Climatologia I - Unidad IV

Universidad Central de Venezuela
Facultad de Humanidades y Educación

Escuela de Geografía
Departamento de Geografía Física
Catedra de Climatología
Profesor: Lic. Gabriel Fernández
CLIMATOLOGÍA I
Semestre 2017-1
Unidad IV
Modelos para la predicción probabilística del
evento meteorológico
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
¿Qué es una serie climática? (Unidad I)

Es una sucesión de datos meteorológicos con separación temporal de un año entre cada par de datos. Es un
conjunto de datos homogéneos, es decir, los datos son de igual:
• Atributo o propiedad atmosférica: cada atributo atmosférico (elemento) es homogéneo en sí mismo pero
heterogéneo con los demás. Habrá tantos conjuntos a analizar estadísticamente como atributos se
seleccionen. Tal selección estará en función de la importancia de los mismos sobre la actividad humana y de
su posibilidad, instrumental o económica, de ser registrada o medida.
• Unidad de medida
• Sitio de medición
• Momento o lapso de medición  generado bajo unas mismas condiciones de registro o experimentación. El
criterio climatológico básico de homogeneidad consiste en que las mediciones deben realizarse bajo las
mismas relaciones astronómicas Tierra – Sol.
ESTACION: CAGIGAL Serie longitudinal

LATITUD 10° 30' 25" NORTE; LONGITUD: 66° 55' 39" OESTE; ELEVACION: 1035 msnm
TEMPERATURA MEDIA EN °C,
Serie meteorológica
AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC ANUAL Proceso de orden meteorológico
1996 19,9 20,6 21,0 21,9 22,4 21,7 20,8 21,5 22,1 21,3 20,9 20,2 21,2 Medida en distinta relación tierra-sol
1997 20,6 20,9 20,2 21,5 22,7 21,7 21,3 21,9 22,3 22,3 22,8 21,5 21,6
0 Análisis meteorológico
1998 21,9 22,0 22,5 22,2 22,9 22,5 22,1 23,0 22,6 22,4 21,7 20,7 22,2
1999 19,6 19,6 20,6 21,3 23,0 22,1 21,4 21,7 21,3 21,0 20,6 19,9 21,0 Serie longitudinal
2000 18,5 19,1 19,2 20,6 21,9 21,2 21,6 22,3 21,5 21,1 20,2 19,6 20,6 Serie meteorológica
MD 20,1 20,4 20,7 21,5 22,6 21,8 21,4 22,1 22,0 21,6 21,2 20,4 21,3
Proceso de orden climático
Análisis climático
Serie transversal
Serie climática
Proceso mensual de orden meteorológico Serie transversal
Medida en igual relación tierra-sol Serie climática
Proceso anual de orden meteorológico
Comportamiento aleatorio
Variable aleatoria
Discreta Continua
Toma valores claramente separados, Toma infinitos valores, dentro de un rango

generalmente se produce por conteo. permitido, generándose una distribución de
probabilidades continuas.
Comportamientos no aleatorios
• Oscilación: es una fluctuación en la cual la variable tiende a moverse gradual y

suavemente entre sucesivos mínimos y máximos
Comportamientos no aleatorios
• Tendencia: es un cambio climático caracterizado por un suave, uniforme y

monótono incremento o descenso del valor promedio durante el período de
registro
• Ciclos: es un ritmo en el cual el intervalo entre sucesivos máximos y mínimos es

constante o muy cercano a lo constante caracterizándose por un valor máximo
seguido por un valor mínimo.
Componente
determinista
Componente
(conocimiento Fenómeno
aleatorio
de la climático
(incertidumbre)
ocurrencia del
fenómeno)
¿Por qué es importante determinar si existe un predominio del a

componente aleatoria?
Antes de aplicar un modelo probabilístico a una serie de datos, se debe determinar

si efectivamente el hecho o fenómeno posee o no una estructura probabilística, para
ello debe poseer dos condiciones:
• Es posible enumerar todos los resultados factibles del fenómeno.

• Es imposible predecir exactamente cual resultado se logrará en un momento
cualquiera
Identificación de la aleatoriedad en las series climatológicas
Test no paramétrico de las Rachas
I. Si n1 y n2 son ≤20:
1. Se calcula la mediana (Md) de la serie

2. Se asignan los signos + o – a la serie original
 Xi > Md  + , es decir, a los datos mayores a la mediana, se le asigna un
signo positivo
 Xi < Md  – , es decir, a los datos menores a la mediana, se le asigna un
signo negativo
 Xi = Md  a todo valor igual a la mediana se le colocara el signo del valor
precedente en la secuencia original, si el valor igual a la mediana fuera el
primero de la sucesión, le asignaríamos el signo del valor siguiente.
3. Se hace el conteo del número de rachas (rm) o carreras. Habrá una racha,
cuando haya uno o más valores sucesivos con signos de la misma clase. Luego,
los resultados son:
Número de datos: n
Número de datos por encima de la mediana = n1(+)
Número de datos por debajo de la mediana = n2(-)
Numero de rachas en la muestra
4. Las hipótesis estadísticas que se desean probar o contrastar son:

 Hipótesis nula (Ho): los signos + y – se suceden al azar
 Hipótesis alterna (Hi): los signos + y – no ocurren aleatoriamente
Tabla: Limites (en rachas) de la Región de Aceptación de la Hipótesis de

Aleatoriedad con un nivel de Significación del 5%, según los valores de n1 y n2
Aleatoria
Tendencia/ Oscilación
ciclos Límite inferior Límite superior
2,5 97,5
Percentil: es una puntuación de la distribución que tiene por debajo de él un

determinado porcentaje de casos
Limites (en rachas) de la Región de Aceptación de la Hipótesis de Aleatoriedad con un nivel de
Significación del 5% , según los valores de n1 y n2
(n1 y n2) Limite inferior Limite superior (n1/n2) Limite inferior Limite superior
3/6 2 8 11/11 7 17
3/7 2 8 11/12 7 18
3/8 2 8 11/13 7 19
4/5 2 9 11/14 8 19
4/6 2 9 11/15 8 20 En la tabla están los 2 límites de la región de
4/7 2 10 11/16 8 20
4/8 3 10 12/12 7 19 aceptación para el nivel de significación de 0,05
4/9 3 10 12/13 8 19
5/5 2 10 12/14 8 20 (o sea: aceptamos que cuando los sucesos ocurren
5/6 3 10 12/15 8 20
5/7 3 11 12/16 9 21 en un 5% de las veces o menos, se deben a
5/8 3 11 12/17 9 21
5/9 3 12 13/13 8 20 factores ajenos al azar). Para emplear la
5/10 3 12 13/14 9 20
6/6 3 11 13/15 9 21 mencionada tabla se requiere solamente del
6/7 3 12 13/16 9 23
6/8 3 12 13/17 10 22 número de datos que están por encima y que están
6/9 4 13 13/18 10 22
6/10 4 13 14/14 9 21 por debajo del valor mediano.
6/11 4 13 14/15 9 22
7/7 3 13 14/16 10 22
7/8 4 13 14/17 10 23
7/9 4 14 14/18 10 23 El límite superior (rs) de la región de aceptación
7/10 5 14 14/19 11 23
7/11 5 14 15/15 10 22 seria el número de rachas asociado al percentil
7/12 5 14 15/16 10 23
8/8 4 14 15/17 11 23 97,5 y el límite inferior (ri), está relacionado al
8/9 5 14 15/18 11 24
8/10 5 15 15/19 11 24
percentil 2,5. Si rm estuviera en o fuera de los
8/11
8/12
6
6
16
16
15/20
16/16
12
11
25
23
límites indicados no se aceptaría la Ho, es decir, la
8/13
9/9
6
5
16
15
16/17
16/18
11
11
24
25
serie presentaría algún tipo de sistematicidad.
9/10 5 16 16/19 12 25
9/11 6 16 16/20 12 25
9/12 6 16 17/17 11 25
9/13 6 17 17/18 12 25
9/14 7 17 17/19 12 26
10/10 6 16 17/20 13 26
10/11 6 17 18/18 12 26
10/12 7 17 18/19 13 27
10/13 7 18 18/20 13 27
10/14 7 18 19/19 13 27
10/15 7 18 19/20 13 27
20/20 14 28
II. Si n1 y/o n2 son >20, no se podría utilizar el cuadro anterior, entonces se

plantea que la distribución de las medias muestrales de las rachas es
aproximadamente normal, y por ende, se resolverá el problema mediante esa
distribución.
La distribución normal de rachas (Nr) tendrá por parámetros a Mr y Sr, los cuales se
estiman mediante:
2 ∗ n1 ∗ n2
Mr = +1
n1 + n2
2 ∗ n1 ∗ n2 ∗ [ 2 ∗ n1 ∗ n2 − n1 − n2 ]
Varr = Sr 2 =
n1 + n2 2 ∗ (n1 + n2 − 1)
Mr promedio aritmético de las media de las rachas

S2r varianza de las medias de las rachas
n1 número de datos por encima de la mediana (+)
n2 número de datos por debajo de la mediana (–)
II. Si n1=n2 y son >20, entonces para calcular los parámetros se utilizaría:
Mr = n1+1
2 n1 (n1 −1) n2 (n2 −1)

Sr = =
(2 n1 ) − 1 (2 n2 ) − 1
Para emplear las tablas de la distribución normal tipificada o estandarizada, las

cuales comúnmente aparece en los textos de estadística, recurriremos a una nueva
variable, la variable Zr, cuyo valor calculado se hace por la relación:
(rm − Mr )
Zr =
Sr
Si α 5% y gdl∞ entonces los limites superior (zs) e inferior (zi) de la región de

aceptación serian ± 1,96
Zr ∈ [±1,96]  se acepta la hipótesis nula
Zr ∉ [±1,96]  se rechaza la hipótesis nula, la serie tiende a presentar tendencias o
ciclos, es decir, no es estrictamente aleatoria u homogénea.
Si el número de rachas muestral no es el de una serie aleatoria (se rechazó la Ho) y

se quisiera saber cuántas rachas se requieren para la aleatoriedad, entonces:
Si α 5%  Zr = ± 1,96
rinferior = [Sr (–Zr)] + Mr

rsuperior = [Sr (+Zr)] + Mr
Por lo tanto, la región de aceptación de la Ho correspondería al intervalo:
Ho ∈ [rinferior; rsuperior]
Si el número de rachas muestral es:

 Menor al número de rachas inferior, existe sistematicidad de tipo tendencial:
sucesiones muy prolongadas de datos de una misma clase, mayores a la
mediana o menores a la mediana
 Mayor al número de rachas superior: sistematicidad de tipo cíclico:
alternadamente y de manera frecuente ocurren valores por encima y por debajo
de la mediana
Los procedimientos anteriores tienen el inconveniente de estar solo diseñado para

un nivel de significación del 5%, y por lo tanto, no se puede utilizar para otros
niveles de probabilidad de cometer error tipo I (no aceptar la hipótesis nula cuando
en realidad es verdadera). Para salvar tal obstáculo se puede acudir al enfoque que
hacen Dixon y Massey, quienes sostienen que cuando n1 y n2 son iguales o
menores que 10, la aleatoriedad de la serie se puede comprobar empleando una
tabla (Distribución del Número total de rachas en muestras pequeñas):
 Horizontalmente se entra con el número de rachas (rm)

 Verticalmente se entra con un par ordenado de número, correspondientes a los
datos ubicados por encima y por debajo de la mediana
 Con esta información vertical y horizontal se concreta en el cuerpo de la tabla,
el percentil asociado a ese número de rachas (rm) según el tamaño de la
muestra (n = n1 + n2)
Por ejemplo, si n1=n2=8 y rm=7, entonces se obtendrá en el cuerpo del cuadro la

cifra 0,21, esto evidencia que rm está asociado al percentil 21 y si el nivel alfa es de
0,05 entonces no se rechazara la Ho, puesto que los percentiles límites de la región
de aceptación de la Ho son 2,5 y 97,5 y el percentil 21 pertenece a ese intervalo. En
otras palabras, la aleatoriedad se verifica mediante una comparación de percentiles.
Distribución del número total de Rachas en muestras pequeñas (tabla de percentiles)
(N1,N2)\u 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
(2,3) 0,200 0,500 0,900 1,000
(2,4) 0,133 0,400 0,800 1,000
(2,5) 0,095 0,333 0,714 1,000
(2,6) 0,071 0,286 0,643 1,000
(2,7) 0,056 0,250 0,583 1,000
(2,8) 0,044 0,222 0,533 1,000
(2,9) 0,036 0,200 0,491 1,000
(2,10) 0,030 0,182 0,455 1,000
(3,3) 0,100 0,300 0,700 0,900 1,000

