Professional Documents
Culture Documents
1. Introducción.
La estadística es la ciencia dedicada a la recolección, presentación y caracterización
de la información con el objeto de analizar para luego tomar decisiones.
La estadística se utiliza en diferentes especialidades de la ciencia como Minería,
Geología, Agronomía, Economía, Ambiental, medicina, economía, etc.
Para un mejor entendimiento de cómo se aplica la estadística en las diferentes
especialidades se definen los siguientes conceptos básicos:
1.1 Individuo.- Cualquier elemento que porte información sobre el fenómeno que se
estudia. Cada uno de los elementos de una población.
Ejemplo:
1. Si estudiamos la estatura de los alumnos de un aula de clase, cada alumno
es un individuo;
2. Si estudiamos el precio de la vivienda de una ciudad, cada vivienda es un
individuo.
3. Un alumno de la UNASAM
El individuo constituye una unidad elemental de la estadística.
1.2 Población.- Conjunto de todos los individuos (personas, objetos, animales, etc.)
que poseen una característica común observable y que porten información
sobre el fenómeno que se estudia.
Ejemplos:
1. El conjunto de todos los alumnos de la UNASAM.
2. El conjunto de todas las personas que viven en el distrito de Huaraz.
3. El conjunto de la estatura de todos los alumnos de la FIMGM.
1.3 Muestra.- Es un subconjunto que seleccionamos de la población. Ya que la
muestra es parte de una población, se debe tener cuidado que sea
representativo de la población, es decir, que las características esenciales de la
población estén reflejadas en la muestra.
Ejemplo:
1. Si se estudia el precio de la vivienda de una ciudad, lo normal será no recoger
información sobre todas las viviendas de la ciudad (sería una labor muy
compleja), lo que se suele es seleccionar un subgrupo (muestra) que sea lo
suficientemente representativo.
Al proceso de obtención de una muestra se llama “muestreo”.
Para que una muestra sea representativa debe cumplir con las siguientes
condiciones:
a. Debe haber sido obtenido al azar o en forma aleatoria.
b. Su tamaño y sus elementos deben haber sido seleccionados aplicando un
método de muestreo.
1.4 Variable.
Son las características que se desean evaluar en las unidades elementales.
Ejemplos:
1. X = Talla de los alumnos de una Universidad.
2. Y = Numero de cocinas vendidas al mes.
3. Z = Nivel de ingreso mensual de los trabajadores de la UNASAM.
4. W = Sexo de los alumnos.
Las variables se representan generalmente por las últimas letras mayúsculas
del alfabeto, por ejemplo: X, Y, Z, W, P, T o también X1, X2, X3,.. etc.
1.5 Tipos de Variables.
1.5.1 Variables Cuantitativas.
Son aquellas cuyas observaciones pueden expresarse en forma
numérica y con las cuales se puede realizar operaciones matemáticas.
Ejemplo:
1. X = Estatura de los alumnos en cm.
2. Y = Numero de inasistencias en el mes.
Además las variables cuantitativas se pueden clasificar en:
1. Variable cuantitativa continúa.
Son aquellas que pueden asumir cualquier valor numérico dentro de
un intervalo continuo dado. Generalmente son representados por el
conjunto de números reales. Las observaciones cuantitativas
continuas se obtienen utilizando instrumentos de medición como: test,
escalas, balanzas, cronómetros, winchas, termómetros, etc.
Ejemplo:
1. X = Estatura de los alumnos en cm.
2. Y = Velocidad de los vehículos en Km/hora.
2. Variable cuantitativa discreta.
Son aquellos observaciones que cumplen la condición de que entre un
valor cualquiera y su consecutivo no es posible que existan valores
intermedios. Generalmente son representados por el conjunto de
números enteros. Las observaciones cuantitativas discretas se
registran por conteo.
Ejemplo:
1. X = Número de clientes atendidos cada 5 minutos en una
ventanilla.
2. Y = Numero de inasistencias en el mes en días.
Tabla N° 02
Tabla N° 04
DISTRIBUCION DE FRECUENCIAS DEL
SALARIO DE 50 OPERARIOS
$/Dia CONTEO FRECUENCIA
50 l 1
51 lll 3
52 lllll 5
53 lllll llll 9
54 lllll lllll ll 12
55 lllll lllll 10
56 lllll 5
57 lll 3
58 ll 2
SUMA 50
Como se puede observar, hay una gran diferencia entre los datos crudos de la
tabla No.1 y el ordenamiento y agrupamiento de la tabla No. 4.
Con el fin de obtener una mejor tabla interpretativa, introduciremos la siguiente
simbología:
N: Tamaño de la muestra, es el número de observaciones.
Xi : La variable; es cada uno de los diferentes valores que se han
observado.
La variable Xi, toma los X1, X2…………….. Xn valores.
fi: La frecuencia absoluta o simplemente frecuencia, es el número de veces
que se repite la variable Xi;
Así: f1, es el número de veces que se repite la observación x1;
f2, el número de veces que se repite la observación x2, etc.
fa: La frecuencia acumulada, se obtiene acumulando la frecuencia absoluta.
fr: Frecuencia relativa; es el resultado de dividir c/u de las frecuencias
absolutas por el tamaño de la muestra.
fra: Frecuencia relativa acumulada; se obtiene dividiendo la frecuencia
acumulada entre el tamaño de la muestra.
Tabla N° 05 Tabla de
Distribución de Frecuencias.
Frecuencia Frecuencia Frecuencia
Variable Frecuencia Acumulada Relativa Relativa Acum.
Xi fi fa fr fra
x1 f1 f1 f1/n f1/n
x2 f2 f1+f2 f2/n (f1+f2)/n
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
xi fi f1+f2+…..fi fi/n (f1+f2+ …+fi)/n
. . . . .
. . . . .
xn fn fi+f2+…..fn fn/n (f1+f2+ …+fn)/n
n 1
Tabla N° 06
Tabla de Distribución de Frecuencia del Salario Diario de 50 Operarios
Frecuencia Frecuencia Frecuencia
Variable Frecuencia Acumulada Relativa Relativa
Xi fi fa fr Acum.
50 1 1 0.02 0.02
51 3 4 0.06 0.08
52 5 9 0.10 0.18
53 9 18 0.18 0.36
54 12 30 0.24 0.60
55 10 40 0.20 0.80
56 5 45 0.10 0.90
57 3 48 0.06 0.96
58 2 50 0.04 1.00
50 1.00
Análisis:
Analizando las columnas porcentuales fr y fra se obtienen, entre otras las
siguientes conclusiones:
Sólo el 4% de las obreras gana el máximo salario/día de la fábrica, el
cual corresponde a $58.00
El salario diario mínimo ($50.00) lo gana únicamente una obrera, lo que
constituye el 2% del personal asalariado.
