Trabajo de Investigacion

“Año del buen servicio al ciudadano”
UNIVERSIDAD NACIONAL
SANTIAGO ANTÚNEZ DE MAYOLO
Facultad de Ciencias Agrarias

Escuela Profesional de Ingeniería Agrícola
ANÁLISIS ESTADÍSTICO Y PROBABILIDADES DE

DATOS HIDROLÓGICOS
Curso: Estadística Aplicada a la Ingeniería Agrícola

Docente: Dr. Asnate Salazar Edwin Johny
Semestre: 2018 - I
Presentado por:
 Rodríguez Salazar Marco Manuel
 Diestra Vidal Jean Carlos
 Lugo Chavez Luis Nestor
 Carhuachin Minaya Kenyi Vladimiro
 Romero Cerna Severino Frans
Huaraz – 2018
ESTADISTICA APLICADA A LA INGENIERIA AGRICOLA
I. INTRODUCCIÓN
El presente trabajo es de vital importancia puesto que nos permite tener idea del
comportamiento de los fenómenos naturales como las descargas, los gastos su
comportamiento en las diversas estaciones del año puesto que permite tomar las
debidas precauciones, ya que su omisión nos ocasionaría pérdidas económicas.
Y es por eso que se aplicó la estadística a la hidrología con sus diversos métodos
dé probabilidad tales como las distribuciones continuas discretas, etc. Cada una
de estas con sus ventajas y desventajas para cada caso.
También es muy importante para el diseño en la ingeniería como canales, presas,

hidroeléctricas, puentes etc., puesto que solo por este detalle nuestros diseños
no cumplirían a cabalidad su rol para el cual fueron diseñados y no garantizarían
la vida útil a la que han sido diseñados. Para esto la naturaleza en base a estudios
estadísticos.
El análisis de la prueba de Chi-cuadrado nos servirá para ver si los datos se

ajustan a las distribuciones Normal y Gumbel, y una vez comprobado se podrá
calcular el caudal para un periodo de retorno dado, también como la
probabilidad de que el caudal sea mayor al considerado.
UNASAM – FCA – EPIA

1.1. OBJETIVOS:
Objetivo general:
 Realizar la distribución de frecuencias de los datos del caudal medio

anual y calcular las medidas de distribuciones.
 Realizar la prueba de bondad de ajuste Chi-cuadrado, y ver si los datos
se ajustan a la distribución Normal y distribución Gumbel.
Objetivos secundarios:
 Aprender los procedimientos de la tabulación de datos hidrológicos

mediante los conceptos de probabilidades y estadística.
 Aprender a estimar los parámetros mediante los métodos gráficos,

mínimos cuadrados.
 Desarrollar la prueba de bondad de ajuste dentro de las cuales se

completan al ajuste gráfico, Chi-cuadrado, etc.
1.2. ANTECEDENTES:
Se realizará los estudios de los datos registrados de las estaciones de

LLanganuco, Colcas.
Se cuenta con las tablas de registros de caudales medios mensuales (m3/s),

previamente corregidos y completados.
1.3. JUSTIFICACIÓN:
El trabajo es importante por la interpretación de los conceptos de probabilidades

y estadística aplicada a la hidrología con el fin de poder estimar parámetros
hidrológicos que nos servirán para conocer los caudales registrados en cierta
región de una cuenca, y de esta manera hacer un buen estudio hidrológico
calculando las probabilidades de que un caudal exceda al establecido, como el
caudal que se registrara para un periodo de retorno dado.
II. REVICION BIBLIOGRAFICA.
2.1. POBLACIÓN:
Es el conjunto de mayor de datos individuales, personas o cosas cuyo

estudio nos interesa obtener información. Los datos individuales de una
población se llama unidades elementales u observaciones.
Una población estadística es un conjunto de observaciones medibles o

descritas para cada uno de sus unidades elementales.

2.2. MUESTRA.
Es una información proporcionada por una parte finita de la población.

También es considerado como un sub-conjunto propio – finito de la
población.
2.3. HISTOGRAMA Y POLÍGONOS DE FRECUENCIA
Son dos representaciones gráficas de las distribuciones de frecuencia.
A. Un histograma o histograma de frecuencias, consiste en una serie de

rectángulos que tienen:
-) Sus bases sobre un eje horizontal (el eje X) con centros en las marcas
de clase y longitud igual al tamaño de los intervalos de clase.
-) Superficies proporcionales a las frecuencias de clase.
B. Un polígono de frecuencias, es un gráfico de línea trazado sobre las

marcas de clase. Puede obtenerse uniendo los puntos medios de los
techos de los rectángulos en el histograma1.
2.4. MEDIA
La media de un conjunto N de datos numéricos X1, X2, ..., XN está

representada por y definida por:
Que es el momento de orden 1.
La mediana de un conjunto N de números ordenados en orden de grandeza,

corresponde al valor del punto central (N es un número impar) o la media
aritmética de los dos valores centrales (en el caso que N sea par)2.
n
 Xini
X i 1
n
2.5. MEDIANA
Es el valor de la serie de datos que se sitúa justamente en el centro de la

muestra (un 50% de valores son inferiores y otro 50% son superiores).
1
Ing. MAXIMO VILLON BEJAR Pág. 73
2
Ing. MAXIMO VILLON BEJAR Pág. 48.

No presentan el problema de estar influido por los valores extremos, pero

en cambio no utiliza en su cálculo toda la información de la serie de datos
(no pondera cada valor por el número de veces que se ha repetido).
n 
  N i 1 
M e  Yi 1  Ci  2 
 ni 
 
2.6. MODA
Localiza el dato de mayor frecuencia. Es el valor del dato cuya frecuencia

es máxima.
• Si la distribución de frecuencias tiene un solo máximo (máximo

absoluto), la moda es el valor del dato de mayor frecuencia, y se dice
que la distribución de frecuencias es uni- modal.
• Si la distribución de frecuencias tiene más de un máximo (máximo

relativos), se dice que la distribución de frecuencia es multimodal:
Bimodal, Trimodal, etc.
• Si todas las frecuencias son iguales se dice que la distribución no tiene

moda y se trata de una distribución uniforme.
• Para Datos Clasificados La moda es la marca de la clase modal. Para

una mejor aproximación se puede usar la siguiente formula
Momentos muestrales, medidas de asimetría y curtosis:
Existen varias clases de descriptores aritméticos, siendo los momentos el método

adecuado para calcular los estadígrafos, es decir con el cálculo de momentos se
determina los estadígrafos o estadísticos Como en los cursos de estática, resistencia de
materiales, física, matemáticas, etc. se calculan los momentos de órdenes primero,
segundo, etc. generalizando se tiene: momento con respecto al origen de coordenadas
y momentos con respecto a la media
2.7. DESVIACIÓN MEDIA
Es la media aritmética de los valores absolutos de las desviaciones de los

datos con respecto a una medida de tendencia central.
N
 Xi  estadi gra fo  de  posicion

DM  I 1
n

Si el estadígrafo es la media, se tiene:

N
 Xi  x
DM  I 1
n ; Para datos no clasificados
N
 Xi  x ni
DM  I 1
n ; Para datos clasificados
La desviación media es una medida de dispersión fácil de calcular y se ve

afectada en menor medida por los valores extremos que la desviación
estándar y se una a menudo cuando se dispone de muestras pequeñas que
incluye valores extremos o cuando la distribución es muy asimétrica3
2.8. Desviación Estándar y Variancia
Miden el grado de dispersión de los datos numéricos en torno de un valor

medio.
La Desviación Estándar de un conjunto de datos X1, ..., Xn está definida

por:
La Variancia es el cuadrado de la desviación estándar:
La fórmula de la varianza será:

n
 X  X  ni
2
i
V( x )  i 1
n
2.9. COVARIANZA
El valor de covarianza entre dos conjuntos de datos numéricos a y b, con

N puntos es definido por:
3

Este valor indica el grado de similitud entre los conjuntos a y b, o sea, como
los datos están correlacionados entre sí. Cuanto mayor es la covarianza,
mayor es el grado de correlación entre los datos.
2.10.COEFICIENTE DE CORRELACIÓN
El coeficiente de correlación mide la similitud entre dos conjuntos de datos

numéricos sobre una escala absoluta de [-1, 1]. Este coeficiente es
Calculado a través de la división del valor de covariancia entre la raíz

cuadrada del producto de las desviaciones estándar de los conjuntos de
datos a y b:
2.11.COEFICIENTE DE VARIACIÓN
El efecto de la variación o dispersión con relación a la media puede ser

medido por la dispersión relativa, definida por:
Dispersión Relativa = Dispersión Absoluta/Media
Si la dispersión absoluta corresponde a la desviación estándar, la dispersión

relativa es denominada coeficiente de variación v:4
El coeficiente de variación deja de ser útil cuando la media es próxima de

cero. Su fórmula está representada por
Sx
C.V .( x )  *100%
X
2.12.COEFICIENTE DE MOMENTO DE ASIMETRÍA
La asimetría de una muestra se mide mediante el coeficiente de asimetría,

para el cálculo del coeficiente de asimetría se emplea el tercer momento
con respecto a la media y para que este coeficiente no tenga dimensiones
el tercer momento se divide entre la desviación estándar elevado a la
potencia 3.
Es el grado de desvío o alejamiento del eje de simetría de una distribución.