(3,4) 0,057 0,200 0,543 0,800 0,971 1,000
(3,5) 0,036 0,143 0,429 0,714 0,929 1,000
(3,6) 0,024 0,107 0,345 0,643 0,881 1,000
(3,7) 0,017 0,083 0,283 0,583 0,833 1,000
(3,8) 0,012 0,067 0,236 0,533 0,788 1,000
(3,9) 0,009 0,055 0,200 0,491 0,745 1,000
(3,10) 0,007 0,045 0,171 0,455 0,706 1,000
(4,4) 0,029 0,114 0,371 0,629 0,886 0,971 1,000

(4,5) 0,016 0,071 0,262 0,500 0,786 0,929 0,992 1,000
(4,6) 0,010 0,048 0,190 0,405 0,690 0,881 0,976 1,000
(4,7) 0,006 0,033 0,142 0,333 0,606 0,833 0,954 1,000
(4,8) 0,004 0,024 0,109 0,279 0,533 0,788 0,929 1,000
(4,9) 0,003 0,018 0,085 0,236 0,471 0,745 0,902 1,000
(4,10) 0,002 0,014 0,068 0,203 0,419 0,706 0,874 1,000
(5,5) 0,008 0,040 0,167 0,357 0,643 0,833 0,960 0,992 1,000
(5,6) 0,004 0,024 0,110 0,262 0,522 0,738 0,911 0,976 0,998 1,000
(5,7) 0,003 0,015 0,076 0,197 0,424 0,652 0,854 0,955 0,992 1,000
(5.8) 0,002 0,010 0,054 0,152 0,347 0,576 0,793 0,929 0,984 1,000
(5,9) 0,001 0,007 0,039 0,119 0,287 0,510 0,734 0,902 0,972 1,000
(5,10) 0,001 0,005 0,029 0,095 0,239 0,455 0,678 0,874 0,958 1,000
(6,6) 0,002 0,013 0,067 0,175 0,392 0,608 0,825 0,933 0,987 0,998 1,000
(6,7) 0,001 0,008 0,043 0,121 0,296 0,500 0,733 0,879 0,966 0,992 0,999 1,000
(6,8) 0,001 0,005 0,028 0,086 0,226 0,413 0,646 0,821 0,937 0,984 0,998 1,000
(6,9) 0,000 0,003 0,019 0,063 0,175 0,343 0,566 0,762 0,902 0,972 0,994 1,000
(6,10) 0,000 0,002 0,013 0,047 0,137 0,288 0,497 0,706 0,864 0,958 0,990 1,000
(7,7) 0,001 0,004 0,025 0,078 0,209 0,383 0,617 0,791 0,922 0,975 0,996 0,999 1,000
(7,8) 0,000 0,002 0,015 0,051 0,149 0,296 0,514 0,704 0,867 0,949 0,988 0,998 1,000 1,000
(7,9) 0,000 0,001 0,010 0,035 0,108 0,231 0,427 0,622 0,806 0,916 0,975 0,994 0,999 1,000
(7,10) 0,000 0,001 0,006 0,024 0,080 0,182 0,355 0,549 0,743 0,879 0,957 0,990 0,998 1,000
(8,8) 0,000 0,001 0,009 0,032 0,100 0,214 0,405 0,595 0,786 0,900 0,968 0,991 0,999 1,000 1,000
(8,9) 0,000 0,001 0,005 0,020 0,069 0,157 0,319 0,500 0,702 0,843 0,939 0,980 0,996 0,999 1,000 1,000
(8,10) 0,000 0,000 0,003 0,013 0,048 0,117 0,251 0,419 0,621 0,782 0,903 0,964 0,990 0,998 1,000 1,000
(9,9) 0,000 0,000 0,003 0,012 0,044 0,109 0,238 0,399 0,601 0,762 0,891 0,956 0,988 0,997 1,000 1,000 1,000
(9,10) 0,000 0,000 0,002 0,008 0,029 0,077 0,179 0,319 0,510 0,681 0,834 0,923 0,974 0,992 0,999 1,000 1,000 1,000
(10,10) 0,000 0,000 0,001 0,004 0,019 0,051 0,128 0,242 0,414 0,586 0,758 0,872 0,949 0,981 0,996 0,999 1,000 1,000 1,000
Verificar si la siguiente serie climática de precipitación (mm) es aleatoria:
AÑO Anual
1970 1915,3
1971 1091,2
1972 1297,1
1973 930,3
1974 1357,8
1975 1214,9
1976 1464,3
1977 1450,8
1978 1337,2
1979 1980,9
1980 1847,8
1981 1895,2
1982 1430,1
1983 1417,0
1984 1453,6
1985 1804,2
1986 1216,3
1987 1428,5
1988 1564,8
1989 1362,4
1990 1855,2
1991 1360,4
Verificar si la siguiente serie climática de precipitación (mm) es aleatoria:
Anual
AÑO Anual
ordenada Signos
1970 1915,3 1980,9 +
1971 1091,2 1915,3 -
1972 1297,1 1895,2 -
1973 930,3 1855,2 -
1974 1357,8 1847,8 -
1975 1214,9 1804,2 -
1976 1464,3 1564,8 +
1977 1450,8 1464,3 + Aleatoria
1978 1337,2 1453,6 -
1979 1980,9 1450,8 +
1980 1847,8 1430,1 +
1981 1895,2 1428,5 + Tendencia/ Oscilación
1982 1430,1 1417,0 + ciclos Límite inferior Límite superior
1983 1417,0 1362,4 - 2,5 97,5
1984 1453,6 1360,4 + 7 rachas 12 rachas 17 rachas
1985 1804,2 1357,8 +
1986 1216,3 1337,2 - Hipótesis nula (Ho): los signos + y – se suceden al azar
1987 1428,5 1297,1 - Hipótesis alterna (Hi): los signos + y – no ocurren aleatoriamente
1988 1564,8 1216,3 +
1989 1362,4 1214,9 -
Como el numero de rachas (rm) pertenece al intervalo [7; 17] se acepta
1990 1855,2 1091,2 +
1991 1360,4 930,3 -
la hipótesis nula, la serie climática es aleatoria.
Mediana: 1429,3 rm = 12
n1= 11
n2 = 11
n total = 22
Calculo integral aplicado a probabilidades
Relación matemática entre dos variables
y = f(x)
En un plano de dos dimensiones se puede graficar esa relación por una línea, la cual
estará constituida por infinitos puntos cuyas coordenadas generales son [x; f(x)]
Si y = 0,5x, para todo x∈[0; 2]
Si x es una variable aleatoria continua, a la función

f(x) se le denomina con el nombre de “función de
densidad de probabilidad”, la cual se identificará
con la nomenclatura fX(x), donde X denota a la
variable aleatoria X.
La función fX(x) es la fdp de la variable aleatoria X

(fdpX).
Por lo tanto, la fdpX no es más que la gráfica de la

función de densidad de la variable aleatoria continua X
La función de densidad de probabilidad (FDP) se utiliza en estadística con el propósito de conocer

cómo se distribuyen las probabilidades de un suceso o evento, en relación al resultado del suceso.
Matemáticamente la FDP (función de densidad de probabilidad) es la derivada de la función

distribución de probabilidad f(x), o de manera inversa, la función de distribución es la integral de
la función de densidad. La integral definida se denomina función de distribución de probabilidad o
función de densidad acumulada de la variable aleatoria
La (fdp) siempre es positiva; la integral definida entre límite inferior y límite superior es igual a 1:
La probabilidad de que X tome un valor en el intervalo [a,b] es el área bajo la curva de la función
de densidad en ese intervalo o lo que es lo mismo, la integral definida en dicho intervalo. La
gráfica f(x) se conoce como curva de densidad.
Si deseáramos determinar el área del sector rayado

comprendida entre la recta, el eje x=2 y el segmento
[0;2] usaríamos, por ser un triángulo la figura
formada por esas líneas, la formula Área = (base x
altura)/2, obteniéndose que el Área = 1. Esa área
pudiera haberse calculado también, mediante la
integral definida de fX(x) así:
2
1 𝑥 2
2
𝑥 𝑑𝑥 = =1
0 2 2 0
A la integral definida se le puede simbolizar como F(x), pero como se aplica a la

fdpx se le representa como FX(x), donde X nos señala a la variable aleatoria X, y,
asimismo, se considerara al límite inferior de integración fijo, por lo cual la única
variable será el límite superior de integración, quedándonos entonces:
x
FX x = FX x − FX(a)
a
Donde FX(a) = 0, si a es el valor mínimo que puede tomar la variable x
En conclusión, la integra definida de fX(x) recibe el nombre en estadística

matemática, de función de distribución de probabilidad o función de densidad
acumulada de la variable aleatoria (fdaX)
En adelante, al hacer referencia a la fdaX estaremos puntualizando, implícitamente,

que se trata de la integral definida de una fdpX.
Todo lo anterior da lugar al establecimiento de las siguientes relaciones de igualdad:
fdaX = área bajo el fdpX = probabilidad que X < x = percentil asociado a un valor
de X = proporción de datos por debajo de un especifico valor de X = integral
definida de una fdpX = FX (x). Usaremos, indistintamente, de acuerdo a las
características del problema planteado, cualquiera de estos significados.
La integral definida
b
f x dx
a
Los valores numéricos a y b, se denominan extremos o límites de integración
La integra definida tiene la propiedad de generar el área exacta bajo la curva entre
dos puntos, a y b, por lo tanto se puede afirmar que:
b
A= f x dx
a
Teorema fundamental del calculo:

b
𝑏
f x dx = F(x)
a 𝑎
b
f x dx = F b − F(a)
a
b
𝐴= f x dx = F b − F(a)
a
Área bajo la curva:
b
A= [f x − g x ]dx
a
b b
A=F x − G(x)
a a
A = F b − F a − [G b − G a ]
Propiedades de la integral definida:
a
f x dx = 0
a
𝑏 𝑎
f x dx = − f x dx
a 𝑏
𝑏 𝑐 𝑏
f x dx = f x dx + f x dx
a 𝑏 𝑐
a≤c≤b
b b b
[K f x ± g x ]dx = K f x dx ± g(x) dx =
a a a
Tablas de integrales de las funciones básicas:
1 dx = x + K ex dx = ex + K
1
c dx = cx + K dx = ln(x) + K
x
x2 ax
x dx = + K ax dx = +K
2 ln(a)
x n+1 x −n+1
xn dx = +K x −n dx = +K
n+1 −n + 1
Con la condición de que n sea distinto a –1 Con la condición de que n sea distinto a 1
n 𝑛+1 n 𝑛+𝑚
x1/n dx = x 𝑛 +K x m/n dx = x 𝑛 +K
n+1 n+m
Con la condición de que n sea distinto a –1 Con la condición de que n sea distinto a –m
K es una constante numérico real. Al momento de resolver una integral definida, se utilizan las
relaciones mostradas anteriormente pero no se toma en consideración a la constante K.
y = mx + b
f(x) = mx
f(x) = 5x x es una variable aleatoria y continua
Si f(x) = fdp = función de densidad probabilística, b

entonces se puede calcular probabilidades ya que es f x dx = 1
positivo y el área bajo la curva es igual a 1 a
Calculo de parámetros estadísticos para variables continuas:
• Media aritmética: b
E x = x f x dx
a
x
Donde la x = 0,5, ya que está asociado
• Mediana: x= f x dx
a
al percentil 50
• Varianza: Var(x) = E[x – E(x)]2 = E(x2) – [E(x)]2

b
E x2 = x 2 f x dx
a
[E(x)]2 = (Mx)2
• Covarianza:
COV (x,y) = E{[x – E(x)] * [y – E(y)]}
COV (x,y) = E(xy) – E(x) * E(y)
Calculo de probabilidades:
x
Px<x = f x dx
0
Recordando que el resultado obtenido debe ser
multiplicado por 100.
Ejemplo de la aplicación del calculo integral para determinar las

probabilidades
Sea f(x) = 0,5 x para todo x comprendido entre 0 y 2, ambos inclusive
1.- Comprobar que f(x) es una fdp

2
1
 2 1
2 1 2 2
0  2  x dx  4 x 0 4
2.- Determinar la media aritmética de x
x
1 1 2 2 1 4
E ( x)  0 2 x x dx  2  0 x dx 
2 2
  1,333
3
0 3
6
Cada valor de x está ponderado por su fdp, por lo tanto E(x) es mayor que 1, y define la mitad
del intervalo de la variable x
Ejemplo de la aplicación del calculo integral para determinar las

probabilidades
Sea f(x) = 0,5 x para todo x comprendido entre 0 y 2, ambos inclusive
3.- Determinar que ocurra un valor por debajo de la media aritmética