El 62% de las operarias tiene un salario diario entre $53.00 y $55.00.
El 60% de las obreras tiene un salario/día de $54.00 o menos.
El 64% tiene un ingreso/día de $54.00 o más.
Por lo general, se encuentra solo con una muestra de los datos de esa
población, es decir nunca podemos disponer de la totalidad de los datos. Pero
cuando estos datos se organizan en forma compacta y fácil de utilizar, los
geólogos pueden disponer de una herramienta de gran utilidad, para tomar
decisiones.
Existen muchas formas de clasificar los datos, una manera útil es dividirlo en
categorías similares o clases y luego contar el número de observaciones que
caen en cada categoría, lo que constituye una tabla de frecuencias o una
distribución de frecuencias.
Para una muestra dada, se escoge un rango R, que contenga a todos los
valores de la misma. Se subdivide R en sub-intervalos que se llaman intervalos
de clase; los puntos medios de estos intervalos se denominan marcas de clase.
Se dice que los valores de la muestra en cada uno de los intervalos forma una
clase. Al número de valores en una clase se llama frecuencia de clase; su
división en el tamaño N de la muestra es la frecuencia relativa de clase. Esta
frecuencia considera como función de las marcas de clase; se denomina función
de frecuencias de la muestra, y se denota con f(x). La función de frecuencias
acumuladas de la muestra, se denota como F(x), y se define como:
Procedimiento
N : tamaño de la muestra
Ln (N) logaritmo natural o neperiano del tamaño de muestra.
𝑋 max − 𝑋𝑚𝑖𝑛 𝑅
Δx = = 𝑁𝐶−1 …………………. ( 4)
𝑁𝐶−1
𝑛𝑗 1
Fri = ∑𝑖𝑗=1 𝑓𝑟𝑗 = ∑𝑖𝑗=1 𝑁 = 𝑁 ∑𝑖𝑗=1 𝑛𝑗 ………………. ( 10 )
Donde:
Fri: frecuencia relativa acumulada hasta el intervalo i.
J: 1, 2,…..,i acumulación de los intervalos hasta i
10. Calcular la función densidad empírica fi para cada intervalo. Esta
función según Yevjevich, se calcula usando la fórmula:
𝑓𝑟𝑖 𝑓𝑟𝑖 𝑛𝑖
𝑓𝑖 lim = = 𝑁∆𝑥 …………………. (11)
∆𝑥→0 ∆𝑥 ∆𝑥
POLIGONO DE FRECUENCIAS
0.45
0.40
0.35
0.30
Axis Title
0.25
0.20
0.15
0.10
0.05
0.00
6 18 30 42 54 66 78
Axis Title
1.2000
0.8000
0.6000
Funcion Distribucion
Acumulada
0.4000
0.2000
0.0000
0 20 40 60 80 100
2.4. EJEMPLO.
Tabla 8.1 Serie histórica de caudales medios anuales en m3/s del rio Chicama.
Estación Salinas (1911-1980).
AÑO CAUDAL AÑO CAUDAL AÑO CAUDAL
M3/S M3/S M3/S
1911 7.91 1935 24.58 1959 22.88
1912 8.01 1936 28.49 1960 17.57
1913 13.27 1937 10.05 1961 14.60
1914 16.39 1938 28.01 1962 31.14
1915 80.83 1939 34.92 1963 18.20
1916 60.08 1940 31.36 1964 24.69
1917 21.55 1941 42.74 1965 22.99
1918 27.71 1942 12.94 1966 11.78
1919 28.63 1943 41.16 1967 32.26
1920 30.27 1944 35.90 1968 4.76
1921 33.43 1945 33.76 1969 12.70
1922 35.16 1946 29.28 19970 16.19
1923 27.21 1947 19.17 1971 30.14
1924 15.58 1948 29.37 1972 30.57
1925 64.81 1949 30.06 1973 45.38
1926 51.26 1950 9.67 1974 18.91
1927 33.48 1951 10.42 1975 34.99
1928 25.79 1952 23.99 1976 21.49
1929 25.80 1953 42.17 1977 29.26
1930 18.93 1954 16.00 1978 4.58
1931 16.15 1955 22.78 1979 12.46
1932 38.30 1956 32.69 1980 3.14
1933 54.54 1957 34.28
1934 59.40 1958 20.24
Solución:
CAPITULO II
Curva B
Curva A
Curva C
Curva B
Curva A
Las curvas asimétricas o sesgadas, como las que se muestran en la fig. 4 son
aquellas en las cuales la distribución de frecuencia se concentra en el extremo
inferior o superior de la escala de medida sobre el eje horizontal. Los valores
no se distribuye igualmente, por lo que pueden ser sesgadas a la derecha
(curva A) y sesgadas a la izquierda (curva B).
Curva A
Curva B
Curva B
Curva A (Mesocúrtica)
Curva B (Leptocúrtica)
Curva C (Platicúrtica)
Donde:
μ: media poblacional
Donde:
Donde:
Dónde:
n: número de notas
Donde:
Este promedio se usa para promediar razones que tiene unidades tales como
kilómetros por hora, costo por paciente, etc.
2.2.5 Mediana
Es un valor único de un conjunto de datos que mide al elemento central en los datos.
Este único elemento de los datos ordenados es el más cercano a la mitad o el más
central en el conjunto de números. La mitad de los elementos quedan por encima de
ese punto y otra mitad por debajo de él.
Ejemplo 1:
Ejemplo 2:
Donde:
Ejemplo:
Resolviendo se tiene que n/2 = 100/2 = 50; nos advierte que la observación número
50 se encuentra en el cuarto intervalo de clase.
100
− 35
2
𝑀𝑒 = [ ] 100 + 400 = 445.45
33
2.2.5 Moda
Para datos agrupados en intervalos de clase, la moda, una vez determinada la clase
modal se calcula con la siguiente ecuación:
𝑑1
𝑀𝑜 = 𝐿𝐼 + 𝑑1+𝑑2 𝑤 …(9)
Donde:
Ejemplo:
33−21
Mo = 400 + ∗ 100 = 444.44 Kg/cm2
33−21 + 33−18
Si la distribución es asimétrica (fig. b y c), los tres valores divergen, aunque siempre
para una distribución unimodal, la moda está localizada en su punto más alto y la
mediana esta entre la media y la moda.
