Professional Documents
Culture Documents
PROGRAMA MASTER
EN INGENIERIA CIVIL
CON MENCION EN INGENIERIA VIAL
Hidrologa Estadstica
M.Sc. Marina Faras de Reyes
Agosto 2017
Contenido
Introduccin
discretos y continuos
Introduccin
Universo o poblacin: Conjunto de datos cuyas
propiedades se van a estudiar.
Muestra: Conjunto de datos seleccionados de un
universo.
Muestra representativa.
http://www.winmates.net/ayuda/arbol/411esta.php
Introduccin
Experimento: Reproduccin controlada de un
fenmeno.
Experimento aleatorio
www.xatakaciencia.com
www.sinembargo.mx
www.thehouseofblogs.com
Introduccin
Experimento: Reproduccin controlada de un
fenmeno.
Experimento aleatorio
www.actiweb.es
www.ott.com
www.aguascordobesas.com.ar
Introduccin
Introduccin
Espacio muestra: Representacin de
todos los eventos de un experimento.
Grfica o analtica.
http://www.matematicasypoesia.com.es/Estadist/espacio-muestral-01.gif
Variable aleatoria
Funcin definida sobre un espacio muestra.
A cada evento le corresponde un nmero real.
A partir de un espacio muestra, diferentes variables.
Ser:
Discreta: Nmero de eventos es finito.
Continua: Nmero de eventos es infinito.
Dominio: espacio muestra
Rango: v.a.
X(ei) = xi
Ejemplos
Experimento: Llegada de autos a un estacionamiento.
Evento: Hora de llegada
Espacio muestra: S={00:00, 00:18, 00:52, ... 22:20, 23:45}
Variable aleatoria continua: tiempo entre llegada de dos autos.
Variable aleatoria discreta: Nmero de autos al da.
Probabilidad
Se evala por nmeros reales, probabilidades, del 0 al 1.
A cada punto del espacio muestral se le asigna una
probabilidad tal que la suma es igual a 1. Pueden ser
equiprobables o con diferentes valores.
La probabilidad de ocurrencia de un evento es la suma de
probabilidades asignadas a los puntos muestrales.
0 <= P(A) <= 1; P() = 0; P(S) = 1.
Probabilidad
Su estudio surge por el afn del hombre por las
competencias y las apuestas. Hoy en da abarca ms que
los juegos de azar.
Expresa resultados de los que no se tiene la total certeza.
Expresa la posibilidad de que ocurra un evento como
resultado de un experimento estadstico.
Introduccin
Tipos de probabilidad
Probabilidad a priori
Probabilidad subjetiva
Probabilidad experimental
Probabilidad a priori
Se conoce de antemano basados en que los
eventos simples o puntos muestrales son
equiprobables.
P = # eventos xito / eventos totales
Monedas, dados, naipes, etc.
Probabilidad subjetiva
Est asociada a la experiencia, habilidad o
conocimiento que tiene una persona para juzgar
cierta situacin.
Se aplica a fenmenos que no se pueden repetir
o cuya repeticin no tiene sentido.
Ejemplos:
Un topgrafo opina que tiene el 30% de posibilidades
de terminar su trabajo en el cauce del ro a tiempo si el
nivel de agua no le causa retrasos.
Probabilidad experimental
De tendencia central
De variabilidad
De posicin
De forma
Introduccin
AO Q (m3/s) AO
3
Q (m /s) orden
1926 860 1943 2250 1
1927 610 1941 2220 2
1928 124 1932 1900 3
1929 135 1939 1525 4
1930 95 1949 1010 5
1931 450 1926 860 6
1932 1900 1933 620 7
1933 620
1927 610 8
1934 438
1938 508 9
1935 379
1931 450 10
1936 390
1934 438 11
1937 39
1942 405 12
1938 508
1939 1525 1936 390 13
1940 185 1935 379 14
1941 2220 1944 273 15
1942 405 1945 220 16
1943 2250 1940 185 17
1944 273 1929 135 18
1945 220 1946 134 19
1946 134 1928 124 20
1947 41 1930 95 21
1948 43 1948 43 22
1949 1010 1947 41 23
1950 0 1937 39 24
media 594 1950 0 25
Introduccin
(Desviacin)
Desviacin media
Varianza
Desviacin estndar
Coeficiente de variacin: cv= s/m
Desviacinre
Valor absoluto Desviacin al
specto de la
3
Q (m /s) de la desviacin cuadrado
AO media
1926 860 266 266 70682
1927 610 16 16 252
1928 124 -470 470 221032
1929 135 -459 459 210810
1930 95 -499 499 249141
1931 450 -144 144 20776
1932 1900 1306 1306 1705270
1933 620 26 26 669
1934 438 -156 156 24380
1935 379 -215 215 46285
1936 390 -204 204 41673
1937 39 -555 555 308180
1938 508 -86 86 7420
1939 1525 931 931 866500
1940 185 -409 409 167396
1941 2220 1626 1626 2643421
1942 405 -189 189 35774
1943 2250 1656 1656 2741872
1944 273 -321 321 103131