1, 33
0
1
2
1 2
x dx  x
4
 1, 33
0

1,33
4
 0,44
Hay aproximadamente un 44% de probabilidad que ocurran valores menores o iguales a la

media aritmética de x
4.- Determine la mediana de x
~

2
x
~ ~
1 1 2 ~
x  1,41
x x
0 2 x dx  4 x 0 4
 0,50
Calculo integral aplicado a las probabilidades
Leyes de las potencias
Para recordar:
n
ax ay = ax+y am/n = am
x
ax y = axy ab = ax bx
ax a x ax
y = ax−y = x = ax b−x b ≠ 0
a b b
x x x
1 ab = a b
a−x = x
a
x
x a a
1 = x
a−1 = 𝑏 𝑏
a
a1/n = n
a
El modelo probabilístico Gaussiano. Distribución normal
La función de densidad de probabilidad de una variable aleatoria (fdpX) normalmente

distribuida, tiene la siguiente expresión:
1 1 x−Mx 2
−2 Sx
fX x = ∗ e
Sx 2π
Abreviadamente, representaremos a la distribución normal como N [Mx; VarX], donde VarX es
la varianza poblacional, la cual se obtiene elevando al cuadrado a la desviación típica de la
población.
La fdpX de cualquier distribución nos da la representación gráfica del modelo probabilístico. De

tal manera que la unión de todos los puntos de coordenadas [x; fX(x)] nos originara la curva de
la fdpX.
La curva de la fdpX normal posee, entre otras, las características siguientes:
 El área total bajo la curva es igual al valor de la unidad de superficie

 La fdpX es unimodal, es decir, tiene un solo máximo. Por ello, a esta función de densidad
se le identifica con la clásica forma acampanada. Para demostrar que existe un solo
máximo bastara con diferenciar dos veces a la fdpX con respecto a X
 La fdpX tiene dos puntos de inflexión x = Mx ± Sx. Sería suficiente derivar a la función de
densidad de probabilidad tres veces con respecto a X para determinar tal propiedad.
El modelo probabilístico Gaussiano. Distribución normal
Además, no existe una única distribución normal, sino una familia de distribuciones con una
forma común, diferenciadas por los valores de su media y su varianza. De entre todas ellas, la
más utilizada es la distribución normal estándar, que corresponde a una distribución de media 0
y varianza 1. Así, la expresión que define su densidad se puede obtener de la Ecuación general,
resultando:
1 1 x−Mx 2
−
fX x = ∗ e 2 Sx
Sx 2π
La forma de la campana de Gauss depende de los parámetros µ y σ. La media indica la posición

de la campana, de modo que para diferentes valores de la gráfica es desplazada a lo largo del
eje horizontal. Por otra parte, la desviación estándar determina el grado de apuntamiento de la
curva. Cuanto mayor sea el valor de σ , más se dispersarán los datos en torno a la media y la
curva será más plana.
El modelo probabilístico Gaussiano
Las características generales de un fenómeno con distribución normal se pueden

sintetizar del modo siguiente:
 Existe un numero grande de factores que afectan a la variable aleatoria normal

 Cada factor influye de modo mínimo en la variable aleatoria
 Los efectos de cada factor sobre la variable aleatoria son independientes entre
sí
 Los efectos de los factores son de carácter aditivo, es decir, la medición
obtenida en la observación de la variable aleatoria es consecuencia de la suma
de los efectos de los factores.
De esta manera, si carecemos de evidencias estadísticas o graficas concluyentes de

la serie muestral, pero conocemos que provienen de un fenómeno con las
características antes mencionadas, podemos asumir que la muestra viene de una
población Normalmente Distribuida y, por ende, utilizar la Distribución normal,
sino, se deben aplicar pruebas estadísticas para verificar que la serie esta
normalmente distribuida.
Métodos para determinar la normalidad en series climáticas
1. Jaque Bera:
Ho: la serie posee distribución normal
Hi: la serie no posee distribución normal
El coeficiente de kurtosis mide el nivel
de la picudez de la curva, el cual nos da
la forma de la dispersión de los datos
A2 (K − 3)2 alrededor de la media aritmética.
JB = N + • Platicúrtica: curva achatada
6 24 • Mesocúrtica: curva intermedia
• Leptocúrtica: curva puntiaguda
A coeficiente de asimetría K es la curtosis
(xi − x)3 (xi − x)4

A= K=
N − 1 ∗ S3 (N − 1) ∗ Sx 4
N es el numero de taños y Sx y es la desviación estándar.

Si A=0 y K=3, es una distribución perfectamente normal.
Tabla chicuadrado  x2t; α 5%; gdln-2

Si JB < x2t la muestra se acepta la normalidad de la serie en base al criterio
aplicado. Como el valor calculado es menor que el valor tabulado, se acepta la
normalidad de la muestra por la prueba de Jaque Bera
Si JB > x2t existen diferencias significativas con la normal, se rechaza Ho.
La siguiente tabla es utilizada para determinar los valores tabulados para la prueba de Jaque Bera y de Chi Cuadrado
Valores de X2 Para Probabilidades Seleccionadas
Probabilidades
(o areas bajo la curva de la distribucion x2 arriba de los valores dados de x2)
0,90 0,70 0,50 0,30 0,20 0,10 0,05 0,02 0,01
D Valores de X2
1 0,016 0,148 0,455 1,074 1,642 2,706 3,841 5,412 6,635
2 0,211 0,713 1,386 2,408 3,219 4,605 5,991 7,824 9,210
3 0,584 1,424 2,366 3,665 4,642 6,251 7,815 9,837 11,345
4 1,064 2,195 3,357 4,878 5,989 7,779 9,488 11,668 13,227
5 1,610 3,000 4,351 6,064 7,289 9,236 11,070 13,388 15,086
6 2,204 3,828 5,348 7,231 8,558 10,645 12,592 15,033 16,812
7 2,833 4,671 6,346 8,383 9,803 12,017 14,067 16,622 18,475
8 3,490 5,527 7,344 9,524 11,030 13,362 15,507 18,168 20,090
9 4,168 6,393 8,343 10,656 12,242 14,684 16,919 19,679 21,666
10 4,865 7,267 9,342 11,781 13,442 15,987 18,307 21,161 23,209
11 5,578 8,148 10,341 12,899 14,631 17,275 19,675 22,618 24,725
12 6,304 9,034 11,340 14,011 15,812 18,549 21,026 24,054 26,217
13 7,042 9,926 12,340 15,119 16,985 19,812 22,362 25,472 27,688
14 7,790 10,821 13,339 16,222 18,151 21,064 23,685 26,873 29,141
15 8,547 11,721 14,339 17,322 19,311 22,307 24,996 28,259 30,578
16 9,312 12,624 15,338 18,418 20,465 23,542 26,296 29,633 32,000
17 10,085 13,531 16,338 19,511 21,615 24,769 27,587 30,995 33,409
18 10,865 14,440 17,338 20,601 22,760 25,989 28,869 33,346 34,805
19 11,651 15,352 18,338 21,689 23,900 27,204 30,144 33,687 36,191
20 12,443 16,266 19,337 22,775 25,038 28,412 31,410 35,020 37,566
21 13,240 17,182 20,337 23,858 26,171 29,615 32,671 36,343 38,932
22 14,041 18,101 21,337 24,939 27,301 30,813 33,924 37,659 40,289
23 14,848 19,021 22,337 26,018 28,429 32,007 35,172 38,968 41,638
24 15,659 19,943 23,337 27,096 29,553 33,196 36,415 40,270 42,980
25 16,473 20,867 24,337 28,172 30,675 34,382 37,652 41,566 44,314
26 17,292 21,792 25,336 29,246 31,795 35,563 38,885 42,856 45,642
27 18,114 22,719 26,336 30,319 32,912 36,741 40,113 44,140 46,963
28 18,939 23,647 27,336 31,391 34,027 37,916 41,337 45,419 48,278
29 19,768 24,577 28,336 32,461 35,139 39,087 42,557 46,693 49,588
30 20,599 25,508 29,336 35,530 36,250 40,256 43,773 47,962 50,892 35
3. Limite de aceptación de asimetría: Si una serie es simétrica, se puede

afirmar que posee distribución normal.
Ho: la serie es simétrica
Hi: la serie es asimétrica
A
Tc =
6
6
N
es el error estándar
N
(xi −x)3
A es el coeficiente de asimetría A = ; Si A es positivo, existe asimétrica
N−1 ∗S3
hacia la derecha, y si es negativa, existe asimétrica hacia la izquierda.
Tt (dos colas) = gdln-2 tc > tt rechaza la Ho

α = 5% tc ≤ tt acepta la Ho, la serie es normal.
Se aceptará la normalidad de la serie si la relación entre el coeficiente de asimetría,

A, y su error estándar, es menor que el valor tabulado en la distribución t de
Student, es decir, si tc es menor o igual que el tt.
Valores de t para probabilidades seleccionadas
Probabilidades
(o areas bajo la curva de la distribucion t)
1 extremo 0,45 0,35 0,25 0,15 0,10 0,05 0,025 0,01 0,005
2 extremo 0,90 0,70 0,50 0,30 0,20 0,10 0,05 0,02 0,01
D Valores de t
1 0,158 0,510 1,000 1,963 3,078 6,314 12,706 31,821 63,657
2 0,142 0,445 0,816 1,386 1,886 2,920 4,303 6,925 9,925
3 0,137 0,424 0,765 1,250 1,638 2,353 3,182 4,541 5,841
4 0,134 0,414 0,741 1,190 1,533 2,132 2,776 3,747 4,604
5 0,132 0,408 0,727 1,156 1,476 2,015 2,571 3,365 4,032
6 0,131 0,404 0,718 1,134 1,440 1,943 2,447 3,143 3,707
7 0,130 0,402 0,711 1,119 1,415 1,895 2,365 2,998 3,499
8 0,130 0,399 0,706 1,108 1,397 1,860 2,306 2,896 3,355
9 0,129 0,398 0,703 1,100 1,383 1,833 2,262 2,821 3,250
10 0,129 0,397 0,700 1,093 1,372 1,812 2,228 2,764 3,169
11 0,129 0,396 0,697 1,088 1,363 1,796 2,201 2,718 3,106
12 0,128 0,395 0,695 1,083 1,356 1,782 2,179 2,681 3,055
13 0,128 0,394 0,694 1,079 1,350 1,771 2,160 2,650 3,012
14 0,128 0,393 0,692 1,076 1,345 1,761 2,145 2,624 2,977
15 0,128 0,393 0,691 1,074 1,341 1,753 2,131 2,602 2,947
16 0,128 0,392 0,690 1,071 1,337 1,746 2,120 2,583 2,921
17 0,128 0,392 0,689 1,069 1,333 1,740 2,110 2,567 2,898
18 0,127 0,392 0,688 1,067 1,330 1,734 2,101 2,552 2,878
19 0,127 0,391 0,688 1,066 1,328 1,729 2,093 2,539 2,861
20 0,127 0,391 0,687 1,064 1,325 1,725 2,086 2,528 2,845
21 0,127 0,391 0,686 1,063 1,323 1,721 2,080 2,518 2,831
22 0,127 0,390 0,686 1,061 1,321 1,717 2,074 2,508 2,819
23 0,127 0,390 0,685 1,060 1,319 1,714 2,069 2,500 2,807
24 0,127 0,390 0,685 1,059 1,318 1,711 2,064 2,492 2,797
25 0,127 0,390 0,684 1,058 1,316 1,708 2,060 2,485 2,787
26 0,127 0,390 0,684 1,058 1,315 1,706 2,056 2,479 2,779
27 0,127 0,389 0,684 1,057 1,314 1,703 2,052 2,473 2,771
28 0,127 0,389 0,683 1,056 1,313 1,701 2,048 2,467 2,763
29 0,127 0,398 0,683 1,055 1,311 1,699 2,045 2,462 2,756
30 0,127 0,389 0,683 1,055 1,310 1,697 2,042 2,457 2,750
40 0,126 0,388 0,681 1,050 1,303 1,684 2,021 2,423 2,704
60 0,126 0,387 0,679 1,046 1,296 1,671 2,000 2,390 2,660
120 0,126 0,386 0,677 1,041 1,289 1,658 1,980 2,358 2,617
0,126 0,385 0,674 1,036 1,282 1,645 1,960 2,326 2,576
Esta tabla está tomada de la tabla III de Fisher y Yates, Statistical Tables for Biological, Agricultural, and Medical
Research, editado por Oliver & Boyd Ltd., Edimburgo,con autorización de los autores y editores
4. Shapiro y Wilk:
a) Se debe ordenar la serie de menor a mayor

b) Luego se procede a restar ultimo-1° ; penúltimo-2° …
c) Se buscan los valores de los coeficientes (tabla), donde i es el número de diferencias y N es
el tamaño muestral original.
d) Se multiplican las diferencias obtenidas en el paso (b) por los valores de los coeficientes
e) Se suman los productos ∑ = A y se eleva al cuadrado, algebraicamente:
A2 = {[a1 (x1 – xn)] + [a2 (x2 – xn-2)] + … }2
A2
W=
N S2
W es el coeficiente de Shapiro y Wilk, N es el tamaño muestral y S2 es la varianza poblacional
Wt = n y α = 5%
Ho: la serie se ajusta a una distribución normal