Media
median
moda
a moda median
a Media
(a) (c)
median
a moda
Media
(c)
2.3.1 Rango
R: rango
2.3.2 Varianza
Datos no agrupados:
2 ∑𝑛
𝑖=1(𝑥𝑖−𝜇)
2
𝜎 = …(11)
𝑛
2 ∑𝑛
𝑖=1(𝑥𝑖−𝑥̅ )
2
𝑆 = …(12)
𝑛−1
Pero:
∑ 𝑥𝑖
∑ 𝑥𝑖 = 𝑛 = 𝑛𝑥̅ …(14)
𝑛
Y en (12) resulta:
1
𝑆2 = (∑𝑛𝑖=1 𝑥𝑖 2 − 𝑛𝑥̅ 2 ) …(17)
𝑛−1
Donde:
Datos agrupados
∑𝑘 2
𝑖=1(𝑥𝑖−𝜇) .𝑓𝑖
𝜎2 = …(18)
𝑛
2 ∑𝑘 2
𝑖=1(𝑥𝑖−𝑥̅ ) .𝑓𝑖
𝑆 = …(19)
𝑛−1
Donde:
𝑥̅ =: media
1
𝑆 2 = 𝑛−1 (∑𝑘𝑖=1 𝑥𝑖 2 . 𝑓𝑖 − 𝑛𝑥̅ 2 ) …(21)
𝜎 = √𝜎 2 (Poblacional)
𝑆 = √𝑆 2 (Muestral)
1
𝜎 = √𝑛 (∑𝑘𝑖=1 𝑥𝑖 2 − 𝑛𝜇 2 ) …(22)
1
𝑆 = √𝑛−1 (∑𝑘𝑖=1 𝑥𝑖 2 − 𝑛𝑥̅ 2 ) …(23)
Siendo:
1
𝑥̅ = 𝜇 = 𝑛 ∑𝑛𝑖=1 𝑥𝑖 …(24)
1
𝜎 = √𝑛 (∑𝑘𝑖=1 𝑥𝑖 2 . 𝑓𝑖 − 𝑛𝜇 2 ) …(25)
1
𝑆 = √𝑛−1 (∑𝑘𝑖=1 𝑥𝑖 2 . 𝑓𝑖 − 𝑛𝑥̅ 2 ) …(26)
Siendo:
1
𝑥̅ = 𝜇 = 𝑛 ∑𝑛𝑖=1 𝑥𝑖 . 𝑓𝑖 …(27)
𝑥̅ = 𝜇: Media
2.4.1 sesgo
Datos no agrupados:
Donde:
∑𝑛
𝑖=1(𝑥𝑖−𝜇)
3
𝜇3 = …(30)
𝑛
𝑛
1
𝜎 = √ (∑(𝑥𝑖 − 𝜇)2 )
𝑛
𝑖=1
𝑛
1
𝜇 = ∑ 𝑥𝑖
𝑛
𝑖=1
Donde:
∑𝑛
𝑖=1(𝑥𝑖−𝑥̅ )
3
𝑀3 = …(32)
𝑛
𝑛
1
𝑆=√ ∑(𝑥𝑖 − 𝑥̅ )2
𝑛−1
𝑖=1
𝑛
1
𝑥̅ = ∑ 𝑥𝑖
𝑛
𝑖=1
Datos agrupados:
Donde:
∑𝑘 3
𝑖=1(𝑥𝑖−𝜇) 𝑓𝑖
μ3 = ……. (33)
𝑛
𝑘
1
𝜎 = √ ∑(𝑥𝑖 − 𝜇)2 𝑓𝑖
𝑛
𝑖=1
1
𝜇 = ∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
𝑛
Donde:
∑𝑘 3
𝑖=1(𝑥𝑖−𝑥̅ ) 𝑓𝑖
M3 = ……… (35)
𝑛
𝑘
1
𝑆=√ ∑(𝑥𝑖 − 𝑥̅ )2 𝑓𝑖
𝑛−1
𝑖=1
1
𝑥̅ = 𝑛 ∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
2.5.1 Curtosis
Datos no agrupados:
𝝁
K = 𝝈𝟒𝟒 …………….. (36)
∑𝑘 4
𝑖=1(𝑥𝑖−𝜇) 𝑓𝑖
μ3 = …………. (37)
𝑛
𝑘
1
𝜎=√ ∑(𝑥𝑖 − 𝜇̅ )2 𝑓𝑖
𝑛−1
𝑖=1
1
μ = 𝑛 ∑𝑘𝑖=1 𝑥𝑖
∑𝑛
𝑖=1(𝑥𝑖−𝑥̅ )
4
M4 = …………… (39)
𝑛
𝑘
1
𝑆=√ ∑(𝑥𝑖 − 𝑥̅ )2
𝑛−1
𝑖=1
1
𝑥̅ = 𝑛 ∑𝑛𝑖=1 𝑥𝑖
Datos agrupados
El coeficiente de curtosis (k) para datos poblacionales se define mediante la
siguiente ecuación
𝜇
K = 𝜎44
Donde
∑𝑘 4
𝑖=1(𝑥𝑖−𝜇) 𝑓𝑖
μ4= …........ (40)
𝑛
𝑘
1
𝜎 = √ ∑(𝑥𝑖 − 𝜇)2 𝑓𝑖
𝑛
𝑖=1
1
𝜇 = 𝑛 ∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
Donde
∑𝑘 4
𝑖=1(𝑥𝑖−𝑥̅ ) 𝑓𝑖
M4 = ……… (42)
𝑛
𝑘
1
𝑆=√ ∑(𝑥𝑖 − 𝑥̅ )2 𝑓𝑖
𝑛−1
𝑖=1
1
𝑥̅ = 𝑛 ∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
Los cálculos de los estadísticos de una serie de datos es por si laboriosa. Para la
simplificación de los cálculos, donde se requieren la determinación de la media,
varianza, desviación estándar, el coeficiente de variación, coeficiente de variación,
coeficiente de sesgo y coeficiente de curtosis.
Solución:
SERIE
Numero de datos = 13
RESULTADOS
Introducción.
Ejemplos:
EXPERIMENTO ALEATORIO.
Ejemplos:
Ejemplos:
Es cada uno de los elementos del espacio muestral y se representa por “e”.
Ejemplo ilustrativo:
Eventos (E):
TECNICAS DE CONTEO
1. La regla del producto para n-uplas o n-elementos.
2. Permutaciones
3. Combinaciones
Ejemplos:
1. El arrojar una moneda, la probabilidad de que salga sello, es:
1
P=2
2. Al arrojar un dado, hay seis casos igualmente posibles, la probabilidad de que
salga un número igual o mayor que 3 es:
4 2
P=6=3
3. Al arrojar dos dados, hay 36 casos igualmente posibles, la probabilidad de que
la suma de los resultado sea 7, es:
6 1
P = 36 = 6
4. En una serie de dos bolas rojas y ocho bolas negras, hallar la probabilidad que
al extraer una bola, esta sea de color rojo.