1945 220 -374 374 139981
1946 134 -460 460 211729
1947 41 -553 553 305964
1948 43 -552 552 304307
1949 1010 416 416 172940
1950 0 -594 594 353002
10952585 10952585
media 594 0 499 438103 456358
desviacin estndar 661.89 675.54
n n-1
Introduccin
3
Q (m /sec) 1 3900 cuartil 0 38 350
860 2 3200 39 273
610
124 3 3107 40 272
135 4 2500 41 220
95
450 Cuartiles 5 2250 42 185
1900 6 2220 43 180
620
438 7 2200 44 167
379 8 1900 45 153
390
39 9 1793 46 135
508 10 1700 47 134
1525
185 11 1616 48 124
2220 12 1530 49 115
405
2250 13 1525 50 112
273 14 1108 51 101
220
134 15 1042 52 95
41 16 1010 53 88
43
1010 17 980 54 82
0 18 900 55 81
0
153 19 860 cuartil 1 cuartil 3 56 75
2200 20 845 57 74
44
350 21 845 58 58
1530 22 690 cuartil 2 365 59 49
1700
690 23 646 60 45
900 24 638 61 44
81
88 25 620 62 43
115 26 610 63 41
37
33 27 574 64 39
2500 28 568 65 37
49
82 29 545 66 33
21 30 508 67 29
180
29 31 450 68 25
545 32 438 69 21
1616
845 33 405 70 14
58 34 390 71 6
272
388 35 390 72 6
646 36 388 73 0
167
74 37 379 cuartil 4 74 0
45
568
390
3200
980
112
25
574
6
845
6
14
1793
1042
1108
75
101
638
4424
3107
Introduccin
Asimetra: Distorsin
Curtosis: Agudeza
Asimetra
Es el grado de
agrupacin de valores
alrededor de la media.
Es una medida de la
distorsin de los datos.
Su expresin matemtica
es:
Curtosis
Es el grado de agudeza o de achatamiento
que presenta una distribucin de datos.
Su expresin matemtica es:
Mediana MEDIANA
Moda MODA
Cuartil CUARTIL
Percentil PERCENTIL
Curtosis CURTOSIS
Variable aleatoria:
Funcin definida sobre un espacio muestra.
Funcin de probabilidad
Una funcin de probabilidad de una
variable aleatoria X se define como el
conjunto de parejas ordenadas {xi, f(xi)}
donde xi es el valor que puede tomar X y
f(xi) representa la probabilidad de que X
asuma dicho valor , de tal forma que
Sf(xi) = 1.
Es necesario:
Espacio muestral, S.
Probabilidad, asociada a c/punto de S.
Ejemplo: Lluvias en Piura.
v.a.: Total de lluvia mensual en Piura.
Registros: 0 820 mm
Espacio muestral: 0 a
Probabilidad: funcin de probabilidad.
X Y
0.1 0.5
0.5 0.8
1 2
1.8 2.5
2.5 3
3 3.6
4.2 4.8
5 6.5
5.6 6.8
6.5 7
8 7.8
700
X Y
0.1 0.5 600 Y
0.5 0.8
1 2 Lineal (Y)
1.8 2.5 500
2.5 3
Polinmica (Y)
3 3.6
400
4.2 4.8
5 6.5 Exponencial (Y)
y = 1.03e0.32x
5.6 6.8 300 R = 0.82
6.5 7 Potencial (Y)
8 7.8
200
X Y
0.1 0.5
0.5 0.8
1 2
1.8 2.5
2.5 3
3 3.6
4.2 4.8
5 6.5
5.6 6.8
6.5 7
8 7.8
Principales modelos
probabilsticos discretos
Binomial
Poisson
Distribucin Binomial
Nmero de xitos en n ensayos
independientes de tipo Bernoulli.
Distribucin Binomial
Usada en problemas cuando se tiene:
Un nmero fijo de pruebas o ensayos.
Los resultados del ensayo son slo xito
o fracaso.
Los ensayos son independientes, y
Probabilidad de xito es constante
durante todo el experimento.
Distribucin Binomial
La funcin de masa de
probabilidad binomial es:
La distribucin binomial
acumulada es:
0 n 0 n n
n 1 1 1 1
b( x 0; n;1 / Tr ) 1 1*1* 1 1
0 Tr Tr Tr Tr
Riesgo R =1-(1-1/Tr)n
Tr=1/(1-(1-R) 1/n)
Si la obra tiene una
vida til de n aos,
se calcula Tr,
R VIDA TIL DE LAS OBRAS (n aos)
fijando el riesgo de (%) 1 2 3 5 10 20 25 50 100 200
falla admisible R, el 0.01 100 199 299 498 995 1,990 2,488 4,975 9,950 19,900
cual es la 0.02 50 99 149 248 495 990 1,238 2,475 4,950 9,900
probabilidad de 0.05 20 39 59 98 195 390 488 975 1,950 3,900
ocurrencia del pico 0.1 10 19 29 48 95 190 238 475 950 1,899
0.2 5 9 14 23 45 90 113 225 449 897
de la creciente 0.25 4 7 11 18 35 70 87 174 348 696
estudiada, durante 0.5 2 3 5 8 15 29 37 73 145 289
la vida til de la 0.75 1.3 2.0 2.7 4.1 7.7 15 19 37 73 145
obra. 0.99 1.0 1.1 1.3 1.7 3 5 6 11 22 44
Principales modelos
probabilsticos continuos
Normal
Log-normal
Exponencial
Gamma o Pearson III
Valores extremos tipo I. Gumbel
Distribucin Normal
Funcin densidad:
Uso de software
HIDROESTA
Mximo Villn Bjar
Creacin de un
nuevo conjunto
de datos
Acceso a datos
pregrabados
Mtodo de clculo
Nmero de orden de los parmetros
Datos
Probabilidad terica
Bondad
de ajuste
Distribucin Log-Normal
Es la distribucin Normal aplicada habiendo
hecho un cambio de variable.
