Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap 2
Cap 2
MODELOS PROBABILISTICOS
∑∑ p
∀x ∀y
XY ( x 0 , y0 ) = 1
∑p
∀x
XY ( x0 , y0 ) = pY ( y0 ) ∑p
∀y
XY ( x0 , y0 ) = p X ( x0 )
Prob( X ≤ x0 ) = PX ( x0 ) = ∑ p X ( x0 )
∀x
E {g( x )} = ∑ g( x0 ) ⋅ p X ( x0 )
∀x
En particular, son importantes algunos casos especiales de la función g(x) como ser
el valor esperado de potencias enteras de x, los cuales se denominan momentos de x. Se
puede definir también, la potencia centrada con respecto al valor esperado o momento
central n-ésimo de x. El primer momento de x se conoce también como valor esperado o
promedio de x (E(x)) y el segundo momento central se conoce como varianza de x (sx2) :
E ( x n ) = ∑ x n ⋅ p X ( x0 )
∀x
E ( x ) = ∑ x0 ⋅ p X ( x0 )
∀x
sx2 = {E ( x − E ( x )) 2 } = ∑ ( x0 − E ( x)) 2 ⋅ p X ( x0 )
∀x
Prob(a ≤ x ≤ b) = ∫f
a
X
( x )dx
Siendo fX(x) = la función densidad de probabilidades.
+∞
f x (x)
x
a b
Fx (+∞) = 1 Fx (-∞) = 0
dFX ( x )
= f X ( x)
dx
E(g(x)) = ∫
-∞
g(x) fX(x) dx
E(g (x,y)) = ∫ ∫
-∞ -∞
g (x, y) f(x,y) dx dy
α >0
Valores extremos α
generalizados x − u
1 k
u + ≤ x ≤ ∞ Si k < 0
F (x ) = exp− 1 − k k
(GEV) α α
−∞ < x ≤u+ Si k >0
k
β −1
x −γ
x≥γ Si α > 0
Pcarson Tipo III a x −γ
f (x ) = exp−
a Γ(β ) a
x≤γ Si α < 0
Gama:
f (x ) =
(x / a)
β −1
x
exp −
Pearson Tipo III α Γ(β ) a
con γ = 0
Exponencial: 1 x −γ
f (x ) = exp − γ ≤x
Pearson Tipo III a a
con β = 1
1 1 log x − α 2
Lognormal-2 f (x ) = exp−
(LN2) 2πβx 2 β 0< x
Función densidad de Rangos de variable
Distribución probabilidades f (x ) aleatoria y parámetros
o Función distribución acumulada
F (x)
1 1 log(x − γ ) − α
Lognormal-3 f (x ) = exp−
(LN3) 2πβ .(x − γ ) 2 β γ <x
Wakeby (WAK)
[ ] [
x = m + a 1 − (1 − F (x )) − c 1 − (1 − F (x ))
b −d
]
El cálculo de los parámetros de los distintos modelos por este procedimiento es más
complejo que por otros métodos, pues generalmente se debe resolver la ecuación resultante
por métodos iterativos, para encontrar el valor de los parámetros que maximizan la función
logarítmica presentada. Este cálculo requiere resolver el sistema de ecuaciones que se
forma al igualar a cero la primera derivada de la función de verosimilitud o del logaritmo
de dicha función, con respecto a cada uno de los parámetros. En la Tabla 2.2 siguiente se
muestran las expresiones para el logaritmo de la función de verosimilitud de varios
modelos probabilísticos.
Tabla 2.2.1.1:Logaritmo de las funciones de verosimilituD
1 ln (xi − γ ) − α
2
Log-normal-3 − n ln 2π − n ln β − ∑ ln(xi − γ ) − ∑
2 β
1 n xi − β n
(x − β )
Valores Extremos I n ln −∑ − ∑e − i
α i =1 α i =1 α
k (xi − u )
1/ k
n
k (xi − u )
1/ k
n
− (1 − k )∑ exp − ln1 −
i =1 α
n n
xi
Gama-2 − n ln Γ(α ) − nα ln β + (α − 1)∑ ln xi − ∑
i =1 i =1 β
n
xi − γ
Pearson Tipo III − n ln Γ(α ) − nα ln β + (α − 1)∑ ln (xi − γ ) − ∑
i =1 β
1 n
S2 = ∑ ( x − xbar ) 2
n i =1 i
1 n
2
S = ∑
n − 1 i =1
( xi − xbar ) 2
Normal xbar S
σ 1
Log-normal-2 ln − ln 1 + C v2 ( ) ln(1 + C v2 )
z 2
xbar (1 − C v / z )
z = 1 − w 3 / w 3
2 1
σ
Lognor ln
1
(2
− ln 1 + C v ) ln(1 + C v2 )
mal-3 z 2
(
w = 1 * − g + g2 + 4
2
)
Valores 1,2825 / σ xbar − 0,45005σ
Extremos I
Gama-2 xbar S 2 S 2 xbar
l
M i , j ,k = E ( x i F j (1 − F ) k ) = ∫ x i F j (1 − F ) k dF
0
Los momentos convencionales son un caso especial de los MPP, ya que en ellos el
exponente i es unitario y los otros dos exponentes son nulos.