Para distribuciones asimétricas, la media tiende a situarse del lado de la
cola más larga de la distribución. Este coeficiente puede ser definido
usando el 3 momento centrado en la media y la desviación estándar:5
4
5

n 2 m3 n
g  Cs 
n  1n  2S 3 m3 
1
n
∑ x - x  i
3
i 1
 Sí g=0 es una distribución simétrica
 Sí g>0 es una distribución sesgada a la derecha (polígono de

frecuencias con cola más larga a la derecha)
 Sí g<0 es una distribución sesgada a la izquierda (polígono de

frecuencias con cola más larga hacia la izquierda).
• El sesgo del polígono de frecuencias se aprecia trazando una vertical por la

moda donde se diferencia la cola del polígono de frecuencias.
• Es importante indicar que los tres números son suficientes para tener una idea
de la forma del histograma.
2.13.COEFICIENTE DE KURTOSIS
El grado apuntamiento del polígono de frecuencias (forma puntiaguda del

polígono de frecuencias) se mide mediante el coeficiente de curtosis. Para el
cálculo del coeficiente de curtosis se emplea el cuarto momento con respecto a
la media y para que este coeficiente no tenga dimensiones el cuarto momento
se divide entre la desviación estándar elevado a la potencia 4
Mide el grado de achatamiento de una distribución de datos y puede ser

definido por la división del momento de grado 4 centrado en la media entre la
variancia elevada al cuadrado. O sea:
n
n3 M 4
CK   x  x  4
n  1n  2n  3S 4

i
i 1
M4 
n
Es una medida estadística que describe el apuntamiento o achatamiento de una
cierta distribución con respecto a una distribución normal. La kurtosis positiva
indica una distribución relativamente apuntada, y la negativa indica una
distribución relativamente achatada. En una distribución normal la kurtosis es
igual a 3, a los valores mayores a 3 se los llama kurtosis excesiva. El caso de
kurtosis excesiva indica que hay una mayor probabilidad de que los retornos
observados estén más alejados de la media que en una distribución normal.
Leptokurtosis se denomina al atributo de una distribución con muy altos índices
de kurtosis.
El valor del coeficiente de curtosis es costumbre comparar con Ck=3 que es

coeficiente de apuntamiento de una curva continua de forma de una campana
(curva normal).

 Sí Ck>3 es una distribución leptocúrtica, picuda o puntiaguda.
 Sí Ck=3 es una distribución mesocúrtica o moderada (curva normal)
 Sí Ck<3 es una distribución platicúrtica, achatada o plana.
2.14.DESVIACIÓN ESTÁNDAR MUESTRAL.
La varianza muestral está medida en el cuadrado de las unidades

observadas al hacer las mediciones contenidas en la muestra. Para
devolverse a una estadística que use las mismas unidades que las
observaciones, es necesario calcular su raíz cuadrada.
Lo anterior conduce a la definición de la estadística denominada

'desviación estándar muestral', que no es otra cosa que la raíz cuadrada de
la varianza
Para una muestra de tamaño n, x1, ..., xn, se tiene que:
El uso de esta estadística es recomendado en aquellos conjuntos de datos

que ofrecen cierto grado de simetría respecto de su centro. En estos casos,
habitualmente tiene sentido medir discrepancias de un valor con el centro
de los datos usando múltiplos de la desviación estándar.
A modo de ejemplo, se puede decir que un valor está bastante alejado del
centro de los datos si su distancia de él supera dos desviaciones estándar.
Apoyándose en la idea anterior, la desviación estándar puede ser usada

para determinar valores que se encuentran 'cerca' del centro. Este uso va
más allá de la simple descripción, en otros ámbitos de Estadística es usada
para tomar decisiones respecto de la población de la que fue extraída la
muestra.6
2.15.SESGO
Según el diccionario un sesgo es "una inclinación parcial de la mente". En

nuestro ámbito, la palabra sesgo sirve para definir la tendencia sistemática
de ciertos diseños de ensayos clínicos para producir de forma consistente
resultados mejores o peores que otros diseños.
Skewness o sesgo: Medida estadística que describe la simetría de la

distribución alrededor de un promedio. Si el sesgo es igual a cero, la
distribución es simétrica; si el sesgo es positivo la distribución una tendrá
6

una cola asimétrica extendida hacia los valores positivos. Un sesgo

negativo indica una distribución con una cola asimétrica extendida hacia
los valores negativos7.
AJUSTE DE UNA DISTRIBUCION DE PROBABILIDADES
La distribución de Probabilidades es una función que representa la probabilidad de

ocurrencia de una variable aleatoria.
Ajustando una distribución a un conjunto de datos hidrológicos, una gran cantidad de

información de la muestra se resume en la distribución y sus parámetros.
Se tiene como objetivo del Ajuste de una Distribución, Obtener los parámetros: y
2
METODO DE MOMENTOS
Las propiedades de las distribuciones pueden ser definidas completamente en términos

de los momentos. Los momentos en estadística son similares a los momentos en física
(rotación respecto al origen).8
METODO DE MAXIMA VEROSIMILITUD
N
L   f ( x, ,  ,  ,....)
i 1
La función de Verosimilitud de la Muestra, como:
Para un calculo más simple se puede usar de la siguiente forma:

N
Ln L =  f ( x, ,  ,  ,....)
i 1
Derivando parcialmente respecto a cada parámetro se tiene el Conjunto de Ecuaciones

de Máxima verosimilitud:
LnL LnL LnL

0 0 0
  
Los Parámetros se hallan resolviendo el Conjunto de Ecuaciones de Máxima

verosimilitud.
7
8

DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGÍA
El comportamiento de las variables aleatorias discretas o continuas se describe con la

ayuda de Distribuciones de Probabilidad. La variable se designa por mayúscula y un
valor específico de ella por minúscula.
Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente

P(a  x  b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b).
Si conocemos la probabilidad P(a  x  b) para todos los valores de a y b, se dice que
conocemos la Distribución de Probabilidades de la variable x.
Si x es un número dado y consideramos la probabilidad P(X  x):
F(x)= P(X  x):
Llamamos F(x) la función de distribución acumulada.
3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES

CONTINUAS
3.1 DISTRIBUCION NORMAL
La distribución normal es una distribución simétrica en forma de campana,

también conocida como Campana de Gauss. Aunque muchas veces no se
ajusta a los datos hidrológicos tiene amplia aplicación por ejemplo a los datos
transformados que siguen la distribución normal9.
3.1.1 FUNCIÓN DE DENSIDAD:
La función de densidad está dada por
Los dos parámetros de la distribución son la media  y desviación estándar 

para los cuales (media) y s (desviación estándar) son derivados de los datos.
3.1.2 ESTIMACIÓN DE PARÁMETROS:
9

3.1.3 FACTOR DE FRECUENCIA:
1. 1. Si se trabaja con los X sin transformar el K se calcula como
Este factor es el mismo de la variable normal estándar
3.1.4 LIMITES DE CONFIANZA:
Donde  es el nivel de probabilidad es el cuartil de la distribución normal

estandarizada para una probabilidad acumulada de 1- y Se es el error
estándar10
3.2 DISTRIBUCIÓN LOGNORMAL DE DOS PARÁMETROS
Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se

dice que X se distribuye normalmente.
Esta distribución es muy usada para el cálculo de valores extremos por ejemplo
Qmax, Qmínimos, Pmax, Pmínima (excelentes resultados en Antioquia).
Tiene la ventaja que X>0 y que la transformación Log tiende a reducir la
asimetría positiva ya que al sacar logaritmos se reducen en mayor proporción
los datos mayores que los menores.
Limitaciones: tiene solamente dos parámetros, y requiere que los logaritmos

de las variables estén centrados en la media11
y = ln x
10
11

Donde,
y: media de los logaritmos de la población (parámetro escalar), estimado
y: Desviación estándar de los logaritmos de la población, estimado sy.12
Puede trabajarse en el campo original y en el campo transformado.
2. 2. Campo transformado: Si se trabaja en el campo transformado

se trabaja con la media y la desviación estándar de los logaritmos, así:
Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)
Con K con variable normal estandarizada para el Tr dado, xy media de

los logaritmos y Sy es la desviación estándar de los logaritmos.
3. Campo original: Si se trabaja con los X sin transformar el K se

calcula como
K es la variable normal estandarizada para el Tr dado, es el coeficiente de

variación, x media de los datos originales y s desviación estándar de los datos
originales.
12

