Professional Documents
Culture Documents
Hidrologa Estadstica y
Probabilstica
DISTRIBUCIONES DE PROBABILIDAD
Funciones que mejor se ajustan al comportamiento de las variables
hidrolgicas.
Una variable aleatoria es aquella que toma un conjunto de valores
numricos asociados a los resultados de nuestra bsqueda que
produce un proceso aleatorio.
Una distribucin de probabilidad es una lista del total de valores
que puede tomar una variable aleatoria con una probabilidad
asociada.
Existen dos tipos de distribuciones de probabilidad, las
distribuciones de probabilidad discretas y las distribuciones de
probabilidad continuas.
Distribuciones Continuas
Las distribuciones de probabilidad continuas son
aquellas en las que la variable aleatoria puede
asumir un nmero infinito de valores, que son
resultado de una medicin.
Por ejemplo, el valor de la temperatura media del
aire en intervalos dados de tiempo. Por supuesto
que las variables aleatorias continuas dependen de
la exactitud del instrumento de medicin en este
caso del termmetro.
Poblacin y muestra:
Poblacin, es el conjunto total de individuos o sucesos que queremos estudiar.
A veces disponemos de medidas de toda la poblacin estudiada, pero
generalmente, esto sera muy difcil (medir la estatura de todos los peruanos)
imposible (estudiando el caudal de un ro tendramos que medir los caudales de
todos los aos pasados y futuros). En estos casos debemos conformarnos con
medir una parte de la poblacin (una muestra). En cualquier caso, consideramos
los datos disponibles y con ellos intentamos extraer estimaciones vlidas para
toda la poblacin.
Muestra, es una pequea parte de la poblacin elegida adecuadamente para
que sea representativa del total de la poblacin.
Si se midiera la estatura de los alumnos de Hidrologa para conocer la estatura
media del curso, ellos seran toda la poblacin estudiada. Pero si, a partir de ellos,
se quisiera extraer conclusiones sobre la estatura de toda la juventud peruana,
mis alumnos seran solamente una muestra representativa de la poblacin
estudiada.
Distribucin Normal
1.
2.
3.
Distribucin Normal
Misma media y distintas
desviaciones estndar
Distintas medias y
desviacin estndar
misma
Distribucin Normal
F x
1
e
2
2
1 x
Modelo Normal
Es un modelo matemtico que describe
la probabilidad de variables continuas
en una Poblacin.
La Normal (=campana de Gauss):
N (,)
Altura de humanos
Peso de gatos
Resistencia del hormign
litros (=alas) de insectos
Capa de xido de un microchip
Definicin: N (,)
Modelo matemtico (con frmula).
x
N (0,1)
/ n
10
N (,)
Frecuencia
Se
68%
95%
99%
11
DISTRIBICIONES DE PROBABILIDAD
CONTINUA
Por ejemplo, para n=4, n/N=4/21*100=19 %. Quiere decir que el 19% de los datos
es igual o menor que 896 mm.
MUESTRA
fr
f(x)
POBLACION
xi
xi
FUNCIN DE FRECUENCIA
ACUMULADA
FUNCIN DISTRIBUCION DE
PROBABILIDADES
Distribucin Normal
Descubierta en 1733 por el francs Moiure, descrita tambin
por Laplace y Gauss (sinnimo de la forma grfica de esta
distribucin).
Importancia prctica de esta distribucin terica:
Muchos fenmenos distribuidos suficientemente Normal
Distribucin de promedios.
Distribucin de errores.
Caractersticas D. Normal
rea bajo la curva entre 2 puntos representa probabilidad que ocurra un
hecho entre esos dos puntos
Su dominio va de menos infinito a ms infinito;
Es simtrica con respecto a su media;
Tiene dos colas y es asinttica al eje x por ambos lados;
El valor del rea debajo de toda la curva es igual a 1;
El centro de la curva est representado por la media poblacional ().
Para cualquier curva normal, el rea de - a + es igual a 0.6827; de -2 a
+2 de 0,9545 y de -3 a +3 de 0,9973;
Distribucin muestreal de varios estadsticos, como `x es normal e
independiente de distribucin de la poblacin.
Z=
x -
Vamos a denominar a la ltima expresin obtenida arriba el riesgo de falla (R), es decir: la
probabilidad de que s se produzca alguna vez un suceso de periodo de retorno T a lo
largo de un periodo de n aos:
Subestima!
DISTRIBUCIN DE GUMBEL
= - Ln(-Ln(1 1/TR))
X=Q
DISTRIBUCIN DE GUMBEL
Distribucin Exponencial
Consideraciones:
Proceso de eventos aleatorios (los parmetros no cambian con el
tiempo).
No es posible tener mas de un evento en cualquier instante.
