Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Edwin Charapaqui Sedano
Distribuciones Teóricas
Índice
1. DISTRIBUCIONES TEÓRICAS 2
1.1. Distribución normal o gausssiana . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 3
1.1.3. Cálculo de la función de distribución acumulada . . . . . . . . . . . 3
1.1.4. Cálculo de la inversa de la distribución Normal estándar . . . . . . 3
1.1.5. Estimacion de parámetros, método de máxima verosimilitud . . . . 4
1.2. Distribución log-normal de 2 parámetros . . . . . . . . . . . . . . . . . . . 4
1.2.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 5
1.2.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 5
1.3. Distribución log-normal 3 parámetros . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 6
1.3.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 6
1.3.4. Sistema de ecuaciones no lineales . . . . . . . . . . . . . . . . . . . 6
1.3.5. Metodo de Newton Raphson . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Distribución gamma de 2 parámetros . . . . . . . . . . . . . . . . . . . . . 7
1.4.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 8
1.4.3. Cálculo de la inversa de la distribución gamma de 2 parámetros . . 8
1.4.4. Estimacion de parámetros, método de máxima verosimilitud . . . . 9
1.5. Distribución gamma de 3 parámetros o Pearsón tipo III . . . . . . . . . . . 9
1.5.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 10
1.5.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 10
1.6. Distribución log-Pearson tipo III . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 11
1.7. Distribución Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 11
1.7.2. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.3. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . . . . 12
1.8. Distribución log-Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8.1. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 12
1.8.2. Variable reducida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8.3. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . . . . 13
1.9. Ejemplos de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1. DISTRIBUCIONES TEÓRICAS
Se dice que una variable aleatoria x,tiene una distribución normal si su función de
densidad es: 2
1 x−µ
1 −
f (x) = √ e 2 σ (1)
2πσ
donde:
f (x) = función de densidad normal de la variable x
x = variable independiente
µ = parámetro de localización, igual a la media aritmética de los datos x.
σ = parámetro de escala, igual a la desviación estandar de los datos x.
si :
x−µ
z= (2)
σ
La función de densidad de z , se llama función densidad de la distribución normal estándar
y tiene la siguiente expresión:
z2
1 −
f (z) = √ e 2 (3)
2π
para −∞ < z < ∞
Los valores de f (x) o f (z), pueden ser facilmente evaluados para un valor dado de x o de
z por las ecuaciones (1) y (3) respectivamente el gráco de la función de densidad de la
distribución normal estandar se muestra en la gura.
2
1.1.2. Función de distribución acumulada
2
1 x−µ
Z x
1 −
F (x) = √ e 2 σ dx (4)
−∞ 2πσ
ó
z
z2
1 −
Z
F (z) = √ e 2 dz (5)
−∞ 2π
esta función de distribución, tiene las siguientes propiedades:
F (−∞) = 0
F (µ) = 0,5
F (+∞) = 1
b1 = 0,319381530
b2 = −0,356563782
b3 = 1,781477937
b4 = −1,821255978
b5 = 1,330274429
1 − F (z)
En este caso F (z) viene a ser una constante, entonces de la ecuación (6) se tiene:
E(z)
zi+1 = zi − (9)
E 0 (z)
3
siendo:
E 0 (z) = (b1 t+b2 t2 +b3 t3 +b4 t4 +b5 t5 )f 0 (z)+f (z)(b1 +2b2 t+3b3 t2 +4b4 t3 +5b5 t4 )t0 (z) (10)
z z2
f 0 (z) = − √ e− 2 (11)
2πσy
t0 (z) = −0,2316419(1 + 0,2316419|z|)−2 (12)
Para estimar los parámetros de la distribución teórica en este caso se utiliza el método
de máxima verosimilitud y es como se muestra a continuacion:
N
1 X
µ= xi (13)
N i=1
1
" N
#
1 X 2
σ= (xi − µ)2 (14)
N −1 i=1
donde:
µ =es el parámetro de la media, llamado también parámetro de posición
σ =es el estimado insesgado de la desviación estandar o parámetro de escala
Se dice que una variable aleatoria x, tiene una distribución log-normal de 2 parámetros
si su función de densidad es:
2
1 ln(x) − µy
1 −
f (x) = √ e 2 σy (15)
2πσy
donde:
µy = media de los logaritmos naturales de x, y representa el parámetro de escala.