3.2.4 LIMITES DE CONFIANZA:
En el campo transformado.
en donde, n número de datos, Se error estándar, KT variable normal

estandarizada.
3.3 DISTRIBUCION GUMBEL
Una familia importante de distribuciones usadas en el análisis de frecuencia

hidrológico es la distribución general de valores extremos, la cual ha sido
ampliamente utilizada para representar el comportamiento de crecientes y
sequías (máximos y mínimos)13.
En donde  y  son los parámetros de la distribución.
3.3.2 ESTIMACIÓN DE PARÁMETROS
Donde son la media y la desviación estándar estimadas con la muestra.
13

Donde Tr es el periodo de retorno. Para la distribución Gumbel se tiene que

el caudal para un período de retorno de 2.33 años es igual a la media de los
caudales máximos.
3.3.4 LIMITES DE CONFIANZA
Xt  t(1-) Se
KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para

una probabilidad de no excedencia de 1-.
3.4 DISTRIBUCION GAMMA DE TRES PARÁMETROS O PEARSON

TIPO 3
Esta distribución ha sido una de las más utilizadas en hidrología. Como la

mayoría de las variables hidrológicas son sesgadas, la función Gamma se utiliza
para ajustar la distribución de frecuencia de variables tales como crecientes
máximos anuales, Caudales mínimos, Volúmenes de flujo anuales y
estacionales, valores de precipitaciones extremas y volúmenes de lluvia de corta
duración. La función de distribución Gamma tiene dos o tres parámetros.14
Donde,
x0  x   para   0
  x  x0 para   0
 y  son los parámetros de escala y forma, respectivamente , y x 0 es el

parámetro de localización.
14

Cs es el coeficiente de asimetría, son la media y la desviación

estándar de la muestra respectivamente
Donde z es la variable normal estandarizada
Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con

la muestra.
3.4.4 INTERVALOS DE CONFIANZA:
Xt  t(1-) Se
Donde S es la desviación estándar de la muestra, n es el número de datos y 

se encuentra tabulado en función de Cs y Tr.
Intervalos de confianza
Xt  t(1-) Se
3.5 DISTRIBUCIÓN LOG LOGPEARSON DE 3 PARÁMETROS
Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución

Pearson tipo III, se dice que la variable aleatoria X se ajusta a una distribución
Log Pearson Tipo III. Esta distribución es ampliamente usada en el mundo
para el análisis de frecuencia de Caudales máximos. Esta se trabaja igual que
para la Pearson Tipo III pero con Xy y Sy como la media y desviación estándar
de los logaritmos de la variable original X15.
15

Donde,
y0  y   para   0
  y  y0 para   0
 y  son los parámetros de escala y forma, respectivamente , y y0 es el

parámetro de localización.
Cs es el coeficiente de asimetría, son la media y la desviación

estándar de los logaritmos de la muestra respectivamente.
Donde z es la variable normal estandarizada
Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con

la muestra.
3.5.4 INTERVALOS DE CONFIANZA:
Xt  t(1-) Se
Donde Sy es la desviación estándar de los logaritmos de la muestra, n es el

número de datos y  se encuentra tabulado en función de Cs y Tr.

4 AJUSTE DE DISTRIBUCIONES
Para la modelación de caudales máximos se utilizan, entre otras, las

distribuciones Log - Normal, Gumbel y Log-Gumbel principalmente. Para
seleccionar la distribución de probabilidades de la serie histórica se deben tener
en cuenta algunas consideraciones.
Cuando en la serie histórica se observan “outliers [1]” es necesario verificar la

sensibilidad del ajuste debido a la presencia de estos, (Ashkar, et al. 1994) 16
 Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y Log-Pearson se

requiere transformar la variable al campo logarítmico para modelarla, con lo
que se disminuye la varianza muestral, pero también se filtran las variaciones
reales de los datos.
Las distribuciones de dos parámetros fijan el valor del coeficiente de asimetría,

lo que en algunos casos puede no ser recomendable. La distribución Log -
Normal de dos parámetros sólo es recomendable sí el coeficiente de asimetría
es cercano a cero. Las distribuciones Gumbel y Log - Gumbel son
recomendables si el coeficiente de asimetría de los eventos registrados es
cercano a 1.13
Para ajustar distribuciones de tres parámetros (Log Normal III, Log Pearson)
se requiere estimar el coeficiente de asimetría de la distribución; para ello es
necesario disponer de una serie con longitud de registros larga, mayor de 50
años, (Kite, 1988). Las distribuciones de dos parámetros son usualmente
preferidas cuando se dispone de pocos datos, porque reducen la varianza de la
muestra, (Ashkar, et al. 1994).
 Para seleccionar la distribución de probabilidades adecuada se debe tratar de

utilizar información adicional del proceso hidrológico que permita identificar
la forma en que se distribuye la variable. Usualmente es muy difícil determinar
las propiedades físicas de los procesos hidrológicos para identificar el tipo de
distribución de probabilidad que es aplicable.
 Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cuál
es la distribución que mejor se ajusta a los caudales máximos y recomiendan
seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste
gráfico o basado en el comportamiento de las pruebas estadísticas de bondad
del ajuste (por ejemplo, Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von
Mises) en las que se calcula un estimador y se compara con un valor tabulado
para determinar si el ajuste es adecuado o no. En la prueba de ajuste gráfica se
dibujan los valores registrados en la serie contra la distribución teórica de
probabilidades y de manera visual (subjetiva) se determina si el ajuste es
adecuado o no.
16 Ing. MAXIMO VILLON BEJAR Pág. 242.

Cuando la información es adecuada el análisis de frecuencia es la metodología

más recomendable para la evaluación de eventos extremos, ya que la
estimación depende solamente de los caudales máximos anuales que han
ocurrido en la cuenca y no da cuenta de los procesos de transformación de la
precipitación en escorrentía. Obviamente tiene algunas limitaciones
relacionadas con el comportamiento de la serie histórica y con el tamaño y
calidad de los datos de la muestra.
Cuando se presenten cambios o tendencias en la serie histórica se deben

utilizar técnicas estadísticas que permitan removerlos para poder realizar el
análisis de frecuencias (Kite, 1988; Mamdouh, 1993; Ashkar, et al. 1994).
 La selección inadecuada de la distribución de probabilidades de la serie

histórica arrojará resultados de confiabilidad dudosa, (Ashkar, et al. 1994).
El tamaño de la muestra influye directamente en la confiabilidad de los

resultados, así a mayor período de retorno del estimativo mayor longitud de
registros necesaria para mejor confiabilidad en los resultados.
4.2 PRUEBAS DE AJUSTE
Para la evaluación de probabilidades se han propuesto una serie de pruebas

estadísticas que determinan si es adecuado el ajuste. Estos son análisis
estadísticos y como tal se deben entender, es decir, no se puede ignorar el
significado físico de los ajustes.
Tipos de pruebas de ajuste de bondad
 Ajuste gráfico
 Ajuste Estadístico
 Ji-Cuadrado
 Sirnov-Kolmogorov.
4.2.1 PRUEBA SMIRNOV KOLMOGOROV
El estadístico Smirnov Kolmogorov D considera la desviación de la función

de distribución de probabilidades de la muestra P(x) de la función de
probabilidades teórica, escogida Po(x) tal que .
La prueba requiere que el valor Dn calculado con la expresión anterior sea

menor que el valor tabulado Dn para un nivel de probabilidad requerido.
Esta prueba es fácil de realizar y comprende las siguientes etapas:
 El estadístico Dn es la máxima diferencia entre la función de distribución

acumulada de la muestra y la función de distribución acumulada teórica
escogida.
 Se fija el nivel de probabilidad, valores de 0.05 y 0.01 son los más usuales.

