Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.1.1 Frecuencia absoluta (f). Es una medida estadística que nos da información acerca de la
cantidad de veces que se repite un determinado valor en un estudio estadístico.
2.1.2 Frecuencia relativa (h). Corresponde a las veces que se repite un número den un
conjunto de datos respecto a total, expresado en proporciones o porcentaje, el cociente entre la
frecuencia absoluta f y la frecuencia total N , h=f / N . Las propiedades que posee son:
a. Las frecuencias absolutas y relativas son números enteros positivos, f ≥ 0 ; h ≥ 0.
k
b. La suma de todas las frecuencias absolutas es igual a la frecuencia total, ∑ f i=n.
j=1
k
c. La suma sumatoria las frecuencias relativas es igual a uno, ∑ h j =1.
j=1
2.1.3 Frecuencia acumulada menor que (F). Es el resultado de sumas sucesivamente las
i
frecuencias absolutas o relativas, ordenado de mayor a menor de sus valores, F i=∑ f j . Su
j=1
representación gráfica es un diagrama de líneas suavizado de denomina ojiva. Sus propiedades
que poseen son:
a. Las frecuencias acumuladas absoluta son siempre números enteros positivos mayores
a cero.
b. Las frecuencias relativas acumuladas son siempre números fraccionarios positivos
menores o iguales a uno.
c. La frecuencia absoluta acumulada menor que correspondiente al último valor es igual
a la frecuencia total N .
d. La frecuencia relativa acumulada menor que correspondiente al último valor es igual a
uno.
2
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.1.4 Diagrama de barras. Este diagrama consiste en un rectángulo sobre un sistema de ejes
coordenados XY, cuya altura de los rectángulos será proporcional a la frecuencia absoluta, el
ancho de la base debe ser pequeño, no representa nada y los rectángulos deben estar separados
entre sí. También se denomina diagrama de bastones o varillas.
2.1.5 Polígono de frecuencias. Son diagramas de línea que se obtiene al unir los puntos medios
del lado superior de cada rectángulo del histograma correspondiente.
3
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.1.6.1 Rango (R). Señala la diferencia entre el valor máximo y el mínimo de una población o
muestra estadística.
2.1.6.2 Intervalo de clase. Son los intervalos en los que se agrupan y ordenan los valores
observados, este intervalo está delimitado (acotado) por dos valores extremos.
2.1.6.3 Amplitud de clase ( Δ x ). Diferencia entre el límite superior e inferior del intervalo de
clase.
2.1.6.4 Marca de clase. Es el punto medio del intervalo de la clase, se obtiene al promediar los
extremos del intervalo.
h. Calcular los límites de clase de cada intervalo, los límites de clase inferior y superior
Δx Δx
del primer intervalo de clase son: LCI 1=x mín − , LCS1=x mín + =LCI 1+ Δ x .
2 2
i. Cálculo de las marcas de clase de cada intervalo.
4
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
LCIi + LCSi
MC 1=
2
j. Frecuencia absoluta, es igual al número de observaciones que caen dentro del cada
intervalo de clase, que se obtiene por conteo, f i=ni .
k. Cálculo de frecuencia relativa hi , de cada intervalo es la frecuencia absoluta entre el
número total de observaciones.hi=ni /N .
l. Calcular la frecuencia relativa acumulada Hi , según la fórmula.
i i
n 1 i
Hi=∑ f j=∑ j = ∑ n j
j=1 j=1 N N j=1
Ejercicio 1: De la serie histórica de caudales medio anuales en m3/s de un río se muestra en la
tabla.
121,3 26,7 110,1 63,4 122,4 64,2 59,6
144,9 92,8 95,6 76,3 162,1 110,2 40,3
142,4 58,8 48,8 52,3 97,2 144,7 112,2
204,8 57,4 148,3 36,3 52,5 109,2 137,1
114,5 79 67,5 88 165,6 48,5 32,9
72,5 76,9 70
2.2.1 Parámetro y estadístico. Los estadísticos se obtienen a partir de los datos de una
muestra. Los parámetros se determinan de datos poblacionales.
2.2.2 Medidas de tendencia central o medidas de localización. Son medidas que permiten
resumir en un solo valor representa la característica de un conjunto de datos.