Existen dos tipos de Log Normal:
De dos parmetros: y my
y ln( x); z
sy
y my
De tres parmetros: y ln( x a); z
sy
f(x)
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9
LogN de 3 parmetros y my
y ln( x a); z
sy
Lognormal de
3 parmetros
VE I o Gumbel
La probabilidad acumulada:
y 1
F ( x X ) 1 e e
Tr
donde y es una variable auxiliar:
xu
y
a
a y u son los parmetros de la funcin:
Sx
a u x yn .a
Sn
Valores de Gumbel
Media reducida Yn
n 0 1 2 3 4 5 6 7 8 9
10 0,4952 0,4996 0,5035 0,5070 0,5100 0,5128 0,5157 0,5181 0,5202 0,5220
20 0,5230 0,5252 0,5268 0,5283 0,5296 0,5309 0,5320 0,5332 0,5343 0,5353
30 0,5362 0,5371 0,5380 0,5388 0,5396 0,5402 0,5410 0,5418 0,5424 0,5430
40 0,5436 0,5442 0,5448 0,5453 0,5458 0,5463 0,5468 0,5473 0,5477 0,5481
50 0,5485 0,5489 0,5493 0,5497 0,5501 0,5504 0,5508 0,5511 0,5515 0,5518
60 0,5521 0,5524 0,5527 0,5530 0,5533 0,5535 0,5538 0,5540 0,5543 0,5545
70 0,5548 0,5550 0,5552 0,5555 0,5557 0,5559 0,5561 0,5563 0,5565 0,5567
80 0,5569 0,5570 0,5572 0,5574 0,5576 0,5578 0,5580 0,5581 0,5583 0,5585
90 0,5586 0,5587 0,5589 0,5591 0,5592 0,5593 0,5595 0,5596 0,5598 0,5599
100 0,5600
n 0 1 2 3 4 5 6 7 8 9
10 0,9496 0,9676 0,9833 0,9971 1,0095 1,0206 1,0316 1,0411 1,0493 1,0565
20 1,0628 1,0696 1,0754 1,0811 1,0864 1,0915 1,0961 1,1004 1,1047 1,1086
30 1,1124 1,1159 1,1193 1,2260 1,1255 1,1285 1,1313 1,1339 1,1363 1,3880
40 1,1413 1,1430 1,1458 1,1480 1,1499 1,1519 1,1538 1,1557 1,1574 1,1590
50 1,1607 1,1623 1,1638 1,1658 1,1667 1,1681 1,1696 1,1708 1,1721 1,1734
60 1,1747 1,1759 1,1770 1,1782 1,1793 1,1803 1,1814 1,1824 1,1834 1,1844
70 1,1854 1,1863 1,1873 1,1881 1,1890 1,1898 1,1906 1,1915 1,1923 1,1930
80 1,1938 1,1945 1,1953 1,1959 1,1967 1,1973 1,1980 1,1987 1,1994 1,2001
90 1,2007 1,2013 1,2020 1,2026 1,2032 1,2038 1,2044 1,2049 1,2055 1,2060
100 1,2065
a 1 x
1 x
f ( x;a ; ; ) e
(a )
a 1 x
1 x
f ( x;a ; ; )
(a )
e
Distribucin Gamma o Pearson III
Dependiendo de los valores de los parmetros, se trata de
Gamma de 3p o Gamma de 2p.
Si = 0 Gamma de 2 parmetros (Excel):
1
f ( x;a ; ) a
xa 1e x
(a )
Si = 1 Gamma de 1 parmetro o estndar:
1 a 1 x
f ( x;a ) x e
(a )
1
f ( x;a ; ) a
xa 1e x
(a )
Parmetros:
Forma: a x/ > 0
Escala: s2/x > 0
valores y es ms trabajosa.
Prueba Smirnov-Kolmogorov: Se
Prueba Smirnov-Kolmogorov
Compara las P exc empricas:
P = m/(n+1) m:# orden; n:# datos
con las tericas segn cada distribucin de los
datos individuales, sin agrupar.
Producto de dicha comparacin se obtienen unos
valores D.
El Dmximo se compara con un valor Dcrtico:
Dcrtico = 1.36 / n
Se acepta si Dmximo < Dcrtico Nivel de
significancia
Numerador
20% 1,07
10% 1,22
5% 1,36
1% 1,63