 El valor crítico D de la prueba debe ser obtenido de tablas en función de  y

n.
 Si el valor calculado Dn es mayor que el D, la distribución escogida se debe

rechazar.17
4.2.2 PRUEBA CHI CUADRADO
Una medida de la discrepancia entre las frecuencias observadas (fo) y las

frecuencias calculadas (fc) por medio de una distribución teórica esta dada por
el estadístico χ²
Donde
si el estadístico χ²=0 significa que las distribuciones teórica y empírica ajustan

exactamente, mientras que si el estadístico χ²>0, ellas difieren. La distribución
del estadístico χ² se puede asimilar a una distribución Chi-cuadrado con (k-n-
1) grados de libertad, donde k es el número de intervalos y n es el número de
los parámetros de la distribución teórica. La función χ² se encuentra tabulada.
Supóngase que una hipótesis Ho es aceptar que una distribución empírica se
ajusta a una distribución Normal. Si el valor calculado de χ² por la ecuación
anterior es mayor que algún valor crítico de χ², con niveles de significancia 
de 0.05 y 0.01 (el nivel de confianza es 1-) se puede decir que las frecuencias
observadas difieren significativamente de las frecuencias esperadas (o
calculadas) y entonces la hipótesis Ho se rechaza, si ocurre lo contrario
entonces se acepta.
[1] Aunque no existe una definición generalmente aceptada, se puede

entender como valores extremos, muy superiores a los demás registrados
(Ashkar, et al. 1994).18
Se basa en el cálculo de frecuencias tanto los valores observados como los valores
esperados para un número determinado de intervalos. Esta prueba es comúnmente
usada para verificar la bondad de ajuste de la distribución empírica a una
distribución teórica conocida (Propuesta por Karl Pearson 1900)
k
 i  ei 
2
 
2
c ......................(1)
i 1 ei
17
18

Dónde:
k k
   e
i 1
i
i 1
i N
Para lo cual:
 c2  Valor calculado de Ji-Cuadrado
 i  Número de valores observados en el intervalo de clase i

ei  Número de valores esperados en el intervalo de clase i.
K= Número de intervalos de clase.
Asignando probabilidades a la ecuación es decir asignando igual probabilidades a

la ecuación (1) es decir asignando igual probabilidad de ocurrencia a cada intervalo
de clase se tiene:
 
2
k
N i  NPi  2
c ..........................(2)
i 1 NPi
Dónde:
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.
1
Pi  ó ei  Pi N
k
Simplificando la ecuación (2) se obtiene la fórmula computacional desarrollada
por Markovic.
K
K
 c2 
N
Ni 1
i
2
 N ......................(3)
El valor de  c2 obtenido por la ecuación (3) se compara con el  t2 donde ese se

determina con:

Nivel de Significación   0,05 ó   0,01

Grados de libertad g.l.  k  1  h
Dónde.: h= Número de parámetros a estimarse.

h=2, Para la distribución Normal.
h=3, Para la distribución Log- Normal de 3 parámetros.
Criterios de Decisión:
Se fundamenta en la comparación del valor calculado de Ji-Cuadrado con el valor
tabular encontrado, esto es:
A) Si la Ji-Cuadrado calculado es menor o igual que el valor tabular, es decir:

 c2   t2
Entonces, se acepta la hipótesis que el ajuste es bueno al nivel de significación
seleccionado.
B) Si el Ji-Cuadrado calculado es mayor que el valor tabular, es decir:
 c2   t2
Entonces el ajuste es malo y se rechaza la hipótesis siendo necesario probar con
otra distribución teórica.
Ventajas y Limitaciones:
1.- Es aplicable sólo para ajustes a la distribución normal, puesto que ha sido
desarrollado con base en los datos normales e independientes.
2.- Se realiza en la función densidad de datos agrupados en intervalos de clases.
3.- Requiere u conocimiento a priori, de la función de distribución teórica utilizada
en el ajuste.
4.- En la práctica se usa para cualquier modelo de ajuste, pero estrictamente es
válido par ala normal.
5.- Es de fácil aplicación.
IV. MATERIALES
Para el desarrollo del presente trabajo empleamos los siguientes materiales:

 Registro de caudales medios anuales de las cuencas:

 Estación LLanganuco
 Estación Rio Colcas
 Uso de computadora
 Software’s Como: Excel, Word.
 Calculadora HP
V. METODOLOGÍA
PROCEDIMIENTO A SEGUIR
Para la distribución de frecuencias:

 Obtención de los limites como son el máximo y el mínimo y acomodarlos en
forma ascendente.
 Obtuvimos un rango de variación: R=Ls-Li
 Calculo del número de intervalos de clase, según la siguiente fórmula:
K= 1+3.3Log(n), y aproximándolo a un número entero.
 Calculo del intervalo de clase:
A=K/m-1
 Calculo de la distribución de incremento:=R’-R
 Procedemos a llenar el cuadro de distribución de frecuencias que detallamos en
la parte de cálculos.
 Calculamos las medidas descriptivas, utilizando las siguientes formulas
Tendencia central
n
X n
i 1
i i
Media aritmética: X 
n
n 
 2  Fm 1 
Mediana: X m  Lm  Am  
 fm 
 
 1 
Moda M o  L i  Ai  
 1   2 

Medidas de dispersión
n
 Xi  X
i 1
Desviación DM 
n
 Xi  X 
n
2
i 1
Varianza V( X ) 
`n
Desviación estándar Sx  Vx
SX
C.V( X )  * 100%
Coeficiente de variación X
Medidas de asimetría
Coeficiente de Asimetría
n 2 m3 n
g  Cs 
n  1n  2S 3 m3 
1
n
∑ x - x  i
3
i 1
Índice de Apuntamiento o Curtosis :
n
n3 M 4
CK   x  x  4
n  1n  2n  3S 4

i
i 1
M4 
n
 Con los datos de cada una de las estaciones elegidas (promedios anuales) se hace
un proceso estadístico para determinar, las medidas de distribución tales como la
media aritmética, la mediana, la moda, la desviación estándar y varianza.
 Luego hacemos una aproximación a las distribuciones teóricas más utilizadas en

hidrológica tales como la normal, Gumbel, En este proceso determinamos si el
ajuste es bueno con la prueba de bondad de ajuste, en caso de ser bueno, se puede
utilizar la distribución elegida, una vez encontrada la ley de distribución que rige a
las variables aleatorias, además se podrá predecir con determinada probabilidad, la
ocurrencia de una determinada magnitud de un fenómeno hidrometeorológico.

A partir de las distribuciones encontradas satisfactorias o que el ajuste de bondad de

ajuste a resultado satisfactorio se puede proyectar para valores que no están en el
intervalo de la muestra, y con la ley de distribución que rige cada una de las series de
datos se hace más fácil el análisis estadístico de las probabilidades para determinados
periodos de retorno, para hallar la probabilidad de excedencia de un determinado
caudal para proyectar los proyectos de ingeniería garantizado de esta manera unas vida
útil acorde con las necesidades
1. GRAFICAS.
En las siguientes páginas se encuentran: las gráficas de:
Histograma de Frecuencias
Se gráfica el Intervalo de Clase en el eje X vs. La Frecuencia Absoluta Simple en

el eje Y.
Polígono de Frecuencia
Se gráfica La Marca de Clase en el eje X vs. La Frecuencia Absoluta Simple en el

eje Y.
Histograma de Frecuencias Acumulativas u Ojiva
Se gráfica el Limite Superior del Intervalo de Clase en el eje X vs. La Frecuencia

Absoluta Acumulada en el eje Y.

VI. CÁLCULOS Y RESULTADOS.

6.1. CÁLCULOS ESTADÍSTICOS DEL CAUDAL MEDIO ANUAL
DEL RIO LLANGANUCO – ESTACIÓN LLANGANUCO.
Media Anual Media Anual
Año N°
(m3/seg) (m3/seg)
1953-54 3,27 1 3,96
1954-55 2,57 2 3,61
1955-56 2,23 3 3,58
1956-57 3,16 4 3,51
1957-58 3,44 5 3,48
1958-59 3,13 6 3,44
1959-60 3,02 7 3,42
1960-61 2,57 8 3,37
1961-62 2,54 9 3,27
1962-63 2,60 10 3,27
1963-64 2,73 11 3,23
1964-65 2,22 12 3,23
1965-66 3,14 13 3,20
1966-67 2,75 14 3,16
1967-68 2,36 15 3,15
1968-69 2,92 16 3,14
1969-70 3,27 17 3,13
1970-71 2,86 18 3,13
1971-72 2,92 19 3,11
1972-73 3,37 20 3,06
1973-74 2,74 21 3,04
1974-75 2,64 22 3,02
1975-76 2,49 23 3,00
1976-77 3,23 24 2,97
1977-78 3,13 25 2,92
1978-79 3,23 26 2,92
1979-80 3,42 27 2,86
1980-81 3,48 28 2,85
1981-82 3,20 29 2,77
1982-83 3,96 30 2,75
1983-84 3,61 31 2,75
1984-85 2,64 32 2,74
1985-86 3,06 33 2,73
1986-87 3,51 34 2,64
1987-88 3,58 35 2,64
1988-89 2,75 36 2,60
1989-90 2,85 37 2,57
1990-91 3,11 38 2,57
1991-92 2,77 39 2,56
1992-93 2,97 40 2,54
1993-94 3,04 41 2,49
1994-95 3,00 42 2,36
1995-96 3,15 43 2,23
1996-97 2,56 44 2,22

