Vous êtes sur la page 1sur 27

Distribución Gumbel

Existen esencialmente tres tipos de distribuciones de valores extremas de Fisher-Tippett. El


más común es la distribución tipo I, que a veces se denomina tipos Gumbel o solo
distribuciones Gumbel. Estas son distribuciones de una estadística de orden extrema para
una distribución de elementos . En este trabajo, el término "distribución de Gumbel" se
utiliza para referirse a la distribución correspondiente a una distribución mínima de valores
extremos (es decir, la distribución del mínimo ).

La distribución de Gumbel con parámetro de ubicación y parámetro de escala se


implementa en Wolfram Language como GumbelDistribution [ alpha , beta ].

Tiene función de densidad de probabilidad y función de distribución

(1)

(2)

La media , varianza , asimetría y curtosis son

(3)
(4)

(5)

(6)

¿Dónde está la constante Euler-Mascheroni y es la constante de Apéry ?

La distribución de los tomados de una distribución uniforme continua durante el


intervalo de la unidad tiene una función de probabilidad
(7)

y la función de distribución

(8)

El momento th raw está dado por

(9)

Los primeros momentos centrales son

(10)

(11)

(12)

Por lo tanto , el exceso de media , varianza , asimetría y curtosis está dado por

(13)

(14)

(15)

(dieciséis)

Si , en cambio, se toman de una distribución normal estándar , entonces la distribución


acumulativa correspondiente es

(17)

(18)

¿Dónde está la función de distribución normal ? La distribución de probabilidad es


entonces

(19)
(20)
La media y la varianza son expresables en forma cerrada para pequeños ,

(21)
(22)

(23)

(24)

(25)

(26)
(27)

(28)

(29)

(30)

No se conoce una expresión exacta para o , pero hay una ecuación que los conecta

(31)
VEA TAMBIÉN:Extreme Value Distribution , Inverse Gumbel Distribution
REFERENCIAS:
Gumbel, E. J. "Distribuciones Extremáticas Multivariantes". Toro. Inst. Internat. de Statistique 37 , 471-475, 1960a.
Gumbel, E. J. "Distributions del valeurs extremes en plusieurs dimensions." Publ. l'Inst. de Statistique, Paris 9 , 171-
173, 1960b.
Gumbel, E. J. "Distribuciones Logísticas Bivariadas". J. Amer. Stat. Assoc. 56 , 335-349, 1961.
Gumbel, E. J. y Mustafi, C. K. "Algunas propiedades analíticas de distribuciones extremas bivariadas". J.
Amer. Stat. Assoc. 62, 569-588, 1967.
Johnson, N .; Kotz, S .; y Balakrishnan, N. Continuous Univariate Distributions, vol. 2, 2da ed. Nueva York: Wiley,
1995.

http://mathworld.wolfram.com/GumbelDistribution.html
FUNCIONES

Gumbel Distribution representa la distribución de valores extremos, ya


sea el máximo o el mínimo de muestras utilizadas en diversas
distribuciones. Se usa para modelar la distribución de niveles
máximos. Por ejemplo, para mostrar la distribución de las temperaturas
máximas del año si hay una lista de temperaturas máximas de 10 años.
Función de densidad de probabilidad
La función de densidad de probabilidad de la distribución de Gumbel se
da como:

Fórmula
PAG( x ) = 1βmi[ x - αβ- ex - αβ]PAG(X)=1βmi[X-αβ-miX-αβ]
Donde -

 αα = parámetro de ubicación
 ββ = parámetro de escala
 XX = variable aleatoria
Función de distribución acumulativa
La función de distribución acumulativa de la distribución de Gumbel se
da como:

Fórmula
D ( x ) = 1 - e- ex - αβre(X)=1-mi-miX-αβ
Donde -

 αα = parámetro de ubicación
 ββ = parámetro de escala
 XX = variable aleatoria
https://www.tutorialspoint.com/statistics/goodness_of_fit.
htm
Las distribuciones de valores extremos son distribuciones limitativas o asintóticas que
describen la distribución del valor máximo o mínimo extraído de una muestra de
tamaño n cuando n se hace grande, de una familia de distribuciones subyacente
(típicamente la familia de distribuciones exponenciales, que incluye
el exponencial , gamma). , Normal , Weibull y Lognormal ). Al considerar la distribución
de los valores mínimos para los que se conoce un límite inferior (por ejemplo, hay un
límite inferior de cero), entonces la distribución de Weibull se debe utilizar con
preferencia al Gumbel. Las dos distribuciones están estrechamente relacionadas:
si X tiene unaLa distribución de Weibull con los parámetros α y c , luego log ( X ) tiene una
distribución de valores extremos con los parámetros μ = log α y β = 1 / c.
El Gumbel se conoce a veces como una distribución Log-Weibull, Gompertz o Fisher-
Tippett y es un caso particular (Tipo I) de la distribución generalizada de valores
extremos . El pdf de la distribución de Gumbel es:

con cdf:

El parámetro μ es el modo de la distribución, por lo que el modo de muestra (si se


determina fácilmente) junto con la media de la muestra se puede usar para ayudar en la
estimación. Alternativamente , se pueden emplear los métodos de mediana (más
fácilmente determinada) o estimación de máxima verosimilitud(MLE). La asimetría y la
curtosis de la distribución son constantes. A continuación, se muestran gráficos de
muestra del PDF de Gumbel, con las medidas clave que se proporcionan en la tabla
siguiente. Luego observamos un ejemplo simple de la distribución en acción.
Distribución de Gumbel
Mean, μ 1 μ + βγ γ es la constante de Euler :
0.5772156649 ...
Modo μ
Mediana μ-βk k = ln (ln (2))
Varianza, μ 2 ( Βπ ) 2 /6
Oblicuidad ζ (3) es la constante de Apery (de la
función zeta de Riemann)

Kurtosis 12/5
MGF

Ejemplo: valores extremos


En el siguiente ejemplo, hemos tomado lotes de muestras aleatorias de una unidad
Normal. Cada lote constaba de 500 valores aleatorios, y el mayor valor se registró. El
proceso se repitió 1000 veces, por lo que se obtuvo una muestra grande de valores
aleatorios extremos (máximos). La distribución de frecuencia de estos valores se trazó
luego, como se muestra a continuación. Sabemos por la distribución Normalque muy pocos
valores serán 3 o más desviaciones estándar de la media, pero en una muestra de 500 hay
una posibilidad razonable de que el valor más grande visto sea mayor que 2, y bastantes
veces valores mayores de 3 o 4 ser observado. El histograma refleja esto, con un ligero
sesgo positivo y un modo alrededor de 3. También se muestra una distribución de Gumbel
ajustada (ajustada mediante métodos iterativos) que confirma su valor como modelo en
tales casos. Si se analizaran los valores mínimos, se observaría el mismo patrón pero con
un modo de alrededor de -3 y un ligero sesgo negativo.
Valores máximos de 1000 unidades aleatorias Muestras normales de 500

Ahora podemos usar este resultado para modelar un problema práctico. Supongamos que
un compuesto químico en particular, A, se usa en combinación con otras sustancias para
producir tabletas de medicamentos orales. Se especifica el número de miligramos del
compuesto A y no debe exceder un valor máximo establecido. El proceso de fabricación
produce el medicamento en lotes. Se produce una serie de lotes de prueba iniciales y se
analiza la composición química exacta, registrándose los valores máximos en miligramos
para el compuesto A en cada lote de prueba. Por ejemplo, se podrían haber producido un
total de 10 lotes de prueba. Estos 10 valores se usan luego para obtener estimaciones de
los parámetros de una distribución de Gumbel (típicamente utilizando la estimación de
máxima verosimilitud) y la probabilidad de obtener un lote de producción con un valor
superior al máximo aceptable puede calcularse a partir de la distribución acumulada
ajustada. Se pueden aplicar ideas similares a la estimación de la probabilidad de eventos
extremos, tales como olas y tormentas dañinas, inundaciones y fallas de dispositivos y
materiales.
Para confirmar que este tipo de resultado no solo se aplica a muestras de
una distribución Normal , hemos repetido el ejercicio pero con datos de una distribución
Exponencial con media = 1, por lo que la varianza también es igual a 1. Debido a que esta
distribución es muy larga, y delimitado por cero desde abajo, solo se consideran los valores
máximos, y de nuevo la distribución de Gumbel proporciona un buen ajuste como se
muestra a continuación:
Valores máximos de 1000 aleatorios Expone muestras de 500 con valor medio
1
Referencias
[JOH1] Johnson NL, Kotz S (1970) Distribuciones univariadas continuas, I. Houghton Mifflin / J
Wiley & Sons, Nueva York
[NIST} NIST: eHandbook: distribuciones de valores
extremos: http://www.itl.nist.gov/div898/handbook/apr/section1/apr163.htm
Mathworld: Weisstein EW: distribución de
Gumbel: http://mathworld.wolfram.com/GumbelDistribution.html
Wikipedia: distribución de Gumbel: http://en.wikipedia.org/wiki/Gumbel_distribution
La siguiente es la gráfica de la función
de distribución acumulativa de Gumbel
para el caso mínimo.