De los 10 casos igualmente probables, en 2 casos sucederá el evento que se
considera, por lo que se tendrá:
2 1
P = 10 = 5
En el concepto clásico de probabilidad solo se puede aplicar en experimentos
en los que hay un número finito de casos igualmente posibles. Pero en la
naturaleza, los principales problemas prácticos no son de este tipo.
2. P(∅) = 0
3. P (𝐴𝐶 ) = 1 – P(A), donde 𝐴𝐶 es el complemento de A.
PROBABILIDAD CONDICIONAL
Es una función X, definida sobre un espacio muestral S, que asigna un valor a esta
variable, correspondiente a cada punto (resultado) del espacio muestral de un
experimento
A una variable aleatoria, se le conoce también como variable estocástica, sus valores
son números reales, que no pueden predecirse con certeza antes de ocurrir el
fenómeno, es decir, ocurren al azar
Se dice que una variable aleatoria X es discreta. Cuando sus valores se restringen a
un conjunto enumerable finito o infinito.
Representación Grafica
Número de días
E F M A … D Meses
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 entero o decimal.
Ejemplo: El caudal diario registrado en una estación de aforo
Caudal Q
1 2 3 4 5 6 …. 31 días
DISTRIBUCIONES
Notación:
µ = parámetro de localización
𝜎 2 = parámetro de escala
Para que la función f(x), quede definida, debe calcularse los parámetros µ y 𝜎 2 .
Como normalmente, no se conocen todos los valores de la variable aleatoria, la
estimación de los parámetros, se realiza a partir de una muestra.
∑𝑛𝑖=1 𝑥𝑖
𝜇̂ = 𝑥̂ =
𝑛
2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
2
𝜎 =𝑆 =
𝑛
Donde:
𝜇̂ : Es el estimador de la 𝜇
𝜎̂ : Es el estimador de σ2.
La bondad de estos estimadores está dado por diferencias (α-a), (β-b), (γ-c), etc. pero
como es fácil intuir hay infinitas posibilidades para a, b, c por lo tanto se consideran
como mejores estimadores aquellos que se aproximan más a los valores
poblacionales y se llaman α, β, γ,…etc.
E(a)= α
Insesgado si:
E(a)= α + v (α)
Eficiente si:
VAR(a) =E (a-α)2
Consistente si:
Método Grafico
Método de Momentos
Así:
2. Dibujar una recta que se aproxime a los puntos, tanto como sea posible.
4. Calcular el valor para una posibilidad del 84.13% el mismo que corresponde a
𝑥̅ +S, es decir.
𝑥̅ + 𝑠 = 𝐾2 𝑠 = 𝐾2 − 𝑥̅
𝑆 es un estimador de σ.
Este método es más aplicable para la estimación de los parámetros de una ecuación
de regresión.
𝑒𝑖 = 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖
𝜕𝑆
= −2 ∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝑎 − 𝑏 𝑥𝑖 ) = 0 …(2)
𝜕𝑏
Las ecuaciones (1) y (2) se denominan ecuaciones normales, las cuales resueltas
dan para a y b.
∑ 𝑥𝑖 ∑ 𝑦 𝑖
∑ 𝑥𝑖 𝑦𝑖 − ∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)
𝑛
𝑏= 2 =
(∑ 𝑥𝑖 ) ∑(𝑥𝑖 − 𝑥̅ )2
∑ 𝑥𝑖2 −
𝑛
∑ 𝑦𝑖 ∑ 𝑥𝑖
𝑎 = 𝑦̅ − 𝑏𝑥̅ = − 𝑏
𝑛 𝑛
4.2.3 METODO DE LOS MOMENTOS
𝛼 = 𝑓1 (µ𝑖 , µ𝑖+1 , … )
𝛾 = 𝑓3 (µ𝑘 , µ𝑘+1 , … )
Donde:
Como los momentos son estimados a partir de los momentos de la muestra como
estimadores sesgados o insesgados, el resultado que se obtiene será a, b, c, o
𝑎̂, 𝑏̂, 𝑐̂ , como estimadores sesgados o insesgados de los parámetros.
Ejemplos:
Solución:
Sabemos que:
1 ∞ 2
µ= ∫ 𝑥𝑒 −1⁄2[(𝑥−𝜃1 )⁄𝜃2 ]
√2𝛱𝜃2 −∞
𝑑𝑥 … ……….(6)
Haciendo:
𝑥−𝜃1
𝜃2
=𝑦 𝑥 = 𝜃1 + 𝜃2 𝑦 𝑑𝑥 = 𝜃2 + 𝑑𝑦 ………(7)
Límites: si x → -∞ y → -∞
x → +∞ y → +∞
∞ ∞
𝜃1 𝜃2 2 ⁄2 (𝜃2 )2 2 ⁄2
µ= ∫ 𝑒 −𝑦 𝑑𝑦 + ∫ 𝑒 −𝑦 𝑑𝑦
√2𝛱𝜃2 −∞ √2𝛱𝜃2 −∞
𝜃1 ∞ 2 ⁄2 𝜃2 ∞ 2 ⁄2
µ= ∫ 𝑒 −𝑦
√2𝛱 −∞
𝑑𝑦 +
√2𝛱𝜃2
∫−∞ 𝑒 −𝑦 𝑑𝑦…………………(8)
Calculo de:
∞ 2 ⁄2 𝑂 2 ⁄2 ∞ 2 ⁄2
𝐴 = ∫−∞ 𝑒 −𝑦 𝑑𝑦 = ∫−∞ 𝑒 −𝑦 𝑑𝑦 + ∫0 𝑒 −𝑦 𝑑𝑦 …(9)
2
Siendo 𝑓(𝑦) = 𝑒 −1⁄2(−𝑦)
2 2
𝑓(−𝑦) = 𝑒 −1⁄2(−𝑦) = 𝑒 −1⁄2𝑦 = f(y)
Dado que f(-y) =f(y), f(y) es una función par, por lo cual se tiene:
0 ∞
∫−∞ 𝑓(𝑦)𝑑𝑦 = ∫0 𝑓(𝑦)𝑑𝑦
Haciendo
𝑦2 = 𝑡 𝑦 = 𝑡 1⁄2
𝑑𝑡 𝑑𝑡
2𝑦𝑑𝑦 = 𝑑𝑡 𝑑𝑦 = = 2𝑡 1⁄2
2𝑦
Limites:
Para y = 0 t =0
y → ∞ t→ ∞
∞
𝐴 = ∫0 𝑡 −1⁄2 𝑒 −1⁄2𝑡 dt
1
Pero 𝑟 (2) = √𝛱 (propiedad de la función Gamma)
√𝛱
𝐴= 1
√2
𝐴 = √2𝛱 …. (11)
Calculo de B
∞ 2
𝐵 = ∫−∞ 𝑦𝑒 −1⁄2𝑦 𝑑𝑦
0 2 ∞ 2
𝐵 = ∫−∞ 𝑦𝑒 −1⁄2𝑦 𝑑𝑦 + ∫0 𝑦𝑒 −1⁄2𝑦 𝑑𝑦 …. (12)
1 2
Donde 𝑓(𝑦) = 𝑦𝑒 −2𝑦
1 1 2
(−𝑦)2
𝑓(−𝑦) = (−𝑦)𝑒 −2 = (−𝑦)𝑒 −2𝑦 = −𝑓(𝑦)
B=0 …… (13)
1
𝜃1 = ∑ 𝑋𝑖 = 𝑋̅
𝑁
Sustituyendo f(x) en (5) se tiene:
∞
1 2
𝜎 2 = µ2 = ∫ (𝑥 − µ) 𝑒 −1⁄2[(𝑥−𝜃1 )⁄𝜃2 ] 𝑑𝑥
−∞ √2𝛱𝜃2
Como µ = 𝜃2
∞
1 2
𝜎 2 = µ2 = ∫ (𝑥 − 𝜃1 )2 𝑒 −1⁄2[(𝑥−𝜃1 )⁄𝜃2 ] 𝑑𝑥
√2𝛱𝜃2 −∞
Haciendo:
𝑥−𝜃1
=𝑦 𝑥 = 𝜃1 + 𝜃2 𝑦 𝑑𝑥 = 𝜃2 𝑑𝑦
𝜃2
Límites: si x→ -∞ y → -∞
x→ +∞ y → ∞
Luego:
∞
1 2
𝜎2 = ∫ 𝜃2 2 𝑦 2 𝑒 −1/2𝑦 𝜃2 𝑑𝑦
√2𝛱𝜃2 −∞
𝜃2 2 ∞
2
𝜎2 = ∫ 𝑦 2 𝑒 −1/2𝑦 𝑑𝑦
√2𝛱𝜃2 −∞
2
Siendo f(Y)= 𝑦 2 𝑒 −1/2𝑦 y f(-y)=f(y) (función par), por lo cual
∞ ∞
∫−∞ 𝑓(𝑦)𝑑𝑦 = 2 ∫−∞ 𝑓(𝑦)𝑑𝑦
Luego:
2
𝜃2 2 ∞
2
𝜎 = ∫ 𝑦 2 𝑒 −1/2𝑦 𝑑𝑦
√2𝛱 0
Haciendo:
𝑑𝑡
𝑦2 = 𝑡 𝑦 = 𝑡1/2 𝑑𝑦 = 2𝑡 1/2
Limites.
Para y = 0 t =0
y →∞ t → ∞
Se tiene:
2𝜃2 2 ∞
𝑑𝑡
2
𝜎 = ∫ 𝑡 𝑒 −1⁄2
√2𝛱 0 2𝑡 1⁄2
𝜃2 2 ∞
𝜎2 = ∫ 𝑡1/2 𝑒 −1⁄2 𝑑𝑡
√2𝛱 0
𝜃2 2√𝛱
𝜎2 = .
√2𝛱 (1/2)1/2
2
𝜃2 2
𝜎 = . √2𝛱
√2𝛱
𝜎 2 = 𝜃2 2 ( el parámetro 𝜃2 es igual 𝜎 )
1
𝜎 2 = 𝜃2 2 = ∑(𝑋𝑖 − 𝑋̅)2
𝑁−1
1
𝜃2 = √ ∑(𝑋𝑖 − 𝑋̅)2
𝑁−1
f(x)=
0 En otro caso
El parámetro α
La varianza
Solución:
µ = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
∞
∝𝑥 𝑒 −∝
µ = ∑𝑥
𝑥
𝑥=0
∞
∝𝑥 𝑒 −∝
µ=∑
(𝑥 − 1)ǃ
𝑥=0
∝0 𝑒 −∝ ∝𝑥 𝑒 −∝
µ= + ∑∞
𝑥=1
(−1)ǃ (𝑥−1)ǃ
Pero:
∝0 𝑒 −∝ 𝑒 −∝ 𝑒 −∝
= r(0) = =0
(−1)ǃ ∞
Luego:
∞
∝𝑥 𝑒 −∝
µ=∑
(𝑥 − 1)ǃ
𝑥=1
−∝
∝1 ∝2 ∝3
µ=𝑒 .( + + +⋯ )
0ǃ 1ǃ 2ǃ
∝2 ∝3
µ =∝ 𝑒 −∝ . (1 + + +⋯ )
1ǃ 2ǃ
Pero:
→
∝2 ∝3
(1 + + +⋯ ) = 𝑒 ∝ (Por desarrollo de serie de Taylor)
1ǃ 2ǃ
Entonces:
µ = 𝑒 −∝ 𝑒 ∝
µ=∝
Falta 88 y 8
L = ∏ f(𝑥𝑖 , 𝛼, 𝛽, 𝛾, … )
𝑖=1
L = f(𝑥1 , 𝛼, 𝛽, 𝛾, … . ) ∗ 𝑓(𝑥2 , 𝛼, 𝛽, 𝛾, … . ) … … … … . . 𝑓(𝑥𝑁 , 𝛼, 𝛽, 𝛾, … . )
N 𝑁
Usualmente insesgado.
Si la eficiencia de estimadores existe para los parámetros α, β,,…, el método
puede producirlos.
La solución de la ecuación de verosimilitud proporciona un estimador que
converge al valor poblacional cuando el tamaño muestral tiende a infinito, por
lo que el estimador es consistente.