DISTRIBUCIÓN DE FRECUENCIAS
1. OBTENCIÓN DE LOS LIMITES
Límite inferior = 2.22
Límite superior = 3.96
2. CALCULO DE RANGO DE VARIACIÓN
R = Ls – Li
R = 3.96 – 2.22
R = 1.74
3. CALCULO DEL NUMERO DE INTERVALOS DE CLASE
Regla de Sturges:
m = 1 + 1.33 ln(n)
Donde: n = 44
m = 6.03297  6
4. OBTENCIÓN DEL TAMAÑO DE LOS INTERVALOS DE CLASE
R
C
m 1
1.74
C
6 1
C = 0.348
5. DISTRIBUCIÓN DEL INCREMENTO

L1 = Xmin - ( C/2)
L1 = 2.22-0.348/2 =2.046

6. CUADRO DE DISTRIBUCIÓN DE FRECUENCIAS

Frecuencia Frecuencia Frecuencia Frecuencia FUNCION
Intervalo de Marca de DENSIDAD
Nº Absoluta Absoluta Relativa Relativa
clase [Yi-1 - Yi> Clase (Xi) EMPÍRICA
(ni) Acum. (Ni) (hi) Acum. (Hi)
1 2,046 - 2,394 2,22 3 3 0,07 0,07 0,196
2 2,394 - 2,742 2,57 10 13 0,23 0,30 0,653
3 2,742 - 3,090 2,92 12 25 0,27 0,57 0,784
4 3,090 - 3,438 3,26 12 37 0,27 0,84 0,784
5 3,438 - 3,786 3,61 6 43 0,14 0,98 0,392
6 3,786 - 4,134 3,96 1 44 0,02 1,00 0,065
44 1,00
Xi ni Xi*ni Xi  X X i  X ni X i  X 2 X i  X 2 * ni X i  X 3 * ni X i  X 4 * ni
n n
2,22 3 6,66 0,78 2,35 0,61 1,84 -0,03 0,03

2,57 10 25,68 0,44 4,35 0,19 1,89 -0,02 0,01
2,92 12 34,99 0,09 1,04 0,01 0,09 0,00 0,00
3,26 12 39,17 0,26 3,13 0,07 0,82 0,00 0,00
3,61 6 21,67 0,61 3,65 0,37 2,23 0,03 0,02
3,96 1 3,96 0,96 0,96 0,92 0,92 0,02 0,02
Suma: 44 132,13 3,13 15,49 2,16 7,78 0,004 0,07
A. MEDIDAS DE TENDENCIA CENTRAL
Media Aritmética: n
 Xini
X i 1
n
132.13
X 
44
X  2.98 m3/Seg
La Mediana:
n 
  N i 1 
M e  Yi 1  Ci  2 
 ni 
 
 
Me = 3.02 m3/Seg

Moda:
 i 
M o  Y 'i 1 Ci  

 1   2 
 12  10 
M o  2.742  0.348  
 (12  10 )  (12  12 ) 
Mo = 3.09 m3/Seg
B. MEDIDAS DE DISPERSIÓN.
Desviación Media:
n
XI 1
i X
D.M . 
n
D.M. = 0.387
Varianza:
 X  X  ni
n
2
i
V( x )  i 1
n
V(x) = 0,181
Desviación Standar:
Sx = V (x)
Sx = 1.10
Sx = 0,425
Coeficiente de Variación:
Sx
C.V .( x )  *100%
X
0.425
C.V .( x)  *100 %
3.00

C.V. (x) = 14, 17
C. MEDIDAS ASIMETRÍA.
Coeficiente de Asimetría:
 X 
N
n 2 M 3 
3
i  X ni
M .3  I 1 Cs 
n n  1n  2S 3
C.A. (x) = 0.129
D. MEDIDAS DE APUNTAMIENTO.
Coeficiente de Kurtosis “S”:

4
 X 
n
i  X ni
i 1
M4 
Sx4
n3 M 4 
Ck 
n  1n  2n  3S 4
Ck = 2,560
7. GRAFICAS.
En las siguientes páginas se encuentran: las gráficas de:
Histograma de Frecuencias Acumulativas

Grafico del histograma:
Histograma
Estación LLanganuco
0.30
0.25
0.20
Frecuencia Relativa
0.15
0.10
0.05
0.00
2.046 2.394 2.742 3.090 3.438 3.786
Intervalo de Clase
Polígono de frecuencia:
Estacion LLanganuco
0.30
0.25
Frecuencia Relativa
0.20
0.15
0.10
0.05
0.00
1.87 2.22 2.57 2.92 3.26 3.61 3.96 4.31
Marca de Clase

DISTRIBUCION FRECUENCIA RELATIVA ACUMULADA

1.2
1
Frecuencia Relativa Acumulada (Hi)
97.7% 100%
0.8 84.1%
0.6 56.8%
0.4
29.5%
0.2
6.8%
0,
0
2.05 2.39 2.74 3.09 3.44 3.79 4.13
Intervalo de Clase ([Yi-1'-Yi'>)
Polígono de Frecuencia Absoluta

Estacion LLanganuco
14.00
12.00
10.00
Frecuencia Relativa
8.00
6.00
4.00
2.00
0.00
1.87 2.22 2.57 2.92 3.26 3.61 3.96 4.13
Marca de Clase

DISTRIBUCION FRECUENCIA ABSOLUTA

ACUMULADA
50
Estación LLanganuco 100%
45 97.7%
40
84.1%
35
30
56.8%
25
20
15
29.5%
10
5
6.8%
0,
0
2.05 2.39 2.74 3.09 3.44 3.79 4.13
DISTRIBUCION DE FRECUENCIA ACUMULADA

Estacion LLanganuco
50
100%
45
Frecuencia Absluta Acumulada (Ni)
93.2%
40
35
70.5%
30
25
20 43.2%
15
10
15.9%
5
2.3%
0,
0
2.05 2.39 2.74 3.09 3.44 3.79 4.13

Función densidad Empírica:
Funcion Densidad Empirica

1.2
1.0
F(x)
0.8
Frecuenci
fi
0.6 a relativa
Funcion
0.4 densidad
0.2
0.0
1 2 2 3 3 4 4 5
Marca de clase

6.2. CÁLCULOS ESTADÍSTICOS DEL CAUDAL MEDIO ANUAL

DEL RIO COLCAS – ESTACIÓN COLCAS.
Media Media
Nº Año Anual Nº Anual
(m3/seg) (m3/seg)
1 1953-54 5,40 1 7,80
2 1954-55 5,29 2 7,41
3 1955-56 5,57 3 7,07
4 1956-57 5,33 4 7,06
5 1957-58 5,97 5 6,88
6 1958-59 6,50 6 6,84
7 1959-60 4,91 7 6,77
8 1960-61 6,25 8 6,60
9 1961-62 5,76 9 6,50
10 1962-63 5,42 10 6,47
11 1963-64 5,68 11 6,40
12 1964-65 4,66 12 6,35
13 1965-66 5,95 13 6,29
14 1966-67 6,13 14 6,25
15 1967-68 4,58 15 6,13
16 1968-69 5,16 16 5,97
17 1969-70 5,66 17 5,96
18 1970-71 6,35 18 5,95
19 1971-72 6,29 19 5,80
20 1972-73 6,84 20 5,79
21 1973-74 6,88 21 5,76
22 1974-75 5,80 22 5,68
23 1975-76 4,69 23 5,66
24 1976-77 6,47 24 5,57
25 1977-78 5,79 25 5,49
26 1978-79 7,07 26 5,42
27 1979-80 6,77 27 5,40
28 1980-81 7,80 28 5,36
29 1981-82 6,60 29 5,33
30 1982-83 7,41 30 5,29
31 1983-84 5,96 31 5,28
32 1984-85 3,72 32 5,23
33 1985-86 5,23 33 5,16
34 1986-87 7,06 34 4,98
35 1987-88 5,28 35 4,97
36 1988-89 3,25 36 4,91
37 1989-90 4,98 37 4,71
38 1990-91 5,36 38 4,69
39 1991-92 4,97 39 4,66
40 1992-93 6,40 40 4,58
41 1993-94 5,49 41 3,74
42 1994-95 4,71 42 3,72
43 1995-96 3,74 43 3,50
44 1996-97 3,50 44 3,25

