Indice:

1. Distribucin
2. Distribucin
3. Distribucin
4. Distribucin
5. Distribucin
6. Distribucin
7. Distribucin
8. Bibliografa

Normal
Log-Normal
Exponencial
Gamma
Pearson tipo 3
Log-Pearson tipo 3
Valor Extremo tipo 1

1.- Distribucin Normal

Su importancia se debe fundamentalmente a la frecuencia con la que distintas

variables asociadas a fenmenos naturales y cotidianos siguen,
aproximadamente, esta distribucin. Caracteres morfolgicos (como la talla o
el peso), o psicolgicos (como el cociente intelectual) son ejemplos de
variables de las que frecuentemente se asume que siguen una distribucin
normal. No obstante, y aunque algunos autores6,7 han sealado que el
comportamiento de muchos parmetros en el campo de la salud puede ser
descrito mediante una distribucin normal, puede resultar incluso poco
frecuente encontrar variables que se ajusten a este tipo de comportamiento.
La distribucin normal fue reconocida por primera vez por el francs Abraham
de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (177-1855) realizo
desarrollos ms profundos y formulo la ecuacin de la Curva y de ah se la
conoce como la campana de gauss. La distribucin de una variable normal
est definida por 2 parmetros, su media y su desviacin estndar
generalmente denotadas por y . Con esta notacin, la densidad de la normal
viene dada por la ecuacin:

f ( x )=

{ ( )}

1
1 x
exp
2

; < x <
Ecuacin 1

Esta ecuacin determina la curva en forma de campana con la que estamos

familiarizados. (Figura 1)

Figura 1

As, se dice que una caracterstica X sigue una distribucin normal de media
y varianza 2, y se denota como X N (, ), si su funcin densidad viene dada
por la ecuacin 1.
Al igual que ocurra con un histograma, en el que el rea de cada rectngulo
es proporcional al nmero de datos en el rango de valores correspondientes si,
tal y como se muestra en la Figura 1, en el eje horizontal se levantan
perpendiculares en dos puntos a y b, el rea bajo la curva delimitada por esas
lneas indica la probabilidad de que la variable de inters X, tome un valor en
ese intervalo. Puesto que la curva alcanza su mayor altura en torno a la media,
mientras que sus ramas se extienden asintticamente hacia los ejes, cuando
una variable siga una distribucin normal, ser ms probable observar un dato
cercano al valor medio que uno que se encuentre muy alejado de este
No existe una nica distribucin normal, sino una familia de distribuciones con
una forma comn, diferenciadas por el valor de su media y su varianza. De
entre todas ellas, la ms utilizada es la distribucin normal estndar, que
corresponde a una distribucin normal de media 0 y varianza 1. As, la
expresin que define su densidad se puede obtener de la Ecuacin 1, dando:

f ( x )=

{ }

1
1 2
exp
z ;< x <
2
2

Es importante conocer que, a partir de cualquier variable X que siga una

distribucin N (, ), se puede obtener otra caracterstica Z con una
distribucin normal estndar, sin ms que efectuar la transformacin.

z=

Esta propiedad resulta interesante en la prctica, ya que para una distribucin

N (, ) existen tablas publicadas (Tabla 1) a partir de las cuales se puede
obtener de modo sencillo la probabilidad de observar un dato menor o igual a
un cierto valor z, y que se permitirn resolver preguntas de probabilidad acerca
del comportamiento de las variables que se sabe o se asumen que sigue una
distribucin aproximadamente normal.
Tabla 1: reas bajo la curva normal estndar. Los valores de la tabla
representan la probabilidad de observar un dato menor o igual a z. La cifra
entera y el primer decimal de z se buscan en la primera columna, y el segundo
decimal en la primera fila de la tabla.
z