Ejemplos:
Solución:
L = ∏ f(𝑥𝑖 , 𝜆)
𝑖=1
Luego:
L = ∏ 𝜆 𝑒 −𝜆𝑥
𝑖=1
𝑛
𝜕𝑙𝑛𝐿 𝜕
= 𝑙𝑛𝐿 = [∑ ln(𝑙𝑛𝜆 − 𝜆𝑥𝑖 )] = 0
𝜕𝜆 𝜕𝜆
𝑖=1
𝑛
1
∑ ( − 𝑥𝑖 ) = 0
𝜆
𝑖=1
𝑛 𝑛
1
∑ − ∑ 𝑥𝑖 = 0
𝜆
𝑖=1 𝑖=1
𝑛
1
𝑛 ∗ = ∑ 𝑥𝑖
𝜆
𝑖=1
𝑛
1 1
= ∑ 𝑥𝑖
𝜆 𝑛
𝑖=1
1 1
𝜆= 1 =
∑𝑛𝑖=1 𝑥𝑖
𝑛 X
1 1⁄ [𝑥−𝜃 /𝜃 ]2
𝑓(𝑥) = 𝑒 2 1 2 𝑝𝑎𝑟𝑎 − ∞ < 𝑎 < ∞
√2 ∏ 𝜃2
N
1 1⁄ [𝑥−𝜃 /𝜃 ]2
L= ∏ 𝑒 2 1 2
𝑖=1
√2 ∏ 𝜃2
2. Tomando ln:
𝑛
1 1⁄ [𝑥−𝜃 /𝜃 ]2
𝑙𝑛𝐿 = ∑ ln( )𝑒 2 1 2
𝑖=1
√2 ∏ 𝜃2
𝑛
1 𝑥𝑖 − 𝜃1 2
𝑙𝑛𝐿 = ∑ ln (√2 ∏ 𝜃2 ) − ( )
2 𝜃2
𝑖=1
𝑛
1
𝑙𝑛𝐿 = ∑ [−ln(√2 ∏ 1 − 𝑙𝑛𝜃2 ) − ()2 ]
2
𝑖=1
𝜕𝑙𝑛𝐿 1 𝑥𝑖 −𝜃1 1
a) = ∑𝑛𝑖=1 [− ∗ 2( )(− )] = 0
𝜕𝜆 2 𝜃2 𝜃2
𝑛
𝑥𝑖 − 𝜃1
∑ =0
𝜃2
𝑖=1
𝑛
1
∑(𝑥𝑖 − 𝜃1 ) = 0
𝜃2 2 𝑖=1
𝑛 𝑛
∑ 𝑥𝑖 − ∑ 𝜃1 = 0
𝑖=1 𝑖=1
𝑛 𝑛
∑ 𝑥𝑖 = ∑ 𝜃1
𝑖=1 𝑖=1
𝑛
∑ 𝑥𝑖 = 𝑛𝜃1
𝑖=1
𝑛
1
𝜃1 = ∑ 𝑥𝑖 = X
𝑛
𝑖=1
𝜕𝑙𝑛𝐿 1 1
b) = ∑𝑛𝑖=1 [− 𝜃 − 2 ∗ (𝑥𝑖 − 𝜃1 )2 (−2𝜃2 − 3)] = 0
𝜕𝜆 2
𝑛
1 (𝑥𝑖 − 𝜃1 )2
∑ [− + ]=0
𝑖=1
𝜃2 𝜃2 3
𝑛
1 (𝑥𝑖 − 𝜃1 )2
∑ [−1 + ]=0
𝜃2
𝑖=1
𝜃2 3
𝑛 𝑛
(𝑥𝑖 − 𝜃1 )2
∑(−1) + ∑ =0
𝑖=1 𝑖=1
𝜃2 3
𝑛
1
∑(𝑥𝑖 − 𝜃1 )2 = 𝑛
𝜃2 2 𝑖=1
𝑛
1 (𝑥𝑖 − 𝜃1 )2
∑ = 𝜃2 2
𝑛
𝑖=1
𝑛
2 1
𝜃2 = ∑(𝑥𝑖 − 𝜃1 )2 = 𝜎 2
𝑛
𝑖=1
1
𝑓(𝑥) = 𝑝𝑎𝑟𝑎 𝛼 ≤ 𝑥 ≤ 𝛽
𝛽−𝛼
𝛼 𝑥 𝑒 −𝛼
𝑓(𝑥) = { 𝑥! 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, …
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Las pruebas estadísticas, tienen por objeto medir la certidumbre que se obtiene al
hacer una hipótesis estadística sobre una población, es decir calificar el hecho de
suponer que una variable aleatoria se distribuya según una cierta función de
probabilidades.
Ajuste grafico
1. − chi − cuadrado
Ajuste estadistico {
2. − Smirnov − Kolmogorov
∑ 𝜃𝑖 = ∑ 𝑒𝑖 = 𝑵
𝒊=𝟏 𝒊=𝟏
2
𝑋𝑐 =Valor calculado de chi-cuadrado, a partir de los datos.
𝜃𝑖 =Número de valores observados en el intervalo de clase i.
𝑒𝑖 =Número de valores esperados (teórico) en el intervalo de clase i.
𝑘 =Número de intervalos de clase.
Asignado probabilidades a la ecuación (1) es decir, asignando igual probabilidad
de ocurrencia a cada intervalo de clase, se tiene:
𝑘
2 (𝑁𝑖 − 𝑁𝑃𝑖 )2
𝑋𝑐 =∑ … … … … … … … … … … … (2)
𝑁𝑃𝑖
𝑖=1
Donde:
𝑁𝑖 = Número de observaciones que caen dentro de los límites de clases
ajustadas del intervalo i.
𝑁= Tamaño muestral
𝑃𝑖 = Probabilidad igual para todos los intervalos de clases.
i
Pi = k o ei = NPi …………………… ……………….… (3)
VENTAJAS Y LIMITACIONES
Donde:
P( Δ ≥ Δo) = α (6)
También:
5.4 PROCEDIMIENTO.
Dónde:
M = Número de orden.
N = Número de datos
Método Probabilidad
experimental
P
m
California n
m-1/2
Hazen n
m
Weibull n+1
m - 0.3
Chegadayev n + 0.4
m-3/8
Bom n+¼
3m – 1
Tukey 3n + 4
m–a
Gringorten n + 1 – 2a
Dónde:
P = Probabilidad experimental o frecuencia relativa empírica.
m = Numero de orden
n = Numero de datos
a = Valor comprendido en el intervalo 0 < a < 1, y depende de n, de
acuerdo a la siguiente tabla:
n 10 20 30 40 50
a 0.448 0.443 0.442 0.441 0.440
n 60 70 80 90 100
a 0.440 0.440 0.440 0.439 0.439
Probabilidad
Valor %
̅
𝑿 50
̅
𝑿+ S 84.13
̅- S
𝑿 15.87
VENTAJAS Y LIMITACIONES
Para utilizar estos modelos probabilísticos, se debe calcular sus parámetros y realizar
la prueba de bondad de ajuste, un esquema de este proceso se muestra en la figura
15.
Fig. 15. Proceso de selección de una distribución teórica.
Encontrada la ley de distribución que rige a las variables aleatorias se podrá predecir
con determinada probabilidad, la ocurrencia o no ocurrencia, de una determinada
magnitud de un fenómeno Hidrometeorológico, GEOLOGICO, geo mecánico, etc.
