Beruflich Dokumente
Kultur Dokumente
1. Introducción.
La estadística es la ciencia dedicada a la recolección, presentación y
caracterización de la información con el objeto de analizar y luego tomar
decisiones.
La estadística se utiliza en diferentes especialidades de la ciencia como Minería,
Geología, Agronomía, Economía, Ambiental, medicina, economía, etc.
1.1 Individuo.- Cualquier elemento que porte información sobre el fenómeno que
se estudia.
Ejemplo:
1. Si estudiamos la estatura de los alumnos de una clase, cada alumno es
un individuo;
2. Si estudiamos el precio de la vivienda, cada vivienda es un individuo.
El individuo constituye una unidad elemental.
1.2 Población.- Conjunto de todos los individuos (personas, objetos, animales,
etc.) 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.
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 (porque 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.
Se representa 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° 03
DATOS CLASIFICADOS Y ORDENADOS
SALARIO DIARIO DE 50 OPERARIOS EN UNA FABRICA DE CONFECCIONES
$/Dia $/Dia $/Dia $/Dia $/Dia
50 53 54 55 56
51 53 54 55 56
51 53 54 55 56
51 53 54 55 56
52 53 54 55 56
52 53 54 55 57
52 53 54 55 57
52 53 54 55 57
52 54 54 55 58
53 54 54 55 58
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 brutos 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 $58.000.00.
El salario diario mínimo ($50.000.00) lo gana únicamente una obrera,
lo que constituye el 2% del personal asalariado.
El 62% de las operarias tiene un salario diario entre $53.000.00 y
$55.000.00.
El 60% de las obreras tiene un salario/día de $54.000.00 o menos.
El 64% tiene un ingreso/día de $54.000.00 o más.
2.2
CAPITULO III
Curva B
Curva A
Curva C
Curva B
Curva A
Curva A
Curva B
Curva A
Curva B
Curva C (Platicúrtica)
∑ 𝑛
𝑋𝑖
𝑋̅ = 𝑖=1 …(2)
𝑛
Donde:
μ: media poblacional
Donde:
Donde:
La media ponderada, se utiliza por ejemplo para el cálculo de las notas promedio
de un alumno, donde para cada valor de notas, el factor de ponderación es el
crédito o peso del curso, así:
∑ 𝑛
𝑃𝑖.𝐴𝑖
𝑃̅ = ∑𝑖=1
𝑛 𝐴𝑖
𝑖=1
Dónde:
n: número de notas
2.2.3 Media geométrica
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:
100
− 35
2
𝑀𝑒 = [ ] 100 + 400 = 445.45
33
2.2.5 Moda
Donde:
Si la distribución es simétrica (fig. a), las tres medidas de tendencia central tienen
valores idénticos.
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)
Donde:
R: rango
2.3.2 Varianza
Datos no agrupados:
∑𝑛
𝑖=1(𝑥𝑖−𝜇)
2
𝜎2 = …(11)
𝑛
∑𝑛
𝑖=1(𝑥𝑖−𝑥̅ )
2
𝑆2 = …(12)
𝑛−1
Pero:
∑ 𝑥𝑖
∑ 𝑥𝑖 = 𝑛 = 𝑛𝑥̅ …(14)
𝑛
Luego, sustituyendo (14) en (13), resulta:
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
∑𝑘 2
𝑖=1(𝑥𝑖−𝑥̅ ) .𝑓𝑖
𝑆2 = …(19)
𝑛−1
Donde:
𝑥̅ =: media
fi: valor de la i-ésima frecuencia absoluta, es decir, número de datos en el intervalo
i
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)
xi: valor de la i-ésima marca de clase
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 = 𝑛 ∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
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
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
DEFINICIONES
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
Si 30 < N < 75 8 ≤ NC ≤ 10
Si N > 75 10 < NC ≤ 30
Donde:
N : tamaño de la 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
Tabla 3.1 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
Introducción.
Ejemplos:
EXPERIMENTO ALEATORIO.