DISTRIBUCIÓN DE FRECUENCIAS
8. OBTENCIÓN DE LOS LIMITES
Límite inferior = 3.25
Límite superior = 7.80
9. CALCULO DE RANGO DE VARIACIÓN
R = Ls – Li
R = 7.80 – 3.25
R = 4.55
10. CALCULO DEL NUMERO DE INTERVALOS DE CLASE
Regla de Sturges:
m = 1 + 1.33 ln(n)
Dónde: n = 44
m = 6.03297  6
11. OBTENCIÓN DEL TAMAÑO DE LOS INTERVALOS DE CLASE
R
C
m 1
4.55
C
6 1
C = 0.910
12. DISTRIBUCIÓN DEL INCREMENTO:
L1 = Xmin - ( C/2)
L1 = 3.25-0.91/2 =2.793

13. CUADRO DE DISTRIBUCIÓN DE FRECUENCIAS

Frecuencia Frecuencia Frecuencia Frecuencia FUNCION
Intervalo de Marca de DENSIDAD
Nº Absoluta absoluta Relativa Relativa
clase [Yi-1 - Yi> Clase (Yi) EMPÍRICA
(ni) Acum. (Ni) (hi) Acum. (Hi)
1 2,79 - 3,70 3 2 2 0,045 0,045 0,05
2 3,70 - 4,61 4 3 5 0,068 0,114 0,07
3 4,61 - 5,52 5 15 20 0,341 0,455 0,37
4 5,52 - 6,43 6 14 34 0,318 0,773 0,35
5 6,43 - 7,34 7 8 42 0,182 0,955 0,20
6 7,34 - 8,25 8 2 44 0,045 1 0,05
44 1
Cálculos previos para los cálculos de tendencia:
Xi ni Xi*ni Xi  X X i  X ni X i  X 2 X i  X 2 * ni X i  X 3 * ni X i  X 4 * ni
n n
3 2 6,50 2,42 4,84 5,86 11,71 -0,98 2,37

4 3 12,47 1,51 4,53 2,28 6,84 -0,36 0,54
5 15 76,03 0,60 9,00 0,36 5,40 -0,11 0,07
6 14 83,70 0,31 4,34 0,10 1,35 0,01 0,00
7 8 55,11 1,22 9,76 1,49 11,92 0,50 0,61
8 2 15,60 2,13 4,26 4,54 9,08 0,67 1,42
SUMA 44 249,41 8,19 36,74 14,62 46,30 -0,263 5,01
Media Aritmética: n
 Xini
X i 1
n
249.21
X 
44
X  5.67 m3/Seg
La Mediana:
n 
  N i 1 
M e  Yi 1  Ci  2 
 ni 
 
 
Me = 5.77 m3/Seg

Moda:
 i 
M o  Y 'i 1 Ci  
 1   2 
 12  3 
M o  4.61  0.91 
 (12  3)  (12  14 ) 
Mo = 5.45 m3/Seg
Desviación Media:
n
XI 1
i X
D.M . 
n
D.M. = 1.27
Varianza:
 X  X  ni
n
2
i
V( x )  i 1
n
V(x) = 1.65
Sx = V (x)
Sx = 1.65
Sx = 1.29
Sx
C.V .( x )  *100%
X
1.29
C.V .( x)  *100 %
5.67

C.V. (x) = 22,69
 X 
N
n 2 M 3 
3
i  X ni
M .3  I 1 Cs 
n n  1n  2S 3
C.A. (x) = -0.132

4
 X 
n
i  X ni
i 1
M4 
Sx4
n3 M 4 
Ck 
n  1n  2n  3S 4
Ck = 2,108
14. GRAFICAS.
En las siguientes páginas se encuentran: las graficas de:
Histograma de Frecuencias Acumulativas

Grafico del histograma:
Histograma
Estación Colcas
0.40
0.35
0.30
0.25
Frecuencia
0.20
0.15
0.10
0.05
0.00
2.79 3.70 4.61 5.52 6.43 7.34
Intervalo de Clase
Polígono de frecuencia:
Estación Colcas
0.40
0.35
0.30
0.25
Frecuencia
0.20
0.15
0.10
0.05
0.00
2.34 3.25 4.16 5.07 5.98 6.89 7.80 8.71
Marca de Clase

Distribución de la frecuencia relativa acumulada:
DISTRIBUCION FRECUENCIA RELATIVA ACUMULADA

Estación Colcas
1.2
100%
1
95%
0.8
77%
0.6
45%
0.4
0.2
11%
5%
0%
0
2.79 3.70 4.61 5.52 6.43 7.34 8.25
DISTRIBUCION FRECUENCIA ACUMULADA

Estación Colcas
50
Frecuencia Absoluta Acumulada (Ni)
45 100%
97%
40 93%
35
30
25 69%
20
15
34%
10
5 14%
0%
0
2.79 3.70 4.61 5.52 6.43 7.34 8.25

Función densidad Empírica:

0.5
0.4
0.4
F(x)
0.3
Frecuenci
fi
0.3
a relativa
0.2 Funcion
densidad
0.2
0.1
0.1
0.0
1 3 5 7 9 11
Marca de clase

PRUEBA DE BONDAD DE AJUSTE.

MÉTODOS ESTADISTICOS:
REGISTROS DE PRECIPITACIONES MEDIAS ANUALES
ESTACIÓN LLANGANUCO (mm.)
Año Prec. Anual
1953-54 3,27
1954-55 2,57
1955-56 2,23
1956-57 3,16
1957-58 3,44
1958-59 3,13
1959-60 3,02
1960-61 2,57
1961-62 2,54
1962-63 2,60
1963-64 2,73
1964-65 2,22
1965-66 3,14
1966-67 2,75
1967-68 2,36
1968-69 2,92
1969-70 3,27
1970-71 2,86
1971-72 2,92
1972-73 3,37
1973-74 2,74
1974-75 2,64
1975-76 2,49
1976-77 3,23
1977-78 3,13
1978-79 3,23
1979-80 3,42
1980-81 3,48
1981-82 3,20
1982-83 3,96
1983-84 3,61
1984-85 2,64
1985-86 3,06
1986-87 3,51
1987-88 3,58
1988-89 2,75
1989-90 2,85
1990-91 3,11
1991-92 2,77
1992-93 2,97
1993-94 3,04
1994-95 3,00
1995-96 3,15
1996-97 2,56
X

PROM.= 2,98
DESV= 0,39
VAR.= 0,15
ASIM.= 0,12
OBTENCION DE LA PRUEBA CHI - CUADRADO TABULAR
Gráfico de la Distribución Normal y Gumbel

1.45
1.25
1.05
0.85
f(x)
Normal
0.65
Gumbel
0.45
FDE
0.25
0.05
2.00 2.50 3.00 3.50 4.00 4.50
x
PRUEBA DE AJUSTE A UNA DIST. NORMAL
o i  ei 2
m PX  x̂  Z X ajust. Oi ei
ei
1 0,167 -0,967 2,607 9 7,33 0,379
2 0,333 -0,431 2,815 7 7,33 0,015
3 0,500 0,000 2,982 5 7,33 0,742
4 0,667 0,431 3,149 9 7,33 0,379
5 0,833 0,967 3,356 7 7,33 0,015
6 0,999 3,159 4,206 7 7,33 0,015
suma 44 1,545
para la distribución Gumbel

Chi-cuadrado tabular con los grados de libertad: ν=6-2-1=3
X tabular 7,815
X tabular > X calculado
X Calc. 1,545
Por lo tanto, se ajusta a una distribución Normal. Con un nivel de significación de 0,05
Es adecuada para de las descargas medias del río LLanganuco

PRUEBA DE AJUSTE A UNA DISTRIBUCION GUMBEL
X  eY
 e W
F (x)  e
W   ln( ln(FX ))
Xajust.    *W
  X  0 .45 *  X
  0 . 78 *  X
MEDIA 2,982
DESV. 0,388
 0,302
 2,807
o i  e i 2
m PX  x̂  W X ajust. Oi ei ei
1 0,17 -0,583 2,631 9 7,33 0,379
2 0,33 -0,094 2,779 7 7,33 0,015
3 0,50 0,367 2,918 3 7,33 2,561
4 0,67 0,903 3,080 6 7,33 0,242
5 0,83 1,702 3,322 11 7,33 1,833
6 0,999 6,907 4,895 8 7,33 0,061
suma 44 5,091
Para la distribución Gumbel

ALFA= 0,05
X tabular 7,81 PROB.= 0,95
X calculado 5,091
Por lo tanto se ajusta a una distribución Gumbel. Con un nivel de significación de 0,05

Es adecuada para de las descargas medias del río LLanganuco.
Distribución Gumbel
1.400
1.200
1.000
0.800 Gumbel
f(x)
E D Empir.
0.600
0.400
0.200
-
2 2.5 3 3.5 4 4.5
x

