Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPITULO2
CAPITULO2
orozco
F R E C U E N C I A Y F U N C I O NE S D E P R O B A B I L I D A D E S
3.1 V A R I A B L E S A L E A T O R I A S DISCRETAS
Con fines de notación se usa letras mayúsculas (normalmente las últimas letras del
alfabeto) para referirse a las variables aleatorias; por ejemplo, X, y letras minúsculas
para indicar los valores (números reales) de las variables aleatorias; por ejemplo, xi .
Una variable aleatoria discreta es una variable aleatoria que puede tomar un número
de valores finito o a lo sumo un número infinito contable de valores. La medida de
probabilidad en el espacio muestral determina las probabilidades de los diferentes
valores de la variable aleatoria. Si estos valores se indican por x1, x2, ..., entonces
existe una función p de tal manera que
Esta función que asigna p(xi ) a xi , o sea el conjunto de pares ordenados (xi , p(xi )), se le
denomina distribución de probabilidades o función de frecuencia de masa, ffm (o
simplemente función de frecuencia) de la variable aleatoria discreta X. Esta función
describe completamente las propiedades probabilísticas de la variable aleatoria. La
distribución de probabilidades está sujeta a las siguientes condiciones:
∑ p( x ) = 1
i (3.2a)
i=1
0 ≤ p(xi ) ≤ 1 (3.2b)
Pag.14
ESTADISTICA: e.orozco
3.2 V A R I A B L E S A L E A T O R I A S C O N T I N U A S
Cuando los valores de la variable aleatoria X toman valores continuos, el papel de la
función de frecuencia lo toma la función de densidad de probabilidades (fdp), f(x).
La probabilidad de que x se sitúa dentro de un intervalo elemental ∆x se calcula
mediante la Ec. 3.5.
b
P(a ≤ X ≤ b ) = ∫a
f ( x)dx
Para la probabilidad X ≤ c
c
P( X ≤ c ) = ∫−∞
f ( x)dx
Para la probabilidad X > c
+∞
P( X > c ) = ∫
c
f ( x )dx
Al igual que la función de frecuencia (Ecs. 3.2 y 3.3), la fdp está sujeta a las siguientes
condiciones (ver Fig. 3.1):
+∞
∫
−∞
f (x )dx = 1 (3.6a)
f(x) ≥ 0 (3.6b)
La Ec. 3.6ª indica que el área debajo de la fdp (Fig. 3.1) es igual a 1. La función de
frecuencia acumulada se obtiene mediante la integración de la fdp,
x
F( x ) = P( X ≤ x ) = ∫ −∞
f ( x )dx (3.7)
dF( x )
f (x ) = (3.8)
dx
Pag.15
ESTADISTICA: e.orozco
n/N
f (x)
P(a<X<b)
P(X<c)
_
c x a b x
ni = N
1.0
P(a<X<b)
P(X<x)
P (X > c)
ni = N/2
0.5
P(X<c)
_ ni = 0
c x a b x
3.3 F R E C U E N C I A A B S O L U T A Y F R E C U E N C I A R E L A T I V A
La frecuencia absoluta ni indica el número de eventos u observaciones que manifiestan
el mismo valor xi en una muestra. En muestras clasificadas, indica el número de
valores que se encuentran en el intervalo i, entre el rango [xi , xi +∆x]. A partir de la
frecuencia absoluta resulta la frecuencia relativa, fi (Ec. 3.9). el subíndice s indica que
la función se calcula a partir de una muestra. La Fig. 3.1 muestra en el eje de las
ordenadas del lado derecho la escala para ni .