2.2.2.1 La media aritmética. Se obtiene con la suma de un conjunto de valores dividida entre el
número total de observaciones.
n μ :Media poblacional.
∑ xi x : Media muestral.
μ=
i=1
x i : i-ésimo valor de la muestra.
Datos no
n n : Número de datos de la muestra o
agrupados n población.
Media ∑ xi f i : Frecuencia absoluta intervalo i .
aritmética
x=
i=1 k : Número de intervalos de clase.
n Mc i : Marca de clase del intervalo.
k
Datos agrupados
∑ f i ∙ Mci
i=1
x=
n
5
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.2.2.3 La moda: Se define como el número que está representado más veces dentro del conjunto
de datos o valor que aparece como mayor frecuencia en un conjunto de datos.
2.2.2.4 Localización de la media, mediana y moda. Las posiciones relativas de estas tres
medidas dependen de la asimetría de la distribución. En el caso que las tres medidas de
tendencia central coinciden se trata de una distribución simétrica, la distribución es
asimétrica si los tres valores divergen, para una distribución unimodal, la moda esta
localizada en el punto más alto y la mediana entre la media y la moda.
6
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.2.3 Medidas de dispersión. Indican que tanto se dispersan o agrupan los datos respecto de la
media aritmética, si la dispersión en pequeña señala uniformidad de los datos en la distribución,
gran dispersión indica poca uniformidad.
R : Rango.
Diferencia valor x máx : Máximo valor de la serie de
Rango R=xmáx −x mín
mayor y menor. datos.
x min : Mínimo valor de la serie de datos.
n σ : Desviación estándar de la población.
∑ ( xi −μ )2 S : Desviación estándar de la muestra.
σ 2= i=1 2
σ :Varianza poblacional.
n 2
Datos no S :Varianza muestral.
agrupados n μ= x :Media muestral o poblacional.
∑ ( x i−x )2 x i :i-ésimo valor de la muestra.
S2= i=1 f i :I-ésimo valor de la frecuencia
n−1 absoluta.
Varianza
k k : Número de intervalos de clase
∑ f i ( x i−μ )2 n : Número de datos de la muestra o
2 i=1 población.
σ =
n
Datos agrupados
k
∑ f i ( x i−x )2
2 i=1
S=
n−1
√
n
∑ ( xi −μ )2
i=1
σ=
n
Datos no
√
agrupados
n
∑ ( x i−x )2
Desviación S= i=1
estándar n−1
σ =√ σ
√
2
k
S= √ S2 ∑ f i ( xi −μ )2
i=1
σ=
n
Datos agrupados
√
k
∑ f i ( x i−x )2
i=1
S=
n−1
7
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.2.4 Medidas de simetría y asimetría. Si la dispersión de los datos con respecto al centro es
equitativa a ambos lados de éste, la distribución es simétrica, si la dispersión es diferente a un
lado que a otro la distribución es asimétrica.
.
2.2.5 Sesgo estadístico. Permite identificar si los datos se distribuyes de forma uniforme con
respecto al promedio, se usa para medir el nivel de asimetría que posee la curva de frecuencias.
Para fines de comparación se usan los conceptos de media y moda, en la gráfica de la curva
normal ambas medidas coinciden, en una distribución sesgada cuando la curva es asimétrica, la
media esta hacia el lado más largo con respecto a la moda en el eje de las abscisas.
[
x−Mo (x) ¿ 0 ; a izquierda o negativa
CaS= ; Cas ¿ 0 ; Normal
S(x)
¿ 0 ;a derecha o positivo
8
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
Donde:
CaS : Coeficiente de asimetría de sesgo.
Mo(x) : Moda
x : Media aritmética
2.2.5.2 Segundo coeficiente de Pearson. Mide la desviación de la simetría, expresada tres veces
la diferencia entre la media y la mediana con respecto a la desviación estándar, solo se
emplea para distribuciones uniformes, unimodales.
[
3(x −Me( x )) ¿ 0 ; a izquierda o negativa
CaS ´= ;Cas ´ ¿ 0 ;Normal
S(x)
¿ 0 ;a derecha o positivo
Donde:
CaS ´ : Coeficiente de asimetría de sesgo.
Me( x) : Mediana.
x : Media aritmética.