MÉTODOS ESTADISTICOS:
REGISTROS DE PRECIPITACIONES ANUALES

ESTACIÓN RIO COLCAS (mm.)
Año Prec. Anual
1953-54 5,40
1954-55 5,29
1955-56 5,57
1956-57 5,33
1957-58 5,97
1958-59 6,50
1959-60 4,91
1960-61 6,25
1961-62 5,76
1962-63 5,42
1963-64 5,68
1964-65 4,66
1965-66 5,95
1966-67 6,13
1967-68 4,58
1968-69 5,16
1969-70 5,66
1970-71 6,35
1971-72 6,29
1972-73 6,84
1973-74 6,88
1974-75 5,80
1975-76 4,69
1976-77 6,47
1977-78 5,79
1978-79 7,07
1979-80 6,77
1980-81 7,80
1981-82 6,60
1982-83 7,41
1983-84 5,96
1984-85 3,72
1985-86 5,23
1986-87 7,06
1987-88 5,28
1988-89 3,25
1989-90 4,98
1990-91 5,36
1991-92 4,97
1992-93 6,40
1993-94 5,49
1994-95 4,71
1995-96 3,74
1996-97 3,50

X
PROM.= 5,65
DESV= 1,02
VAR.= 1,04
ASIM.= -0,31
OBTENCION DE LA PRUEBA CHI - CUADRADO TABULAR
Gráfico de la Distribución Normal y Gumbel

0.44
0.39
0.34
0.29
f(x)
0.24 Normal
0.19 Gumbel
0.14 EDE
0.09
0.04
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
x
PRUEBA DE AJUSTE A UNA DIST. NORMAL
o i  ei 2
M PX  x̂  Z X ajust. Oi ei ei
1 0,167 -0,967 4,664 6 7,33 0,242
2 0,333 -0,431 5,211 6 7,33 0,242
3 0,500 0,000 5,650 9 7,33 0,379
4 0,667 0,431 6,090 8 7,33 0,061
5 0,833 0,967 6,636 8 7,33 0,061
6 0,999 3,159 8,872 7 7,33 0,015
suma 44 1,000
X tabular 7,815
X calculado 1,000
Por lo tanto, se ajusta a una distribución Normal. Con un nivel de significación de 0,05

Es adecuada para de las descargas medias del río Colcas
PRUEBA DE AJUSTE A UNA DISTRIBUCION GUMBEL
X  eY
 e W
F (x)  e
W   ln( ln(FX ))
Xajust.    *W
  X  0 .45 *  X
  0 . 78 *  X
MEDIA= 5,65
DESV.= 1,0199
 0,795
 5,191
PX  x̂  o i  e i 2
M W X ajust. Oi ei ei
1 0,167 -0,583 4,727 8 7,33 0,061
2 0,333 -0,094 5,116 3 7,33 2,561
3 0,500 0,367 5,483 8 7,33 0,061
4 0,667 0,903 5,909 7 7,33 0,015
5 0,833 1,702 6,545 10 7,33 0,970
6 0,999 6,907 10,686 8 7,33 0,061
suma 44 3,727
Para la distribución Gumbel

ALFA= 0,05
X tabular 7,8147 PROB.= 0,95
X calculado 3,727
Por lo tanto se ajusta a una distribución Gumbel. Con un nivel de significación de 0,05

Es adecuada para de las descargas medias del río Colcas
0.45
0.40
0.35
0.30
0.25
f(x)
0.20 Gumbel
0.15 F D Empir.
0.10
0.05
-
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
x

 COMO LAS DESCARGAS SE AJUSTAN A LAS DISTRIBUCIONES

NORMAL Y GUMBEL PARA LA ESTACIÓN LLANGANUCO:
Calculamos la probabilidad de que el caudal sea menor que 3.15 mm/seg. De

acuerdo a la distribución normal.
Hallamos Z= (Q-Qprom.)/SQ
Z= (3.15-2.98)/0.388 =0.4381
B=1/2(1+0.196854(0.4281)+0.115194(0.4351)2 + 0.000344 (0.4351)3 +

0.019527 (0.4381)4)-4
B = 0.33
Por tabla =0 .33
P (Q < 3.15) = 0.33
 CON LOS DATOS DE LA ESTACION LLANGANUCO HALLAR EL

CAUDAL PARA UN PERIODO DE RETORNO DE 50 AÑOS, CON LA
DISTRIBUCIÓN NORMAL.
𝟏 𝟏
𝑻= =
𝑷 (𝑸 ≥ 𝒒) 𝟏 − 𝑷(𝑸 ≤ 𝒒)
𝑻−𝟏
𝑷(𝑸 ≤ 𝒒) =
𝑻
𝑻 − 𝟏 𝟓𝟎 − 𝟏
𝑷(𝒁 ≤ 𝒛) = = = 𝟎. 𝟗𝟖
𝑻 𝟓𝟎
Para un B = 0.98 como es mayor que 0 se calcula para un valor de 1-B = 1-0.98
= 0.02
𝑄−𝑄𝑝𝑟𝑜𝑚. 𝑄−2.98
Para este valor Z es igual a 2.06 = = por lo que el valor
𝑆𝑄 0.388
de Q es de 3.7793 mm/seg.
El caudal para un periodo de retorno de 50 años es de 3.779 mm/seg.


NORMAL Y GUMBEL PARA LA ESTACION COLCAS:

acuerdo a la distribución normal.
Hallamos Z= (Q-Qprom.)/SQ
Z= (6.25-5.65)/1.02 =0.588
B=1/2(1+0.196854(0.588)+0.115194(0.588)2 + 0.000344 (0.588)3 + 0.019527

(0.588)4)-4
B = 0.278
Por tabla =0 .28
P (Q < 3.15) = 0.28
 CON LOS DATOS DE LA ESTACION COLCAS HALLAR EL

DISTRIBUCIÓN NORMAL.
𝟏 𝟏
𝑻= =
𝑷 (𝑸 ≥ 𝒒) 𝟏 − 𝑷(𝑸 ≤ 𝒒)
𝑻−𝟏
𝑷(𝑸 ≤ 𝒒) =
𝑻
𝑻 − 𝟏 𝟓𝟎 − 𝟏
𝑷(𝒁 ≤ 𝒛) = = = 𝟎. 𝟗𝟖
𝑻 𝟓𝟎
Para un B = 0.98 como es mayor que 0 se calcula para un valor de 1-B = 1-0.98
= 0.02

𝑄−𝑄𝑝𝑟𝑜𝑚. 𝑄−5.65
Para este valor Z es igual a 2.06 = = por lo que el valor
𝑆𝑄 1.02
de Q es de 7.7512 mm/seg.

NORMAL Y GUMBEL PARA LA ESTACIÓN LLANGANUCO:

acuerdo a la distribución Gumbel.
Hallamos W= (X -β)/α
𝛽 = 𝑋 − 0.45 𝑆
𝛼 = 0.78𝑆
β = 2.98 – 0.45*0.388
β = 2.81
α = 3.026
ω = (3.15 – 2.81)/3.026
P (Q < 3.15) = 0.409

DISTRIBUCIÓN GUMBEL.
𝟏 𝟏
𝑻= =
𝑷 (𝑸 ≥ 𝒒) 𝟏 − 𝑷(𝑸 ≤ 𝒒)
𝑻−𝟏
𝑷(𝑸 ≤ 𝒒) =
𝑻
𝑻 − 𝟏 𝟓𝟎 − 𝟏
𝑷(𝒁 ≤ 𝒛) = = = 𝟎. 𝟗𝟖
𝑻 𝟓𝟎

Para un Valor de 0.98 nos da un 𝜔 = −𝐿𝑛(−𝐿𝑛 0.989) = 3.902
𝑄−𝛽
𝑌= = 3.902
𝛼
𝑚𝑚
𝑄 = 𝛽 + 3.9019 ∗ 𝛼 = 2.81 + 3.9019 ∗ 3.026 = 14.62
𝑠𝑒𝑔.

NORMAL Y GUMBEL PARA LA ESTACIÓN RIO COLCAS:

acuerdo a la distribución Gumbel.
Hallamos W= (X -β)/α
𝛽 = 𝑋 − 0.45 𝑆
𝛼 = 0.78𝑆
β = 5.65 – 0.45*1.02
β = 5.191
α = 0.7956
ω = (6.25 – 5.191)/0.7956
P (Q < 6.25) = 1.33

DISTRIBUCIÓN GUMBEL.
𝟏 𝟏
𝑻= =
𝑷 (𝑸 ≥ 𝒒) 𝟏 − 𝑷(𝑸 ≤ 𝒒)
𝑻−𝟏
𝑷(𝑸 ≤ 𝒒) =
𝑻

𝑻 − 𝟏 𝟓𝟎 − 𝟏
𝑷(𝒁 ≤ 𝒛) = = = 𝟎. 𝟗𝟖
𝑻 𝟓𝟎
Para un Valor de 0.98 nos da un 𝜔 = −𝐿𝑛(−𝐿𝑛 0.989) = 3.902
𝑄−𝛽
𝑌= = 3.902
𝛼
𝑚𝑚
𝑄 = 𝛽 + 3.9019 ∗ 𝛼 = 5.191 + 3.9019 ∗ 0.7956 = 8.29
𝑠𝑒𝑔.