ni
f s ( xi ) = (3.9)
N
N en esta Ec. es el número de todas las observaciones. La Ec. 3.9 está sujeta a las
siguientes condiciones
Pag.16
ESTADISTICA: e.orozco
m m
ni
∑ fs (x i ) = ∑ N
=1 (3.10a)
i =1 i =1
0 ≤ f s(xi ) ≤ 1 (3.10b)
∑n i =N (3.10c)
i =1
La Ec. 3.9 es una estimación de P(xi , xi +∆x) (Ec. 3.5); o sea la probabilidad de que la
variable aleatoria X esté dentro del intervalo [xi , xi +∆x]. A partir de la suma acumulada
de la frecuencia relativa, hasta cierto punto, se obtiene función de frecuencia
acumulada
i
Fs ( x i ) = ∑ f s ( x j ) (3.11)
j=1
La Ec. 3.11 es una estimación de P(X ≤ xi ). Las Ecs. 3.9 al 3.11 están definidas para
una muestra. Las funciones correspondientes para poblaciones cuando N → ∞ se
obtienen aproximando ∆x → 0. En el límite, la frecuencia relativa divida por el intervalo
∆x es la función de densidad de probabilidades f(x):
lim f s ( x )
f (x ) = N→ ∞ (3.12)
∆x→ 0 ∆x
lim
F( x ) = N→ ∞ Fs ( x ) (3.13)
∆x →0
EJEMPLO 3.1:
Con los datos del Cuadro 2.2 (EJEMPLO 2.6), construir un gráfico de la función de frecuencia y la función de
frecuencia acumulada y determinar la probabilidad de que la precipitación, L, sea, en cualquier año, menor a
los 1000 mm, mayor a los 1400 mm y entre 1000 y 1400.
En primer lugar se divide el rango de la variable aleatoria L en intervalos discretos, luego se cuenta el número
de observaciones que se encuentran en cada intervalo y el resultado se grafica como un diagrama de barras
(histograma). La amplitud del intervalo ∆x se selecciona tan pequeña como sea posible, cuidando que en cada
intervalo haya suficientes observaciones y el histograma tenga una variación razonablemente suave sobre todo
el rango de datos.
Pag.17
ESTADISTICA: e.orozco
La Fig. 3.2 muestra la representación gráfica de la función de frecuencia y la función de frecuencia acumulada.
La probabilidad de que L sea menor a 1000 mm se calcula mediante la Ec. 3.3 (ver Cuadro 3.1).
3
P(L ≤ 1000) = F s(1000) = ∑f s ( x i ) = 0.176
1
7
P(L ≥ 1400) = 1 - P(L ≤ 1400) = 1 - F s(1400) = 1 - ∑f s ( x i ) = 1-0.794 = 0.206
1
La probabilidad de que L esté entre 1000 y 1400 mm (área obscura de Fig. 3.2 inferior) se determina aplicando
la Ec. 3.4
Pag.18
ESTADISTICA: e.orozco
16 P(1000<X<1400) 0.24
14 0.21
fs (x i) (frecuencia relativa)
ni (número de datos)
12 0.18
10 0.15
8 0.12
6 0.09
4 0.06
2 0.03
0 0.00
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
700
800
900
x i (precipitación, mm)
1.0
P(X>1400)
Fs (x i) (frecuencia absoluta)
0.8
0.6 P(1000<X<1400)
0.4
0.2
P(X<1000)
0.0
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
700
800
900
x i (precipitación, mm)
3.4 D I S T R I B U C I O N E S T E O R IC A S D E F R E C U E N C I A
Como se puede inferir del ejemplo 3.1, el rango de las observaciones se encuentra
entre 752 y 1811 mm, para 68 datos. Esta serie de datos es una muestra estadística de
una población infinita cuyos extremos (rango) es desconocido. Es posible que hayan
precipitaciones menores a 752 y mayores a 1811 mm. A través de la representación
matemática del comportamiento estadístico de la población es posible inferir la
probabilidad de ocurrencia de cualquier evento dentro del rango de observaciones
(interpolación) y fuera del mismo (extrapolación).
En virtud de que toda variable aleatoria puede describirse mediante una función de
probabilidades, la distribución de frecuencia empírica de la muestra puede
Pag.19
ESTADISTICA: e.orozco
MEDIA
El punto de partida para describir las propiedades de todos los valores de la población
es la tendencia central; es decir, el valor central alrededor del cual se aglomeran todos
las observaciones. Este parámetro de posición es la media, µ o valor esperado E(X).