Un experimento aleatorio es todo proceso que consiste en la ejecución de un hecho
(o prueba) una o más veces (en las mismas condiciones) y cuyo resultado en cada
prueba depende del azar (no se pueden predecir con certeza) pero que sin embargo
se pueden definir (si se pueden describir).
Ejemplos:
EVENTOS (E)
Ejemplos:
Es cada uno de los elementos del espacio muestral y se representa por “e”.
Ejemplo ilustrativo:
Eventos (E):
Ejemplos:
2. P(∅) = 0
3. P (𝐴𝐶 ) = 1 – P(A), donde 𝐴𝐶 es el complemento de A.
PROBABILIDAD CONDICIONAL
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵/𝐴) = … . (3)
𝑃(𝐴)
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
Se dice que una variable aleatoria X es discreta. Cuando sus valores se restringen
a un conjunto enumerable finito o infinito.
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.
1 2 3 4 5 6 …. 31 días
DISTRIBUCIONES
Notación:
X variable aleatoria de la función
1 2
𝑓(𝑥) = 𝑒 −1⁄2[(𝑥−𝜇)⁄𝜎]
√2𝜋 ∗ 𝜎
Donde:
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,…
Sesgado si:
E(a)= α
Insesgado si:
E(a)= α + v (α)
Eficiente si:
VAR(a) =E (a-α)2
Consistente si:
Mínimo cuadrado
Momentos
Máxima verosimilitud
Así:
Por ejemplo para determinar los estimadores de µ y σ por medio de una muestra
dada correspondiente a una población normal, hacer lo siguiente:
2. Dibujar una muestra k se aproxime a los puntos, tanto como sea posible.
𝑥̅ + 𝑠 = 𝐾2 𝑠 = 𝐾2 − 𝑥̅
𝑆 es un estimador de σ.
Este, método más aplicable para la estimación de los parámetros de una ecuación
de regresión.
Y = a + bX
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 MOMENTOS DE LOS MOMENTOS
El principio básico de la estimación por el método de los momentos es establecer
para cada función de distribución la relación entre los parámetros y momentos
centrales, de tal manera que:
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=
√2𝛱𝜃2
∫−∞ 𝑥𝑒 −1⁄2[(𝑥−𝜃1 )⁄𝜃2 ] 𝑑𝑥 … (6)
Haciendo:
𝑥−𝜃1
=𝑦 𝑥 = 𝜃1 + 𝜃2 𝑦 𝑑𝑥 = 𝜃2 + 𝑑𝑦 ………(7)
𝜃2
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)
Luego: (12) se escribe
∞ ∞
2 2
𝐵 = − ∫ 𝑦𝑒 −1⁄2𝑦 𝑑𝑦 + ∫ 𝑦𝑒 −1⁄2𝑦 𝑑𝑦
0 0
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
2
𝜎 = ∫ 𝜃2 2 𝑦 2 𝑒 −1/2𝑦 𝜃2 𝑑𝑦
√2𝛱𝜃2 −∞
2
𝜃2 2 ∞
2
𝜎 = ∫ 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
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 (𝑥−1)ǃ
(−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
4.2.4. METODO DE MAXIMA VEROSIMILITUD
Dada una función densidad de probabilidad.
𝑓(𝑥, 𝛼, 𝛽, 𝛾, … … . )
Donde:
𝛼, 𝛽, 𝛾, … …. Son los parámetros que deben ser estimados.
Se define la función verosimilitud de la muestra, como la productoria:
L = ∏ f(𝑥𝑖 , 𝛼, 𝛽, 𝛾, … )
𝑖=1
N 𝑁
Usualmente insesgado.
Si la eficiencia de estimadores existe para los parámetros α, β, g,…, 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
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 ∗ 2( )(− 𝜃 )] = 0
𝜕𝜆 𝜃2 2
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
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.