0.00

.01

.02

.03

.04

.05

.06

.07

.08

.09

0.0

.5000

.5040

.5080

.5120

.5160

.5199

.5239

.5279

.5319

.5359

0.1

.5398

.5438

.5478

.5517

.5557

.5596

.5636

.5675

.5714

.5753

0.2

.5793

.5832

.5871

.5910

.5948

.5987

.6026

.6064

.6103

.6141

0.3

.6179

.6217

.6255

.6293

.6331

.6368

.6406

.6443

.6480

.6517

0.4

.6554

.6591

.6628

.6664

.6700

.6736

.6772

.6808

.6844

.6879

0.5

.6915

.6950

.6985

.7019

.7054

.7088

.7123

.7157

.7190

.7224

0.6

.7257

.7291

.7324

.7357

.7389

.7422

.7454

.7486

.7517

.7549

0.7

.7580

.7611

.7642

.7673

.7704

.7734

.7764

.7794

.7823

.7852

0.8

.7881

.7910

.7939

.7967

.7995

.8023

.8051

.8078

.8106

.8133

0.9

.8159

.8186

.8212

.8238

.8264

.8289

.8315

.8340

.8365

.8389

1.0

.8413

.8438

.8461

.8485

.8508

.8531

.8554

.8577

.8599

.8621

1.1

.8643

.8665

.8686

.8708

.8729

.8749

.8770

.8790

.8810

.8830

1.2

.8849

.8869

.8888

.8907

.8925

.8944

.8962

.8980

.8997

.9015

1.3

.9032

.9049

.9066

.9082

.9099

.9115

.9131

.9147

.9162

.9177

1.4

.9192

.9207

.9222

.9236

.9251

.9265

.9279

.9292

.9306

.9319

1.5

.9332

.9345

.9357

.9370

.9382

.9394

.9406

.9418

.9429

.9441

1.6

.9452

.9463

.9474

.9484

.9495

.9505

.9515

.9525

.9535

.9545

1.7

.9554

.9564

.9573

.9582

.9591

.9599

.9608

.9616

.9625

.9633

1.8

.9641

.9649

.9656

.9664

.9671

.9678

.9686

.9693

.9699

.9706

1.9

.9713

.9719

.9726

.9732

.9738

.9744

.9750

.9756

.9761

.9767

2.0

.9772

.9778

.9783

.9788

.9793

.9798

.9803

.9808

.9812

.9817

2.1

.9821

.9826

.9830

.9834

.9838

.9842

.9846

.9850

.9854

.9857

2.2

.9861

.9864

.9868

.9871

.9875

.4878

.9881

.9884

.9887

.9890

2.3

.9893

.9896

.9898

.9901

.9904

.9906

.9909

.9911

.9913

.9916

2.4

.9918

.9920

.9922

.9925

.9927

.9929

.9931

.9932

.9934

.9936

2.5

.9938

.9940

.9941

.9943

.9945

.9946

.9948

.9949

.9951

.9952

2.6

.9953

.9955

.9956

.9957

.9959

.9960

.9961

.9962

.9963

.9964

2.7

.9965

.9966

.9967

.9968

.9969

.9970

.9971

.9972

.9973

.9974

2.8

.9974

.9975

.9976

.9977

.9977

.9978

.9979

.9979

.9980

.9981

2.9

.9981

.9982

.9982

.9983

.9984

.9984

.9985

.9985

.9986

.9986

3.0

.9987

.9987

.9987

.9988

.9988

.9989

.9989

.9989

.9990

.9990

3.1

.9990

.9991

.9991

.9991

.9992

.9992

.9992

.9992

.9993

.9993

3.2

.9993

.9993

.9994

.9994

.9994

.9994

.9994

.9995

.9995

.9995

3.3

.9995

.9995

.9995

.9996

.9996

.9996

.9996

.9996

.9996

.9997

3.4

.9997

.9997

.9997

.9997

.9997

.9997

.9997

.9997

.9997

.9998

Ejemplo
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la
desviacin tpica 3 kg. Suponiendo que los pesos se distribuyen normalmente,
hallar cuntos estudiantes pesan:
a) Entre 60 kg y 75 kg.

P (60< x<75 )= p

7570
<z
=
( 6070
3
3 )

P (3.33< z 1.67 )= p ( z 1.67 )[ 1 p ( z 3.33 ) ]=

0 .9525 (1-0.996) = 0.9521*500=476
b) Ms de 90 kg.