Distribución normal
Distribución log-normal de 2 o 3 parámetros
Distribución de gamma de 2 o 3 parámetros
Distribución Gumbel
1. FUNCION DENSIDAD
̅ 2
1 𝑋−𝑋
1
𝐸𝑥𝑝 − [ ]
𝑓(𝑥) = 2 𝑆 …………………..(1)
√2𝜋 𝑆
̅ 2
1 𝑋−𝑋
1 − [ ]
𝑓(𝑥) = 𝑒 2 𝑆 ………………………(2)
√2𝜋 𝑆
Donde:
x = variable independiente.
X----- N(𝑋̅, 𝑆 2 )
El grafico de la función densidad es:
0.15
S2
f(x)
0.1
0.05
0
0 20 40 60 80 100
Xi 𝑋̅
𝑋𝑖 −𝑋̅
Si 𝑍= ………………….(3)
𝑆
1
1 [𝑍]2
𝑓(𝑍) = 𝐸𝑥𝑝 − 2 ……….(4)
√2𝜋 𝑆
1
1 [𝑧]2
O 𝑓(𝑍) = 𝑒− 2 ………(5)
√2𝜋 𝑆
Los valores de f(x) o f(z) pueden ser fácilmente evaluados para un valor dado de x
o de z por las ecuaciones (1) y (4).
El grafico de la función densidad es la distribución normal estándar es:
1 𝑋−𝑋 ̅ 2
1 𝑥 − [ ]
𝐹(𝑥) = ∫ 𝐸𝑥𝑝 2 𝑆 𝑑𝑥 …………………..(6)
√2𝜋 𝑆 −∞
̅ 2
1 𝑋−𝑋
1 𝑥 − [ ]
𝐹(𝑥) = ∫−∞𝑒 2 𝑆 𝑑𝑥………………………(7)
√2𝜋 𝑆
O su equivalente:
1
1 𝑧 − [𝑍]2
𝐹(𝑍) = ∫−∞ 𝐸𝑥𝑝 2 𝑑𝑥 …(8)
√2𝜋 𝑆
1
1 𝑧 − [𝑧]2
𝐹(𝑍) = ∫ 𝑒 2 𝑑𝑥 ….(9)
√2𝜋 𝑆 −∞
Existen tablas, por ejemplo las tablas 1 y 2 del apéndice que permite calcular F(Z).
Donde:
𝟏
V = 𝟏+𝟎.𝟑𝟑𝟐𝟔𝟕|𝒁| ……………………………………..(11)
b) Masting (1955), ha dado una aproximación polinomial que ha sido utilizado por
la IBM (1968). Esta aproximación con un error menor que 7.5 x 10-8 , es:
Donde:
1
W = 1+0.2316419|𝑍| ………………(13)
b2 = 1.781477937 b5 = - 1.821255978
b3 = 1.330274429
4. ESTIMACION DE PARAMETROS
1
𝑋̅ = 𝜇 = 𝑁 ∑𝑁
𝑖=1 X i
1
S = 𝜎 =[𝑁−1 ∑𝑁 ̅ 2 1/2
𝑖=1(𝑋𝑖 - 𝑋 ) ] …………………..(14)
Donde:
5. APLICACIONES EN GEOLOGIA
6. AJUSTE
𝑦 ̴𝑁(µ𝑦 , 𝜎 2 𝑦)
𝑑𝑦
𝑓(𝑥) = 𝑓(𝑦)
𝑑𝑥
Donde:
𝑑𝑦 1
𝑦 = ln 𝑥 =𝑥
𝑑𝑥
𝑥 ̴𝑙𝑜𝑔𝑁(µ𝑦 , 𝜎 2 𝑦)
𝑦−µ𝑦
Si 𝑍= 𝜎𝑦
2
1𝑦 −𝑍
𝐹(𝑍) = ∫ 𝑒 2 dZ …………………………………………..…. (18)
√2𝜋 ̵α
𝑍 ̴𝑁(0,1)
𝜎2 𝑦
Media: Ȳ = 𝐸(𝑥) = 𝐸𝑋𝑃(µ𝑦 + )
2
Varianza: 𝑆 2 = 𝐸(𝑥 − 𝐸(𝑥))2 = 𝐸𝑋𝑃(2µ𝑦 + 𝜎 2 𝑦)(𝐸𝑋𝑃(𝜎 2 𝑦) − 1)
𝜎2 𝑦 1⁄
Desv. Est : 𝑆 = 𝐸𝑋𝑃(µ𝑦 + )(EXP(𝜎 2 𝑦) − 1) 2
2
𝑆 1⁄
Coeficiente de variación: 𝐶𝑉 = Ȳ= (EXP(𝜎 2 𝑦) − 1) 2
De donde:
𝜎 2 𝑦 = ln(1 + 𝐶𝑉 2 ) …. (19)
1
µ𝑦 = − 𝜎 2 𝑦 + ln 𝑋
2
1 Ȳ2
µ𝑦 = 2 ln(𝐶 2 ) …. (20)
𝑉 +1
Coeficiente de sesgo:
µ3 2𝑦 1⁄ 2
Cs= g = 3 = (𝑒 𝜎 − 1) 2 (𝑒 𝜎 𝑦 + 2) …. (21)
µ2 ⁄2
Para valores prácticos de 𝜎 2 𝑦 : 0.1 < 𝜎 2 𝑦 < 0.6, la relación es casi lineal y puede ser
aproximado por:
𝑦 = ln(𝑥 − 𝑋0 ) 𝑦 ̴ 𝑁(µ𝑦 , 𝜎 2 𝑦)
𝑝𝑎𝑟𝑎 𝑥0 ≤ 𝑥 < α
Coeficiente de sesgo:
µ3 2𝑦 1⁄ 2
Cs= g = 3 = (𝑒 𝜎 − 1) 2 (𝑒 𝜎 𝑦 + 2) …. (26)
µ2 ⁄2
Donde:
∑(𝑥𝑖 −Ȳ)3
𝑀3 = …. (29)
𝑁
∑(𝑥𝑖 −Ȳ)2
S=√ …. (30)
𝑁−1
∑ 𝑥𝑖
Ȳ= …. (31)
𝑁
Luego:
𝐶𝑠−0.52
De (27): 𝜎𝑦 = √ …. (32)
4.85
1 𝑆2
De (25): µ𝑦 = 2 (ln ( 𝜎2 𝑦
) − 𝜎 2 𝑦) …. (33)
𝑒 −1
𝜎2 𝑦⁄
De (24): 𝑥0 = Ȳ − 𝑒 µ𝑦 + 2 …. (34)
6.2.2 EJEMPLO
3
Dada la serie histórica de caudales medio anuales, en 𝑚 ⁄𝑠𝑒𝑔. que corresponde a un
registro de 50 años para el rio Santa (Perú):
SOLUCION:
1
𝐹(𝑄 = 𝑞) = 𝑃(𝑄 ≤ 𝑞) = 1 −
𝑇
1
𝐹(𝑄 = 𝑞) = 1 −
75
𝐹(𝑄 = 𝑞) = 0.9866666 = 𝐹(𝑍)
De donde:
𝑄 = 𝑒 2.215∗0.2808+4.9861
3
𝑄 = 272.618 𝑚 ⁄𝑠
1. FUNCIÓN DENSIDAD
Se dice que una variable aleatoria X, tiene una distribución gamma de 2 parámetros
si su función densidad de probabilidad es:
𝑥 𝛾−1 𝑒 −𝑥/𝛽
𝑓(𝑥) =
𝛽 𝛾 Γ(Υ)
para:
0≤𝑥≤∞
0≤𝛾≤∞
0≤𝛽≤∞
siendo:
Γ(1) = Γ(2) = 1
Γ(1/2) = √Π
Γ(0) = ∞
Si ϒ > 0 pero no entero, puede Γ(𝛾) ser calculado por expansión de series e
integración numérica por:
2Π 1 1 1 1
Γ(𝛾) = 𝛾 𝛾 𝑒 −𝛾 √ [1 + + − − +⋯]
𝛾 12𝛾 288𝛾 2 51840𝛾 3 2488320𝛾 4
Para más detalles sobre las propiedades de la función gamma completa, su forma de
cálculo y la transformada de Laplace, ver anexo.