La µ se calcula como el producto de x y su función de densidad de probabilidades
(fdp), f(x), correspondiente integrada sobre el rango de la variable aleatoria:
+∞
E( X) = µ = ∫
−∞
xf ( x)dx (3.14)
1 N
x = ∑ xi (3.15)
N i=1
Para una muestra N, que se subdivide en k clases cuya amplitud es ∆x, se calcula x
mediante la Ec. 3.16, en donde ni es el número de observaciones en el intervalo i y xi
es el valor que se repite en el intervalo i o un valor representativo del intervalo i.
1
x=
N
∑ nix i (3.15)
Pag.20
ESTADISTICA: e.orozco
1 N
∑ (x i ± c ) = x ± c
N i =1
(3.16a)
1 N
∑ (x i c ) = xc
N i=1
(3.16b)
1
N N
x g = ∏ x i (3.17)
i =1
1
xh = N
(3.18)
1 1
∑
N i =1 x i
Para las distintas clases de promedio, que se derivan de una muestra con un rango
xmin < xi < xmax, es válido lo siguiente:
LA MEDIANA
Pag.21
ESTADISTICA: e.orozco
N+1
Mediana = (3.19a)
2
1
Mediana = xN + xN (3.19b)
2 2 2
+1
LA MODA
Moda = x ⋅ 3( x − mediana )
VARIANZA
+∞
E[( x − µ ) 2 ] = σ 2 = ∫
−∞
( x − µ ) 2 f ( x)dx (3.20)
1 N
Var( x ) = s x =
2
∑ (x i − x )2
N i=1
(3.21)
Pag.22
ESTADISTICA: e.orozco
DESVIACION ESTANDAR
1 N
sx = ∑
N − 1 i =1
( x i − x )2 (3.23)
COEFICIENTE DE VARIACION
σ
CV = (3.25)
µ
s
Cv = x (3.26)
x
RANGO
Pag.23
ESTADISTICA: e.orozco
VARIABLE ESTANDARIZA DA
x i − x min
x' = (3.29)
Rx
La simetría de una distribución, respecto de la media se mide por medio del sesgo, el
cual es el tercer momento respecto de la media (Ec. 3.30). Normalmente, el sesgo se
transforma de tal manera de hacerlo adimensional. Esto se logra dividiéndolo entre σ3,
resultando el coeficiente de sesgo, γ (ec. 3.31); el cual se estima mediante los datos
muestrales (Ec. 3.32).
+∞
E[(x - µ)3] = ∫−∞
( x − µ ) 3 f ( x)dx (3.30)
1
γ= E[( x − µ ) 3 ] (3.31)
σ3
N
N∑ ( x i − x ) 3
i =1
Cs = (3.32)
(N − 1)(N − 2)s 3x
La Fig. 3.3 muestra que, cuando C s es positivo, los datos están sesgados hacia la
derecha, con muy pocos datos grandes. Si los datos manifiestan un sesgo
pronunciado, indica que los pocos valores extremos ejercen un efecto significativo en la
media calculada mediante momentos (Ec. 3.15). En estos casos, otras medidas de
tendencia central pueden ser más apropiados, tales como la mediana o el promedio
geométrico.
Pag.24
ESTADISTICA: e.orozco
f (x)
f (x)
Cs = 0 Cs < 0
Cs > 0 Var(x) <<
moda=mediana=media
moda
moda
mediana Var(x) >>
mediana
media
media
x x
Fig. 3.3 Posición de la media (promedio), mediana Fig. 3.4 Efecto de la desviación estándar en
(valor central) y moda (valor que se repite con la fdp.
mayor frecuencia) para distribuciones
asimétricas y significado del C s.
