Documentos de Académico
Documentos de Profesional
Documentos de Cultura
OBJETIVOS
Querococha.
6.2. JUSTIFICACION
Como futuros ingenieros Agricolas es de mucha importancia el diseo de diversas
estructuras hidrulicas y determinar un modelo probabilstico el cual se ajuste a los
datos obtenidos de las estaciones en estudio, con el estudio estadstico y
probabilstico lograremos predecir la ocurrencia de acuerdo a una magnitud o
fenmeno que ocurre, con la cual podremos calcular los caudales de diseos para
Pg. 1
las diversas estructuras hidrulicas que vayamos a construir, como son el caso, de
represas, diseo de canales ,etc.
Pg. 2
Basndose en comparaciones del fenmeno con modelos probabilsticos
tericos, a fin de obtener una informacin que no resulta evidente con
el simple ordenamiento de los datos. En este campo se ha desarrollado
una teora matemtica, a veces muy compleja, basada en la Teora de
Probabilidades
6.1.1.2. MUESTRA:
Pg. 3
ESTACION HIDROLOGICA
Para nuestro trabajo, de estudio de la hidrologa, se obtienen los datos
mustrales, a travs de una estacin hidrologa de Quillcay, Chancos y
Llanganuco.
Pg. 4
Ilustracin 1 Histograma de Frecuencias
6.1.2. RANGO
R xmax. xmin.
Donde:
xmax.
: Valor mximo de los datos recolectados.
xmin.
: Valor mnimo de los datos recolectados.
Pg. 5
La amplitud o rango es una manera conveniente de escribir la dispersin, pero, no
da medida alguna de la dispersin entre los datos con respecto al valor central.
6.1.3. MEDIA
Dada la muestra compuesta de n datos: X1, X2, X3,Xn ; la media se define como la
suma algebraica de ellas, dividida entre el nmero de datos. Cuando se calcula la
media para una poblacin, esta se denota por . Y cuando se trata de una muestra
x
por .
x1 x2 ... xn xx
i 1 i
n n
Dnde:
: Media Muestral.
x
Pg. 6
6.1.4. MEDIANA
Es un nico valor de un conjunto de datos que mide al elemento central de ellos, es
el ms cercano a la mitad. La mitad de los elementos quedan por encima de ese
punto, y la otra mitad por debajo de l.
Es decir: Si X1, X2, X3,Xn son datos ordenados en forma creciente o decreciente.
Para n impar.
Para n par.
6.1.5. MODA
6.1.6. VARIANZA
Pg. 7
La varianza poblacional, se define como la suma de cuadrados de las desviaciones
de los datos con respecto a la media, dividida entre el nmero total de datos, es
decir:
2
xi
2 i 1
con respecto a la media, entre el nmero total de datos menos uno, es decir:
2
xi x
S2 i 1
n 1
Pg. 8
6.1.7. COEFICIENTE DE CORRELACION
El coeficiente de correlacin nos permite medir el grado de asociacin de dos
variables linealmente asociadas y varia de 1 < < 1 . Para el caso de una muestra
r xy xy nxy
SxSy nSxSy
Dnde:
Pg. 9
El coeficiente de variacin deja de ser til cuando la media es prxima de cero. Su
frmula est representada por:
Sx
C. V.(x ) = 100%
x
2 3
=
( 1) ( 2) 3
3 4
=
( 1) ( 2) ( 3) 4
n
2
xi x
S S2 i 1
n 1
Pg. 10
6.3.3. DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA
( = ) =
Pg. 11
excluyentes, la probabilidad de que ocurra X1 u ocurra X2 est dada
as:
Pg. 12
Para determinar la magnitud de eventos extremos cuando la distribucin de
probabilidades no es una funcin fcilmente invertibles se requiere conocer la
variacin de la variable respecto a la media. Chow en 1951 propuso determinar
esta variacin a partir de un factor de frecuencia KT que puede ser expresado:
XT KT
s
XT x KT
Para una distribucin dada, puede determinarse una relacin entre K y el perodo
de retorno Tr. Esta relacin puede expresarse en trminos matemticos o por
medio del uso de una tabla.