√
f i :I-ésimo valor de la frecuencia
k
absoluta.
∑ ( xi −μ )2 k : Número de intervalos de clase
i=1
σ= n : Número de datos de la muestra o
n
población.
Datos μ3
agrupados γ= 3
σ
n
∑ f i ( x i−μ )3
μ3= i=1
n
√
k
∑ f i ( xi −μ )2
i=1
σ=
n
9
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
n2 M 3
Cs=
( n−1 ) (n−2) S3
n
Datos no
∑ ( x i−x )3
agrupados M 3= i=1
n
√
k
∑ ( x i−x )2
i=1
S=
Sesgo n−1
muestral
n2 M 3
Cs=
( n−1 ) (n−2) S3
n
Datos
∑ f i ( x i−x )3
i=1
agrupados M 3=
n
√
k
∑ f i ( x i−x )2
i=1
S=
n−1
10
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
√
k
∑ ( xi −μ )2 n
xi
; μ=∑
i=1
σ=
n i=1 n
μ4
κ=
σ4
n
∑ f i ( x i−μ )4
Datos μ3= i=1
agrupados n
√
k
S : Desviación estándar de la
∑ f i ( xi −μ )2 k
f i xi muestra.
; μ=∑
i=1
σ= x i :i-ésimo valor de la muestra.
n i=1 n
f i :I-ésimo valor de la frecuencia
3
n M4 absoluta.
C k=
( n−1 ) ( n−2) ( n−3 ) S 4 k : Número de intervalos de clase
n : Número de datos de la muestra o
n población.
∑ ( x i− x ) 4
Datos no
M 4 = i=1
[
agrupados n ¿ 3 Platicúrtiva
C k =κ ¿ 3 Mesocúrtuva
√
k
¿ 3 Leptocúrtiva
∑ ( x i−x )2 n
xi
; x=∑
i=1
S=
Sesgo
n−1 i =1 n
muestral 3
n M4
C k=
( n−1 ) ( n−2) ( n−3 ) S4
n
∑ f i ( xi −x )4
Datos
agrupados
M 4 = i=1
n
√
k
∑ f i ( x i−x )2 k
f i xi
S= i=1
; x=∑
n−1 i=1 n
Ejercicio 2: Se tiene una cuenca en la que se han instalado 8 pluviómetros. Las precipitaciones
promedio anuales registradas en mm, y el área en km 2 se muestran en la siguiente tabla,
determinar la precipitación promedio de la cuenca.
Estació Área Precipitació
n (km2) n
11
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
(mm)
1 150 2915
2 300 2563
3 187 3241
4 600 4017
5 550 5321
6 145 4621
7 278 5002
8 110 4932
Ejercicio 3: Dado los caudales medios del mes de mayo, de un río en m3/s, presentes en la
siguiente tabla.
Año Q (m3/s) Año Q (m3/s)
1971 3.99 1981 4.52
1972 2.96 1982 3.05
1973 1.79 1983 5.00
1974 1.55 1984 6.03
1975 2.48 1985 2.73
1976 2.61 1986 3.13
1977 2.27 1987 4.18
1978 1.86 1988 3.26
1979 2.07 1989 4.03
1980 2.70
a. Determinar la media aritmética, varianza, coeficiente de variación, coeficiente de
asimetría (sesgo), coeficiente de curtosis.
Ejercicio 4: Los datos del problema anterior se agrupan los datos en una tabla en los siguientes
intervalos.
Intervalo de clase
[1-2[
[2-3[
[3-4[
[4-5[
[5-6[
[6-7[
a. Determinar la media aritmética, varianza, coeficiente de variación, coeficiente de
asimetría (sesgo), coeficiente de curtosis para datos agrupados.
2.3.2 Experimento determinista. Es aquel experimento que se conoce con toda certeza el
resultado de una observación. Ejemplos: sacar galleta de un paquete de galletas, el tiempo que
demora una piedra en caer, suma de dos números impares el resultado es par.
12
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.3.5.1 Evento seguro o cierto. Es aquel evento E , que tiene la misma cantidad de elementos que
el espacio muestral, es decir η ( E )=η ( S ).