P ( x >90 )= p z >

9070
= p ( z> 6.67 )=
3

1 p ( z< 6.67 )=11=0.500=0

6

2.-Distribucin Log-Normal

En varios casos las variables no estn distribuidas de una manera normal o

gaussiana, sin embargo aplicando una transformacin es posible convertir los
datos a una forma que est distribuida de esa manera.
La transformacin logartmica se aplica en muchos casos, en especial cuando
el rango de las observaciones abarca varios rdenes de magnitud.
Una variable X cuyos logaritmos Y=ln(X) estn distribuidos de manera normal,
se dice que sigue una distribucin log-normal cuya funcin de densidad es:

f ( x )=

1
x y2

exp

(ln x y )2
2 2y

; x> 0

Donde y y son la media y la desviacin estndar de Y

La relacin entre estos parmetros y los de la variable original X es:

x =exp u y +

2y
2

2x =( exp [ 2y ] 1) exp [ 2 y + 2y ]

En este caso la variable z sigue una distribucin normal o gaussiana estndar N

(0,1)

z=

ln xu y
y

Mtodo de los momentos

N

y=

{( )
1
N

1
log ( x )
N i1
1 /2

[ log ( x ) ]
i=1

ln ( x )=+k

K es la misma de la distribucin normal.

Ejemplo
La media y la desviacin estndar de los Q max anuales de la estacin rio Nare
son:
=94.35 m3/s

=22.45 m3/s

y=4.52

y=0.2337

Hallar el QTR=100 Si los Qmax tienen una distribucin log normal.

K=2.326
Qy TR=100=4.52 + 2.326*0.237 =159 m3/s
Intervalos de confianza:
Ln(QTR=100)

95 St

Es un intervalo de 2 colas, con una probabilidad en cada una de 5%

S T =

N
2 1
2

( )

k
= 1+ T
2

=1.92 ST=0.075
5.07 1.6*0.075
4.94

Qt 5.14

139 159 170 m3 /s

3.-Distribucin Exponencial

Proceso de eventos aleatorios (los parmetros no cambian con el

tiempo).
8

No es posible tener ms de un evento en cualquier instante.

Descripcin de un proceso Poisson.

La variable aleatoria t representa el tiempo entre tormentas.

La distribucin exponencial es un caso especial de la distribucin gamma,

ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial
y gamma juegan un papel importante tanto en teora de colas como en
problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de
servicio y el tiempo de falla de los componentes de sistemas elctricos y
electrnicos, frecuentemente involucran la distribucin exponencial. La relacin
entre gamma y exponencial permite que la distribucin gamma se utilice en
tipos similares de problemas
La variable aleatoria X tiene una distribucin exponencial, con parmetro , si
su funcin de densidad es:

f ( x )= e

; x >0 , >0

La distribucin exponencial describe el tiempo hasta la primera ocurrencia de

un evento. Por ejemplo la cantidad de tiempo, desde ahora, hasta que suceda
un temblor, hasta que se d una nueva guerra, o hasta que reciba una llamada
telefnica que sea un nmero equivocado.
Si X~Exponencial () su funcin de Distribucin es:
x

F ( x )=P ( X x )= f ( t ) dt

et dt = [ et ] 0
x

F ( x )=
0

F ( x )=1ex
Si X~Exponencial () su Valor esperado y Varianza son:

E ( X )= x =

Var ( X )= 2x =

1
1
x=
2

 es el promedio de eventos en un intervalo de tiempo.

Por ejemplo 3 eventos por hora.
1/ es el promedio de tiempo transcurridos entre eventos.
Por ejemplo cada 1/3 horas ocurre un evento
1/ se conoce como tasa de concurrencia.

Funcin de Distribucin Acumulada

t

F ( t )= et dt=1e t
0

Las aplicaciones ms importantes de la distribucin exponencial son aquellas

situaciones en donde se aplica el proceso de Poisson.
La distribucin de Poisson se utiliza para calcular la probabilidad de nmeros
especficos eventos durante un periodo o espacio particular.
En muchas aplicaciones, el periodo o la cantidad de espacio es la variable
aleatoria.
Por ejemplo un profesional puede interesarse en el tiempo T entre llegadas en
una interseccin congestionada durante la hora de salida de trabajo en una
gran ciudad. La observacin de llegadas representa el evento Poisson.
Relacin entre la distribucin exponencial y el proceso llamado
Poisson
La relacin entre la distribucin exponencial y el proceso llamado Poisson es
sencilla. La distribucin de Poisson se desarrollo como una distribucin de un
solo parmetro =, donde puede interpretarse como el nmero promedio de
eventos por unidad de tiempo.
Considrese ahora la variable aleatoria X descrita por el tiempo que se
requiere hasta que ocurra el primer evento, X es una Variable que se
Distribuye Exponencial con parmetro .
Donde:

es el nmero promedio de eventos por unidad de tiempo. La medida

de Poisson
10

1/ es la tasa de ocurrencia de un evento por unidad de tiempo. La

media de la exponencial

Ejemplo
En un ao en un sitio determinado ocurren 110 tormentas independientes con
una duracin promedio (todas) de 5.3h. El intervalo entre tormentas es:

t=

8760110 x 5.3
=74.3 h
110

=1/
=1/74.3 = 0.135h-1
a) Cul es la probabilidad de que pasen al menos 4 das (96h) entre
tormentas?

P (t 96 )=1F (96)
96

F ( 96 )= et dt=1e t
0

P (t 96 )=11et =e0.013596=0.27
b) Cul es la probabilidad de que el tiempo entre 2 tormentas sea
exactamente 12h?

P (t =12 ) =0
La probabilidad que una variable aleatoria continua valga cero en un
intervalo es cero
c) Cul es la probabilidad que la separacin entre 2 tormentas sea menos
o igual que 12h?

P (t 12 ) =F ( 12 )=1e0.13512=0.15

4.-Distribucin Gamma

Una de las ms utilizadas en hidrologa para: crecientes mximas anuales,

caudales mnimos, volmenes de flujo anuales estacionales, valores de
precipitaciones extremas, volmenes de lluvia de corta duracin
11

Es una distribucin adecuada para modelizar el comportamiento de variables

aleatorias continuas con asimetra positiva. Es decir, variables que presentan
una mayor densidad de sucesos a la izquierda de la media que a la derecha. En
su expresin se encuentran dos parmetros, siempre positivos y de los que
depende su forma y alcance por la derecha, y tambin la funcin gamma (),
responsable de la convergencia de la funcin.
La distribucin gamma es de mucha utilidad para determinar el tiempo
(espacio) requerido para observar ocurrencias de un evento A en el intervalo t
(o regin del espacio), sucesos del tipo Poisson.
Algunas variables aleatorias son no negativas siempre y tiene distribuciones
sesgadas a la derecha, es decir, la mayor parte del rea bajo la grafica de la
funcin de densidad se encuentra cerca del origen y los valores de la funcin
densidad disminuyen gradualmente cuando X aumenta.
Una variable aleatoria X tiene una distribucin Gamma si su densidad de
probabilidad est dada por:

F ( x , , )=

1
x 1 e

( )

; x>; y parametros positivos

Parmetros:

parmetro que varia la forma de la distribucin

parmetro que varia la escala de la distribucin

Para valores no enteros el valor de la funcin gamma se obtiene a partir de:

( )= x 1 ex dx
0

Media y Varianza
= E(x) =

2 = V(x) = 2

Relaciones con otras distribuciones

Si se tiene un parmetro de valores elevados y pequea entonces la
funcin gamma converge con la distribucin normal.
Cuando =1 y =0 la distribucin gamma es exactamente la distribucin
exponencial con parmetro =1
12

Cuando la proporcin entre los parmetros es =v/2 y =v entonces la variable

aleatoria se distribuye como una Chi-cuadrado con v grados de libertad.
Si =1, entonces se tiene la distribucin exponencial negativa de parmetro
=1/

Funcin de Densidad

f ( x )=

1
x 1 e

( )

Donde x>0; y son valores positivos

Si =1 la funcin de densidad ser:
x

1 0 1 x
f ( x )=
x e =e
11
Lo que significa que una distribucin Gamma de parmetro =1 y =0 es una
distribucin de parmetro =1
Funcin de Distribucin
x

F ( x )=P ( X x )=

1
1
u e

( ) 0

du

Donde u es una variable de integracin.