La fórmula para la función de


distribución acumulativa de la
distribución de Gumbel (máximo) es

F( x ) = e- e- x

La siguiente es la gráfica de la función


de distribución acumulativa de Gumbel
para el caso máximo.
Función de punto porcentual La fórmula para la función de punto
porcentual de la distribución de Gumbel
(mínimo) es

G ( p ) = ln( ln( 11 - p) )

La siguiente es la gráfica de la función


de punto de porcentaje de Gumbel para
el caso mínimo.
La fórmula para la función punto
porcentual de la distribución Gumbel
(máximo) es

G ( p ) = - ln( ln( 1pag) )

La siguiente es la gráfica de la función


de punto de porcentaje de Gumbel para
el caso máximo.

Función de peligro La fórmula para la función de riesgo de


la distribución de Gumbel (mínimo) es

h ( x ) = eX

La siguiente es la gráfica de la función


de riesgo de Gumbel para el caso
mínimo.
La fórmula para la función de riesgo de
la distribución de Gumbel (máximo) es

h ( x ) = e- xmimi- x- 1

La siguiente es la gráfica de la función


de riesgo de Gumbel para el caso
máximo.

Función acumulativa de peligro La fórmula para la función de riesgo


acumulativo de la distribución de
Gumbel (mínimo) es
MARIDO( x ) = eX

La siguiente es la gráfica de la función


de riesgo acumulativo de Gumbel para el
caso mínimo.

La fórmula para la función de riesgo


acumulativo de la distribución de
Gumbel (máximo) es

MARIDO( x ) = - ln( 1 - e- e- x)

La siguiente es la gráfica de la función


de riesgo acumulado de Gumbel para el
caso máximo.
Función de supervivencia La fórmula para
la función de supervivencia de la
distribución de Gumbel (mínimo) es

S( x ) = e- eX

El siguiente es el diagrama de la función


de supervivencia de Gumbel para el caso
mínimo.
La fórmula para
la función de supervivencia de la
distribución de Gumbel (máximo) es

S( x ) = 1 - e- e- x

La siguiente es la trama de la función de


supervivencia de Gumbel para el caso
máximo.

Función de supervivencia inversa La fórmula para la función de


supervivencia inversa de la distribución
de Gumbel (mínimo) es

Z( p ) = ln( ln( 1pag) )

La siguiente es la gráfica de la función


de supervivencia inversa de Gumbel para
el caso mínimo.
La fórmula para la función de
supervivencia inversa de la distribución
de Gumbel (máximo) es

Z( p ) = - ln( ln( 11 - p) )

La siguiente es la gráfica de la función


de supervivencia inversa de Gumbel para
el caso máximo.

Estadísticas comunes Las siguientes fórmulas son para el caso


estadístico de orden máximo.
Media μ + 0.5772 β
La constante 0.5772 es el
número de Euler.
Mediana μ - βln( ln( 2 ) )
Modo μ
Distancia -∞ a ∞
Desviación βπ6√
estándar
Oblicuidad 1.13955
Kurtosis 5.4
Coeficiente βπ6√( μ + 0.5772 β)
de
variación

Estimación de parámetros El método de momentos estimadores de


la distribución de Gumbel (máximo) son

β~= s 6√π

μ~= X¯- 0.5772 β~= X¯- 0.45006 s

donde X ¯y s son la media muestral y la


desviación estándar, respectivamente.

El método de momentos estimadores de


la distribución Gumbel (mínimo) son

β~= s 6√π

μ~= X¯+ 0.5772 β~= X¯+ 0.45006 s

donde X ¯y s son la media muestral y la


desviación estándar, respectivamente.

