1

DE LAS PRECIPITACIONES EN AFRICA

REPRESENTACION
PARA EL MONITOREO DE
SEQUIA A PARTIR DE LA GAMMA.
Introducci
on

A partir de la distribuci
on uniforme aplicando el metodo de la convolucion se crearon las distribuciones Gamma y
Binomial Negativa. Se hicieron ciertas transformaciones a las distribuciones uniforme la cual permitio ir escalando
hasta alcanzar la distribuciones requeridas.
El c
odigo R fue apoyado en el libro Random N umber Generation and M onte Carlo M ethods el cual posee unos
algoritmos los cuales se distribuyen gamma y binomial negativa se aplico en R y se generaron n
umeros de las
distribuciones pedidas, esto fue grafido y contrastado con las distribuciones gamma y Nbinomial que genera R para
tener una mayor apreciaci
on. Posteriormente se hace las pruebas de bondad de ajuste pertinentes lo cual corrobora
que estos datos te
oricos simulados gracias a los algoritmos se distribuyen tal cual lo pedido.

1.

representaci
on de las precipitaciones en Africa
para el monitoreo
de sequa a partir de la gamma.

En este estudio se decide utilizar la gamma ya que es una distribucion conocida y facil de manejar,esta es
una distribucion para modela variables continuas positivas y asimetricas positivas lo cual los fenomenos clim
aticos
presentan este comportamiento tambien tiene la capacidad de ser aproximada para el 98 por ciento de los lugares
y de todos los meses. con esto se eval
ua la probabilidad de diversas acumulaciones de precipitaciones evaluando

diferentes escenarios de Africa.

Para obtener la informaci
on necesaria de los datos con los cuales trabajar se recurre a la informacion hist
orica
en la cual hay una acumulaci
on importante en tiempo y espacio para la region, as con la distribucion podemos
obtener la probabilidad estimada de diferentes cantidades de lluvia en un lugar durante un tiempo seleccionado.
Como par
ametros se pueden utilizar la mediana , la varianza, valores maximos o mnimos, como descriptores de
cualquier ubicaci
on y con estos par
ametros se identificaran puntos de sequa o de inundaciones etc...El fin especifico
es la acumulaci
on de precipitaciones mensuales para una ubicacion.
La distribuci
on gamma es una buena opci
on para describir los valores de las precipitaciones por estar limitada
a la izquierda en cero por lo tanto nos dice que las precipitaciones no pueden ser negativas, la distribucion gamma
es positivamente sesgada por lo tanto tiene una cola extendida a la derecha, lo cual se asemeja a las precipitaciones
de muchas
areas en las cuales hay una alta cantidad de lluvia pero las precipitaciones tpicas no lo son. aparte la
distribuci
on es muy flexible lo cual permite adecuarse a casi cualquier situacion de precipitacion ya sea de forma
exponencial o normal.
Los par
ametros de distribuci
on se pueden escalar para describir precipitaciones en eventos de diferente duraci
on,
esto quiere decir que sirve para una variedad de escalas de tiempo.
La prueba de kolmogorov-smirnov una vez estimado los parametros, su precision en la aproximaci
on de la
distribuci
on de la lluvia debe ser confirmado. para ello , la distribucion gamma teorica se compara con la emprica.
Esta prueba compara las funciones de distribucion acumulativa de la distribucion teorica, la distribucion descrita
por los par
ametros estimados de forma y escala con los valores devolviendo la maxima diferencia entre las dos
distribuciones acumulativas .En esta prueba estadstica, la hipotesis nula es en la que los datos observados se han
extrado de la distribuci
on te
orica elegida.si el valor de la KS es excesivamente grande, entonces la hipotesis nula
es rechazada osea los par
ametros no est
an haciendo un trabajo adecuado de modelacion en precipitacion dado un
lugar.
Una vez esten estimados los par
ametros con la prueba de KS veremos con que precision los datos hist
oricos
representan la probabilidad de lluvia modelada .
La confianza de aceptaci
on o rechazo de la distribucion teorica puede medirse por el valor p, que incorpora el
numero de valores que se utiliza en la prueba en el calculo de su valor , valor p peque
no rechaza la hipotesis nula,
un valor p grande dice que la hip
otesis nula no puede ser rechazada.
Metodologa
Cuando no hay ninguna lluvia, la probabilidad de un evento con ninguna precipitacion debe tratarse por separado ya que la gamma no acepta valores menores que cero ni iguales a cero.Para esto se utiliza un parametro (q) en
la distribuci
on te
orica correspondiente.Esta probabilidad no se estima por conteo de las veces que sale N0 sobre
numero de observaciones hist
oricas(n), dado que los datos de CHARM ( Modelo historico para las precipitaciones
en
africa) tiene 36 a
nos de historia, n=36 para cada uno de un mes.