La media es:
La varianza es:
f (t ) e t ,
t0
E (t ) 1 /
2 (t ) 1/ 2
F (t ) e t d 1 e t
0
96
F (96) e t dt 1 e t
0
1
1 y - y
f(x) =
exp 2
2
y x 2
Y loga ( X i )
N i1
ln X T = y + K y
12
1 N
2
log
(
X
)
Y
a i Y
N i1
ln 1 + Cv 2
2 1/2
expK T ln 1 + Cv -
- 1
2
K=
Cv
-1
K T = Fu 1
F u 1
Tr
Intervalos de confianza
: Nivel de confianza o significancia
ST: Error estndar
ln X T u1- 2 S T
Y
ST =
N
1/2
K
= 1 + T
2
K=2.326
QY Tr=100=4.52+2.326*0.237
QTr=100=159 m3/s
Intervalos de Confianza: Ln(QTR=100) 95ST
=1.92
ST=0.075
4.94 QY 5.14
Y
ST =
N
K
T
= 1 +
2
5.0711.6*0.075
139159 170 m3/s
1/2
-1
1
x -x
f(x) =
e
| | ( )
() = z-1 e-z dz
0
=
2
1
=
v2
C
1 3
1
2
2
K K T + (K t 1) + (K T 6K T ) (K T 1) + K T
6 3
6
6
6 36
1
x - xo
x - xo
f(x) =
exp
| | ()
Funcin de densidad acumulada
1
P ( X x)
( )
X x x0
x x0
Parmetros
y , parmetros de escala y forma respectivamente.
xo parmetro de localizacin.
() = z-1 e-z dz
0
dx
2
=
0 =
X T u1 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estndar
ST =
N
K = 2.32
QTR=100 = 94.35 + 2.32*22.45 = 146.4
Intervalos de confianza:
XT u1 2 ST
ST
N
De tabla 95=1.6
ST = 17.6
146,4 1.6*17.6
146.4 28.16 m3/s
x ()
-1
ln(x) - y o
-
Parmetros
y , parmetros de escala y forma
y yo parmetro de localizacin
Estimacin de Parmetros
Mtodo de los momentos
=
y
2
y0
Factor de Frecuencia
Frecuencia::
Y T = ln X T =
y + K
y
Intervalos de Confianza
Confianza:: Que tan cercano puede estar el estimado al
verdadero valor desconocido de la poblacin: Conocer con cierta certeza.
Franja grande: mucha incertidumbre.
X T u1- 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estndar
ST =
N
ln XT 1 / 2ST
Conclusin
Distribuciones para variables continuas
Uniforme
Normal, Lognormal
Gamma
Pearson III, Log-Pearson III
Dist. Valores Extremos I y II
La
nivel de confianza.
Chi-Cuadrado
2
=
(fo fe)2
fe
En donde:
fo =Frecuencia observada de datos discretos
fe =Frecuencia esperada de la distribucin terica
Los grados de libertad se emplea (k-1) y luego se resta un
grado adicional de libertad para cada parmetro de
poblacin que tenga que ser estimado de los datos de la
muestra
Test de Kolmogorov-Smirnov
Es un simple mtodo no paramtrico para probar si hay una diferencia
significativa entre una distribucin observada y una distribucin terica de
frecuencia.
Para la aplicacin del test sealado, es necesario determinar la frecuencia
observada acumulada.
Para la frecuencia observada en el caso especial de Gumbel, se ordena la
informacin de menor a mayor y se aplica:
donde:
Fn (x): frecuencia observada acumulada.
n: N total de orden
N: N total de datos.
En el caso de la frecuencia terica acumulada, sta se determina a travs de
la funcin de Gumbel.
Ajuste a Gumbel:
Se desea conocer la ley de distribucin de las precipitaciones mximas en 24
horas, de la estacin Monte Patria provincia de Limar. Para ello, se dispone de
los siguientes datos.
De lo expuesto, se deduce que se cuenta con una informacin de doce aos, y adems
que las cantidades denotan una extrema variabilidad.
Por otra parte, aplicando la expresin n/N+1, se obtiene la frecuencia observada
acumulada, la cual se expresa en la columna (2) del cuadro N 2. Asimismo, reemplazando
en la ecuacin (1) los valores de x, se obtienen las frecuencias tericas acumuladas, las
cuales constituyen la columna (3) del cuadro N 2.
Aplicacin de Kolmogorov-Smirnov.
Con la informacin del cuadro N 2, se busca el Sup |Fn(x)i F(x)i| = D.
En este caso, corresponde a D = 0.073 en el tercer valor del cuadro mencionado. Con un
95% de confiabilidad y n = 12, se obtiene un valor de tabla Dt = 0.375.
Luego D < Dt, por consiguiente se acepta con 95% de seguridad que el ajuste es bueno.
Aplicacin del Coeficiente de determinacin (R2):
FIC
Walter La Madrid
wwlamadrid@yahoo.es