LEY DE DISTRIBUCIN DE GUMBEL

En teora de probabilidad y estadstica la distribucin de Gumbel (llamada as en honor de Emil Julius

Gumbel (1891-1966) es utilizada para modelar la distribucin del mximo (o el mnimo), por lo que se
usa para calcular valores extremos. Por ejemplo, sera muy til para representar la distribucin del
mximo nivel de un ro a partir de los datos de nveles mximos durante 10 aos. Es por esto que resulta
muy til para predecir terremotos, inundaciones o cualquier otro desastre natural que pueda ocurrir.

La aplicabilidad potencial de la distribucin de Gumbel para representar los mximos se debe a la teora
de valores extremos que indica que es probable que sea til si la muestra de datos tiene una distribucin
normal o exponencial.

Funcin de densidad de probabilidad

 Funcin de distribucin de probabilidad

Propiedades

La funcin de distribucin acumulada de Gumbel es:T

La mediana es

La media es donde = Constante de Euler-Mascheroni 0.5772156649015328606.

La desviacin estndar es:

La moda es .

Distribucin estndar de Gumbel

La distribucin estndar de Gumbel es el caso donde = 0 y = 1 con la funcin acumulada

y la funcin de densidad
La mediana es 0.36651292058166432701.

La media es , the EulerMascheroni constant 0.5772156649015328606.

La desviacin estndar es

1.28254983016186409554.

La moda es 0.

Estimacin de parmetros

Un modo prctico de usar la distribucin puede ser:

donde M es la mediana. Para ajustar los valores es posible tomar la median directamente y a
continuacin de vara hasta que se ajusta al conjunto de valores.

Generacin de variables de Gumbel

Sea una variable aleatoria U extraa de una distribucin uniforme y continua, en el intervalo [0, 1],
entonces la variable:

tiene una distribucin de Gumbel con parmetros and . Esto se deduce de la forma de la funcin de
distribucin acumulada dada anteriormente.

A todos los valores anteriores se les debe multiplicar por 100 y divir por 33,33 para tener mayor
confiabilidad

DISTRIBUCIN DE PEARSON
En estadstica, la distribucin (de Pearson), llamada Chi cuadrado o Ji cuadrado, es una distribucin de
probabilidad continua con un parmetro que representa los grados de libertad de la variable aleatoria

donde son variables aleatorias normales independientes de media cero y varianza uno. El que la
variable aleatoria tenga esta distribucin se representa habitualmente as: .

Es conveniente tener en cuenta que la letra griega se transcribe al latn como chi1 y se pronuncia en
castellano como ji.2 3

Propiedades

Funcin de densidad
Su funcin de densidad es:

donde es la funcin gamma.

Funcion de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros grados de libertad
Dominio

Funcin de
densidad

Funcin de
distribucin

Media
Mediana aproximadamente
Moda if
Varianza
Coeficiente
de simetra
Curtosis

Entropa

Funcin
generadora para
de
momentos
Funcin
caracterstica
DISTRIBUCIN NORMAL

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin

gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia
aparece aproximada en fenmenos reales.

La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un

determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una
funcin gaussiana.

La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales,
sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de
fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos
intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene
como la suma de unas pocas causas independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la
estadstica en psicologa y sociologa sea conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados,
uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos;
caracteres psicolgicos como el cociente intelectual;
nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo, la
distribucin muestral de las medias muestrales es aproximadamente normal, cuando la distribucin de la
poblacin de la cual se extrae la muestra no es normal.1 Adems, la distribucin normal maximiza la
entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin
natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y
varianza. La distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una supuesta "normalidad".

En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad

continuas y discretas.

Funcin de densidad
Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros y y se
denota X~N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin estndar (2 es la varianza).

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los valores = 0 y =
1. En este caso la funcin de densidad tiene la siguiente expresin:

Funcin de distribucin

La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin especial llamada funcin error
de la siguiente forma:

y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar, , se denota con

frecuencia , y es referida, a veces, como simplemente funcin Q, especialmente en textos de
ingeniera. Esto representa la cola de probabilidad de la distribucin gaussiana. Tambin se usan
ocasionalmente otras definiciones de la funcin Q, las cuales son todas ellas transformaciones simples de
.

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil) puede expresarse en

trminos de la inversa de la funcin de error:

y la inversa de la funcin de distribucin puede, por consiguiente, expresarse como:

Esta funcin cuantil se llama a veces la funcin probit. No hay una primitiva elemental para la funcin
probit. Esto no quiere decir meramente que no se conoce, sino que se ha probado la inexistencia de tal
funcin. Existen varios mtodos exactos para aproximar la funcin cuantil mediante la distribucin
normal (vase funcin cuantil).