Ejemplo:
En una ciudad se observa que el consumo diario de energa (en millones de
kilowatt-hora) es una variable aleatoria que sigue una distribucin gamma con
parmetros =3 =2. Si la planta de energa que suministra a la ciudad tiene
una capacidad mxima de generar 12, Cul es la probabilidad de que haya un
da donde no se pueda cubrir la demanda?

f ( x )=

1
x 1 e

( )

=3
=2
13

 ()=(n-1)!= (3)=(3-1)!=2

f ( x )=

1 2
x e
3
2 2

x
2

La probabilidad de que exista un exceso:

1

1
F ( 1 )=P ( X 1 )= 3 u31 e 2 du
2 2 0
Resolviendo la integral, la probabilidad obtenida es:

1
( 1626 e0.5 )=0.01438
16

5.-Distribucin Pearson Tipo 3

La distribucin Pearson Tipo 3 se aplico en hidrologa por Foster (1924) para

describir la distribucin de picos crecientes mximos anuales.
La distribucin Pearson Tipo 3, tambin llamada la distribucin gamma de tres
parmetros, introduce un tercer parmetro, el lmite inferior o parmetro de
posicin , de tal manera que por el mtodo de los momentos de la muestra (la
media, la desviacin estndar y el coeficiente de asimetra) pueden
transformarse en los tres parmetros , , de la distribucin de probabilidad.
Funcin de densidad de probabilidad Pearson tipo 3

f ( x )=

( x ) e
()

(x )

;x

El sistema de distribuciones Pearson incluye siete tipos; todos son soluciones

para f(x) en una ecuacin de la forma:

14

f ( x )(xd)

C0 +C 1 x +C 2
()

f (x )
=
dx
d
Donde d es la moda de la distribucin y C 0, C1, C2 son coeficientes que deben
determinarse. Cuando C2 = 0 es la solucin de la ecuacin anterior, es una
distribucin Pearson tipo 3, con una funcin de densidad de probabilidad segn
la ecuacin anterior para C1 = C2 = 0, la solucin de la ecuacin anterior es
una distribucin normal. Esta funcin de distribucin es muy conocida debido a
que cuando el coeficiente de asimetra se iguala a cero se obtiene la
distribucin Normal.

Funcin de Densidad de Probabilidad

Se dice que una variable X tiene una distribucin Pearson Tipo 3 si su funcin
de densidad de probabilidades con origen en la moda, est dada por:

f ( x )=

1
x
( )

( )

( x
)

exp

Donde , , son los parmetros de la funcin () es la funcin gamma.

En la tabla de funcin gamma se halla propiedades bsicas y la tabla de
valores de la funcin gamma.
Para x<

Parmetros:

Parmetro de Posicin
Parmetro de Escala
Parmetro de forma

La variable reducida

y=

15

Por lo que

f ( y )=

1
y 1ey
( )

Funcin de Distribucin Acumulada

x

(
1
F ( x )=
e

() 0

dx
( x
)

Mtodo de los Momentos

Los parmetros de , y d de la funcin acumulada F(x) se evalan a partir de
n datos medidos mediante el siguiente sistema de ecuaciones:

x = +

s 2= 2
Cs=

Donde

es la media de los datos, s2 su varianza y Cs su coeficiente de

asimetra.
Ejemplo
Se tiene una estacin con 30 aos de registros de caudales mximos
instantneos con Media de 4144 pie3/s y desviacin estndar de 311 pie3/s. Si
el coeficiente de asimetra de los caudales es de 19.981 pie 3/s cual es caudal
para un periodo de retorno de 100 aos y su intervalo de confianza.
QTr100 = X + SK
K es F(1.981, 100) de tablas se obtiene K=3.595

(1.9,100)=3.553

(2.0,100)=3.605
QTr100 = 4144 + (3.595)(3311)
QTr100 = 16050 pie3/s
16

6.-Funcin de Distribucin Log-Pearson Tipo 3

Segn Chow, 1995, si log x sigue una distribucin Pearson tipo 3, entonces se
dice que X sigue una distribucin log-Pearson tipo 3. Esta es la distribucin
estndar para anlisis de frecuencias de crecientes mximas anuales en los
Estados Unidos (Benson, 1968).
La localizacin del lmite X0 en la distribucin log-Pearson tipo 3 depende de la
asimetra de la informacin, se plantea dos casos:

SI la informacin tiene asimetra positiva, entonces

lmite inferior

SI la informacin tiene asimetra negativa, entonces

log x x 0 y X es un
0
log x x 0

y X0 es

un lmite superior
Segn Bobee, 1975. La transformacin log reduce la asimetra de la
informacin transformada y puede producir informacin transformada con
asimetra negativa utilizando informacin original con asimetra positiva. En
este caso, la aplicacin de la distribucin log-Pearson tipo 3 impondra un lmite
superior artificial a la informacin.
Dependiendo de los valores de los parmetros, la distribucin log-Pearson tipo
3 puede asumir muchas formas diferentes, tal como se muestra en la siguiente
tabla.
Localizacin de la moda para la distribucin log-Pearson tipo 3 como una
funcin de sus parmetros.
Parmetro de la
forma

<-ln10

-ln10<<0

>0

0<<1

Sin moda, forma

en J
Unimodal

Moda mnima en
forma de U
Sin moda, forma
en J invertida

Sin moda, forma

en J invertida
Unimodal

>1

Funcin de Densidad De Probabilidad

El primer paso es tomar los logartmicos de la informacin hidrolgica.
Z=logx, mayormente se utilizan logaritmos con base 10, se calculan la media
X, desviacin estndar Sx, y el coeficiente de asimetra Cs para los logaritmos
de los datos.
17

La funcin densidad para X y Z se da a continuacin:

f ( x )=

1
logxx
( )

exp

(logxx)

Si se hace una transformacin Z=logx

La funcin densidad reducida es:

( zz 0 ) 1
( z z0 )
f ( z )=
exp

()
Donde:

Z= Variable aleatoria con distribucin Pearson tipo 3

X= Variable aleatoria con distribucin log-Pearson tipo 3
Z0= Parmetro de Posicin
= Parmetro de Escala
= Parmetro de Forma

En el caso de la distribucin log-Pearson tipo 3: X=10z, la variable reducida es:

Y=

zz 0

Por lo que la ecuacin queda de la siguiente manera:

f ( y )=

1
1
y exp y
()

Funcin de Distribucin Acumulada

z

F ( z )=
z0

zz 0 zz
1
e dz
()

( )

Mtodo de los Momentos

El procedimiento recomendado para el mtodo de los momentos es convertir la
serie de datos a sus logaritmos y luego calcular los siguientes parmetros:
Media:

18

logx

logx=
n
Desviacin Estndar

logx
logx

logx=
Coeficiente de Asimetra

logx
logx

2
n
Cs=
El valor de X; para cualquier probabilidad se puede calcular a partir de la
siguiente ecuacin:

Logx = logx+ K logx

Ejemplo
Luricocha
Dado los datos de
n mximas
Ao
P(mm)
1 precipitaciones 1964
21.40
2
1965
19.40
anuales de la estacin
3
1966
30.70
4
1967
23.20
5
1968
26.10
6
1969
12.10
7
1970
23.60
8
1971
38.60
9
1972
16.80
10
1973
30.80
11
1974
27.40
12
1975
30.60
13
1976
34.30
14
1977
32.90
15
1978
21.60
Se desea construir una defensa Riberea, hallar la precipitacin de diseo.
19

Se adopta un periodo de 10 aos que puede durar la posible estructura de

defensa Riberea.
Por distribucin Log-Pearson tipo 3 se obtiene de los datos los siguientes
parmetros:

Promedio(Logx)=1.39
Desviacin Estndar( Logx)=0.1420
Probabilidad de Ocurrencia=0.1
Coeficiente de Asimetra=-0.909
Coeficiente de KT de tabla=1.1348
Coeficiente de KT de formula=0.4532

A partir de los parmetros encontrados obtenemos los valores sabiendo que

y=log(x)
X=35.672(KT de tabla)
X=28.548(KT de formula)

7.-Distribucin Valor Extremo tipo 1

Funcin de distribucin acumulada

La distribucin de funcin acumulada tiene la siguiente forma:
(x )

F ( x )=ee

Para:< x < ; 0< < ;< <

Donde:

= Parmetro de Escala
= Parmetro de Forma

Funcin de Densidad de Probabilidad

Derivando la funcin de distribucin acumulada, con respecto a x, se obtiene la
funcin de densidad de probabilidad, es decir:

f (x)

dF ( x )
dx
20

[ ( x )e (x )]

f ( x )=exp

Para:< x <
El signo (+) se aplica para valores mnimos y el signo (-) se aplica para valores
mximos.