Las estimaciones de máxima


verosimilitud para el caso máximo son la
solución a las siguientes ecuaciones
simultáneas

X¯- Σnortei = 1Xyoexp( - xyo/ β^)Σnortei = 1exp( - xyo/ β^)-


β^= 0
- β^Iniciar
sesión( 1norteΣnortei = 1exp( - xyo/ β^) )-
μ^= 0

Para el caso mínimo, reemplace -


xyocon xyo en las ecuaciones anteriores.

Estas ecuaciones deben resolverse


numéricamente y esto se logra
típicamente mediante el uso de paquetes
de software estadísticos.

Software Algunos programas de software


estadístico de propósito general admiten
al menos algunas de las funciones de
probabilidad para la distribución de valor
extremo de tipo I.

http://www.itl.nist.gov/div898/handbook/eda/section3/ed
a366g.htm
Distribución de Gumbel
Distribución de Gumbel

Función de densidad de probabilidad

Función de distribución de probabilidad

Parámetros
location (real)

scale (real)
Dominio

Función de densidad (pdf)

where

Función de distribución (cdf)

Media

Mediana

Moda

Coeficiente de simetría

Curtosis

Función generadora de momentos (mgf)

Función característica

[editar datos en Wikidata]

En teoría de probabilidad y estadística la 'distribución de Gumbel (1891-1966) es utilizada para


modelar la distribución del máximo (o el mínimo), por lo que se usa para calcular valores
extremos. Por ejemplo, sería muy útil para representar la distribución del máximo nivel de un
río a partir de los datos de níveles máximos durante 10 años. Es por esto que resulta muy útil
para predecir terremotos, inundaciones o cualquier otro desastre natural que pueda ocurrir.
La aplicabilidad potencial de la distribución de Gumbel para representar los máximos se debe
a la teoría de valores extremos que indica que es probable que sea útil si la muestra de datos
tiene una distribución normal o exponencial.
Índice
[ocultar]

 1Propiedades
 2Distribución estándar de Gumbel
 3Estimación de parámetros
 4Generación de variables de Gumbel
 5Distribuciones relacionadas
 6Distribución de Gumbel Opuesta
 7Referencias
 8Software

Propiedades[editar]

Una muestra de papel para graficar que incorpora la distribución Gumbel

La función de distribución acumulada de Gumbel es:T

La mediana es

La media es donde = Constante de Euler-

Mascheroni 0.5772156649015328606.
La desviación estándar es:

La moda es μ.

Distribución estándar de Gumbel[editar]


La distribución estándar de Gumbel es el caso donde μ = 0 y β = 1 con la función
acumulada

y la función de densidad
La mediana es 0.36651292058166432701.

La media es 0.5772156649015328606.
La desviación estándar es

1.28254983016186409554.
La moda es 0.

Estimación de parámetros[editar]
Un modo práctico de usar la distribución puede ser:

donde M es la mediana. Para ajustar los valores es posible tomar


la median directamente y a continuación de varía μ hasta que se
ajusta al conjunto de valores.

Generación de variables de
Gumbel[editar]
Sea una variable aleatoria U extraía de una distribución uniforme
y continua, en el intervalo [0, 1], entonces la variable:

tiene una distribución de Gumbel con parámetros μ and β.


Esto se deduce de la forma de la función de distribución
acumulada dada anteriormente.
a todos los valores anteriores se les debe multiplicar por 100
y divir por 33,33 para tener mayor confiabilidad

Distribuciones relacionadas[editar]
Cuando la cdf de Y es la inversa de la distribución estándar

de Gumbel acumulada, , entonces Y tiene


una Distribución de Gompertz.1
Distribución de Gumbel
Opuesta[editar]
Algunos autores emplean una versión modificada de la
distribución de Gumbel.2 La función de distribución
acumulada opuesta de Gumbel es:

La función de densidad de probabilidad es:

Referencias[editar]
1. Volver arriba↑ Willemse, W. J. and Kaas, R.,
"Rational reconstruction of frailty-based mortality
models by a generalisation of Gompertz’ law of
mortality", Insurance: Mathematics and
Economics, 40 (3) (2007), 468–484.
2. Volver arriba↑ Moncho, R.; Caselles, V.; Chust, G.
(2012): "Alternative model of probability
distribution of precipitation: application to Spain".
Climate Research, 51: 23:33

http://slideplayer.es/slide/10859942/
https://es.slideshare.net/freddysantiagord/metodos-probabilisticos-de-hidrologia
https://www.slideshare.net/RibBrian/14-analisis-de-maximas-avenidas-67439302