 1,1793 1,1803 1,1814 1,1824 1,1834 1,1844 70 1,1854 1,1863 1,1873 1,1881 1,1890 1,1898 1,1906 1,1915 1,1923 1,1930 80 1,1938 1,1945 1,1953 1,1959 1,1967 1,1973 1,1980 1,1987 1,1994 1,2001 90 1,2007 1,2013 1,2020 1,2026 1,2032 1,2038 1,2044 1,2049 1,2055 1,2060 100 1,2065 Universidad de PiuraUniversidad de Piura Gumbel en Excel M.Sc. Marina Farías de Reyes - UDEP AÑO Q Q ORD y = (x - u)/a Tr 1986 25.0 44.0 (0.28) 1.36 1987 574.0 42.0 (0.28) 1.36 1988 6.0 41.0 (0.29) 1.36 1989 845.0 39.0 (0.29) 1.36 1990 6.0 37.0 (0.29) 1.36 1991 14.0 33.0 (0.30) 1.35 1992 1793.0 29.0 (0.30) 1.35 1993 1042.0 25.0 (0.31) 1.35 1994 1108.0 21.0 (0.31) 1.34 Si quiero conocer el caudal para Tr = 100 años, 1995 75.0 14.0 (0.32) 1.34 sabiendo que: 1996 111.0 6.0 (0.33) 1.33 1997 638.0 6.0 (0.33) 1.33 1 - e(-e(-y))= 0.01 = 1/Tr 1998 4424.0 0.0 (0.34) 1.32 e(-e(-y))= 0.99 1999 3107.0 0.0 (0.34) 1.32 -e(-y)= -0.01005 x medio 666.20 0.5557 e(-y)= 0.0100503 desv. Est x (Sx) 883.44 1.1890 -y = -4.600149 n = número datos 74 y = 4.6001492 yn medio = 0.5557 Sn = 1.1890 y = x-u a parámetros, según n a = Sx / Sn = 743.01 x = u + a.y u = x-yn*a= 253.31 x = 3671 m3/s 𝑭 𝑿 = 𝒆−𝒆 −𝒚 𝐹 𝑋 = 𝑃𝑛𝑜𝑒𝑥𝑐 = 1− 𝑃𝑒𝑥𝑐 = 1 − 1 𝑇𝑟a ux y − = 12/10/2021 Hidrología - Universidad de Piura 29 Universidad de PiuraUniversidad de Piura Distribución Gamma o Pearson III • Posee gran flexibilidad y diversidad de formas, según los parámetros. • Se utiliza esta función para estudiar variables cuya distribución es asimétrica, tales como las hidrológicas. • De uso corriente en análisis de las colas de espera. • Gamma de 3 parámetros: − − − − = a a a x e x xf 1 )( 1 );;;( M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Familia Gamma o Pearson III • Dependiendo de los valores de los parámetros, se trata de Gamma de 3p o Gamma de 2p. • Si = 0 → Gamma de 2 parámetros (Excel): • Si = 1 → Gamma de 1 parámetro o estándar: • Si a = 1, equivale a la distribución exponencial con: l = 1/. a a a a xexxf −− = 1 )( 1 );;( − − − − = a a a x e x xf 1 )( 1 );;;( xexxf −− = 1 )( 1 );( a a a lll l 1 );(; 1 );1;( === −− conexfexf xx M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 30 Universidad de PiuraUniversidad de Piura …Distribución Gamma 2 parámetros • La ecuación para la función de densidad de la probabilidad es: a a a a xexxf −− = 1 )( 1 );;( M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Gamma 2 en Excel M.Sc. Marina Farías de Reyes - UDEP GAMMA DE 2 PARAMETROS DATOS ORD f(x) F(x) x (media) 666.2 4424.0 7.0E-06 9.9E-01 s2 (varianza) 780417.4 3200.0 2.3E-05 9.8E-01 a 0.569 3107.0 2.5E-05 9.7E-01 1,171.38 2500.0 4.7E-05 9.5E-01 2250.0 6.0E-05 9.4E-01 2220.0 6.2E-05 9.4E-01 Si quiero conocer el caudal para Tr = 100 años, 2200.0 6.4E-05 9.4E-01 1900.0 8.7E-05 9.1E-01 sabiendo que Tr = 1 / Pexc 1793.0 9.8E-05 9.0E-01 1700.0 1.1E-04 8.9E-01 --> Pexc = 1 / 100 = 0.01 1616.0 1.2E-04 8.8E-01 --> Pno exc = 1-P exc = 0.99 1530.0 1.3E-04 8.7E-01 1525.0 1.3E-04 8.7E-01 x = f ( Pexc) =DISTR.GAMMA.INV(P;a;) 1108.0 2.2E-04 8.0E-01 1042.0 2.4E-04 7.9E-01 x = 4122 m3/s 1010.0 2.5E-04 7.8E-01 12/10/2021 Hidrología - Universidad de Piura 31 Universidad de PiuraUniversidad de Piura Bondad de ajuste de los modelos Los test de bondad de ajuste son una prueba de hipótesis que se