σy = desviación estándar de los logaritmos naturales de x, y representa el parámetro de
forma.
si :
y = ln(x) (16)
2
1 y − µy
1 −
f (y) = √ e 2 σy (17)
2πσy
para −∞ < z < ∞
4
1.2.2. Función de distribución acumulada
2
1 ln(x) − µy
Z x
1 −
F (x) = √ e 2 σy dx (18)
−∞ 2πσy
ó 2
1 y − µy
Z y
1 −
F (y) = √ e 2 σy dy (19)
−∞ 2πσy
si:
y − µy ln(x) − µy
z= =
σy σy
se obtiene la distribución normal estandar:
z
z2
1 −
Z
F (y) = √ e 2 dz (20)
−∞ 2π
n
1X
µy = ln(xi ) (21)
n i=1
" n
#1
1 X
2
2
σy = (ln(xi ) − µy ) (22)
n i=1
Se dice que una variable aleatoria x, tiene una distribución log-normal de 3 parámetros
si su función de densidad es:
2
1 ln(x − x0 ) − µy
1 −
f (x) = √ e 2 σy (23)
(x − x0 ) 2πσy
donde:
x0 : parámetro de posición en el dominio x
µy : parámetro de escala en el dominio de x
σy : parámetro de forma en el dominio de x
5
1.3.2. Función de distribución acumulada
2
1 ln(x − x0 ) − µy
Z z
1 −
F (z) = √ e 2 σy dz (24)
−∞ (x − x0 ) 2πσy
si:
ln(x − x0 ) − µy
z= (25)
σy
se tiene la siguiente expresión:
z
z2
1 −
Z
F (z) = √ e 2 dz
−∞ 2π
que es la función de distribución acumulada para la distribución normal.
N
1 X
µy = ln(xi − x0 ) (26)
N i=1
1
" N
#
1 X 2
σy = (ln(xi − x0 ) − µy )2 (27)
N i=1
N N
X ln(xi − x0 )
X 1
(σy2 − µy ) + =0 (28)
i=1
xi − x0 i=1
xi − x0
f1 (x1 , x2 , x3 ...xn ) = 0
f2 (x1 , x2 , x3 ...xn ) = 0
.
.
.
fn (x1 , x2 , x3 ...xn ) = 0
6
1.3.5. Metodo de Newton Raphson
f (xi )
xi+1 = xi −
f 0 (xi )
para un sistema no lineal
dµi dµi
µi+1 = µi + (xi+1 ) + (yi+1 )
dx dy
dvi dvi
vi+1 = vi + (xi+1 ) + (yi+1 )
dx dy
Generalizando con : µi+1 − µi = −fi
∂f1 ∂f1 ∂f1
−f1 = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
∂f2 ∂f2 ∂f2
−f2 = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
.
.
.
∂fn ∂fn ∂fn
−fn = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
expresando matricialmente se tiene:
∂f1 ∂f1 ∂f1
...
∂x ∂y ∂z
xi+1 − xi −f1
∂f2 ∂f2 ∂f2
... yi+1 − yi −f2
A=
. ∂x ∂y ∂z .
.. = ..
.. . . .
. .
. .
∂fn yi+1 − yi −f2
∂fn ∂fn
...