COVARIANZA
1 N
s xy = ∑ (x i − x )(y i − y )
N − 1 i=1
(3.33)
Cov(X,X) = Var(X)
Pag.25
ESTADISTICA: e.orozco
Cov( x, y )
ρ xy = (3.35)
Var( x ) ⋅ Var( y)
con -1 ≤ ρ xy ≤ 1.
con -1 ≤ rxy ≤ 1
Pag.26
ESTADISTICA: e.orozco
x == 0
F(x) = P(X ≤ x) = (3.38)
N
n
nr
E(X) = (3.39)
N
nr (N − r )(N − n)
Var(x) = (3.40)
N 2 (N − 1)
EJEMPLO 3.3:
Se desea evaluar datos de precipitación diaria, en una estación determinada, en un mes; por ejemplo, mayo,
en donde los días de lluvia deben ser independientes. Se deben extraer muestras de 15 días de las
observaciones de mayo. ¿Cuál es la probabilidad de que se tengan (a) 5 días de lluvia y (b) menor que 5 días
de lluvia?
15 31 − 15
5 15 − 5 ( 3003 )(8008 )
P( X = 5) = = = 0.080
31 300540195
15
Pag.27
ESTADISTICA: e.orozco
4
− 15
∑ 15x 31
x ==0
15 − x
15 16 + 15 16 + 15 16 + 15 16 + 15 16
0 15 1 14 2 13 3 12 4 11
F( x) = P( X < 5 ) = = = 0.020
31 31
15 15
P(X = 1) = p
P(X = 0) = 1 - p
P(X = x) = 0, si x ≠ 0 o x ≠ 1
p x (1 − p)1− x , si x = 0 o x = 1
P( X = x ) =
0 en caso contrario
Ahora suponer que se tiene una muestra fija de n elementos independientes y que la
probabilidad de que cada elemento ocurra (éxito) es p y que no ocurra (fracaso) es 1-p.
El número total de ocurrencias (éxitos), X es una variable aleatoria binomial con
parámetros n y p. Por ejemplo, la ocurrencia de una crecida, en determinado lugar, de
determinada magnitud. La probabilidad de que el evento ocurra; por ejemplo, en cada
año, es p; y la probabilidad de la no ocurra (en cada año) es 1-p.
Si X es variable aleatoria, la cual es el número total de veces que ocurre la crecida con
probabilidad p, la probabilidad de que X ocurra en el año 4 (y no en los años 1, 2, 3),
considerando el principio de multiplicación, es
(1-p)(1-p)(1-p)p.
Pag.28
ESTADISTICA: e.orozco
4 p 2 (1 − p) 2 = 6p 2 (1 − p) 2
2
P( X = k ) = n p k (1 − p) n −k (3.41)
k
E(X) = np (3.43)
(1 − p) − p
Cs = (3.45)
np(1 − p)
EJEMPLO 3.4:
La aplicación más importante de la distribución binomial, en ciencias del agua, es la determinación del riesgo;
por ejemplo, que una crecida de determinada magnitud ocurra una o varias veces, dentro de un intervalo de
tiempo. ¿Cuál es la probabilidad de que en un intervalo de 10 años (por ejemplo el tiempo de construcción de
una obra hidráulica) ocurran exactamente 5 crecidas, cuya probabilidad de ocurrencia, en cualquier año, es 0.5
(período de retorno de dos años).
Si Q es la variable aleatoria, la cual es el número total de veces que ocurre la crecida con p = 0.5,
E(Q) = np = (10)(0.5) = 5
Pag.29
ESTADISTICA: e.orozco
EJEMPLO 3.5:
Calcular a probabilidad de ocurrencia, en cualquier año, que debe tener el evento de crecida que debe usarse
en el diseño de una obra hidráulica, cuya vida útil es de 100 años, si la probabilidad de que el evento (crecida
de diseño) ocurra en ese período de 100 años es de 0.01.
Si Q es la variable aleatoria, la cual es el número total de veces de no ocurrencia del evento con probabilidad p
(crecida de diseño). La probabilidad de que la crecida de diseño NO OCURRA, P(Q=0) en el período de n=100
años es 1-0.01 = 0.99. En la Ec. 3.41,
entonces, p = 0.000100498 (0.01 %). La crecida de diseño debe ser aquel evento que tenga una probabilidad
de ocurrencia, en cualquier año, de 0.01 %. Esto equivale a un período de retorno de 9,950 años,
prácticamente 10,000 años.