Hi: la serie no se ajusta a una distribución normal
Wc ≥ Wt  acepta la Ho
Wc < Wt  rechaza la Ho
Tabla de Coeficientes del contraste de Shapiro-Wilk
i\n 2 3 4 5 6 7 8 9 10
1 0,7071 0,7071 0,6872 0,6646 0,6431 0,6233 0,6052 0,5880 0,5739

2 0,0000 0,1677 0,2413 0,2806 0,3031 0,3164 0,3244 0,3291
3 0,0000 0,0875 0,1401 0,1743 0,1976 0,2141
4 0,0000 0,0561 0,0947 0,1224
5 0,0000 0,0399
i\n 11 12 13 14 15 16 17 18 19 20
1 0,5601 0,5475 0,5359 0,5251 0,515 0,5056 0,4968 0,4886 0,4808 0,4734
2 0,3315 0,3325 0,3325 0,3318 0,3306 0,329 0,3273 0,3253 0,3232 0,3211
3 0,2260 0,2347 0,2412 0,2495 0,2495 0,2521 0,254 0,2553 0,2561 0,2565
4 0,1429 0,1586 0,1707 0,1802 0,1878 0,1988 0,1988 0,2027 0,2059 0,2085
5 0,0695 0,0922 0,1099 0,1240 0,1353 0,1447 0,1524 0,1587 0,1641 0,1686
6 0,0000 0,0303 0,0539 0,0727 0,088 0,1005 0,1109 0,1197 0,1271 0,1334
7 0,0000 0,024 0,0433 0,0593 0,0725 0,0873 0,0932 0,1013
8 0,0000 0,0196 0,0359 0,0496 0,0612 0,0711
9 0,0000 0,0163 0,0303 0,0422
10 0,0000 0,0140
i\n 21 22 23 24 25 26 27 28 29 30
1 0,4643 0,4590 0,4542 0,4493 0,4450 0,4407 0,4366 0,4328 0,4291 0,4254
2 0,3185 0,3156 0,3126 0,3098 0,3069 0,3043 0,3018 0,2992 0,2968 0,2944
3 0,2578 0,2571 0,2563 0,2554 0,2543 0,2533 0,2522 0,2510 0,2499 0,2487
4 0,2119 0,2131 0,2139 0,2145 0,2148 0,2151 0,2152 0,2151 0,2150 0,2148
5 0,1736 0,1764 0,1787 0,1807 0,1822 0,1836 0,1848 0,1857 0,1864 0,1870
6 0,1399 0,1443 0,1480 0,1512 0,1539 0,1563 0,1584 0,1601 0,1616 0,1630
7 0,1092 0,1150 0,1201 0,1245 0,1283 0,1316 0,1346 0,1372 0,1395 0,1415
8 0,0804 0,0878 0,0941 0,0997 0,1046 0,1089 0,1128 0,1162 0,1192 0,1219
9 0,0530 0,0618 0,0696 0,0764 0,0823 0,0876 0,0923 0,0965 0,1002 0,1036
10 0,0263 0,0368 0,0459 0,0539 0,0610 0,0672 0,0728 0,0778 0,0822 0,0862
11 0,0000 0,0122 0,0228 0,0321 0,0403 0,0476 0,0540 0,0598 0,0650 0,0697
12 0,0000 0,0107 0,0200 0,0284 0,0358 0,0424 0,0483 0,0537
13 0,0000 0,0094 0,0178 0,0253 0,0320 0,0381
14 0,0000 0,0084 0,0159 0,0227
15 0,0000 0,0076
i\n 31 32 33 34 35 36 37 38 39 40
1 0,4220 0,4188 0,4156 0,4127 0,4096 0,4068 0,4040 0,4015 0,3989 0,3964
2 0,2921 0,2898 0,2876 0,2854 0,2834 0,2813 0,2794 0,2774 0,2755 0,2737
3 0,2475 0,2463 0,2451 0,2439 0,2427 0,2415 0,2403 0,2391 0,2380 0,2368
4 0,2145 0,2141 0,2137 0,2132 0,2127 0,2121 0,2116 0,2110 0,2104 0,2098
5 0,1874 0,1878 0,1880 0,1882 0,1883 0,1883 0,1883 0,1881 0,1880 0,1878
6 0,1641 0,1651 0,1660 0,1667 0,1673 0,1678 0,1683 0,1686 0,1689 0,1691
7 0,1433 0,1449 0,1463 0,1475 0,1487 0,1496 0,1505 0,1513 0,1520 0,1526
8 0,1243 0,1265 0,1284 0,1301 0,1317 0,1331 0,1344 0,1356 0,1366 0,1376
9 0,1066 0,1093 0,1118 0,1140 0,1160 0,1179 0,1196 0,1211 0,1225 0,1237
10 0,0899 0,0931 0,0961 0,0988 0,1013 0,1036 0,1056 0,1075 0,1092 0,1108
11 0,0739 0,0777 0,0812 0,0844 0,0873 0,0900 0,0924 0,0947 0,0967 0,0986
12 0,0585 0,0629 0,0669 0,0706 0,0739 0,0770 0,0798 0,0824 0,0848 0,0870
13 0,0435 0,0485 0,0530 0,0572 0,0610 0,0645 0,0677 0,0706 0,0733 0,0759
14 0,0289 0,0344 0,0395 0,0441 0,0484 0,0523 0,0559 0,0592 0,0622 0,0651
15 0,0144 0,0206 0,0262 0,0314 0,0361 0,0404 0,0444 0,0481 0,0515 0,0546
16 0,0000 0,0068 0,0187 0,0187 0,0239 0,0287 0,0331 0,0372 0,0409 0,0444
17 0,0000 0,0062 0,0119 0,0172 0,0220 0,0264 0,0305 0,0343
18 0,0000 0,0057 0,0110 0,0158 0,0203 0,0244
19 0,0000 0,0053 0,0101 0,0146
20 0,0000 0,0049
i\n 41 42 43 44 45 46 47 48 49 50
1 0,3940 0,3917 0,3894 0,3872 0,3850 0,3830 0,3808 0,3789 0,3770 0,3751
2 0,2719 0,2701 0,2684 0,2667 0,2651 0,2635 0,2620 0,2604 0,2589 0,2574
3 0,2357 0,2345 0,2334 0,2323 0,2313 0,2302 0,2291 0,2281 0,2271 0,2260
4 0,2091 0,2085 0,2078 0,2072 0,2065 0,2058 0,2052 0,2045 0,2038 0,2032
5 0,1876 0,1874 0,1871 0,1868 0,1865 0,1862 0,1859 0,1855 0,1851 0,1847
6 0,1693 0,1694 0,1695 0,1695 0,1695 0,1695 0,1695 0,1693 0,1692 0,1691
7 0,1531 0,1535 0,1539 0,1542 0,1545 0,1548 0,1550 0,1551 0,1553 0,1554
8 0,1384 0,1392 0,1398 0,1405 0,1410 0,1415 0,1420 0,1423 0,1427 0,1430
9 0,1249 0,1259 0,1269 0,1278 0,1286 0,1293 0,1300 0,1306 0,1312 0,1317
10 0,1123 0,1136 0,1149 0,1160 0,1170 0,1180 0,1189 0,1197 0,1205 0,1212
11 0,1004 0,1020 0,1035 0,1049 0,1062 0,1073 0,1085 0,1095 0,1105 0,1113
12 0,0891 0,0909 0,0927 0,0943 0,0959 0,0972 0,0986 0,0998 0,1010 0,1020
13 0,0782 0,0804 0,0824 0,0842 0,0860 0,0876 0,0892 0,0906 0,0919 0,0932
14 0,0677 0,0701 0,0724 0,0745 0,0765 0,0783 0,0801 0,0817 0,0832 0,0846
15 0,0575 0,0602 0,0628 0,0651 0,0673 0,0694 0,0713 0,0731 0,0748 0,0764
16 0,0476 0,0506 0,0534 0,0560 0,0584 0,0607 0,0628 0,0648 0,0667 0,0685
17 0,0379 0,0411 0,0442 0,0471 0,0497 0,0522 0,0546 0,0568 0,0588 0,0608
18 0,0283 0,0318 0,0352 0,0383 0,0412 0,0439 0,0465 0,0489 0,0511 0,0532
19 0,0188 0,0227 0,0263 0,0296 0,0328 0,0357 0,0385 0,0411 0,0436 0,0459
20 0,0094 0,0136 0,0175 0,0211 0,0245 0,0277 0,0307 0,0355 0,0361 0,0386
21 0,0000 0,0045 0,0087 0,0126 0,0163 0,0197 0,0229 0,0259 0,0288 0,0314
22 0,0000 0,0042 0,0081 0,0118 0,0153 0,0185 0,0215 0,0244
23 0,0000 0,0039 0,0076 0,0111 0,0143 0,0174
24 0,0000 0,0037 0,0071 0,0104
25 0,0000 0,0035
Tabla de Estadistico W de Shapiro y Wilk

Percentiles del Estadistico W de Shapiro y Wilk
Nivel de Significacion
n 0,01 0,02 0,05 0,1 0,5 0,9 0,95 0,98 0,99
3 0,753 0,756 0,767 0,789 0,959 0,998 0,999 1,000 1,000
4 0,687 0,707 0,748 0,792 0,935 0,987 0,992 0,996 0,997
5 0,686 0,715 0,762 0,806 0,927 0,979 0,986 0,991 0,993
6 0,713 0,743 0,788 0,826 0,927 0,974 0,981 0,986 0,989
7 0,730 0,760 0,803 0,838 0,928 0,972 0,979 0,985 0,988
8 0,749 0,778 0,818 0,851 0,932 0,972 0,978 0,984 0,987
9 0,764 0,791 0,829 0,859 0,935 0,972 0,978 0,984 0,986
10 0,781 0,806 0,842 0,869 0,938 0,972 0,978 0,983 0,986
11 0,792 0,817 0,850 0,876 0,940 0,973 0,979 0,984 0,986
12 0,805 0,828 0,859 0,883 0,943 0,973 0,979 0,984 0,986
13 0,814 0,837 0,866 0,889 0,945 0,974 0,979 0,984 0,986
14 0,825 0,846 0,874 0,895 0,947 0,975 0,980 0,984 0,986
15 0,835 0,855 0,881 0,901 0,950 0,975 0,980 0,984 0,987
16 0,844 0,863 0,887 0,906 0,952 0,976 0,981 0,985 0,987
17 0,851 0,869 0,892 0,910 0,954 0,977 0,981 0,985 0,987
18 0,858 0,874 0,897 0,914 0,956 0,978 0,982 0,986 0,988
19 0,863 0,879 0,901 0,917 0,957 0,978 0,982 0,986 0,988
20 0,868 0,884 0,905 0,920 0,959 0,979 0,983 0,986 0,988
21 0,873 0,888 0,908 0,923 0,960 0,980 0,983 0,987 0,989
22 0,878 0,892 0,911 0,926 0,961 0,980 0,984 0,987 0,989
23 0,881 0,895 0,914 0,928 0,962 0,981 0,984 0,987 0,989
24 0,884 0,898 0,916 0,930 0,963 0,981 0,984 0,987 0,989
25 0,888 0,901 0,918 0,931 0,964 0,981 0,985 0,988 0,989
26 0,891 0,904 0,920 0,933 0,965 0,982 0,985 0,988 0,989
27 0,894 0,906 0,923 0,935 0,965 0,982 0,985 0,988 0,990
28 0,986 0,908 0,924 0,936 0,966 0,982 0,985 0,988 0,990
29 0,898 0,910 0,926 0,937 0,966 0,982 0,985 0,988 0,990
30 0,900 0,912 0,927 0,939 0,967 0,983 0,985 0,988 0,990
31 0,902 0,914 0,929 0,940 0,967 0,983 0,986 0,988 0,990
32 0,904 0,915 0,930 0,941 0,968 0,983 0,986 0,988 0,990
33 0,906 0,917 0,931 0,942 0,968 0,983 0,986 0,989 0,990
34 0,908 0,919 0,933 0,943 0,969 0,983 0,986 0,989 0,990
35 0,910 0,920 0,934 0,944 0,969 0,984 0,986 0,989 0,990
36 0,912 0,922 0,935 0,945 0,970 0,984 0,986 0,989 0,990
37 0,914 0,924 0,936 0,946 0,970 0,984 0,987 0,989 0,990
38 0,916 0,925 0,938 0,947 0,971 0,984 0,987 0,989 0,990
39 0,917 0,927 0,939 0,948 0,971 0,984 0,987 0,989 0,991
40 0,919 0,928 0,940 0,949 0,972 0,985 0,987 0,989 0,991
41 0,920 0,929 0,941 0,950 0,972 0,985 0,987 0,989 0,991
42 0,922 0,930 0,942 0,951 0,972 0,985 0,987 0,989 0,991
43 0,923 0,932 0,943 0,951 0,973 0,985 0,987 0,990 0,991
44 0,924 0,933 0,944 0,952 0,973 0,985 0,987 0,990 0,991
45 0,926 0,934 0,945 0,953 0,973 0,985 0,988 0,990 0,991
46 0,927 0,935 0,945 0,953 0,974 0,985 0,988 0,990 0,991
47 0,928 0,936 0,946 0,954 0,974 0,985 0,988 0,990 0,991
48 0,929 0,937 0,947 0,954 0,974 0,985 0,988 0,990 0,991
49 0,929 0,937 0,947 0,955 0,974 0,985 0,988 0,990 0,991
50 0,930 0,938 0,947 0,955 0,974 0,985 0,988 0,990 0,991
Verificar si la siguiente serie climática de precipitación (mm) posee una distribución