∂x ∂y ∂z
Se dice que una variable aleatoria x, tiene una distribución gamma de 2 parámetros si
su función de densidad de probabilidad es:
x
−
xγ−1 e β
f (x) = γ (29)
β Γ(γ)
para:
0≤x<∞
0<γ<∞
0<β<∞
siendo:
7
γ =parámetro de forma(+)
β =parámetro de escala(+)
Γ(γ) =función gamma completa, denida como:
Z ∞
Γ(γ) = xγ−1 e−x dx (30)
0
x
−
x
xγ−1 e β
Z
F (x) = dx (31)
0 β γ Γ(γ)
x
y= (32)
β
y γ−1 e−y
g(y) = (33)
Γ(γ)
y
y γ−1 e−y
Z
G(y) = dy (34)
0 Γ(γ)
8
como:
0
yγ y γ+1 y γ+n−2 y γ+n−1 e−y
E (y) = + + ... + + (− )+
γ γ(γ + 1) γ(γ + 1)...(γ + n − 2) γ(γ + 1)...(γ + n − 1) Γ(γ)
| {z }
S
luego:
E(y)
yi+1 = yi − (38)
E 0 (y)
y para:
0,5772 < y ≤ 17
donde:
¯
y = ln(x̄) − ln(x) (41)
siendo :
x̄
β= (42)
γ
Se dice que una variable aleatoria x, tiene una distribución gamma de 3 parámetros si
su función de densidad de probabilidad es:
(x − x0 )
−
(x − x0 )γ−1 e β
f (x) = (43)
β γ Γ(γ)
9
para:
x0 ≤ x < ∞
−∞ ≤ x0 < ∞
0<β<∞
0<γ<∞
(x − x0 )
−
Z x
(x − x0 )γ−1 e β
F (x) = dx (44)
x0 β γ Γ(γ)
donde:
x =variable aleatoria gamma de 3 parametros o Pearson tipo III
x0 =origen de la variable x, parámetro de posición
β =parámetro de escala
γ =parámetro de forma
Γ(γ) =función gamma completa
La variable reducida y gamma de 3 parámetros o Pearson tipo III, es:
x − x0
y= (45)
β
y
y γ−1 e−y
Z
G(y) = dy (46)
0 Γ(γ)
Se dice que una variable aleatoria x, tiene una distribución log-Pearson tipo III si su
función de densidad de probabilidad es:
(ln(x) − x0 )
−
(ln(x) − x0 )γ−1 e β
f (x) = (47)
β γ Γ(γ)
para:
x0 ≤ x < ∞
−∞ ≤ x0 < ∞
0<β<∞
0<γ<∞
10
1.6.2. Función de distribución acumulada
(ln(x) − x0 )
−
Z x
(ln(x) − x0 ) e γ−1 β
F (x) = dx (48)
x0 β γ Γ(γ)
donde:
x =variable aleatoria log-Pearson tipo III
x0 =parámetro de posición
β =parámetro de escala
γ =parámetro de forma
la variable reducida de la distribución log-Pearsón tipo III,es:
ln(x) − x0
y= (49)
β
y
y γ−1 e−y
Z
G(y) = dy (50)
0 Γ(γ)
para:
0 − ∞<x<∞
donde:
0<α<∞
−∞ < µ < ∞
siendo:
α : parámetro de escala
µ : parámetro de posición
x−µ
y= (53)
α
−y
g(y) = e−y−e (54)
−y
G(y) = e−e (55)
√
6
α= S (56)
π
µ = x̄ − 0,57721566490153286061α (57)
para:
0 − ∞<x<∞
donde:
0<α<∞
−∞ < µ < ∞
siendo:
α : parámetro de escala
µ : parámetro de posición
ln(x) − µ
y= (59)
α
−y
G(y) = e−e (60)
12
1.8.3. Estimación de parámetros
√
6
α= Sln(x) (61)
π
µ = x̄ln(x) − 0,57721566490153286061α (62)
siendo:
P
ln(x)
x̄ln(x) = (63)
N
sP
(ln(x) − x̄ln(x) )2
Sln(x) = (64)
N −1
Ejemplo1
Dada la serie histórica de caudales medios anuales, en m3/s, que corresponde a un registro
de 50 años para el rio Santa (Perú):
P (Q ≤ 180 m3 /s)
P (Q ≥ 100 m3 /s)
P (50 m3 /s ≥ 100 m3 /s)
El período de retorno para un caudal de 210 m3 /s).
el caudal para un período de retorno de 50 años .
