ELEMENTOS DE HIDROLOGIA Y

ESTOCASTICA
IC-803 HIDROLOGIA
Aplicacin estadstica en
Hidrologa es el anlisis de
informacin hidrolgica en forma
de muestras, para inferir las
caractersticas a esperar en el
futuro del fenmeno en estudio.
 Solucin determinstica :

Solucin exacta.

Solucin particular de solucin

estadstica o probabilstica.
 Problemas hidrolgicos.

1. Diseo de estructuras hidrulicas. (Qe

max/min)

2. Satisfaccin de demandas. (Q
disponibles)

3. Diseo y operacin de embalses. (Qe

max/min/ med)
Casos mas comunes segn tipo, cantidad y calidad
de la informacin disponible.

1.Cuencas con suficiente informacin

hidrolgica. (caso + optimista/ aplicacin de
todo tipo de metodologas existentes)

2. Cuencas con escasa informacin hidrolgica.

(aplicacin modelos que relacionan lluvia con
Qe mediante uso regresin simple o mltiple,
lineal o no lineal)

3. Cuencas sin informacin hidrolgica.(caso

mas crtico y comn/ solucin : anlisis regional)
 Uso de Modelos Probabilsticos.
Fenmenos en ingeniera desde el punto de vista
de la certeza de su ocurrencia se clasifican en :

1. Determinsticos : si las variables siguen una ley

determinada y pueden predecirse con certeza.

2. Probabilsticos : si se toma en cuenta la probabilidad

de ocurrencia y la falta de certeza existente. (Gran
mayora).
a. Probabilsticos / b. Estocsticos : caractersticas de las
variables aleatorias o random varan con el tiempo,
gobernadas por las leyes de la probabilidad.
 Variables discretas y continuas.
Variable discretaV.D. slo puede tomar valores dentro de
un conjunto numerable, es decir, no acepta cualquier valor
sino slo aquellos que pertenecen al conjunto. Ej : el N
animales en una granja (0, 1, 2, 3...).

Variable continuaV.C. puede tomar un valor cualquiera

dentro de un intervalo predeterminado. Y siempre entre
dos valores observables va a existir un tercer valor
intermedio que tambin podra tomar la variable continua;
nunca puede ser medida con exactitud; el valor observado
depende en gran medida de la precisin de los
instrumentos de medicin. En variable continua hay
inevitablemente unerror de medida. Ej : estatura persona.
 Variables discretas y continuas.
Segn sean V.D. o V.C., se usarn modelos de distribucin
probabilsticos discretos o continuos. Discretos aquellos
cuya funcin densidad de probabilidad y funcin de
probabilidad acumulada se encuentran definidas para
determinados valores que puede tomar la variable.

Principales distribuciones discretas : Distribucin binomial

y distribucin de Poisson.

Principales distribuciones continuas : distribucin uniforme

/ distribucin normal / distribucin logartmico-normal /
distribucin Gamma / distribucin de valores extremos /
distribucin Chi cuadrada.
 Distribucin de valores extremos.

a. Tipo 1 o tipo exponencial (ley de

Gumbel)

b. Tipo 2 o tipo Cauchy.

c. Tipo 3 o distribuciones truncadas.

Estimacin de parmetros y estudio
de la consistencia.

Mtodos de los parmetros:

1. De los momentos. / 2. De mxima verosimilitud.

Mtodos de la consistencia :
1. Grficos. / 2. Cuantitativos : test Chi cuadrado /
test W / test Student / test de Kolmogoroff
 Anlisis de Frecuencia o Distribuciones de
Valores Extremos.

1. Posiciones de Trazado*.
2. Ley de Gumbel*. (mayor aceptacin)
3. Distribucin Log-Pearson Tipo 3*. (mayor aceptacin)
4. Eventos histricos.
5. Longitud de Registro.
6. Probabilidad de Diseo.
7. Mtodo de Grdex.
8. Anlisis de Frecuencia Regionales.
9. Resumen del Estudio de Avenidas
 Posiciones de Trazado.

Procedimiento :
1. Ordenar valores de mayor a menor (m vrs.
variable).

2.Asignar c/valor una probabilidad de excedencia o

fre-cuencia P : posicin trazado. Inversa : perodo
retorno T.
P = 1/T
3. Frmulas para determinar posiciones de trazado.
 Posiciones de Trazado.
Frmulas propuestas : Weibull la mas aceptada.
 Posiciones de Trazado.
Valores de ymn y n son funciones del tamao de la
muestra
 Ley de Gumbel.
Distribucin de valores extremos tipo 1

Ven Te Chow : y = ym + Ky / K : factor frecuencia definido

para cada distribucin que es f(nivel probabilidad asignado a y) / y :
variable con una probabilidad dada / ym : media serie / y : desviacin
estndar de la serie.