normal:
AÑO Anual
1970 1915,3
1971 1091,2
1972 1297,1
1973 930,3
1974 1357,8
1975 1214,9
1976 1464,3
1977 1450,8
1978 1337,2
1979 1980,9
1980 1847,8
1981 1895,2
1982 1430,1
1983 1417,0
1984 1453,6
1985 1804,2
1986 1216,3
1987 1428,5
1988 1564,8
1989 1362,4
1990 1855,2
1991 1360,4
Verificar si la siguiente serie climática de precipitación (mm) posee una distribución

normal:
Anual
AÑO Anual Diferencias Coeficiente A
ordenada
1970 1915,3 1980,9 1050,6 0,459 482,2254 A2
1971 1091,2 1915,3 824,1 0,3156 260,08596 Wc =
1972 1297,1 1895,2 680,3 0,2571 174,90513 N ∗ S2
1973 930,3 1855,2 638,9 0,2131 136,14959
1974 1357,8 1847,8 550,7 0,1764 97,14348
1975 1214,9 1804,2 467 0,1443 67,3881 1581871,17
Wc = = 0,930
1976
1977
1464,3
1450,8
1564,8
1464,3
207
103,9
0,115
0,0878
23,805
9,12242
22 ∗ 77340,5
1978 1337,2 1453,6 91,2 0,0618 5,63616
1979 1980,9 1450,8 33,8 0,0368 1,24384
1980 1847,8 1430,1 1,6 0,0122 0,01952
1981 1895,2 1428,5 Ho: la serie se ajusta a una distribución normal
1982 1430,1 1417,0 A 1257,7 Hi: la serie no se ajusta a una distribución
1983 1417,0 1362,4 A2 1581871,2
1984 1453,6 1360,4 normal
1985 1804,2 1357,8
1986
1987
1216,3
1428,5
1337,2
1297,1
Wt, con α = 5% = 0,911
1988 1564,8 1216,3
1989 1362,4 1214,9 Como Wc es mayor que Wt, se acepa la hipótesis
1990 1855,2 1091,2
1991 1360,4 930,3
nula, la serie se ajusta a una distribución normal
Mx = 1485,2 con base al criterio aplicado.
S2 = 77340,5
Calculo analítico de probabilidades
Si el geógrafo está interesado en realizar diseños que se relacionan con eventos

meteorológicos, puede usar el modelo probabilístico normal, ya sea mediante el
enfoque analítico o por el enfoque geométrico
El procedimiento para la estimación de las probabilidades de variables aleatorias

normales, analíticamente, es:
FX (x) = FZ (z)
Donde z es una variable aleatoria normalmente distribuida con Mx = 0 y S2x = 1
Por lo tanto:
P [X<x] = P [Z<z]
P [X < 600mm] = P[Z<z]
Donde z se tipifica a partir de la media aritmética y la desviación típica de la serie

original.
a) Probabilidad de que ocurra un valor exacto: 0%
b) P (z ≤ a)
a−Mx
P [X ≤ a] = FX (x) = FZ (z) z=
Sx
El resultado de Z se busca en la tabla
P [X ≤ 600mm] = FX (600) = FZ (z)
Suponiendo que la Mx es 420mm y la Sx es 196mm, entonces:

FZ (0,9148)  tabla: 0,8212 * 100 = 82,12%
c) P(z ≤ –a) = 1 – P(z ≤ a)
d) P(z > a) = 1 – P(z ≤ a)
e) P(–a < z ≤ b) = P (z ≤ b) – [1 – P(z ≤ a)]
Por ejemplo:
P [100 ≤ x ≤ 1100]
P [–1,38 ≤ x ≤ 1,06]
a = z1 + z2 = 0,7685
f. P (a < z ≤ b) = P(z ≤ b) – P(z ≤ a)
Por ejemplo:
P [a ≤ x ≤ b]
P [1100 ≤ x ≤ 1300]
(se tipifican y buscan en tabla)
a=b–a
g. P(–b < z ≤ –a) = P(a < z ≤ b)
h. Probabilidad de que se repita P[x≤700]2  a = (tabla)2

Calculo geométrico de probabilidades
Para ello se utiliza un papel grafico especial, con él también se puede determinar si
la serie sigue, o no, una distribución normal:
El papel grafico tiene dos escalas:

Eje X  se plotea la fda de la normal tipificada (fdaZ)
Eje Y  se plotean los datos muestrales, es una escala aritmética y libre.
Para plotear la información numérica se debe seguir los siguientes pasos:
a) Se ordena los valores de la serie de menor a mayor y se le asigna un orden, de

manera que a la menor cifra le corresponde el rango u orden 1, y a la mayor le
corresponde un rango u orden igual al tamaño de la muestra.
b) Con esa jerarquización, se estimara para cada valor ordenado una magnitud
frecuencial, es decir, un percentil, mediante la siguiente formula:
100 m
Fm =
n+1
Fm percentil asociado al dato de orden m [%]
m orden/posición del dato
n tamaño muestral
Serie de precipitación anual (mm)

Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PP 731 570 519 343 244 170 272 159 207 518 333 445 849 527 405 427
Serie de precipitación anual ordenada crecientemente (mm)

Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PP 159 170 207 244 272 333 343 405 427 445 518 519 527 570 731 849
Fm 6 12 18 24 29 35 41 47 53 59 65 71 76 82 88 94
Cada punto en el papel gráfico, tiene por coordenadas generales [Fm; Pa].
Ploteando los pares de valores de la muestra se genera un diagrama de dispersión,
en el cual se trazara una recta de mejor ajuste por el método de los mínimos
cuadrados. Esa recta de ajuste representa a la fda del modelo Normal
La recta de regresión se construye entrando en la calculadora con los datos de f(z),

como variable X (independiente) y del elemento, en este caso la precipitación,
como variable Y (dependiente)
Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PP 159 170 207 244 272 333 343 405 427 445 518 519 527 570 731 849
Fm 6 12 18 24 29 35 41 47 53 59 65 71 76 82 88 94
z -1,56 -1,19 -0,93 -0,72 -0,54 -0,38 -0,22 -0,07 0,07 0,22 0,38 0,54 0,72 0,93 1,19 1,56
Los valores de z (área bajo la curva) se determinan mediante las tablas (área de la
parte menor y área de la parte mayor) o mediante el papel grafico especial. Luego,
la recta de regresión será:
y = a + bx
y = 419,94 + 219,57x
PPanual = 420 + 220z
En la formula anterior se entra con 2 valores de función extremos (+1,5 y -1,5) y se

traza la recta entre esos dos puntos:
y1 = 419,94 + 219,57 (-1,5) = 90,56mm
y2 = 419,94 + 219,57 (+1,5) = 749,30mm
Los dos puntos anteriores [-1,5; 91mm] y [1,5; 750mm] se plotean, y se traza una
línea recta entre ellos. Si luego de trazar la recta, se cumple que los puntos se
agrupan en las proximidades de la recta ascendente, la serie climática es normal.
Luego, de la recta dibujada se extraen los parámetros Mx y Sx, del siguiente modo:
a) En toda distribución Normal se cumple que Mx = Mdx = Mo = Percentil 50, o

sea, cuando la notación de función de densidad acumulada: FX(mediana) =
0,50 = percentil 50 = P 50
Entrando en el eje de percentiles o el eje de FZ(z) en el papel gráfico, nos

desplazamos verticalmente hasta intersectar a la recta, y luego continuamos
horizontalmente hasta cortar el eje Y, eje de precipitación anual, donde se leerá
420mm. Por lo tanto, P50 = mediana = media = 420mm = Mx. Este valor, 420mm,
es el mismo promedio aritmético muestral, ya que, por definición, la recta de mejor
ajuste pivoteara alrededor del punto con abscisa igual a la media aritmética.
b. Se ha determinado que FX(x) = FZ(z), y esto significa que dado un valor

cualquiera de x, le corresponderá unívocamente un valor de z (z=x-mx/sx), pero
a ambos les corresponderá el mismo centil. De acuerdo a esos argumentos
podemos hacer los siguientes planteamientos:
z = 1,5  z(1,5) = 0,9323; por tabla: percentil 93,2%

z = -1,5  z(-1,5) = 0,0668; por tabla: percentil 6,70%
En el papel gráfico, los valores asociados a esos percentiles son: 740mm y 90mm.
Reemplazando esas magnitudes en la formula general de Z:
Sx +z = xi − Mx
Sx −z = xi − Mx
Sx 1,5 = 740 − 420

Sx −1,5 = 90 − 420
Despejando: Sx = 217mm. Finalmente, tenemos que la muestra pertenece a una N
[Mx; S2x]  N [420; 2172]
Periodo de retorno
Es el tiempo esperado o tiempo medio entre dos sucesos de baja probabilidad.