2.3.5.2 Evento imposible. Son aquellos que a veces puedes ocurrir, es decir η ( E )=n.
2.3.6 Variable discreta. Es aquella variable que puede tomar los valores que pertenecen al
conjunto, representados por números enteros. Ejemplos: número de estudiantes, número de presas
en una ciudad, número de estudiantes en un aula.
2.3.7 Variable continua. Es aquella que puede adoptar cualquier valor en el marco de un
intervalo predeterminado o espacio continuo, se trata de experimento que se miden, y está
representado por números reales. Ejemplos: Caudal medio de un río, intensidad de lluvia.
13
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
P( A ∩B)
P ( B| A )=
P (A )
Ejercicio 8: Supóngase que un rio alcanza cada invierno un nivel de creciente, con una
frecuencia relativa de 0.25 cuando atraviesa la ciudad, hay un puente cuya probabilidad de falla
en los estribos es 0.35, la experiencia muestra que cuando hay creciente la probabilidad suben a
0.55, con esta información se desea conocer la probabilidad de falla en el puente.
2.3.12 Periodo retorno (T). Es el intervalo promedio de tiempo en años, dentro del cual un
evento de magnitud x puede ser igualado o excedido, por lo menos una vez en promedio. Así, si
un evento igual o mayor a x , ocurre una vez en T años, su probabilidad de ocurrencia P , es igual
a 1 en T casos.
1 1
P ( X ≥ x )= ;T =
T P(X ≥ x)
14
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
1
T=
1−P(X < x)
Donde:
X : Variable aleatoria de la función de probabilidad.
x : Valor particular que adopta la variable aleatoria.
T : Periodo retorno en años.
P( X < x): Probabilidad de ocurrencia de un evento menor a x , (probabilidad de
excedencia).
P( X ≥ x): Probabilidad de ocurrencia de un evento mayor o igual a x dado, (probabilidad
de no excedencia).
2.3.13 Riesgo. Si un evento de diseño, como un caudal tiene un periodo retorno de T en años, y
una probabilidad de excedencia P .
1
P ( Q≥ q )=
T
Donde:
P=P ( Q<q ) : Probabilidad de ocurrencia de un caudal se mayor o igual a uno dado.
P ∙ P … P=P = 1−
2
T (
1 n
)
La probabilidad de que un evento, ocurra al menos una vez en n años consecutivos es conocida el
riesgo o falla R.
n n
R+ P =1; R=1−P
( )
n
1
R=1− 1−
T
Donde:
R : Riesgo o falla.
n : Vida útil del proyecto.
T : Periodo retorno en años.
15
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
R=1− 1− ( 1 n
T )( )
; 1−
1 n
T
=1−R
( )
n 1 1
1 n 1 n
1− n
=( 1−R ) ; =1−( 1−R )
T T
1
T= 1
1−( 1−R ) n
Ejercicio 9: Determinar el riesgo o falla de una obra que tiene una vida útil de 20 años, si se
diseña para un período retorno de 10 años.
Ejercicio 10: Para el diseño de una estructura hidráulica, con vida útil de 50años, se acepta solo
el 5% de riesgo. ¿Qué periodo de retorno se debe elegir para el diseño de la estructura?
2.3.15 Variable aleatoria o variable estocástica. Una variable aleatoria, es una función de X ,
definida sobre un espacio muestral S, que se asigna un valor a esta variable, correspondiente a
16
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
cada punto de un experimento, es decir una variable matemática cuyos valores posibles son las
descripciones numéricas de todos los resultados de un experimento.
Ejercicio 11: El experimento es lazar una moneda tres veces, el suceso es determinar el número
de caras, determinar los posibles resultados que puede adoptar la variable aleatoria.
2.3.15.1 Variable aleatoria discreta. Se dice que una variable aleatoria es discreta, cuando
sus valores se restringen a un conjunto numerable finito o infinito, expresado por número
naturales.
2.3.15.2 Variable aleatoria continua. Se dice que una variable aleatoria X es continua,
cuando sus valores se encuentran en un rango continuo y puede ser representado por
cualquier número real.
2.3.16 Distribución de probabilidad. El comportamiento de una variable aleatoria se describe
mediante una ley de probabilidades que a su vez se puede caracterizar de varias maneras.
f ( x) : Función de densidad, función de probabilidad, distribución de probabilidad.