P : probabilidad de que valor x sea igualado o excedido / y : variable

reducida = a(x-u) u : moda de la distribucin / a : parmetro de dispersin.
Ley de Gumbel.
Prctica
 Distribucin Log-Pearson.
Distribucin de valores extremos tipo 3

Se convierten los valores de la serie a sus logaritmos

decimales y se hallan los siguientes parmetros :

Media : log xm = log x/n

Desviacin estndar : log x = ( (log x - log xm)2/(n

1))1/2

Coeficiente asimetra : Ag = n(log x - log xm)3/(n-1)(n-2)(

log x)3
 Distribucin Log-Pearson.
Distribucin de valores extremos tipo 3

El valor de x para cualquier nivel de probabilidad se

calcula a partir de :

log x = log xm + K log x

El valor de K se obtiene de la tabla siguiente.

El mtodo consiste en plotear 2 ptos. (Variable,T) y trazar
la lnea recta que los une, en papel de probabilidad log-
normal; se prolonga la recta hasta encontrar la variable
con perodo de retorno grande.
Distribucin Log-Pearson.
Distribucin de valores extremos tipo 3
Modelos o Procesos Estocsticos.
Las caractersticas de las variables aleatorias varan
con el tiempo.
Serie de tiempo : cuando el comportamiento de la
variable x puede observarse de manera secuencial
x1, x2, , en que los subndices representan
intervalos de tiempo.
Series de tiempo son series estocsticas, y al
conjunto de variables aleatorias x1, x2, , asociadas
segn su distribucin de probabilidad se llama
proceso estocstico.
 Procesos Estocsticos.
Las procesos estocsticos en hidrologa pueden
representarse de 2 maneras, en forma discreta o en
forma continua (mas comn).
 Procesos Estocsticos.
Adems de la funcin de distribucin f(x 1, x2, ), es necesario incorporar
otras propiedades, como valor esperado, varianza y covarianza.

Valor esperado : juego de valores esperados en cada posicin en el

tiempo : E(x1), E(x2), / ut = E(xt)

Varianza : t2 = Var (xt), t = 1,2,

Covarianza : Cov (k) = Cov(xt, xt-k), describe la dependencia lineal del

proceso estocstico.
 Modelos de Series de Tiempo.

1. Modelo de filtro lineal.

2. Modelo de autoregresin o markoviano.

3. Modelo de promedios mviles.

4. Modelo autoregresivo de promedios mviles.

5. Modelos no estacionarios.
 Modelo de filtro lineal.

Una serie de tiempo en la que los valores sucesivos tienen alta

dependencia, puede ser considerada como generada por una serie
de variables aleatorias normales at generadas por una distribucin
nica del valor esperado cero y varianza conocida a2.

Modelo : Zt = u + at + 1 at-1 + 2 at-2 + . . .

u : parmetro que determina el nivel del proceso y la secuencia 1 ,

2 , . . . puede ser finita o infinita.
 Modelo de autorregresin.

Expresa el valor del proceso en el instante t, como una combinacin lineal

de p valores anteriores y de una variable aleatoria a t con valor esperado
cero y varianza conocida a2.

Proceso : Zt = Ztm + u / Ztm = 1 Zt-1 + 2 Zt-2 + . . . + p Zt-p + at , se denomina

proceso autorregresivo de orden p AR(p) o markoviano.

AR(1) : Zt = Ztm + u / Ztm = 1 Zt-1 + at : modelo autoregresivo primer orden o

modelo Markov de primer orden.
Tcnicas de anlisis de series de tiempo.
Utilizan herramientas matemticas bastante
desarrolladas, y hay dos formas usualmente utilizadas, los
correlogramas y el desarrollo en series de Fourier de la
serie de tiempo. Tiene dos aplicaciones globales : i- para
la generacin de series hidrolgicas de tiempo sintticas,
ii- para la prediccin de series hidrolgicas de tiempo
futuras.
Tcnicas de anlisis de series de tiempo.

Se requiere la generacin de series sintticas en : a-

dimensiona-miento de reservorios /b- planear expansin en
sistemas de agua / c- determinar el riesgo de falla de
suministro de agua para riego / d- determinar el riesgo de
falla de capacidad confiable en plantas hidroelctricas / e-
casos similares.

Se requiere la generacin de series de tiempo futuras en :

a- pla-neamiento a corto plazo de operacin de embalses /
b- planea-miento de operacin durante sequas / c- casos
similares.