También llamado período de recurrencia, el período de retorno es un concepto
estadístico que intenta proporcionar una idea de hasta qué punto un suceso puede
considerarse raro.
Para la localidad anterior se esperan, en 2, 5, 10, 20 ,…, años una precipitación de

420mm, 586mm, 672mm, 743mm, … .
Periodo (T) Px(1/T) 1- (Px) Z Sx Mx (Sx)(Z) Xi=Mx+Zŝ

2 0,5 0,5 0 196,19 419,93 0 420
5 0,2 0,8 0,845 196,19 419,93 166 586
10 0,1 0,9 1,285 196,19 419,93 252 672
20 0,05 0,95 1,645 196,19 419,93 323 743
50 0,02 0,98 2,055 196,19 419,93 403 823
100 0,01 0,99 2,325 196,19 419,93 456 876
500 0,002 0,998 2,88 196,19 419,93 565 985
1000 0,001 0,999 3,1 196,19 419,93 608 1028
A partir de la siguiente serie de precipitación, determine geométricamente si la

misma sigue una distribución normal:
Y X
Años PP (mm) Serie ordenada ni Fm= ni/n+1 F(m) % F(z)
1987 983,1 749,4 1 0,07 7 -1.47
1988 1024,1 838,0 2 0,14 14 -1.07
1989 927,1 883,7 3 0,21 21 -0.79
1990 1149,6 907,6 4 0,29 29 -0.57
1991 749,4 913,8 5 0,36 36 -0.37
1992 883,7 927,1 6 0,43 43 -0.18
1993 1009,8 968,5 7 0,50 50 0.00
1994 913,8 983,1 8 0,57 57 0.18
1995 968,5 1009,8 9 0,64 64 0.37
1996 1211,0 1024,1 10 0,71 71 0.57
1997 907,6 1039,5 11 0,79 79 0.79
1998 838,0 1149,6 12 0,86 86 1.07
1999 1039,5 1211,0 13 0,93 93 1.47
Y´ = 969.6+140.9 (z)
r = 0.96
N=13
Periodo de retorno para una distribución normal
A continuación se presenta de algunos ejemplos de periodos de retorno:

2 0,5 0,5 0 123,3 969,7 0 969,7
5 0,2 0,8 0,845 123,3 969,7 104,2 1073,9
10 0,1 0,9 1,285 123,3 969,7 158,4 1128,1
20 0,05 0,95 1,645 123,3 969,7 202,8 1172,5
50 0,02 0,98 2,055 123,3 969,7 253,4 1223,1
100 0,01 0,99 2,325 123,3 969,7 286,7 1256,4
500 0,002 0,998 2,88 123,3 969,7 355,1 1324,8
1000 0,001 0,999 3,1 123,3 969,7 382,2 1351,9

2 0,5 0,5 0 215,7 1441,9 0 1441,9
5 0,2 0,8 0,845 215,7 1441,9 182,3 1624,2
10 0,1 0,9 1,285 215,7 1441,9 277,2 1719,1
20 0,05 0,95 1,645 215,7 1441,9 354,8 1796,7
50 0,02 0,98 2,055 215,7 1441,9 443,3 1885,2
100 0,01 0,99 2,325 215,7 1441,9 501,5 1943,4
500 0,002 0,998 2,88 215,7 1441,9 621,2 2063,1
1000 0,001 0,999 3,1 215,7 1441,9 668,7 2110,6

2 0,5 0,5 0 24,9 29,95 0 30
5 0,2 0,8 0,845 24,9 29,95 21 51
10 0,1 0,9 1,285 24,9 29,95 32 61,9
20 0,05 0,95 1,645 24,9 29,95 41 70,9
50 0,02 0,98 2,055 24,9 29,95 51,2 81,1
100 0,01 0,99 2,325 24,9 29,95 57,9 87,8
500 0,002 0,998 2,88 24,9 29,95 71,7 101,7
1000 0,001 0,999 3,1 24,9 29,95 77,2 107,1
A partir de la siguiente serie climática de precipitación (Cagigal, Caracas):

• Verifique si la serie es aleatoria (use alfa 5%)
• Verifique si la serie sigue una distribución normal, mediante el método de
Shapiro-Wilk
• Calcule, analítica y geométricamente, las siguientes probabilidades:
• Determine el periodo de retorno para 5, 10, 15 y 20 años.
Año Junio
1981 46,9
1982 92,7
1983 108,6
1984 78,5
1985 27,5
1986 53,6
1987 130,2
1988 69
1989 242,8
1990 64,1
1991 162
1992 66,2
1993 148,5
1994 151
1995 99,3
1996 129,8
1997 125,3
1998 143,9
1999 159,3
2000 69,3
2001 84,2
2002 67,3
2003 92,7
2004 88,7
2005 77,3
2006 133,2
2007 43,6
2008 89,6
2009 85,5
2010 30,2
Año Junio
1981 46,9 - N(+) = 15
1982 92,7 + N(-) = 15
1983 108,6 + rm = 17
1984 78,5 -
1985 27,5 - Hipótesis nula (Ho): los signos + y – se suceden al azar
1986 53,6 - Hipótesis alterna (Hi): los signos + y – no ocurren aleatoriamente
1987 130,2 +
1988 69 -
1989 242,8 +
Como el numero de rachas (rm) pertenece al intervalo [10; 22] se
1990 64,1 - acepta la hipótesis nula, la serie climática es aleatoria.
1991 162 +
1992 66,2 -
1993 148,5 +
1994 151 +
1995 99,3 +
Aleatoria
1996 129,8 +
1997 125,3 +
1998 143,9 +
1999 159,3 + Tendencia/ Oscilación
Año
2000 Junio
69,3 - ciclos Límite inferior Límite superior
1981
2001 46,9
84,2 +- 2,5 97,5
1982
2002 92,7
67,3 +- 10 rachas 17 rachas 22 rachas
1983
2003 108,6
92,7 +
+
1984
2004 78,5
88,7 --
1985
2005 27,5
77,3 --
1986
2006 53,6
133,2 +-
1987
2007 130,2
43,6 +-
1988
2008 69
89,6 +-
1989
2009 242,8
85,5 +-
1990
2010 64,1
30,2 --
1991 162 +
1992
Mdx 66,2
89,2 -
1993 148,5 +
1994 151 +
1995 99,3 +
Año Junio Menor-Mayor Diferencias a Dif x a

1981 46,9 27,5 215,3 0,4254 91,5886
1982 92,7 30,2 131,8 0,2944 38,8019
1983 108,6 43,6 115,7 0,2487 28,7746
1984 78,5 46,9 104,1 0,2148 22,3607
1985 27,5 53,6 94,9 0,187 17,7463 A2
1986 53,6 64,1 79,8 0,163 13,0074 Wc =
1987 130,2 66,2 67,0 0,1415 9,4805 N ∗ S2
1988 69 67,3 62,9 0,1219 7,6675
1989 242,8 69,0 60,8 0,1036 6,2989
1990 64,1 69,3 56,0 0,0862 4,8272
59705,1143
1991 162 77,3 31,3 0,0697 2,1816
Wc = = 0,938
1992
1993
66,2
148,5
78,5
84,2
20,8
8,5
0,0537
0,0381
1,1170
0,3239
30 ∗ 2122,1408
1994 151 85,5 7,2 0,0227 0,1634
1995 99,3 88,7 0,9 0,0076 0,0068
1996 129,8 89,6
1997 125,3 92,7 A 244,3463 Ho: la serie se ajusta a una distribución normal
1998 143,9 92,7 A 59705,1143
1999 159,3 99,3
Hi: la serie no se ajusta a una distribución
2000 69,3 108,6 Sx (pob) 46,0667 normal
2001 84,2 125,3
2002 67,3 129,8 Wc 0,938
2003 92,7 130,2 Wt 0,927 Wt, con α = 5% = 0,927
2004 88,7 133,2
2005 77,3 143,9
2006 133,2 148,5 Como Wc es mayor que Wt, se acepa la hipótesis
2007 43,6 151,0
2008 89,6 159,3
nula, la serie se ajusta a una distribución normal
2009 85,5 162,0 con base al criterio aplicado.
2010 30,2 242,8
Año Junio Menor-Mayor Rango Fm z

1981 46,9 27,5 1 3 -1,88
1982 92,7 30,2 2 6 -1,56
1983 108,6 43,6 3 10 -1,28
1984 78,5 46,9 4 13 -1,13
1985 27,5 53,6 5 16 -1,00
1986 53,6 64,1 6 19 -0,88
1987 130,2 66,2 7 23 -0,74
1988 69 67,3 8 26 -0,65
1989 242,8 69,0 9 29 -0,54
1990 64,1 69,3 10 32 -0,47
1991 162 77,3 11 35 -0,38
1992 66,2 78,5 12 39 -0,28
1993 148,5 84,2 13 42 -0,20
1994 151 85,5 14 45 -0,13
1995 99,3 88,7 15 48 -0,05
1996 129,8 89,6 16 52 0,05
1997 125,3 92,7 17 55 0,13
1998 143,9 92,7 18 58 0,20
1999 159,3 99,3 19 61 0,28
2000 69,3 108,6 20 65 0,38
2001 84,2 125,3 21 68 0,47
2002 67,3 129,8 22 71 0,54
2003 92,7 130,2 23 74 0,65
2004 88,7 133,2 24 77 0,74
2005 77,3 143,9 25 81 0,88
2006 133,2 148,5 26 84 1,00
2007 43,6 151,0 27 87 1,13
2008 89,6 159,3 28 90 1,28
2009 85,5 162,0 29 94 1,56
2010 30,2 242,8 30 97 1,88
y = a + bx
y = 98,69 + 48,75x
PPjunio = 99,69 + 48,75z
300
250
Precipitación (mm)
200
150
100
50
0
-1,8 -1,2 -0,6 0 0,6 1,2 1,8
z
Modelo probabilístico lognormal
El calculo de las probabilidades se realiza a partir de una nueva serie, Y, obtenida

mediante los Ln de una serie de datos originales X
Como X es el resultado aditivo de numerosos efectos, se infiere que X es una

variable aleatoria normalmente distribuida. Por ende, los Ln de los datos están
Normalmente distribuidos. Cuando los Ln de los datos de una variable aleatoria
están Normalmente distribuidos se expresa que la variable aleatoria esta
lognormalmente distribuida.
Resumiendo, si los Ln de los datos están normalmente distribuidos, los datos están
lognormalmente distribuidos. Genéricamente, si X es una variable aleatoria Normal,
Y será una variable aleatoria lognormal.
Normal Lognormal
X es una variable aleatoria normalmente Y es una variable aleatoria
distribuida lognormalmente distribuida
X puede tomar cualquier valor en R Y puede tomar valores en R+
Si y = 1, x = 0
Si y > 1, x > 0
Si y ∈ (0; 1), x<0
La función de densidad de probabilidad (fdp) de una variable aleatoria lognormal

tiene la siguiente estructura matemática:
2
1 1 Lny − LnY
−2 Sx
fY (y) = e
y Sx 2π
fY(y) es la función de densidad de probabilidad de la variable aleatoria Y

y son valores entre 0 y +∞ que puede tomar la variable aleatoria Y
Mx y Ssx media aritmética poblacional y desviación típica poblacional de los Ln Y
En la fdp, las constantes Mx y Sx identifican a los parámetros de la distribución, la

cual se denominara distribución lognormal de dos parámetros y será simbolizada
como LN (Mx; Sx2), donde Sx2 es la varianza poblacional de los logaritmos de la
variable aleatoria Y.
La grafica de fY(y) indica que se trata de una fdp con asimetría positiva. Por ello el
modelo lognormal se ha utilizado en la predicción de fenómenos con esa clase de
sesgo, como son los casos de diversas variables climatológicas de carácter diario,
semanal, mensual, cantidades relacionadas con las magnitudes inmediatas
anteriores. Por ejemplo, se conviene en que la precipitación en un día cualquiera
está condicionada por la precipitación del día anterior. Así mismo, se ha aplicado el
modelo LN en montos anuales con fuerte asimetría positiva.
Lny − LnY
z=
Sx
Donde z es una variable aleatoria normal tipificada:
Lny − LnY x − Mx
z= =
Sx Sx
Md X = X = Ln Md Y = Ln Y
A nivel práctico, el cálculo de probabilidades en una variable aleatoria distribuida
lognormalmente puede reducirse a extraer de una tabla de valores las soluciones
pedidas, porque FZ (z) está tabulada, ordinariamente, como magnitudes de la
distribución acumulativa o acumulada normal.
Luego, las formulas para estimar los parámetros Y y VarX son:
Var X es la varianza poblacional de los Ln de los datos originales

Va r x
− Cvy es el coeficiente de variación de los datos muestrales (Y)
Var X = Ln[(Cvy)2 + 1] Y= y e 2
Y es la mediana de la población de la variable aleatoria Y
y es la media aritmética muestral
Determinación de parámetros distribución lognormal
Supóngase que la lluvia mensual sigue una distribución lognormal, con asimetría
positiva y media muestral (My) = 14,0 mm y desviación típica (Sy) = 17,1mm
Sy
Cvy = = 1,22
My
Var X = Ln Cvy 2 + 1 = 0,9116mm2
Sx = 0,9116mm2 = 0,9548mm
VarX
−
Y = My e 2 = 8,8752mm
Los parámetros son Ln(8,8752; 0,9548)

Calculo de probabilidades analíticamente
Determínese la probabilidad de ocurrencia de precipitaciones anuales menores o

iguales a 600mm, sabiendo que la precipitación anual sigue una distribución
lognormal con 𝑦 = 420mm y desviación típica muestral (Sy) = 196mm
Sy 196mm
Cvy = = = 0,4667
y 420mm
Var X = Ln[(Cvy)2 + 1]
Var X = Ln[(0,4667)2 + 1] = 0,1970
Sx = 0,4439
Var x
−
Y= y e 2
0,1970
−
Y = 420 e 2 = 380,60mm
Luego, la precipitación anual es una variable aleatoria con LN (380,6; 0,197).

