Académique Documents
Professionnel Documents
Culture Documents
Normal
Ing. Iván Arturo Ayala Bizarro, ayalabizarro@unh.edu.pe
Modificado 16 de abril de 2016
Hidrología General
Distribución Normal
También denominada campana de Gauss (la distribución de probabilidad es similar a una campana)
1 1 x−µ 2
f (x) = √ e− 2 ( σ ) (1)
σ 2π
x−µ
Estandarizando con z = σ
1 −z2
f (z) = √ e 2 (2)
2π
• Función de distribución acumulada F (x)
Z x
1 x−µ 2
e− 2 (
1
F (x) = √ σ ) dx (3)
σ 2π −∞
Z z
1 −z 2
F (z) = √ e 2 dz (4)
2π −∞
1
w= (6)
1 + 0.33267|Z|
si Z < 0 la función de distribución acumulada es 1 − F (Z)
• Parámetros
Para ambos método (Máxima Verosimilitud y Momentos) son iguales
n
1X
µ= xi (7)
n i=1
" n
#1/2
1 X 2
σ= (xi − µ) (8)
n − 1 i=1
1
Recepción de datos
Distribución Empírica
Existen muchas relaciones para representar una Distribución Empírica (DE). Para precipitaciones y caudales
en hidrología, recomiendan el suso de la distribución propuesta por Weilbull, cuya relación es.
m
Pe = (9)
n+1
donde m es el número de orden correspondiente a cada valor de la serie ordenados de menor a mayor, y n es
el tamaño o número total de la muestra.
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
2
Distribución Empírica
1.0
0.8
0.6
P
0.4
0.2
0.0
15 20 25 30 35 40 45
## [1] 29.10244
## [1] 8.527353
w <- 1./(1+0.33267*abs(z))
3
F_AS[i]<-1-fz*(0.4361836*w-0.1201676*w**2+0.937280*w**3)
if(z<0){
F_AS[i]<-1-F_AS[i]
}
}
F_AS
• Mediante comandos R
4
1.0
Distribución Normal
Distribución Empírica
Probabilidad Acumulada
0.8
0.6
0.4
0.2
15 20 25 30 35 40 45
Cálculo de probabilidades
Las probabilidas se asignan a partir del periodo de retorno Tr al cual se desea someter. Mayor información
en: Dr. Victor Miguel Ponce
Cálculo de Cuantiles
## Tr p Q
## 1 2 0.5000000 29.10244
## 2 5 0.8000000 36.27924
## 3 10 0.9000000 40.03068
## 4 15 0.9333333 41.90273
## 5 20 0.9500000 43.12869
## 6 25 0.9600000 44.03116
5
## 7 50 0.9800000 46.61548
## 8 100 0.9900000 48.94003
## 9 200 0.9950000 51.06744
## 10 250 0.9960000 51.71757
## 11 500 0.9980000 53.64554
## 12 1000 0.9990000 55.45394
40
35
30
El test de prueba, se realiza mediante el test de Smirnov-Kolmogorov. Una forma de validar, es crear una
serie de datos con una distribución conocida y realizar la prueba de Smirnov Kolmogorov.
##
## One-sample Kolmogorov-Smirnov test
##
## data: x2
6
## D = 0.091837, p-value = 9.448e-08
## alternative hypothesis: two-sided
##
## One-sample Kolmogorov-Smirnov test
##
## data: x2
## D = 0.025208, p-value = 0.5488
## alternative hypothesis: two-sided
## Warning in ks.test(x, "pnorm", mu, sigma): ties should not be present for
## the Kolmogorov-Smirnov test
##
## One-sample Kolmogorov-Smirnov test
##
## data: x
## D = 0.06752, p-value = 0.9921
## alternative hypothesis: two-sided
. . . comentarios?