Si se hace la transformacin:

Y = (x )
Con lo cual, la funcin densidad reducida es:

f ( y )=e( ye

El signo (+) se aplica para eventos mnimos y el signo (-) se aplica para
eventos mximos.

Funcin de Distribucin Acumulada

y

F ( y )=ee ( Maximo )

F ( y )=1ee ( Minimo )

F ( y )min =1F ( y)max

Los valores correspondientes de x e y, estn relacionados por F(x) = F(y) y la

relacin:

Y = ( x )
O

21

x= +

Ejemplo
El CIRSOC 102 establece velocidades picos de rfaga de 3 segundos asociadas
con una probabilidad anual del 2% (0,02) y un perodo de retorno de 50 aos.

p
Si llamamos
largo de n aos

probabilidad de exceder la velocidad y en cada ao a lo

n = perodo de retorno
pa = prob (Y>y)
La probabilidad que una velocidad Y sea menor que y en cada ao a lo largo de
n aos:
q = prob (Y<y) = 1 pa = PY(y)
La probabilidad que Y < y en a aos una vez:
Q = q = (1-pa)n
Probabilidad que Y > y en n aos una vez:
P = 1 - Q = 1 - qn = [1 - (1 - p)n]
Si pa = 0,02 y n = 50 aos
P = 1 - (1 0,02) = 0,63
Hay un 63% de probabilidad de exceder una vez en 50 aos esa velocidad y un
37% de no excederla.

22

8.- Bibliografa

Probabilidad y Estadstica para ingeniera y ciencias - Jay L. Devore

Probabilidad y Estadstica - Schaum
Probabilidad y Estadstica para Ingenieros - Ronald Walpole y Myers
Probabilidad y Aplicaciones Estadsticas Paul Meyer
http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
http://www.vitutor.com/pro/5/a_g.html
http://www.atmosfera.unam.mx/jzavala/AnalisisDatos/Curso_AnalisisDato
s_Clase_08a.pdf
http://augusta.uao.edu.co/moodle/file.php/121/expDist.pdf
http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Distri
bucion%20Exponencial.htm
http://www.google.com.ec/url?sa=t&rct=j&q=ejemplo%20de
%20distribucion%20pearson%20tipo
%20iii&source=web&cd=4&cad=rja&ved=0CD4QFjAD&url=http%3A
%2F%2Fjulianrojo.weebly.com%2Fuploads
%2F1%2F2%2F0%2F0%2F12008328%2Fdistribuciones_de_probabilidad_
_hidrologav03.ppt&ei=5gPqUP2LHJLK9gSFkYDQAg&usg=AFQjCNHS0KXE
6Qd133HcQUECLaS3CYJZpQ&bvm=bv.1355534169,d.dmQ
http://www.monografias.com/trabajos94/distribuciongamma/distribucion-gamma.shtml
http://ecosdelaeconomia.files.wordpress.com/2011/05/distribuciongamma.pdf
http://es.scribd.com/doc/78235052/99/Distribucion-Pearson-Tipo-III
http://es.scribd.com/doc/87838860/12/DISTRIBUCION-PEARSON-TIPO-III
http://es.scribd.com/doc/88785840/12/DistribucionLog-PearsonTipoIIIDistribucion-Log-Pearson-Tipo-III
http://es.scribd.com/doc/100640753/Metodo-Log-Pearson-Tipo-III
http://es.scribd.com/doc/78235052/97/Distribucion-Log-Pearson-Tipo-III
http://www.google.com.ec/url?sa=t&rct=j&q=distribucion%20tippet
%20frechet&source=web&cd=2&cad=rja&ved=0CDUQFjAB&url=http
%3A%2F%2Fing.unne.edu.ar%2Fpub
%2Fha2_anexoc.doc&ei=nxjqUO78FuiF0QHl2YEw&usg=AFQjCNGmnBsh8
xO3AFf5FwkzyeXZ2GDMag&bvm=bv.1355534169,d.dmQ

23