GAMMA ,
DISTRIBUCION

Un ejemplo seria como los ceros no se toman se hace el conteo sin incluirlos y hay lugares donde (q) es mayor
a 0.5 osea que los par
ametros de la distribuci
on gamma se estiman por debajo de 18 muestras (de 36 a
nos) por lo
tanto se vuelve sospechoso el ver que faltan muestras.
En la funci
on de distribuci
on gamma los parametros alpha = parametro de forma, beta = parametro de escala
y siendo x= cantidad de lluvia.Donde la distribucion gamma requiere que alpha de forma y el parametro beta de
escala se interpreten juntos y el alpha dar
a la forma de curva as cuando aumente la forma de la distribuci
on se
convierte mas simetrica. Un lugar de alta humedad tiene una media grande y una varianza peque
na osea alpha
grande, mientras que un lugar seco la varianza es alta , alpha peque
no. El beta se puede ver como la varianza sobre
la media por lo tanto as tener gran escala nos dice una gran varianza una region seca y un beta peque
no indica
poca varianza una regi
on h
umeda.
= 2  2
= 2 
Para la comprensi
on de como los par
ametros describen las precipitaciones el producto del parametro estimaci
on
es igual a la media de los valores distintos de cero en las precipitaciones historicas.
Con la variaci
on de los par
ametros podremos determinar en que lugares hay mas precipitaciones y con ello identificar
lugares de sequa los cuales conllevan a enfermedades, donde puede a ver una buena cantidad de lluvia para un
buen cultivo, o excesivas precipitaciones que causen inundaciones, en la distribucion gamma se puede tener una gran
combinaci
on de los par
ametros donde podemos tener un alpha muy elevado y un beta mnimo o un caso contrario
con esto podemos representar un lugar de mucha lluvia como tambien podemos representar una zona de mucha
sequa.

2.

Distribuci
on Binomial Negativa r, p

La distribuci
on binomial negativa es una generalizacion de la distribucion geometrica donde la variable aleatoria
X es el n
umero de ensayos Bernoulli efectuados hasta que se tienen r exitos, con una probabilidad constante de
exito p. Se dice entonces que X tiene una distribucion binomial negativa con parametros p y r = 1, 2, 3, . La distribuci
on binomial negativa es un modelo adecuado para tratar aquellos procesos en los que se repite un determinado
ensayo o prueba hasta conseguir un n
umero determinado de resultados favorables .Es por tanto de gran utilidad
para aquellos muestreos que procedan de esta manera.

2.1.

Prueba Chi - cuadrado

La prueba 2 de Pearson es considerada como una prueba no parametrica que mide la discrepancia entre una
distribuci
on observada y otra te
orica (bondad de ajuste), indicando en que medida las diferencias existentes entre
ambas, de haberlas, se deben al azar en el contraste de hipotesis. Tambien se utiliza para probar la independencia
de dos variables entre s, mediante la presentacion de los datos en tablas de contingencia.

3.

Distribuci
on gamma ,

Se le conoce, tambien, como una generalizacion de la distribucion exponencial, ademas de la distribuci

on de
Erlang y la distribuci
on Chi-cuadrada. Es una distribucion de probabilidad continua adecuada para modelar el
comportamiento de variables aleatorias con asimetra positiva y/o los experimentos en donde esta involucrado el
tiempo. En su expresi
on se encuentran dos parametros, siempre positivos, () y () de los que depende su
forma y alcance por la derecha.

3.1.

Prueba de de Kolmogorov-Smirnov

En estadstica, la prueba de Kolmog

orov-Smirnov (tambien prueba K-S) es una prueba no parametrica que se
utiliza para determinar la bondad de ajuste de dos distribuciones de probabilidad entre s.

RESULTADOS

La prueba de bondad utilizada para corroborar que los datos tienen un comportamiento Gamma fue el metodo de
Kolmogorov-Smirnov lo cual nos da un V alorP de 0.12 lo cual trabajando con una confianza del 95 % esta es mas
grande que la significancia del 5 % lo que nos dice que en efecto se distribuye gamma.

4.

Convoluci
on

Una distribuci
on se puede expresar en terminos de la suma de dos o mas variables aleatorias de otras distribuciones. La distribuci
on de la suma es la convolucion de las distribuciones de las variables aleatorias independientes.
el metodo de convoluci
on permite generar variables aleatorias en funcion a una combinacion lineal poderada de
otras variables aleatorias el metodo entonces requiere que la variable aleatoria a ser generada Yi pueda expresarse
como una suma lineal ponderada de otras variables aleatorias Xi

5.
5.1.

Resultados
Distribuci
on Gamma ,

la distribuci
on gamma se genero mediante el metodo de la convolucion partiendo de una variable uniforme
apoy
andose en el Algoritmo 5.2 de Cheng/F east (1979) del libro Random N umber Generation and M onte Carlo M ethods.
Se obtuvo informaci
on de un banco de datos de un hospital sobre la supervivencia, en a
nos, de pacientes que
han sido diagnosticados con cierta enfermedad, se tienen datos de que la media de supervivencia en a
nos X = .9 y
la varianza 2 = 0.5
Al graficar los datos obtuvimos lo siguiente:

Primera mente tenemos un histograma de los datos del hospital mediante este podemos comenzar a pensar que
estos datos se distribuyen gamma ya que toma un comportamiento de la distribucion dicha. tambien tenemos un
histograma de datos empricos los cuales son simulados por el programa R con los mismos parametros de alpha y
beta y al contrastarla con la gr
afica de los datos empricos vamos corroborando la veracidad de la hipotesis la cual
es que los datos encontrado en el banco de datos del hospital se distribuyen Gamma. Siguiendo la comprobaciones
para verificar la veracidad de la hip
otesis se hace un grafico Q Q lo cual es un metodo grafico para el diagn
ostico
de diferencias entre la distribuci
on de probabilidad de una poblacion de la que se ha extrado una muestra aleatoria
y una distribuci
on usada para la comparaci
on de la distribucion. por ultimo tenemos un plot lo cual se tiene
graficado de color rojo el comportamiento que debera tomar los datos empricos en este vemos que los datos
empricos se acoplan medianamente bien a la linea. esto fue los pasos graficos tomados para la corroboraci
on
de la hip
otesis, adicionalmente tenemos la comparacion de medias (Empricas = 1.202597 y te
oricas = 2.975513)
y varianzas (Empricas = 1.151180 y T e
oricas = 6.1567496) y la prueba de Kolmogorov-Smirnov en la cual se
3

5.1

Distribuci
on Gamma ,

RESULTADOS

trabaja con una confianza de 0.95 y una significancia del 0.05 lo cual se debera tener un valor P > 0.05 y la
prueba de Kolmogorov-Smirnov arroja un valor P = 0.6146 aceptamos la hipotesis de que lo datos son Gamma, y
practicando la prueba Chi-cuadrado obtuvimos un valor P de 0.23 podemos concluir que los datos del hospital se
se distribuyen gamma con par
ametros = 3.94 y = 3.27
.
5.1.1.

Distribuci
on Binomial Negativa r, p

La distribuci
on Binomial Negativa se simulo mediante el siguiente algoritmo:
X | y e poiss(Y ), Y e(P/1 P, r) X e BN (r, p).
encontrado en el libro Monte Carlo Methods with R.
En la linea de producci
on de una empresa de tornillos se tiene un inspector el cual su trabajo es identificar los
tornillos defectuoso, de esta empresa obtuvimos datos del promedio de veces que este inspector detecte el primer
defectuoso sea el tercero defectuoso que pasa por la linea de produccion, esto tiene x = 10 y 2 = 46.6. y
Se obtuvo la informaci
on de la empresa la cual estos datos fueron graficados para ver que comportamiento tiene.
primeramente se apoyara en gr
aficos para representar lo antes dicho.

el primer gr
afico de datos empricos vemos que tienen un comportamiento similar a la de una distribucion Binomial Negativa desde aqu se puede formular la hipotesis de que los datos obtenidos de la empresa se distribuyen
Binomial Negativa por esto lo contrastamos con los datos teoricos simulados en el software R para poder comparar
el comportamiento de los dos gr
aficos con los mismos parametros . para seguir apoyando la hipotesis de que los datos
son Binomial Negativo se uso un QQ plot lo cual nos ayuda a comparar los datos empricos con los teoricos lo cual
debera tener una forma lineal y efectivamente en la grafica se ve claramente esta tendencia. por ultimo tenemos que
los datos empricos deber
a tener el mismo comportamiento de los datos teoricos (linea roja) en la cual se observa que
tiene una tendencia muy semejante esta son las conclusiones solamente apoyandose en el metodo grafico para corroborar estas conclusiones por otra parte se realizaron contrastes de media (Emprica = 6.9504 y T e
orica = 7.0455)
varianza (Emprica = 6.9504 y T e
orica = 7.0455) tambien se usa la prueba Chi-cuadrado con una confianza de
95 % lo cual nos da un valor observado de 20.95246 y un valor calculado de 48.60237 lo cual nos da que cae en
la zona de aceptaci
on, se acepta la hip
otesis de que los datos se comportan Binomial Negativa con un valor P de
0.9610. un r = 3 y un p = 0.3

6.

CONCLUSIONES

Conclusiones

la distribuci
on de probabilidad de la suma de dos o mas variables aleatorias independientes es llamada convoluci
on este fue el metodo aplicado en el trabajo para generar n
umeros aleatorios de la distribucion gamma y
binomial negativa, por los resultados planteados anteriormente el metodo fue eficiente, al poder utilizar el metodo
de la convoluci
on a partir de una distribuci
on uniforme y poder generar cualquier distribucion podemos pensar que
esta distribuci
on es la base para generar cualquier otra, se puede agregar que los metodos de bondad de ajuste son
buenos, pero se puede decir que el metodo de la Chi-cuadrado es el mas optimo, este test puede hacerse en una
distribuci
on continua o una discreta, a diferencia de la prueba Kolmogorov-Smirnov que solo se puede hacer solo
en continuas

Bibliogr
afica
* Probabilidad y estadstica por Michael J. Evans,Jeffrey S. Rosenthal editorial reverte
* Introducing Monte Carlo Methods with R por Christian Robert,George Casella editorial Springer
*Random Number Generation and Monte Carlo Methods Escrito por James E. Gentl editorial Springer
*Introducci
on a la Simulaci
on y a la Teora de Colas Ricardo Cao Abad editorial netbiblio