¿Cuál sería p si la probabilidad de que la crecida de diseño OCURRA una vez, P(Q=1) en los 100 años?. En la
Ec. 3.41, siendo Q el evento de ocurrencia.
De donde se obtiene que p=0.000101015, equivalente a un período de retorno de 9,900 años, igual que arriba,
la obra hidráulica debe diseñarse para que sea resistente a un evento cuya probabilidad de ocurrencia sea
0.0001.
Pag.30
ESTADISTICA: e.orozco
( x − µ )2
1 −
f (x ) = e 2 σ2
para -∞ < x < +∞ (3.46)
σ 2π
2π ∫
P( X ≤ x ) = e 2σ 2
dx (3.48)
σ −∞
x−µ
z= (3.49)
σ
z2
1 −2
f (z ) = e para -∞ < z < +∞ (3.50)
2π
2
z
1 z −
P( Z ≤ z ) =
2π ∫ −∞
e 2
dk (3.51)
Pag.31
ESTADISTICA: e.orozco
• En la región x ± 1s x , se encuentra el 68.26 % de todos los valores (o 68.26 % del área de la pdf). Esos
límites corresponden a las probabilidades de 15.87 y 84.13 % (ver Apéndice A). Las regiones entre los
intervalos x ± 1.96s x y x ± 2.58 s x encierran el 95 y 99 % de todos los valores. Estos valores se usan
para algunos tests estadísticos.
• La simetría de la distribución normal se usa para representarla como una línea recta en una escala
probabilística apropiada. La ecuación de esa línea recta está en función de la variable reducida, z (Ec.
3.51). En dicha Ec. x representa el valor de la variable X, con una probabilidad de no excedencia, o sea
P(X≤x), la cual depende del valor de z.
x = x + zsx (3.52)
EJEMPLO 3.6:
Con los datos del Cuadro 2.2 (EJEMPLO 2.6 y EJEMPLO 3.1),
a) calcular los parámetros estadísticos de la muestra
b) ajustar los datos a una distribución normal
c) calcular la probabilidad de que la precipitación, L, sea, en cualquier año, menor a los 1000 mm, mayor a
los 1400 mm, entre 1000 y 1400, menor que 700, mayor que 2000 mm.
a) Los parámetros estadísticos se muestran en el siguiente Cuadro. Dichos parámetros fueron calculados
de acuerdo a las fórmulas discutidas anteriormente. Las unidades de los parámetros son mm, excepto Var(x),
cuyas unidades es mm 2 y Cv y Cs son adimensionales. Notar que la distribución empírica no es simétrica, sino
sesgada hacia la izquierda (Cs>0), ver Fig. 3.5 superior.
Cuadro 3.2 Valores de los parámetros estadísticos de la precipitación anual en la Estación del
Observatorio Nacional.
N x mediana Xg Xh Var(x) sx Cv max min Cs Rango
68 1192 1165 1170 1148 54423 233 0.196 1811 752 0.407 1059
b) El ajuste de los datos se ha una distribución normal. La distribución teórica esperada, basado en los
datos de la muestra, se muestra en la Fig. 3.5. La función de densidad de probabilidades esperada, se calcula
haciendo uso de la Ec. 3.52, donde
x −x
zi = i
sx
Pag.32
ESTADISTICA: e.orozco
x = 1192 + 233z
De manera similar, se pueden obtener los valores de precipitación que ocurren con una probabilidad
determinada. Por ejemplo, la precipitación que ocurre con una probabilidad de 0.159 (x -1sx ), es 959 mm.
Otros valores se muestran en el Cuadro 3.4.
Pag.33
ESTADISTICA: e.orozco
16 0.24
14 0.21
fs (x i) (frecuencia relativa)
fdp esperada
ni (número de datos)
12 0.18
10 0.15
8 0.12
6 0.09
4 0.06
2 0.03
0 0.00
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
700
800
900
x i (precipitación, mm)
1.0
0.9
ffa esperada
Fs (x i) (frecuencia absoluta)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
700
800
900
x i (precipitación, mm)
Fig. 3.5 Ajuste de los valores de la muestra de precipitación anual a una distribución
normal. Arriba, datos clasificados y fdp esperada (normal); abajo, ffa empírica y
esperada (normal).