2. FUNCIÓN ACUMULADA
𝑥 𝑥 𝛾−1 𝑒 −𝑥/𝛽
𝐹(𝑥) = ∫0 𝑑𝑥 … (44)
𝛽 𝛾 Γ(Υ)
𝑌Υ−1 𝑒 −𝑌
𝑔(𝑌) = … (47)
Γ(Υ)
Las funciones reducidas contienen el parámetro 𝛾, por lo cual cada valor positivo de
𝛾 determina una función diferente. Un extracto de las tablas de Wik, Gnanadesikan
Huyett (1962), para las variables aleatorias reducidas Gamma, se muestra en la tabla
1.
𝑋̅ 2
De las ecs. (49) y (50), se tiene: 𝛾 = … (52)
𝑆2
𝑆2
De las ecs. (49) y (52), resulta: 𝛽 = 𝑋̅ 2 … (53)
Thom (1958), estableció que para 𝛾 < 10, el método de momentos produce una
estimación inaceptable de los parámetros 𝛽 y 𝛾. Para 𝛾 cerca de 1 el método de
momentos usa solamente el 50% de la información de la muestra para estimar 𝛽 y
solamente el 40% para estimar 𝛾.
para: 0 ≤ 𝑦 ≤ 0.5772
y para:
8.898919+9.05995𝑦+0.9775373𝑦2
𝛾= … (55)
𝑦(17.79728+11.968477𝑦+𝑦 2 )
donde:
̅̅̅̅̅
𝑦 = 𝑙𝑛𝑋̅ − 𝑙𝑛𝑋 … (56)
siendo:
𝑋̅
𝛽= … (57)
𝛾
1. FUNCIÓN DENSIDAD
Se dice que una variable aleatoria X, tiene una distribución gamma de 3 parámetros
o distribución Pearson III, si su función de densidad de probabilidad es:
para:
𝑥𝑜 ≤ 𝑥 < ∞
−∞ ≤ 𝑥𝑜 < ∞
0≤𝛽<∞
0≤𝛾<∞
2. FUNCIÓN ACUMULADA
La función de distribución acumulada de la distribución gamma de 3 parámetros es:
en la cual:
𝛽: parámetro de escala
𝛾: parámetro de forma
media: 𝑋̅ = 𝑥𝑜 + 𝛽𝛾 … (62)
de donde:
4
𝛾 = 𝐶2 … (65)
𝑆
𝛽 = 𝐶𝑆 𝑆/2 … (66)
𝑥𝑜 = 𝑋̅ − 2𝑆/𝐶𝑆 … (67)
4. APLICACIÓN EN HIDROLOGÍA
Su uso en hidrología está casi tan difundido como el uso de la distribución log-normal
de 3 parámetros, con la desventaja de la mayor complicación al estimar sus
parámetros y calcular los valores de la función de distribución acumulada.
Las razones que convalidan la utilización de esta distribución de probabilidad son las
mismas que lo hacen en la distribución log-normal.
6.3.3. EJEMPLO
SOLUCIÓN:
𝑋̅ = 157.05
̅̅̅̅̅
ln 𝑥 = 4.90
𝑆 2 = 6450.21
𝑆 = 80.31
𝑦 = 𝑙𝑛𝑋̅ − ̅̅̅̅̅
ln 𝑥 = ln 157.05 − 4.9 = 0.15656
como: 𝑦 = 0.15656 < 0.5772, se utiliza la ec. (54), para el cálculo de 𝛾, es decir:
157.05
𝛽= = 45.8133
3.4280
6.4 DISTRIBUCION GUMBEL
1. FUNCION ACUMULADA
ó
−(𝑥−µ)
F(x) = 𝑒 −𝑒 𝛼
................................................................... (69)
Dónde:
2. FUNCION DENSIDAD
ó
1 −(𝑥−µ)/𝛼
f(x) = α 𝑒 −(𝑥−µ)/𝛼 −𝑒 ………………………………………………….. (71)
Para:
-∞< x < ∞
La variable aleatoria reducida de Gumbel, se define como:
𝑋−µ
Y= ……………………………………………………................. (7)
𝛼
F(x) = G (Y)
Y la relación es:
x−µ
Y= ó x = µ + αY ……………………….. (75)
α
-Moda xmoda = µ
lim 1 1 1
C = n→∞ [1 + + + ⋯ + 𝑛 − ln n]
2 3
C = 0.5772156649
Por lo tanto:
De donde se obtiene:
√6
α = S = 0.78 S …………………………….. (78)
п
5. EJEMPLO
1.1Para crear el archivo con la serie de datos, se usa el programa del listado 6.
Media: 𝑋̅ = 957.59
El programa calcula estos parámetros utilizando las ec. (778) y (79) obteniendo:
Δ = 0.1454
Decisión
Se concluye que los datos se ajustan a una distribución Gunbel, con un nivel de
significación del 5%.
1
F(Q = q) = 1 - 50
-e−y = ln0.98
e−y = 0.020202707
-y = ln(0.020202707)
Y= 3.9019
Q = µ + 3.9019 x α
Q =2,727.38 m3/s.