Los valores (x) pueden aproximarse con mucha precisin por distintos mtodos, tales como integracin
numrica, series de Taylor, series asintticas y fracciones continuas.

Lmite inferior y superior estrictos para la funcin de distribucin

Para grandes valores de x la funcin de distribucin de la normal estndar es muy prxima a 1 y
est muy cerca de 0. Los lmites elementales

en trminos de la densidad son tiles.

Usando el cambio de variable v = u/2, el lmite superior se obtiene como sigue:

De forma similar, usando y la regla del cociente,

Resolviendo para proporciona el lmite inferior.

Propiedades

Algunas propiedades de la distribucin normal son:

1. Es simtrica respecto de su media, ;

Distribucin de probabilidad alrededor de la media en una distribucin N(, ).

2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .
4. Distribucin de probabilidad en un entorno de la media:
1. en el intervalo [ - , + ] se encuentra comprendida, aproximadamente, el 68,26% de
la distribucin;
2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44% de la
distribucin;
 3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin. Estas propiedades son de gran utilidad
para el establecimiento de intervalos de confianza. Por otra parte, el hecho de que
prcticamente la totalidad de la distribucin se encuentre a tres desviaciones tpicas de
la media justifica los lmites de las tablas empleadas habitualmente en la normal
estndar.
5. Si X ~ N(, 2) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a22).
6. Si X ~ N(x, x2) e Y ~ N(y, y2) son variables aleatorias normales independientes, entonces:
o Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 + y2)
(demostracin). Recprocamente, si dos variables aleatorias independientes tienen una
suma normalmente distribuida, deben ser normales (Teorema de Crmer).
o Su diferencia est normalmente distribuida con

o Si las varianzas de X e Y son iguales, entonces U y V son independientes entre s.

o La divergencia de Kullback-Leibler,
o

Si e son variables aleatorias independientes

normalmente distribuidas, entonces:

o Su producto sigue una distribucin con densidad dada por

donde es una funcin de Bessel modificada de

segundo tipo.
o Su cociente sigue una distribucin de Cauchy con .

o De este modo la distribucin de Cauchy es un tipo especial de distribucin cociente.

Si son variables normales estndar independientes, entonces

sigue una distribucin con n grados de libertad.

Si son variables normales estndar independientes, entonces la media muestral

y la varianza muestral

son independientes. Esta

propiedad caracteriza a las distribuciones normales y contribuye a explicar por qu el test-F no es
robusto respecto a la no-normalidad).
Desviacin tpica e intervalos de confianza

Alrededor del 68% de los valores de una distribucin normal estn a una distancia < 1 (desviacin
tpica) de la media, ; alrededor del 95% de los valores estn a dos desviaciones tpicas de la media y
alrededor del 99,7% estn a tres desviaciones tpicas de la media. Esto se conoce como la "regla 68-95-
99,7" o la "regla emprica".

Para ser ms precisos, el rea bajo la curva campana entre n y + n en trminos de la funcin de
distribucin normal viene dada por

DISTRIBUCIN DE WEIBULL

En teora de la probabilidad y estadstica, la distribucin de Weibull es una distribucin de probabilidad

continua. Recibe su nombre de Waloddi Weibull, que la describi detalladamente en 1951, aunque fue
descubierta inicialmente por Frchet (1927) y aplicada por primera vez por Rosin y Rammler (1933) para
describir la distribucion de los tamaos de determinadas partculas.
La funcin de densidad de una variable aleatoria con la distribucin de Weibull x es:
donde es el parmetro de forma y es el parmetro de escala de la distribucin.

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad

La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es proporcional a
una potencia del tiempo:
Un valor k<1 indica que la tasa de fallos decrece con el tiempo.
Cuando k=1, la tasa de fallos es constante en el tiempo.
Un valor k>1 indica que la tasa de fallos crece con el tiempo.

Propiedades

Su funcin de distribucin de probabilidad es:

para x 0, siendo nula cuando x < 0.

La tasa de fallos (hazard) es

La funcin generadora de momentos del logaritmo de la distribucin de Weibull es2

donde es la funcin gamma. Anlogamente, la funcin caracterstica del logaritmo es

En particular, el momento n-simo de X es:

Su media y varianza son

Mientras que su asimetra y curtosis son

donde .