F(x) : Función acumulada o función de distribución acumulada.
a. 0 ≤ f ( x i )=P( X=x i )≤ 1
∞
b. ∑ f ( x i )=1
i=1
b
c. P ( a ≤ x ≤ b )=∑ f (x i)
i=a
Ejercicio 12: Sea X una variable aleatoria que representa la suma de los puntos que se obtiene al
lanzar dos dados y sumar sus números, esta tiene como función de probabilidad.
a. 0 ≤ f ( x ) ≤ 1
∞
b. ∫ f ( x ) dx=1
−∞
b
c. P ( a ≤ x ≤ b )=∫ f ( x ) dx
a
Ejercicio 8: Sea X una variable aleatoria continua que tiene la función de densidad de
probabilidad.
17
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
2.3.20 Función de distribución acumulada de una variable aleatoria discreta (K). Para el
caso de una variable discreta F ( x), se puede expresar como la sumatoria f ( x i) , para los cuales x i
es menor o igual que x , es decir.
F ( x )=P ( X ≤ x ) =∑ f (x i)
x i ≤x
b
P ( a< x ≤b )=F ( b )−F ( a )=∫ f ( x ) dx
a
Esto significa que la probabilidad del evento a< x ≤ b, es igual al área que hay bajo la curva de la
función de densidad de probabilidad f (x), entre x=a y x=b .
18
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
Ejercicio 14: Sea X una variable aleatoria continua, que tiene una función de densidad de
probabilidad.
{
2
f ( x )= 3 x ; Para 0 ≤ x ≤1
0 , para cualquier otro valor de x
2.4.2 Prueba de Chi-cuadrado ( χ 2). Es una prueba de hipótesis estadística de una clasificación
de datos, que se usa para definir si es que una variable empírica de una serie de datos se acomode
o no de una distribución teórica específica.
2
k
( θ i−e i ) k k
χ =∑ ; ∑ θi = ∑ e i
2
Donde:
χ 2 : Valor calculado del Chi-cuadrado a partir de los datos.
θi : Número de valores observados en el intervalo de clase i .
e i : Número de valores esperados en el intervalo de clase i .
k : Número de intervalo de clase.
h : El número de parámetros a estimarse, h=2 para la distribución normal y log normal de
dos parámetros, h=3 para la distribución log-normal de 3 parámetros.
19
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
√
k k
∑ mci ∙ f i ∑ f i ∙ ( mc i−x )2
x= i=1 ; Sx= i=1
N N −1
h. Cálculo de frecuencia esperada, estima la variable estandarizada para el límite inferior del
x −X
intervalo Z= , se determina la probabilidad de cada límite P( Z< zi ), Se estima el
S
área de cada intervalo P( z i ≤ Z ≤ z i+1) , se multiplica la probabilidad normal de cada
intervalo con la frecuencia absoluta N ∙ P(z i ≤ Z ≤ z i+1 ) se redondea de manera que la suma
de las frecuencias parciales sea igual a N .
2
k
( θ i−e i )
i. Cálculo del Chi cuadrado calculado (empírico) χ c =∑2
.
i=1 ei
j. Cálculo del Chi cuadrado teórico en tabla χ 2t ingresando con el g .l .=k−1−h y α nivel de
significancia
k. Criterios de decisión. Consiste en comparar el valor calculado y el tabulado.
Si el valor del Chi cuadrado calculado es menor o igual que el valor tabular χ 2c ≤ χ 2t ,
entonces se acepta la hipótesis que el ajuste es bueno al nivel de significancia.
Si el Chi cuadrado calculado es mayor que el valor tabular χ 2c > χ 2t , entonces el ajuste es
malo y se rechaza la hipótesis.
Δ=máx|F (x)−P(x)|< ∆ o
Donde:
∆ : Estadístico de Smirnov Kolmogorov, cuyo valor es igual a la diferencia máxima
existente entre la probabilidad teórica y la probabilidad empírica.
∆ o : Valor crítico que depende del número de datos.
F(x) : Probabilidad de la distribución teórica.
P(x) : Probabilidad experimental o empírica de los datos (frecuencia acumulada).
20
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
21
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
f. Se compara el valor del estadístico ∆ , con el valor crítico ∆ o, según el presente criterio.