Pag.34
ESTADISTICA: e.orozco
PROBABILIDAD (%)
0.2 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.8
2000
1600
precipitación (mm)
1200
800
0
-3 -2 -1 0 1 2 3
variable reducida, z
Fig. 3.6 Distribución de frecuencia acumulada en escala probabilística normal (abscisa) y aritmética
(ordenada), para la variable aleatoria: precipitación anual en Estación Observatorio Nacional.
Una desventaja de la distribución normal es que el valor más pequeño que la variable
aleatoria puede tomar es -∞. Para muchas variables procesos ambientales, esto tiene
poco sentido, desde el punto de vista físico. Para obtener solo los valores en la región
positiva, se puede transformar la variable aleatoria X a otra Y, cuyos valores yi
corresponden a log(xi ) o ln(xi ). Esta es la distribución Log-Normal.
La fdp y la ffa de la distribución log-normal son idénticas a las Ecs. 3.46, 3.47 y 3.48
(de la distribución normal), la diferencia es que la variable X se sustituye por la variable
Y. De esta manera, los valores de x son siempre positivos.
( y −y )2
−
1 2
f (y ) =
2 sy
e (3.53)
s y 2π
Pag.35
ESTADISTICA: e.orozco
N N
1 1
y=
N ∑y
i=1
i =
N ∑ log( x )
i=1
i
(3.56)
2
N
1 N log( x i )
∑(y ∑
1
sy = − y) =
2
log( x i ) −
N+1 N + 1 i =1
i
i=1 N
(3.57)
Por supuesto se puede usar el logaritmo natural en lugar del logaritmo de base 10.
EJEMPLO 3.7:
Con los datos del ejemplo anterior (EJEMPLO 3.6) y usando la distribución Log-Normal,
a) calcular los parámetros estadísticos de la muestra
c) calcular la probabilidad de que la precipitación, L, sea, en cualquier año, menor a los 1000 mm, mayor a
los 1400 mm, entre 1000 y 1400, menor que 700, mayor que 2000 mm.
Transformando los valores de precipitación anual, mediante logaritmos de base 10, se obtiene la variable Y =
log(X), donde X es la variable aleatoria de precipitación anual. Los parámetros estadísticos basados en Y se
muestran en el Cuadro 3.5. Para obtener los valores de X se tiene que aplicar el antilog a Y; por ejemplo para
x = 10 y = 10 3.0682 = 1170
Notar que el promedio así obtenido corresponde al promedio geométrico de la serie de datos no transformados,
o sea xi. Una serie de datos que se ajusten a una distribución Log-Normal, el promedio geométrico es el
parámetro que mejor representa la tendencia central de los datos.
Cuadro 3.5 Comparación de los parámetros de tendencia central obtenidos mediante el ajuste de los datos a
las dos distribuciones teóricas de probabilidades: Normal y Log-Normal.
Variable Prom. MedianaProm. Geom.Prom. Arm. Var. Desv. Std. Cv Cs
xi 1192 1165 1170 1148 54423 233 0.19567 0.40689
yi = log(xi) 3.0682 3.0662 3.0670 3.0658 0.0073 0.0853 0.0278 -0.1091
xi = 10 i
y 1170 1165 1167 1164
Para el cálculo de diferentes valores de precipitación que ocurren con diferente probabilidad se usa la
siguientes relaciones,
y = y + zsy
x = 10y
Pag.36
ESTADISTICA: e.orozco
El Cuadro siguiente muestra los valores que se obtienen, para diferentes eventos de precipitación, con la
relación anterior. Se adjuntan también los valores obtenidos con la distribución normal.
La probabilidad del evento entre 1000 y 1400 mm, según la distribución Log-Normal, es
Comparado con el resultado obtenido con la distribución normal de 0.6085, estos valores, prácticamente, son
iguales.