Solución:
Para los datos indicados utilizamos la opción distribución normal de la aplicación tal
como se muestra
13
gura 1 : Cuadro de selección
Una vez ingresado todos datos de caudales presionar Ok, luego elegimos la opción diseño
y nos muestra la siguiente ventana:
Para los datos indicados, la serie se ajusta a la distribución normal para un nivel de sig-
nicación del 0.05(5 %) o una probabilidad del 95 %.La gráca de distribución acumulada
14
con los momentos ordinarios y la probabilidad de Wilbull se muestra en la gura 4.
15
De la gura 7, se observa que el período de retorno para un caudal de 210 m3 /s, es 10.79
3
años; mientras que el caudal para un período de retorno de 50 años, es 241,82 m /s.
Ejemplo 2
Solución :
Para los datos indicados utilizamos la opción distribución normal 3 parámetros, estos
resultados se muestranen la gura 8.
16
gura 9 : Caudal para un período de retorno de 50 años
Ejemplo 3
Solución :
Para los datos indicados utilizamos la opción distribución log-Pearson tipo III, estos re-
sultados se muestranen la gura 10.
Como los datos se ajustan a una distribucion log-Pearson tipo III, se procede a calcular
el caudal de diseño para un periodo de retorno de 50 años,en la gura 11 se muestra que
3
este caudal es 3044.54 m /s
17
gura 11 : Caudal para un período de retorno de 50 años
Ejemplo 4
Se desea diseñar un puente vehicular en la cuidad de Huancavelica rio Ichu. Dentro del es-
tudio hidrológico, se tiene los datos de los caudales máximos expresados en metros cubicos
por segundo y la sección transversal del eje del puente
3
Año Caudal máximo(m /s)
1991 232
1992 322
1993 224
1994 180
1995 273
1996 207
1997 368
1998 424
1999 236
2000 706
2001 248
2002 235
2003 370
2004 267
2005 626
2006 597
2007 485
2008 600
2009 406
2010 690
2011 556
2012 313
2013 241
2014 179
2015 743
a) Aplicando 8 distribuciones teóricas como mínimo (las mas comunes), determine la me-
jor distribución mediante la brueba de bondad de ajuste de Smirnow-Kolmogorov para
los siguientes datos.
b) Determinar las características hidráulicas del cauce para una sección tranversal cu-
bierta de concreto rugoso y pendiente igual a 0.98 %,para los periodos de retorno 50 y 200
18
años.
c) Determinar la luz óptima del puente bajo las características citadas anteriormente,
para los periodos de retorno 50, 100 y 200 años.
Estación(x) Cota(y)
-10 3608
-7 3604
-5 3602
0 3600
5 3602
7 3604
10 3608
d) Plantear a escala gráca el diseño del puente y los niveles de máximas avenidas y
discutir los resultados obtenidos.
Solución:
Para los datos indicados utilizamos la opción distribución normal, estos resultados se
muestran en la gura 12.
19
Con la opción distribución log-normal de 3 parámetros, los resultados se muestran en
la gura 14.
Con la opción distribución log-Pearson de tipo III, los resultados se muestran en la gura
17.
20
Con la opción distribución log-Gumbel, los resultados se muestran en la gura 19.
Las caracteristicas hidráulicas del cauce para un caudal maximo de 1003.03 m3 /s,que
corresponde a un período de retorno de 50 años, se muestra en la gura 21
21
Las caracteristicas hidráulicas del cauce para un caudal maximo de 1371.84 m3 /s,que
corresponde a un período de retorno de 200 años, se muestra en la gura 22
22