∆ <∆ o → El ajuste es bueno al nivel de significancia seleccionado
∆ ≥ ∆ o → El ajuste no es bueno al nivel de significancia seleccionado, siendo necesario
probar con otra distribución.
Ejercicio 15: Dado el registro de caudales máximos anuales para cierta estación en m3/s, de 25
años, realizar la prueba de bondad de ajuste, para constarse si los datos se ajustan a la distribución
Normal.
37 62 90 261 49
48 45 70 79 50
86 100 91 83 45
74 230 85 101 182
91 77 67 63 67
Realizar la prueba de bondad de ajuste para Chi cuadrado para un nivel de significancia del 5%,
la prueba Smirnov Kolmogorov para un nivel de significancia del 10%.
Distribuciones discretas
Binomial x : Número de éxitos en n ensayos independientes
() n x n− x
f ( x )=b ( x ; n , p )= p q
x
p : Probabilidad del resultado éxito.
q=1− p : Probabilidad del otro resultado fracaso.
Hipergeométrica. x : Número de éxitos en n ensayos repetidos no
independientes entre sí.
22
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
f ( x )=h ( x ; N ,n , k )=
( x )( n−x )
k N−k N : Tamaño de la población.
n : Tamaño de la muestra.
K : Número de éxitos de la población.
( Nn )
Poisson x : Número de ocurrencia de un hecho o éxitos.
−λ
e ∙λ
x
λ : Es el número medio de ocurrencia de un hecho,
f ( x )=b ( x ; λ ) = media de la distribución.
x!
()
n x n− x n
f ( x )=b ( x ; n , p )= p q ; =C k =
x x
n
()
n!
x ! ( n−k ) !
Donde:
x : Número de éxitos en n ensayos independientes
p : Probabilidad del resultado éxito.
q=1− p : Probabilidad del otro resultado fracaso.
f ( x )=h ( x ; N ,n , k )=
( x )( n−x )
k N−k
( Nn )
Donde:
x : Número de éxitos en n ensayos repetidos no independientes entre sí.
N : Tamaño de la población.
n : Tamaño de la muestra.
K : Número de éxitos de la población.
23
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
−λ x
e ∙λ
f ( x )=b ( x ; λ ) =
x!
Donde:
x : Número de ocurrencia de un hecho o éxitos.
λ : Es el número medio de ocurrencia de un hecho, media de la distribución.
2.5.2 Distribución de probabilidad de variable continua. Describe el comportamiento de una
variable continua que puede asumir cualquier valor en un rango continuo número real.
( )
2
−1 x−μ
1 2 σ
f ( x )= e
σ √2 π
Donde:
f ( x) : Función de densidad de probabilidad Normal de la variable x .
x : Variable aleatoria independiente.
μ : Parámetro de localización de la distribución normal que es igual a la media aritmética.
σ : Parámetro de escala de la distribución normal que es igual a la desviación estándar.
24
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
( )
2
xi −1 x− μ
1
F ( x i )=P (X ≤ x i )=∫
2 σ
e dx
−∞ σ √2 π
zi −1 2
1 z
F ( Z )=P(Z ≤ z i)= ∫ e 2
dz
−∞ σ √2 π
Donde:
F (X ): Función de distribución acumulada, probabilidad que X sea menor a un x i.
F (Z ): Función de distribución acumulada de la variable estándar, probabilidad que Z sea
menor a z i.
2.5.2.7 Estimación de parámetros, método de momentos y máxima verosimilitud.
Distribución normal o Gaussiana
Parámetro de Localización igual a la media n
xi
aritmética x=μ=∑ N
i=1
√
Parámetro de Localización igual a la desviación n
estándar. ∑ ( x i−x )2
i=1
S(x)=σ=
N −1
25
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
Donde:
μ y : Parámetro de escala de la distribución log normal de dos parámetros, igual a la media
aritmética de los logaritmos naturales.
σ y : Parámetro de forma de la distribución log normal de dos parámetros, igual a la
desviación estándar de los logaritmos naturales.
( ) dx ; F ( y ) = ( ) dy
2 2
x −1 ln x−μ y Z −1 y−μ y
1 1
∫e ∫e
2 σy 2 σy
F ( x )=
x √2 π σ y 0 √ 2 π −∞
2
Z −Z
y −μ y ln x−μ y 1
Si Z=
σy
=
σy
; entonces F ( Z )= ∫
√2 π −∞
e 2 dz
Para el calculo de la distribución acumulada tanto para la distribución normal como log-
normal, una vez conocidos sus parámetros y reducida la variable, emplear las tablas de la
distribución normal.