La Fig. 3.7 muestra la frecuencia acumulada para la variable X (precipitac ión anual) en escala probabilística-
logarítmica. En esta escala la frecuencia acumulada inferida de la distribución Log-Normal es una recta, la Ec.
y + zs y
de esa recta es x = 10 .
Del Cuadro 3.6 puede observarse la diferencia de valores de precipitación para probabilidades grandes; por
ejemplo 98 %, donde los valores correspondientes a las dos distribuciones difiere en 80 mm. ¿Qué valor es el
más representativo 1751 o 1671?
Si se observa la Fig. 3.8, puede inferirse que las observaciones (puntos) se ajustan mejor a la distribución Log-
Normal, que a la Normal, especialmente las observaciones en los extremos. Por lo tanto, se concluye que la
precipitación anual en la Estación del Observatorio Nacional se ajusta a una distribución Log-Normal.
Pag.37
ESTADISTICA: e.orozco
PROBABILIDAD (%)
0.2 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.8
10000
precipitación (mm)
1000
distribución Log-Normal
valores observados
Serie3
100
-3 -2 -1 0 1 2 3
variable reducida, z
Fig. 3.7 Distribución de frecuencia acumulada en escala probabilística normal (abscisa) y logarítmica
(ordenada), para la variable aleatoria: precipitación anual en Estación Observatorio Nacional.
PROBABILIDAD (%)
0.2 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.8
2000
1600
precipitación (mm)
1200
800
distribución normal
valores observados
400 distribución Log-Normal
Serie3
0
-3 -2 -1 0 1 2 3
variable reducida, z
Fig. 3.8 Comparación de frecuencia acumulada, obtenida con la distribución Normal y Log-Normal, en escala
probabilística normal (abscisa) y aritmética (ordenada), para la variable aleatoria: precipitación anual
en Estación Observatorio Nacional.
Pag.38
ESTADISTICA: e.orozco
El papel probabilístico normal se basa en la f(z). El primer paso es construir una línea
con los valores de z, en una escala lineal, para diferentes valores de probabilidad (área
debajo de la fdp. En la Fig. 3.9 se muestra valores de z con sus correspondientes
valores de probabilidades (ver Apéndice A para dichos valores).
variable aleatoria
-3
-2.05375 -2
-1
2.05375 2
3
-2.32634
-1.64485
-1.28155
-0.84162
-0.52440
-0.25335
0.25335
0.52440
0.84162
1.28155
1.64465
2.32634
z
0
F(z)
0.01 0.02 0.05 0.10 0.20 0.30 0.40 0.60 0.70 0.80 0.90 0.95 0.98 0.99
0.00135 0.02275 0.15866
0.50 0.84134 0.97725 0.99865
Fig. 3.9 Construcción de las líneas verticales (escala en el eje de las abscisas) para el papel de probabilidades
normal, para probabilidades seleccionadas.
Pag.39
ESTADISTICA: e.orozco
~= m
P lim
N→∞ N
~= m
P (3.58)
N+1
Pag.40
Area=P(Z<z)
APENDICE A: Probabilidades de la distribución normal.