usa para evaluar si un conjunto de datos es una muestra independiente de la distribución F elegida. Ho: Los datos son una muestra independiente e idénticamente distribuida de F(x). Ojo: No rechazar Ho no quiere decir aceptar Ho. M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Pruebas de bondad de ajuste • Prueba c2: Se necesita agrupar los valores y es más trabajosa. • Prueba Kolmogorov-Smirnov: Se trabaja con los valores individuales. M.Sc. Marina Farías de Reyes - UDEP 12/10/2021 Hidrología - Universidad de Piura 32 Universidad de PiuraUniversidad de Piura Prueba Kolmogorov-Smirnov • Compara las P exc empíricas: P = m/(n+1) m:# orden; n:# datos con las teóricas según cada distribución de los datos individuales, sin agrupar. • Producto de dicha comparación se obtienen unos valores D. • El Dmáximo se compara con un valor Dcrítico: Dcrítico = 1.36 / √n • Se acepta si Dmáximo < Dcrítico Nivel de significancia Numerador 20% 1,07 10% 1,22 5% 1,36 1% 1,63 M.Sc. Marina Farías de Reyes - UDEP Universidad de PiuraUniversidad de Piura Test en Excel M.Sc. Marina Farías de Reyes - UDEP DATOS Empírica Normal LN2 LN3 Gumbel Gamma Normal LN2 LN3 Gumbel Gamma 56 75.0 0.747 0.748 0.732 0.795 0.720 0.770 0.00166 0.01462 0.04810 0.02715 0.02344 57 74.0 0.760 0.749 0.734 0.797 0.720 0.772 0.01132 0.02551 0.03685 0.04001 0.01178 58 58.0 0.773 0.754 0.777 0.831 0.728 0.800 0.01891 0.00348 0.05796 0.04569 0.02701 59 49.0 0.787 0.758 0.804 0.852 0.732 0.818 0.02905 0.01703 0.06490 0.05474 0.03143 60 45.0 0.800 0.759 0.816 0.861 0.734 0.826 0.04097 0.01650 0.06077 0.06617 0.02649 61 44.0 0.813 0.759 0.820 0.863 0.734 0.829 0.05395 0.00645 0.04976 0.07903 0.01531 62 42.0 0.827 0.760 0.825 0.867 0.735 0.832 0.06676 0.00188 0.03991 0.09142 0.00524 63 41.0 0.840 0.760 0.830 0.870 0.736 0.835 0.07956 0.01012 0.03008 0.10428 0.00477 64 39.0 0.853 0.761 0.837 0.875 0.737 0.840 0.09220 0.01653 0.02144 0.11666 0.01358 65 37.0 0.867 0.762 0.844 0.879 0.738 0.844 0.10483 0.02278 0.01283 0.12905 0.02228 66 33.0 0.880 0.763 0.859 0.889 0.740 0.854 0.11676 0.02142 0.00900 0.14050 0.02599 67 29.0 0.893 0.765 0.874 0.899 0.741 0.864 0.12870 0.01932 0.00523 0.15195 0.02915 68 25.0 0.907 0.766 0.890 0.908 0.743 0.875 0.14064 0.01643 0.00152 0.16340 0.03164 69 21.0 0.920 0.767 0.907 0.918 0.745 0.887 0.15259 0.01268 0.00218 0.17485 0.03331 70 14.0 0.933 0.770 0.939 0.935 0.748 0.910 0.16351 0.00599 0.00129 0.18491 0.02350 71 6.0 0.947 0.773 0.978 0.953 0.752 0.944 0.17410 0.03157 0.00673 0.19451 0.00249 72 6.0 0.960 0.773 0.978 0.953 0.752 0.944 0.18743 0.01824 0.00660 0.20785 0.01583 73 0.0 0.973 0.775 0.999 0.965 0.755 0.980 0.19872 0.02537 0.00871 0.21839 0.00649 74 0.0 0.987 0.775 0.999 0.965 0.755 0.980 0.21206 0.01203 0.02204 0.23173 0.00685 Delta téorico 0.21206 0.10310 0.07179 0.23173 0.07129 Delta tabular Resultado Rechazada Aceptada Aceptada Rechazada Aceptada 0.1581 Probabilidad de excedencia F(x) Diferencia Delta D 12/10/2021 Hidrología - Universidad de Piura 33 Universidad de PiuraUniversidad de Piura ¿Cómo se elige el mejor modelo? • Un criterio es el menor delta. • Una vez ajustado el modelo probabilístico se predicen los valores y se llega a la curva de diseño Q vs Tr. M.Sc. Marina Farías de Reyes - UDEP
Compartir