Para facilitar el cálculo de los MPP se usan valores particulares para los exponentes.
Por ejemplo, para la distribución Wakeby se recomienda usar un valor unitario para el
exponente i y nulo para el exponente j. En este caso se denomina M1.0.k al MPP de orden k, y
se designa simplemente por Mk (Greenwood et al., 1979). Para las distribuciones de valores
extremos generalizados y tipo I se recomienda un exponente unitario para i y nulo para k,
obteniéndose los momentos Mj.
1 n
Mk = ∑ x ((n − i + 0,35) / n) k
n i =1 i
Los autores nombrados también exploraron el empleo de estimadores sin sesgo para
los MPP, pero reportan que los estimadores moderadamente sesgados proporcionan mejores
resultados, particularmente al estimar los valores de los cuantiles superiores, lo cual es
especialmente relevante en el contexto del análisis de frecuencia de crecidas.
Para encontrar estimadores con este método, se debe establecer una igualdad entre
los momentos ponderados del modelo y los correspondientes de la muestra, formándose un
sistema de ecuaciones con tantas ecuaciones como parámetros hay que estimar.
i − 0,35
Fi =
N
N
1
M$ j =
N
∑F
i =1
i
j
xi
o bien
1 N
M K = ∑ (1 − Fi ) k xi
$
N i =1
Los momentos ponderados del universo o población dependen del modelo
probabilístico que se emplee. A continuación se incluyen las expresiones para diferentes
modelos.
β α {1n(1 + j ) + 0,57721}
M1 j0 = +
1+ j 1+ j
GEV x=u+
α
k
{1 − (− ln F )
k
}
M 1 jo =
1
1+ j
( [ ] )
u + α 1 − ( j + 1) Γ(1 + k ) / k
−k
Wakeby
[ ] [
x = m + a 1 − (1 − F ) − c 1 − (1 − F )
b −d
],
m a−c a c
M 10 k = + − +
1+ k 1+ k 1+ k + b 1+ k − d
Una etapa útil en el análisis es dibujar los datos en forma de un gráfico de barras. Al
graficar las frecuencias observadas para cada intervalo del variable se obtiene un histograma,
en el cual la altura de cada barra es proporcional al número de observaciones en ese
intervalo. Este gráfico entrega al ingeniero un cuadro inmediato de las frecuencias
observadas en cada intervalo y su comparación con el modelo propuesto.
m
Prob( x ≤ X ) =
n +1
Es decir,
1
Tr =
1 − Prob( x ≤ X )
o bien,
n +1
Tr =
n−m
iv) Si los puntos graficados se ajustan a una recta, entonces el modelo elegido
representa un buen ajuste y se traza la recta en forma visual. Si los puntos no
representan una tendencia lineal, entonces el modelo elegido no es adecuado.
2.3.2 Métodos cuantitativos
Los métodos anteriores permiten juzgar en forma gráfica la bondad del ajuste de los
datos a un determinado modelo probabilístico. Sin embargo, en ciertas ocasiones es
preferible contar con procedimientos cuantitativos, que permitan una decisión objetiva sobre
el ajuste. A continuación se describen dos procedimientos cuantitativos: el test chi-cuadrado
y el test Kolmogosov-Smirnov.
Los tests de hipótesis sobre modelos de distribución cuentan con las siguientes etapas
generales: Primero, se calcula un estadígrafo a partir de los datos observados. Luego, se
calcula la probabilidad de obtener el estadígrafo calculado, en el supuesto que el modelo sea
correcto. Esto se realiza refiriéndose a una tabla probabilística que entregue los percentiles
del modelo de distribución del estadígrafo. Finalmente, si la probabilidad de obtener el valor
del estadígrafo calculado es baja, se concluye que el modelo supuesto no provee una
adecuada representación de la muestra. Debe hacerse notar que este procedimiento permite
rechazar un modelo por no ser adecuado, pero no permite probar que el modelo
probabilístico elegido sea el correcto.
Si O1, O2,.........Ok son las frecuencias absolutas observadas y E1, E2,...... Ek son las
frecuencias teóricas, en cada una de las clases, se define un estadígrafo.
k
(Oi − Ei ) 2
Χ =∑
2
i =1 Ei