Ahora si podemos estimar las probabilidades solicitadas:
Calculo de probabilidades analíticamente
P [Y < y] = fY(y) = fZ(z)

P [PPanual < 600] = P [Y < 600] = FY (600) = FZ (z), donde:
Lny-LnY Ln600 − Ln380,60

z= = = 1,023
Sx 0,4439
Por lo tanto, FY (600) = FZ(1,023) = 0,8461  Habrá una probabilidad del 85% de que se
presenten precipitaciones menores o iguales a 600mm en cualquier año.
Calculo de probabilidades geométricamente:
Para la constatación de la semejanza de la serie climatológica con la distribución

lognormal utilizaremos el enfoque analítico-geométrico. A nivel práctico, consistirá
en llevar los datos muestrales a un papel probabilístico especial denominado “papel
logarítmico probabilístico” que tiene las siguientes escalas:
 Escala horizontal: valores de la función de distribución de probabilidad

tipificada [FZ(z)] en %. Esta puede tener inferiormente otra escala horizontal,
de tipo aritmético, con los valores de z.
 Escala vertical: escala con la función logarítmica en base 10 o en base e donde
se plotearan las magnitudes de la variable climática.

Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
PP 18 11 61 29 0 4 9 10 0 0 16 9 10 25 24 1 0 14 0 41 0 2
Si se desea comprobar si el modelo probabilístico lognormal puede definir el

comportamiento aleatorio de esta serie mensual de precipitación:
a) En primer término, la serie tiene 6 valores nulos, y la función logarítmica, en

cualquier base, no está definida para los valores nulos del argumento. Por lo
tanto, es indispensable realizar alguna modificación a los 0, la corrección que
produce la mínima alteración a la serie climatológica es aquella donde se le
suma 1 a cada dato. La serie modificada tendrá una varianza igual a la de la
serie original, pero una media aritmética mayor, en 1mm, a la media aritmética
de la serie original.
E (X + k) = E(x) + E(k) = Mx + k
Var (X + k) = Var (X) + Var (k) = Var (X)
Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
PP 19 12 62 30 1 5 10 11 1 1 17 10 11 26 25 2 1 15 1 42 1 3
b) Luego se ordenan los datos crecientemente y se le asigna a cada dato un

percentil, el cual será ploteado en la escala de la función de distribución de
probabilidad normal tipificada (fdaZ)
PP 1 1 1 1 1 1 2 3 5 10 10 11 11 12 15 17 19 25 26 30 42 62
m 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Perc 4 9 13 17 22 26 30 35 39 43 48 52 57 61 65 70 74 78 83 87 91 96
PP precipitación mensual en mm ordenada crecientemente

m rango u orden de cada valor de precipitación
m
Perc. percentil asignado a cada valor según su rango: percentil = ∗ 100
n+1
n número de datos, tamaño de la muestra
Los percentiles y su correspondiente magnitud de precipitación mensual

constituirán un par ordenado (percentil; precipitación) o genéricamente el par
ordenado (fdaZ; y). En consecuencia se tendrá un diagrama de dispersión de 22
puntos muestrales, a los que se le ajustara una recta, con respecto a la cual esos
puntos definirán una sumatoria de desvíos cuadráticos mínima
La determinación de la recta de mejor ajuste se determina entrando en la

calculadora concon los datos de f(z), como variable X (independiente) y del
elemento, en este caso la precipitación, como variable Y (dependiente)
PP 1 1 1 1 1 1 2 3 5 10 10
Rango 1 2 3 4 5 6 7 8 9 10 11
Percentil 4 9 13 17 22 26 30 35 39 44 48
z -1,70 -1,36 -1,13 -0,94 -0,78 -0,64 -0,51 -0,39 -0,28 -0,16 -0,05
PP 11 11 12 15 17 19 25 26 30 42 62
Rango 12 13 14 15 16 17 18 19 20 21 22
Percentil 52 56 61 65 70 74 78 82 87 91 96
z 0,05 0,16 0,28 0,39 0,51 0,64 0,78 0,94 1,13 1,36 1,70
Donde la variable z se determinará según el percentil que le corresponda a cada

valor de Y.
Relacionando precipitación y magnitudes de z, se logra una ecuación general de la

recta de mejor ajuste de:
La recta dibujada representa, geométricamente, a cada elemento de la población con

su función de densidad acumulada correspondiente, y por ello, procederemos a
estimar los parámetros poblacionales de esa línea de mejor ajuste.
• La mediana de los logaritmos de la serie original es igual al logaritmo de la

mediana de la serie original. Asimismo, la mediana en cualquier distribución de
probabilidades le corresponde el percentil 50 (P50). Por lo tanto haciendo las
intersecciones habituales desde el P50 hasta la línea de mejor ajuste y luego
hasta el eje de las ordenadas, se obtendrá el valor mediano (7mm)
• El otro parámetro es el cuadrado de la desviación típica de los logaritmos, o

sea, la varianza, para determinarlo se deben seguir los siguientes pasos:
a. Se buscan los valores de z asociados, por ejemplo, a los percentiles 87 y

13 en una tabla de función de distribución de probabilidad. De manera
que:
FZ(1,13) = 0,87 = P87
FZ(–1,13)= 0,13 = P13.
De igual modo, al P87 y al P13 le corresponderán, respectivamente, las
precipitaciones de 37mm y 1mm.
b. Se plantea un sistema de dos ecuaciones con una incógnita, a partir de la

formula general:
Ln10 (Lgy − LgY)

z=
Sx
1,13 Sx = Ln10 (Lg37 − Lg7)

−1,13 Sx = Ln10 (Lg1 − Lg7)
Despejando, Sx = 1,60
En conclusión, la función de distribución es LN (7; 1,62)
En síntesis, el modelo lognormal puede utilizarse en la predicción de aquellos

elementos climáticos donde evidenciemos esencialmente cualquiera de estas
características:
 Series con asimetría positiva

 Series acotada inferiormente en 0
 Series con predominio de valores pequeños o nulos, y escases de valores
relativamente grandes, como es el caso de las lluvias de los meses secos
Modelo probabilístico de los valores extremos máximos
Si la sucesión de datos muestrales son los valores máximos extraídos de otras series
con distribución normal o lognormal, entonces, a esa sucesión de datos máximos se
le puede ajustar un modelo probabilístico doble exponencial, denominado
Distribución de Valores Extremos Tipo I o Distribución Gumbel, cuya función de
distribución acumulada es:
−a(x−u)
FX x = e−e
En base a la relación existente entre la formula y la nación de probabilidad tenemos
que:
−a(x−u)
FX (x) = P [X < x] = e−e
u = valor modal poblacional de la variable aleatoria X

a = parámetro de escala de la variable aleatoria X
La distribución de una función de densidad de probabilidad tipo doble exponencial

o tipo Gumbel se representa con la simbología EXmaxI [u; a], donde EX se refiere
a la condición doble exponencial de la distribución y maxI indica su identificación
con los valores máximos y con la función exponencial tipo I.
Para la definición de los parámetros u y a se tomara en consideración el tamaño de

la muestra, cuando el número de valores máximos sea menor o igual a 100 se
utilizaran las ecuaciones:
Sx Sw
u = mx − mw a=
Sw Sx
mx media aritmética muestral

Sx desviación típica muestral
mw media aritmética de la variable reducida w,
Sw desviación típica de la variable reducida w
mw y Sw se obtienen por tabla a partir del tamaño muestral
Si el tamaño muestral es mayor que 100, entonces se aplicaría:
Gm 1,282
u = mx − a=
a Sx
Gm es la constante de Euler 0,577

Es común abreviar la función:

−a(x−u)
FX x = e−e
En: −w
FX x = e−e
Donde w seria  w = a (x – u)
Por lo tanto:
−w
FX (x) = e−e = FW w
De ahí que P [X<x] = FW (w)
Es decir, la estimación de la probabilidad de eventos máximos se resolverá por

medio de la función de distribución acumulada de la variable aleatoria W
En definitiva:
P [X < x] = Fx(x) = Fw (w)
P [X < x] = Fw (w)
−w
P [X < x] = e−e ∗ 100
Calculo analítico de probabilidades:
Por ejemplo, supóngase que se tiene una serie de deficiencias hídricas máxima
mensuales [mm]:
Año 1 2 3 4 5 6 7
Déficit 219 188 197 157 164 170 165
Se desea conocer la P [DEF < 180mm]
Entrando en la Tabla de la Variable o Valor Reducido, con el tamaño muestral, en

este caso n=7, se determina que mw=0,4473 y sw= 0,8749
22,15
u = 180 − 0,4773 = 167,92mm
0,8749
0,8749
a= = 0,0395
22,15
Abreviadamente, la distribución de las deficiencias máximas mensuales es una

EXmaxI [167,92; 0,0395]. Una vez conocido los parámetros poblacionales, se pude
hallar la probabilidad pedida:
Calculo analítico de probabilidades:
P [DEF < 180mm] = FX(180) = FW(w)
Dónde:
w = a (x – u)
w = 0,0395 (180 – 167.92) = 0,4772
El valor de FW(0,4772) se obtiene desarrollando la función doble exponencial

siguiente:
−w −0,4772
P [DEF < 180mm] = FW(0,4772) = e−e = e−e
P [DEF < 180mm] = 0,5377 * 100
Por lo tanto, hay una probabilidad del 54% que las deficiencias hídricas máximas
mensuales sean inferiores o iguales a 180mm en un año cualquiera.
El procedimiento utilizado se justifica cuando, a priori, se asume que el modelo más

adecuado a los datos es el Gumbel (por ser una sucesión de eventos máximos).
Pero, antes, se podría haber inquirido si la distribución Gumbel es conveniente a los
datos climáticos. Para responder a esa interrogante puede optarse por la solución
analítico-geométrica, basada en el empleo de un papel grafico especial.
Calculo geométrico de probabilidades:
El papel grafico (papel doble exponencial) consiste en 3 ejes: dos horizontales y

uno vertical. En el eje de abscisas superior (escala doble exponencial) se ploteará la
frecuencia acumulada (fda) de la muestra según la fórmula:
r
fdax r = 100 − 100 ∗ ~100FX x = 100FW(w)
n+1
fdaX(r) función o frecuencia acumulada del valor de orden r [%]
r rango u orden del dato ordenado decrecientemente
n tamaño de la muestra
En el eje de las ordenadas (eje aritmético) se plotean las cifras correspondientes al

elemento climatológico analizado en sus respectivas unidades
El ploteo de la información anterior genera una dispersión de puntos, a los cuales se

le traza una recta de regresión.
Si la serie empleada anteriormente deseáramos constatarle que sigue una

distribución Gumbel, haríamos los siguientes pasos:
a) Ordenar la serie decrecientemente y asignarle un percentil de acuerdo a la

ecuación:
Año 1 2 3 4 5 6 7
Déficit 219 188 197 157 164 170 165
Def ord 219 197 188 170 165 164 157
Orden, r 1 2 3 4 5 6 7
probX, % 12,5 25,0 37,5 50,0 62,5 75,5 87,5
fdaX, % 87,5 75,0 62,5 50,0 37,5 25,0 12,5
La variable probX mide la probabilidad que el evento sea sobrepasado en un año

cualquiera y se calcula con la relación:
r
probX, % = 100 ∗
n+1
Luego, la fdax da la probabilidad de que el evento no sea sobrepasado en un año

cualquiera.
b) Ploteo de datos coordenados generales [fda; Def]

Para trazar la grafica se asocian a la variable climática (x) con la variable reducida
(w), ya que ambas se relacionan linealmente:
Año 1 2 3 4 5 6 7
Déficit 219 188 197 157 164 170 165
Def ord 219 197 188 170 165 164 157
Orden, r 1 2 3 4 5 6 7
probX, % 12,5 25,0 37,5 50,0 62,5 75,5 87,5
fdaX, % 87,5 75,0 62,5 50,0 37,5 25,0 12,5
w’ 2,01 1,25 0,76 0,37 0,02 -0,33 -0,73
w‘ = –Ln [Ln (1/fdaX)]
w‘ = –Ln [Ln (1/0,875)] = 2,013

w‘ = –Ln [Ln (1/0,750)] = 1,245
…
w‘ = –Ln [Ln (1/0,250)] = -0,326
w‘ = –Ln [Ln (1/0,125)] = 0,732
Realizando ahora el análisis de correlación-regresión entre DEF (Y) y w (X), se

tendría:
R2 = 0,96; x = 168,93 + 23,11w
Ejercicio:
A partir de la siguiente serie de déficit hídrico (mm) anuales para la estación Toro
Negro, 1972-1992 (Ejercicio 19 problemario)
Años DEF
1972 208 Mx: 267,57mm
1973 298 Sx: 24,19mm
1974 277
1975 288 Luego, se buscan en tabla los siguientes parámetros (n= 21)
1976 251
1977 280
mw: 0,5252
1978 290 sw: 1,0696
1979 252
1980 300
1981 244
Sx
1982 257
u = mx − mw = 255,69
1983
1984
271
299
Sw
1985 265
1986 268
1987 247 Sw
1988 288 a= = 0,0442
1989 257 Sx
1990 251
1991 236
1992 292
Los parámetros serán EXmaxI [255,69; 0,0442]
Ejercicio: calculo analítico de probabilidades
A partir de la siguiente serie de déficit hídrico (mm) anuales para la estación Toro
Negro, 1972-1992 (Ejercicio 19 problemario)
P [DEF<300mm] = Fx(300) = Fw(w)
−w
FX x = e−e = FW(w)
w = a (x – u)
w = 0,0442 (300 – 255,69)
w = 1,9585
P [DEF<300] = Fw(1,9585) = 0,8684 = 87%
Hay una probabilidad del 87% que las deficiencias hídricas máximas mensuales
sean menores a 300mm en un año cualquiera.
Ejercicio: periodo de retorno para una función Gumbel tipo I