Pg. 13
La distribucin Normal es una distribucin simtrica en forma de campana,
conocida tambin como Campana de Gauss. Es fundamental en el dominio de la
estadstica y la probabilidad. Una razn es que el teorema del lmite central
establece que para varias condiciones muy generales, la distribucin de la suma
de un gran nmero de variables aleatorias puede aproximarse a la Normal, sin
importar a qu distribucin pertenezcan ellas mismas. Muchos procesos fsicos
pueden conceptualizarse como la suma de procesos individuales. Por otra parte,
muchos procesos de inferencia estadstica se basan en suposiciones de que la
variable aleatoria se distribuye normalmente.
1 1 2
( )
( ) = 2
2
La media:
La desviacin estndar:
2 = 2
Pg. 14
La funcin densidad acumula de la distribucin normal ser:
() = , para z < 0
() = 1 , para z > 0
= +
Pg. 15
Comparar distribuciones: las propiedades de una muestra de
variables no normales pueden compararse con las de variables
normales.
Dnde:
Pg. 16
La funcin densidad acumula de la distribucin normal ser:
Distribucin Normal
como:
Donde
variable x
X = variable independiente
= parmetro de localizacin, igual a la media aritmtica
de x.
S = parmetro de escala, igual a la desviacin
estndar de x.
Pg. 17
Donde X y S son los parmetros de la distribucin.
transformada.
Pg. 18
Donde Cs es el coeficiente de oblicuidad de los datos de la muestra
transformada. (Monsalve, 1999).
Para x
> x0
Donde:
Vlido para:
0x<
Pg. 19
0<<
0<<
Donde:
: parmetro de forma
: parmetro de escala
- < x0 <
0<<
0<<
Donde:
: parmetro de forma
: parmetro de escala
Pg. 20
3.7.1.6 Distribucin Log Pearson Tipo III
- < x0 <
0<<
0<<
Donde:
x0: parmetro
de posicin
: parmetro
de forma
: parmetro de escala
Pg. 21
Utilizando el mtodo de momentos, se obtienen las
siguientes relaciones:
Donde:
: Parmetro de concentracin.
: Parmetro de localizacin.
Donde:
x: Valor con una probabilidad dada.
x: Media de la serie.
k: Factor de frecuencia.
Pg. 22
3.7.1.8 Distribucin Log Gumbel
como:
a) Prueba 2
Pg. 23
Para aplicar la prueba, el primer paso es dividir los datos
en un nmero k de intervalos de clase. Luego se calcula el
parmetro estadstico:
Donde:
i se calcula como:
eventos.
Pg. 24
es el nmero de parmetros estimados a partir de los
datos.
cumplir:
D X 21,k1m
2
El valor de 1 ,k1m se obtiene de tablas de la funcin
de distribucin 2.
D = mx / Fo(xm) F(xm)/
Pg. 25
Con un valor crtico d que depende del nmero de datos y
el nivel de significancia seleccionado (Tabla N 03). Si
D<d, se acepta la hiptesis nula. Esta prueba tiene la
ventaja sobre la prueba de X2 de que compara los datos
con el modelo estadstico sin necesidad de agruparlos. La
funcin de distribucin de probabilidad observada se
calcula como:
TAMAO DE LA
MUESTRA = 0.10 = 0.05 = 0.01
Pg. 26
El periodo de retorno es el nmero de aos en que en promedio se presenta una variable
hidrolgica extrema (evento extremo) superior o igual a cierto valor. El periodo de retorno
se denomina tambin tiempo de retorno, intervalo de ocurrencia. Y se expresa de la
siguiente manera:
1
=
( )
Pg. 27