0 z
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753 -0.1 0.4602 0.4641 0.4681 0.4721 0.4761 0.4801 0.4840 0.4880 0.4920 0.4960
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141 -0.2 0.4207 0.4247 0.4286 0.4325 0.4364 0.4404 0.4443 0.4483 0.4522 0.4562
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517 -0.3 0.3821 0.3859 0.3897 0.3936 0.3974 0.4013 0.4052 0.4090 0.4129 0.4168
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879 -0.4 0.3446 0.3483 0.3520 0.3557 0.3594 0.3632 0.3669 0.3707 0.3745 0.3783
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224 -0.5 0.3085 0.3121 0.3156 0.3192 0.3228 0.3264 0.3300 0.3336 0.3372 0.3409
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549 -0.6 0.2743 0.2776 0.2810 0.2843 0.2877 0.2912 0.2946 0.2981 0.3015 0.3050
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852 -0.7 0.2420 0.2451 0.2483 0.2514 0.2546 0.2578 0.2611 0.2643 0.2676 0.2709
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133 -0.8 0.2119 0.2148 0.2177 0.2206 0.2236 0.2266 0.2296 0.2327 0.2358 0.2389
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389 -0.9 0.1841 0.1867 0.1894 0.1922 0.1949 0.1977 0.2005 0.2033 0.2061 0.2090
1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621 -1 0.1587 0.1611 0.1635 0.1660 0.1685 0.1711 0.1736 0.1762 0.1788 0.1814
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830 -1.1 0.1357 0.1379 0.1401 0.1423 0.1446 0.1469 0.1492 0.1515 0.1539 0.1562
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015 -1.2 0.1151 0.1170 0.1190 0.1210 0.1230 0.1251 0.1271 0.1292 0.1314 0.1335
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177 -1.3 0.0968 0.0985 0.1003 0.1020 0.1038 0.1056 0.1075 0.1093 0.1112 0.1131
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319 -1.4 0.0808 0.0823 0.0838 0.0853 0.0869 0.0885 0.0901 0.0918 0.0934 0.0951
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441 -1.5 0.0668 0.0681 0.0694 0.0708 0.0721 0.0735 0.0749 0.0764 0.0778 0.0793
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545 -1.6 0.0548 0.0559 0.0571 0.0582 0.0594 0.0606 0.0618 0.0630 0.0643 0.0655
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633 -1.7 0.0446 0.0455 0.0465 0.0475 0.0485 0.0495 0.0505 0.0516 0.0526 0.0537
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706 -1.8 0.0359 0.0367 0.0375 0.0384 0.0392 0.0401 0.0409 0.0418 0.0427 0.0436
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767 -1.9 0.0287 0.0294 0.0301 0.0307 0.0314 0.0322 0.0329 0.0336 0.0344 0.0351
2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817 -2 0.0228 0.0233 0.0239 0.0244 0.0250 0.0256 0.0262 0.0268 0.0274 0.0281
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857 -2.1 0.0179 0.0183 0.0188 0.0192 0.0197 0.0202 0.0207 0.0212 0.0217 0.0222
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890 -2.2 0.0139 0.0143 0.0146 0.0150 0.0154 0.0158 0.0162 0.0166 0.0170 0.0174
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916 -2.3 0.0107 0.0110 0.0113 0.0116 0.0119 0.0122 0.0125 0.0129 0.0132 0.0136
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936 -2.4 0.0082 0.0084 0.0087 0.0089 0.0091 0.0094 0.0096 0.0099 0.0102 0.0104
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952 -2.5 0.0062 0.0064 0.0066 0.0068 0.0069 0.0071 0.0073 0.0075 0.0078 0.0080
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964 -2.6 0.0047 0.0048 0.0049 0.0051 0.0052 0.0054 0.0055 0.0057 0.0059 0.0060
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974 -2.7 0.0035 0.0036 0.0037 0.0038 0.0039 0.0040 0.0041 0.0043 0.0044 0.0045
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981 -2.8 0.0026 0.0026 0.0027 0.0028 0.0029 0.0030 0.0031 0.0032 0.0033 0.0034
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986 -2.9 0.0019 0.0019 0.0020 0.0021 0.0021 0.0022 0.0023 0.0023 0.0024 0.0025
3 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990 -3 0.0013 0.0014 0.0014 0.0015 0.0015 0.0016 0.0016 0.0017 0.0018 0.0018
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993 -3.1 0.0010 0.0010 0.0010 0.0011 0.0011 0.0011 0.0012 0.0012 0.0013 0.0013
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995 -3.2 0.0007 0.0007 0.0007 0.0008 0.0008 0.0008 0.0008 0.0009 0.0009 0.0009
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997 -3.3 0.0005 0.0005 0.0005 0.0005 0.0006 0.0006 0.0006 0.0006 0.0006 0.0007
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998 -3.4 0.0003 0.0003 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0005 0.0005