Años Px Fx=1–Px Fw w´ k=w’- mw/sw ŝ kŝ Mx x=Mx+kŝ
2 0.500 0.500 0.500 0,366 -0,148 24,19 -3,58 267,57 264
5 0.200 0.800 0.800 1,500 0,911 24,19 22,05 267,57 290
10 0.100 0.900 0.900 2,250 1,613 24,19 39,01 267,57 306
15 0.067 0.933 0.933 2,668 2,003 24,19 48,46 267,57 316
20 0.050 0.950 0.950 2,970 2,286 24,19 55,29 267,57 323
25 0.040 0.960 0.960 3,198 2,499 24,19 60,45 267,57 328
30 0.033 0.967 0.967 3,394 2,682 24,19 64,88 267,57 332
40 0.025 0.975 0.975 3,676 2,946 24,19 71,26 267,57 339
50 0.020 0.980 0.980 3,902 3,157 24,19 76,37 267,57 344
60 0.017 0.983 0.983 4,066 3,310 24,19 80,08 267,57 348
70 0.014 0.986 0.986 4,262 3,494 24,19 84,51 267,57 352
80 0.012 0.988 0.988 4,417 3,639 24,19 88,02 267,57 356
90 0.011 0.989 0.989 4,504 3,720 24,19 89,98 267,57 358
100 0.010 0.990 0.990 4,600 3,810 24,19 92,16 267,57 360
La matriz anterior se construye de la siguiente manera:

 Los años corresponde al periodo de tiempo establecido por el investigador.
 Px se obtiene al dividir 1/T, donde T corresponde al tiempo, en este caso, a los
años
 Fx se obtiene al restar (1 – Px)
 Fw (W) = Fx (X)

2 0.500 0.500 0.500 0,366 -0,148 24,19 -3,58 267,57 264
5 0.200 0.800 0.800 1,500 0,911 24,19 22,05 267,57 290
10 0.100 0.900 0.900 2,250 1,613 24,19 39,01 267,57 306
15 0.067 0.933 0.933 2,668 2,003 24,19 48,46 267,57 316
20 0.050 0.950 0.950 2,970 2,286 24,19 55,29 267,57 323
25 0.040 0.960 0.960 3,198 2,499 24,19 60,45 267,57 328
30 0.033 0.967 0.967 3,394 2,682 24,19 64,88 267,57 332
40 0.025 0.975 0.975 3,676 2,946 24,19 71,26 267,57 339
50 0.020 0.980 0.980 3,902 3,157 24,19 76,37 267,57 344
60 0.017 0.983 0.983 4,066 3,310 24,19 80,08 267,57 348
70 0.014 0.986 0.986 4,262 3,494 24,19 84,51 267,57 352
80 0.012 0.988 0.988 4,417 3,639 24,19 88,02 267,57 356
90 0.011 0.989 0.989 4,504 3,720 24,19 89,98 267,57 358
100 0.010 0.990 0.990 4,600 3,810 24,19 92,16 267,57 360

 w' = –Ln [Ln (1/Fw)]
Por ejemplo, el w’1 será:
w’1 = –Ln [Ln (1/Fw)]
w’1 = –Ln [Ln (1/0,50)]
w’1 = 0,3665
 k = (w' – mw)/sw

2 0.500 0.500 0.500 0,366 -0,148 24,19 -3,58 267,57 264
5 0.200 0.800 0.800 1,500 0,911 24,19 22,05 267,57 290
10 0.100 0.900 0.900 2,250 1,613 24,19 39,01 267,57 306
15 0.067 0.933 0.933 2,668 2,003 24,19 48,46 267,57 316
20 0.050 0.950 0.950 2,970 2,286 24,19 55,29 267,57 323
25 0.040 0.960 0.960 3,198 2,499 24,19 60,45 267,57 328
30 0.033 0.967 0.967 3,394 2,682 24,19 64,88 267,57 332
40 0.025 0.975 0.975 3,676 2,946 24,19 71,26 267,57 339
50 0.020 0.980 0.980 3,902 3,157 24,19 76,37 267,57 344
60 0.017 0.983 0.983 4,066 3,310 24,19 80,08 267,57 348
70 0.014 0.986 0.986 4,262 3,494 24,19 84,51 267,57 352
80 0.012 0.988 0.988 4,417 3,639 24,19 88,02 267,57 356
90 0.011 0.989 0.989 4,504 3,720 24,19 89,98 267,57 358
100 0.010 0.990 0.990 4,600 3,810 24,19 92,16 267,57 360

 ŝ corresponde a la desviación típica muestral
 kŝ = es producto de la multiplicación de las columnas anteriores
 Mx corresponde a la media aritmética

2 0.500 0.500 0.500 0,366 -0,148 24,19 -3,58 267,57 264
5 0.200 0.800 0.800 1,500 0,911 24,19 22,05 267,57 290
10 0.100 0.900 0.900 2,250 1,613 24,19 39,01 267,57 306
15 0.067 0.933 0.933 2,668 2,003 24,19 48,46 267,57 316
20 0.050 0.950 0.950 2,970 2,286 24,19 55,29 267,57 323
25 0.040 0.960 0.960 3,198 2,499 24,19 60,45 267,57 328
30 0.033 0.967 0.967 3,394 2,682 24,19 64,88 267,57 332
40 0.025 0.975 0.975 3,676 2,946 24,19 71,26 267,57 339
50 0.020 0.980 0.980 3,902 3,157 24,19 76,37 267,57 344
60 0.017 0.983 0.983 4,066 3,310 24,19 80,08 267,57 348
70 0.014 0.986 0.986 4,262 3,494 24,19 84,51 267,57 352
80 0.012 0.988 0.988 4,417 3,639 24,19 88,02 267,57 356
90 0.011 0.989 0.989 4,504 3,720 24,19 89,98 267,57 358
100 0.010 0.990 0.990 4,600 3,810 24,19 92,16 267,57 360
La interpretación para el periodo de retorno de 20 años será la siguiente: Hay un

riesgo del 5% en promedio que en los próximos 20 años, se alcance o sea superado
un valor máximo mensual de 323mm de deficiencias hídricas en cualquier mes.
La ecuación general de la recta se construye introduciendo los datos de w’ (X) y

x (Y):
Y’=255,69+22,62(w’) R2=1
Ejercicio: método grafico para una función tipo Gumbel

AÑOS DEF DEF ORD (Y) r/n+1 Fx Fw w´ (X) PERC
1 208 300 0,045 0,955 0,955 3,078 95
2 298 299 0,091 0,909 0,909 2,351 91
3 277 298 0,136 0,864 0,864 1,92 86
4 288 292 0,182 0,818 0,818 1,606 82
5 251 290 0,227 0,773 0,773 1,355 77
6 280 288 0,273 0,727 0,727 1,144 73
7 290 288 0,318 0,682 0,682 0,96 68
8 252 280 0,364 0,636 0,636 0,794 64
9 300 277 0,409 0,591 0,591 0,642 59
10 244 271 0,455 0,545 0,545 0,501 55
11 257 268 0,5 0,5 0,5 0,367 50
12 271 265 0,545 0,455 0,455 0,238 45
13 299 257 0,591 0,409 0,409 0,112 41
14 265 257 0,636 0,364 0,364 -0,012 36
15 268 252 0,682 0,318 0,318 -0,136 32
16 247 251 0,727 0,273 0,273 -0,262 27
17 288 251 0,773 0,227 0,227 -0,393 23
18 257 247 0,818 0,182 0,182 -0,533 18
19 251 244 0,864 0,136 0,136 -0,689 14
20 236 236 0,909 0,091 0,091 -0,875 9
21 292 208 0,955 0,045 0,045 -1,129 5
La ecuación se construye con los valores de DEF ORD (Y) y w’ (X)
Y’= 256,7405 +20,6042 (w’) R2= 0,87

Ejercicio: método grafico para una función tipo Gumbel

Climatologia I - Unidad IV

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Climatologia I - Unidad IV

Uploaded by

Copyright:

Available Formats

Universidad Central de Venezuela

Facultad de Humanidades y Educación

¿Qué es una serie climática? (Unidad I)

ESTACION: CAGIGAL Serie longitudinal

Toma valores claramente separados, Toma infinitos valores, dentro de un rango

• Oscilación: es una fluctuación en la cual la variable tiende a moverse gradual y

• Tendencia: es un cambio climático caracterizado por un suave, uniforme y

• Ciclos: es un ritmo en el cual el intervalo entre sucesivos máximos y mínimos es

¿Por qué es importante determinar si existe un predominio del a

Antes de aplicar un modelo probabilístico a una serie de datos, se debe determinar

• Es posible enumerar todos los resultados factibles del fenómeno.

Test no paramétrico de las Rachas

1. Se calcula la mediana (Md) de la serie

Test no paramétrico de las Rachas

4. Las hipótesis estadísticas que se desean probar o contrastar son:

Tabla: Limites (en rachas) de la Región de Aceptación de la Hipótesis de

Percentil: es una puntuación de la distribución que tiene por debajo de él un

Test no paramétrico de las Rachas

II. Si n1 y/o n2 son >20, no se podría utilizar el cuadro anterior, entonces se

Mr promedio aritmético de las media de las rachas

Test no paramétrico de las Rachas

2 n1 (n1 −1) n2 (n2 −1)

Para emplear las tablas de la distribución normal tipificada o estandarizada, las

Si α 5% y gdl∞ entonces los limites superior (zs) e inferior (zi) de la región de

Test no paramétrico de las Rachas

Si el número de rachas muestral no es el de una serie aleatoria (se rechazó la Ho) y

rinferior = [Sr (–Zr)] + Mr

Por lo tanto, la región de aceptación de la Ho correspondería al intervalo:

Si el número de rachas muestral es:

Test no paramétrico de las Rachas

Los procedimientos anteriores tienen el inconveniente de estar solo diseñado para

 Horizontalmente se entra con el número de rachas (rm)

Por ejemplo, si n1=n2=8 y rm=7, entonces se obtendrá en el cuerpo del cuadro la

Distribución del número total de Rachas en muestras pequeñas (tabla de percentiles)

(3,3) 0,100 0,300 0,700 0,900 1,000

(4,4) 0,029 0,114 0,371 0,629 0,886 0,971 1,000

Verificar si la siguiente serie climática de precipitación (mm) es aleatoria:

Verificar si la siguiente serie climática de precipitación (mm) es aleatoria:

Relación matemática entre dos variables

Si y = 0,5x, para todo x∈[0; 2]

Si x es una variable aleatoria continua, a la función

Relación matemática entre dos variables

La función fX(x) es la fdp de la variable aleatoria X

Por lo tanto, la fdpX no es más que la gráfica de la

La función de densidad de probabilidad (FDP) se utiliza en estadística con el propósito de conocer

Matemáticamente la FDP (función de densidad de probabilidad) es la derivada de la función

Relación matemática entre dos variables

Si deseáramos determinar el área del sector rayado

A la integral definida se le puede simbolizar como F(x), pero como se aplica a la

Relación matemática entre dos variables

En conclusión, la integra definida de fX(x) recibe el nombre en estadística

En adelante, al hacer referencia a la fdaX estaremos puntualizando, implícitamente,

Todo lo anterior da lugar al establecimiento de las siguientes relaciones de igualdad:

Teorema fundamental del calculo:

Área bajo la curva:

Propiedades de la integral definida:

Tablas de integrales de las funciones básicas:

Relación matemática entre dos variables

Si f(x) = fdp = función de densidad probabilística, b

Relación matemática entre dos variables

Calculo de parámetros estadísticos para variables continuas:

• Varianza: Var(x) = E[x – E(x)]2 = E(x2) – [E(x)]2

Relación matemática entre dos variables