∑ 𝜃𝑖 = ∑ 𝑒𝑖 = 𝑵
𝒊=𝟏 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 = o ei = NPi …………………… ……………….… (3)
k
VENTAJAS Y LIMITACIONES
Donde:
P( Δ ≥ Δo) = α (6)
También:
5.4 PROCEDIMIENTO.
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
̅+ S
𝑿 84.13
̅- S
𝑿 15.87
VENTAJAS Y LIMITACIONES
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 − [ ]
𝑓(𝑥) = 𝐸𝑥𝑝 2 𝑆 …………………..(1)
√2𝜋 𝑆
̅ 2
1 𝑋−𝑋
1 − [ ]
𝑓(𝑥) = 𝑒 2 𝑆 ………………………(2)
√2𝜋 𝑆
Seleccion de una
distribución
REGISTRO DE DATOS
ELEGIR UNA
DISTRIBUCION
TEORICA
ESTIMACION DE
PARAMETROS
PRUEBA DE
BONDAD DE
AJUSTE
F V
AJUSTE
BUENO
FIN
Donde:
f(x) = función densidad normal de la variable x.
x = variable independiente.
X----- N(𝑋̅, 𝑆 2 )
0.15
f(x)
0.1
0.05
0
0 20 40 60 80 100
Xi
𝑋𝑖 −𝑋̅
Si 𝑍= ………………….(3)
𝑆
1 1
1 [𝑍]2 1 [𝑧]2
𝑓(𝑍) = 𝐸𝑥𝑝 − 2 O 𝑓(𝑍) = 𝑒− 2
√2𝜋 𝑆 √2𝜋 𝑆
1 𝑋−𝑋 ̅ 2
1 𝑥 − [ ]
𝐹(𝑥) = ∫−∞
𝐸𝑥𝑝 2 𝑆 𝑑𝑥 …………………..(6)
√2𝜋 𝑆
1 𝑋−𝑋 ̅ 2
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 −∞
F(−∞) = 0
F(𝑋̅) = 0.5
F(+∞) = 1
Existen tablas, por ejemplo las tablas 1 y 2 del apéndice que permite calcular F(Z).
Donde:
𝟏
V = 𝟏+𝟎.𝟑𝟑𝟐𝟔𝟕|𝒁| ……………………………………..(11)
Donde:
1
W = 1+0.2316419|𝑍| ………………(13)
Siendo las constantes:
b1 = 0.319381530 b4 = -0.356563782
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
1. FUNCION DENSIDAD
La función de distribución de Y, es:
1 𝑦−µ𝑦 2
1 − ( )
𝑓(𝑦) = 𝑒 2 𝜎𝑦
……………………………………...…. (15)
√2𝜋 𝜎𝑦
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
𝑍2
1 𝑦 −
𝐹(𝑍) = ∫ 𝑒 2 dZ …………………………………………..…. (18)
√2𝜋 ̵α
𝑍 ̴𝑁(0,1)
𝜎2 𝑦
Media: Ȳ = 𝐸(𝑥) = 𝐸𝑋𝑃(µ𝑦 + )
2
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
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
para:
𝑥𝑜 ≤ 𝑥 < ∞
−∞ ≤ 𝑥𝑜 < ∞
0≤𝛽<∞
0≤𝛾<∞
2. FUNCIÓN ACUMULADA
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.
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:
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 < ∞
F(x) = G (Y)
Y la relación es:
x−µ
Y= ó x = µ + αY ………………………..
α
(75)
-Moda xmoda = µ
lim 1 1 1
C = n→∞ [1 + + + ⋯ + 𝑛 − ln n]
2 3
C = 0.5772156649
Por lo tanto:
𝑋̅ = µ +0.57721 α ………………………………. (76)
п2 α2
Varianza: E[(x – E(x))2] = S2 = …………………………… (77)
6
De donde se obtiene:
√6
α = S = 0.78 S …………………………….. (78)
п
5. EJEMPLO
SOLUCION:
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%.
2. Cálculo del caudal de diseño, para un periodo de retorno de 50 años.
1
F(Q =q) = P(Q ≤ q) = 1- T
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.