( )
Parámetro de forma igual a la desviación 1 x2
estándar de los logaritmos naturales. μ y = ln
2 1+ C2v
26
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
En la función acumulada puede evaluarse para los valores dados mediante una tabla, se
ingresa con los valores de χ 2chi-cuadrado, ν grados de libertad al interceptar dicho valor
se establece la probabilidad de excedencia 1−F (x) .
. γ=
y
0.5772 ≤ y ≤ 17
Se remplaza en la expresión:
y=ln x−ln x , y se selecciona la 8.898919+9.05995 y−0.9775373 y 2
γ=
expresión que cumpla con el intervalo. y (17.79728+11.968477 y + y 2)
Parámetro de escala. x
β=
γ
2.5.6 Distribución Gumbel. Es una distribución de valor extremos, denominado valor extremo
tipo I, Fisher-Tippett o distribución doble exponencial.
2.5.6.1 Función densidad.
27
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
−x−β
1 −x− β −e α
F ( x )= e α ;−∞< x <∞
α
x−β
Variable reducida de Gumbel, se define como: y=
α
Donde:
α : Es el parámetro de escala de la distribución Gumbel.
β : Parámetro de posición de la distribución Gumbel.
n μy σy n μy σy
10 0,4952 0,9496 60 0,5521 1,1747
15 0,5128 1,0206 65 0,5535 1,1803
20 0,5236 1,0628 70 0,5548 1,1854
25 0,5309 1,0914 75 0,5559 1,1898
30 0,5362 1,1124 80 0,5569 1,1938
35 0,5403 1,1285 85 0,5578 1,1974
40 0,5436 1,1413 90 0,5586 1,2007
45 0,5463 1,1518 95 0,5593 1,2037
50 0,5485 1,1607 100 0,5600 1,2065
55 0,5504 1,1682 200 0,5672 1,2380
Ejercicio 15: Se cuenta con un registro histórico de 25años de precipitaciones máximas en la
estación Coimata, como se muestra en la tabla.
45.3 53.2 58.2 56.4 56.8
48.3 60.7 46.2 61.4 51.0
28
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
Ejercicio 16: Se requiere diseñar un puente canal en un tramo carretero para ello se logra recabar
la información de la estación de Yesera Norte para precipitaciones máximas en 24 horas.
38 53 34 73 55
40 97 43 61 68
46 67 52 49 71
51 34 49 52 55
69 47 59 45 45
53 44 56 68 43
De los cuales se obtiene un coeficiente de variación del 25,06% y la varianza de 184,992mm2.
a. Determinar la precipitación máxima para un periodo retorno de 50 años, para la
distribución Gamma y Gumbel.
Ejercicio 17: Se cuenta con un registro histórico de caudales máximos en m3/s que corresponde a
un registro de 30 años.
500 1045 1875 2876 1967
1643 133 186 883 3687
756 250 616 224 122
734 134 1706 2409 551
597 100 606 616 287
121 350 400 294 3384
29
Ingeniería en recursos hídricos – Estimación de avenidas máximas por métodos
probabilísticos
Ejercicio 18: Una cuenca consta de un registro de precipitaciones, al realizar la prueba de bondad
de ajuste se determina que el mejor arreglo es la distribución log-normal.
De análisis estadístico señala que la probabilidad que la precipitación sea menor a 80.033mm es
95.449%, mientras que la probabilidad de no superar los 90.017mm es 98.461%.
a. Determinar el parámetro de escala y de posición de la distribución log-normal, la media y
desviación estándar.
Ejercicio 19: En una cuenca de 15 km2 de superficie S tiene información de precipitaciones
máximas anuales para una hora de duración las cuales puede asumirse que se ajustan a una
distribución Gumbel. Dicha información indica que la probabilidad de exceder la lámina de
80mm es una hora es 20% mientras que la probabilidad de exceder los 140mm de lluvia, también
es de 5%.
a. Hallar el parámetro de escala, parámetro de posición, media y desviación estándar.
30