MTODOS PARA DETERMINACIN DE CAUDALES MXIMOS

MTODO RACIONAL

El Mtodo Racional es uno de los ms utilizados para la estimacin del caudal mximo asociado a
determinada lluvia de diseo. Se utiliza normalmente en el diseo de obras de drenaje urbano y rural. Y
tiene la ventaja de no requerir de datos hidromtricos para la Determinacin de Caudales Mximos.
La expresin utilizada por el Mtodo Racional es:
Donde:
Q: Caudal mximo [m3/s]
C: Coeficiente de escorrenta, en este Tutorial encontrars algunos valores
para cuencas Rurales y Urbanas.
I: Intensidad de la Lluvia de Diseo, con duracin igual al tiempo de
concentracin de la cuenca y con frecuencia igual al perodo de retorno
seleccionado para el diseo (Curvas de I-D-F) [mm/h]
A: rea de la cuenca. [Ha]
Entre las limitaciones destacadas por algunos autores acerca del Mtodo Racional se pueden referir:
Proporciona solamente un caudal pico, no el hidrograma de creciente para el diseo.
Supone que la lluvia es uniforme en el tiempo (intensidad constante) lo cual es slo cierto
cuando la duracin de la lluvia es muy corta.
El Mtodo Racional tambin supone que la lluvia es uniforme en toda el rea de la cuenca en
estudio, lo cual es parcialmente vlido si la extensin de sta es muy pequea.
Asume que la escorrenta es directamente proporcional a la precipitacin (si duplica la
precipitacin, la escorrenta se duplica tambin). En la realidad, esto no es cierto, pues la
escorrenta depende tambin de muchos otros factores, tales como precipitaciones
antecedentes, condiciones de humedad antecedente del suelo, etc.
Ignora los efectos de almacenamiento o retencin temporal del agua escurrida en la superficie,
cauces, conductos y otros elementos (naturales y artificiales).
Asume que el perodo de retorno de la precipitacin y el de la escorrenta son los mismos, lo
que sera cierto en reas impermeables, en donde las condiciones de humedad antecedente del
suelo no influyen de forma significativa en la Escorrenta Superficial.
Pese a estas limitaciones, el Mtodo Racional se usa prcticamente en todos los proyectos de drenaje
vial, urbano o agrcola, siempre teniendo en cuenta que producir resultados aceptables en reas
pequeas y con alto porcentaje de impermeabilidad, por ello es recomendable que su uso se limite a
Cuencas con extensiones inferiores a las 200 Ha.

MTODO MACMATH

Es una modificacin del mtodo racional. El clculo del caudal mximo se obtiene mediante la frmula
siguiente:

Donde
Q= Caudal en m3/s
C= Factor de escorrenta de MacMath
I= Intensidad mxima de la lluvia para una duracin igual al tiempo de concentracin [plg/h]
A= rea de la cuenca en acres
S= Pendiente promedio en tanto por mil

El factor de MacMath se compone de tres factores adicionales, es decir:

Donde

C1 es funcin de la cobertura vegetal

 C2 es funcin de la textura del suelo
C3 es funcin de la topografa del terreno

Para los anteriores coeficientes:

Vegetacin Suelo Topografa

Cobertura [%] C1 Textura C2 Pendiente [%] C3
100 0.08 Arenosa 0.08 0.0-0.2 0.04
80-100 0.12 Ligera 0.12 0.2-0.5 0.06
50-80 0.16 Media 0.16 0.5-2.0 0.08
20-50 0.22 Fina 0.22 2.0-5.0 0.1
0-20 0.3 Rocosa 0.3 5.0-10.0 0.15

Los dems factores se determinan de la misma manera que para el mtodo racional.

FRMULA DE BURKLI-ZIEGLER

Cuando se trabaja con superficies reducidas, entre 200 y 1000 ha, la frmula de Burkli-Ziegler ofrece
buenos resultados.

Donde:
Qm= Caudal mximo de avenida en l/s
A= rea de la cuenca en Ha
K= Coeficiente de escorrenta
I1(T)= Intensidad de la lluvia mxima en una hora en mm/h
J= Pendiente media de la cuenca [%]

FRMULA DE KRESNIK

Kresnik plantea para el clculo la siguiente expresin:

Donde:

Q= Caudal mximo en m3/s

= Coeficiente variable entre 0.03 y 1.61
A= rea de drenaje en Km2

BIBLIOGRAFA

- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Gumbel
- http://ing.unne.edu.ar/pub/hidrologia/hidro-tp5.pdf
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Weibull
- http://ingenieriacivil.tutorialesaldia.com/determinacion-de-caudales-maximos-con-el-metodo-
racional/
- http://www.cuevadelcivil.com/2010/12/determinacion-de-caudales-maximos-de.html
http://books.google.com.bo/books?id=i5d82Djs8qUC&pg=PA83&lpg=PA83&dq=caudales%2Bme
todo%2Bmacmath&source=bl&ots=KL-gLTblRD&sig=vo87Sa3QEqD71sllJP2eCyuwIZg&hl=es-
419&sa=X&ei=3V3JUPasA4ie8gTq1YGgDA&ved=0CCkQ6AEwAA#v=onepage&q=caudales%2Bmet
odo%2Bmacmath&f=false