VII. DISCUSIÓN E INTERPRETACIÓN
7.1. DISCUSIÓN E INTERPRETACIÓN DEL CAUDAL MEDIO

ANUAL DEL RIO LLANGANUCO.
Ẋ = 3,00
Me = 3,02
Mo = 3,09
D.M. = 0,352
V(x) = 0,181
D.S. (x) = 0,425
C.V.(x) = 14,17
Cs = 0,129
K = 2,560
Los resultados con datos sin agrupar son los siguientes:
Media Aritmética:
X  2.98 m3/Seg
La Mediana:
Me = 3.01 m3/Seg
Moda:
Mo = 3.07 m3/Seg
Desviación Media:
D.M. = 0.315
Varianza:
V(x) = 0.15

Sx =0.388
C.V.(x) = 14.15
C.A. (x) = - 0.12
K = 2.52
COMPARACION ENTRE LA MEDIA, MEDIANA Y LA MODA:
Como se observa estos datos tienes un cierto sesgo hacia la derecha puesto que la
media y la mediana son menores que la moda.
MEDIDA DE ASIMETRIA:
El sesgo del polígono de frecuencias se aprecia trazando una vertical por la moda
donde se diferencia la cola del polígono de frecuencias.
Como g=0.189, g>0es una distribución sesgada a la derecha (polígono de

MEDIDA DE APUNTAMIENTO:

(curva normal).
Como Ck=2.560 , Ck<3 es una distribución platicúrtica, achatada o plana.

PRUEBA DE CHI CUADRADO
PARA LA DISTRIBUCION NORMAL:
X tabular 7,815
Xcalculado 1,545
Como X (Calculado) es menor que el X (Tabular) entonces se ajusta a la

distribución normal con un nivel de significación de 0.05, se concluye que es
adecuada para aplicarla.
PARA LA DISTRIBUCION GUMBEL:
X tabular 7,81
Xcalculado 5,091

distribución Gumbel con un nivel de significación de 0.05, se concluye que es

7.2. DISCUSIÓN E INTERPRETACIÓN DEL CAUDAL MEDIO ANUAL DEL

RIO COLCAS.
E. MEDIDAS DE TENDENCIA CENTRAL
Ẋ = 5,67
Me = 5,77
Mo = 5,45
D.M. = 1,27
V(x) = 1,65
D.S. (x) = 1,29
C.V.(x) = 22,69
Cs = -0,132
K = 2,108
Los resultados con datos sin agrupar son los siguientes:
Media Aritmética:
X  5.65 m3/Seg
La Mediana:
Me = 5.67 m3/Seg
Moda:
Mo = 5.40 m3/Seg
F. MEDIDAS DE DISPERSIÓN.
Desviación Media:
D.M. = 1.24
Varianza:
V(x) = 1.63
Sx = 1.34

C.V.(x) = 21.46
G. MEDIDAS ASIMETRÍA.
C.A. (x) = - 0.31
H. MEDIDAS DE APUNTAMIENTO.
K = 2.09
COMPARACION ENTRE LA MEDIA, MEDIANA Y LA MODA:
Como se observa estos datos tienes un cierto sesgo hacia la izquierda puesto que
la media y la mediana son menores que la moda.
MEDIDA DE ASIMETRIA:
El sesgo del polígono de frecuencias se aprecia trazando una vertical

por la moda donde se diferencia la cola del polígono de frecuencias.
Como g= -0.132, g<0 es una distribución sesgada a la izquierda (polígono de

MEDIDA DE APUNTAMIENTO:

(curva normal).
Como Ck=2.108, Ck<3 es una distribución platicúrtica, achatada o plana.

PRUEBA DE CHI CUADRADO PARA LOS CAUDALES MEDIOS DEL

RIO COLCAS:
PARA LA DISTRIBUCION NORMAL:
X tabular 7,815
X calculado 1,00

distribución normal con un nivel de significación de 0.05, se concluye que es
PARA LA DISTRIBUCION GUMBEL:
X 7,81
tabular
X
calculado 3,727

distribución Gumbel con un nivel de significación de 0.05, se concluye que es

VIII. CONCLUSIONES Y RECOMENDACONES.

 CONCLUCIONES:
1. Los valores de medidas de tendencia central y medidas de distribución del la
Estación LLanganuco son:
Ẋ = 3,00
Me = 3,02
Mo = 3,09
D.M. = 0,352
V(x) = 0,181
D.S. (x) = 0,425
C.V.(x) = 14,17
Cs = 0,129
K = 2,560
2. Los valores de medidas de tendencia central y medidas de distribución del la

Estación LLanganuco son:
Ẋ = 5,67
Me = 5,77
Mo = 5,45
D.M. = 1,27
V(x) = 1,65
D.S. (x) = 1,29
C.V.(x) = 22,69
Cs = -0,132
K = 2,108
3. Los datos de los caudales medios de la estación LLanganuco se ajusta a una

distribución normal ya que:
X tabular 7,815
X calculado 1,545
Entonces se puede utilizar la distribución normal para calcular valores que no

estén en el rango de la distribución.
Los datos de los caudales medios de la estación LLanganuco se ajusta a una
distribución Gumbel ya que:
X tabular 7,81
X calculado 5,091

Entonces se puede utilizar la distribución Gumbel para calcular valores que no

4. Los datos de los caudales medios de la estación Rio Colcas se ajusta a una
distribución normal ya que:
X tabular 7,815
X calculado 1,545
Entonces se puede utilizar la distribución normal para calcular valores que no

Los datos de los caudales medios de la estación Rio Colcas se ajusta a una
distribución Gumbel ya que:
X tabular 7,81
X calculado 5,091
Entonces se puede utilizar la distribución Gumbel para calcular valores que no

5. Entonces se puede utilizar la distribución normal y Gumbel para calcular

valores que no estén en el rango de la distribución
6. Se concluye que el uso de la estadística Inferencial, es una alternativa
razonablemente viable para realizar el análisis, procesamiento e interpretación
de los registros en las estaciones de algunos parámetros Hidrológicos como
alternativa más accesible frente a un análisis de series de tiempo que la mayoría
de ingenieros no tienen mayor conocimiento al respecto.
7. El uso de nuevas tecnologías como es el uso de programas informáticos nos

permite realizar un análisis mucho más exacto y el tiempo de procesamiento
de la información es mucho menor por la gran versatilidad con que se nos
presentan éstos.
8. Pudimos observar que, las distribución normal para su análisis toma valores ó

parámetros como la media y la desviación estándar dé los datos los cuales nos
dan una idea dé como está la muestra.
9. Con la distribución teórica encontrada podemos prever los futuros caudales a

los que llegaran los ríos de una determinada cuenca en el caso que se quiera
diseñar un puente, una bocatoma, una presa, et. Y de esta manera con la
seguridad y/o la importancia que se trata el proyecto podemos hacer un diseño
que garantice la buena fucionabilidad y duración ante los efectos naturales
propios de la naturaleza, pues el comportamiento de la naturaleza es
impredecible y por lo tanto debemos estar preparados para afrontar situaciones
riesgosas.
 RECOMENDACIONES:
Que se firmen convenios con Instituciones públicas y privadas que tengan

relación en los cursos que se llevan, por ejemplo en la rama de Hidrología con
instituciones que hagan estudios de las cuencas de nuestro país. para aportar en
la formación práctica y profesional de los alumnos.

IX. BIBLIOGRAFÍA.
9.1. REYES CARRASCO, LUIS V. “HIDROLOGIA BÁSICA”,

Editorial del CONCYTEC, Lima-Perú, 1992.
9.2. VILLON BEJAR, MÁXIMO. “HIDROLOGIA ESTADISTIA”,

Publicaciones del Instituto Tecnológico de Costa Rica, 2º Edición, 2002.
9.3. Microsoft ® Encarta ® Biblioteca de Consulta 2003. © 1993-2002

Microsoft Corporation. Reservados todos los derechos.
9.4. VEN TE CHOW. Hidrología Aplicada 3Ra. Edición Editorial:

Mc. Gill
9.5. MONSALVE SAENZ, Germán. Hidrología Aplicada a la

Ingeniería

ANEXO

ESTACION LLANGANUCO
Histograma
0.30
0.25
Frecuencia Relativa
0.20
0.15
0.10
0.05
0.00
2.046 2.394 2.742 3.090 3.438 3.786
Intervalo de Clase
Estacion LLanganuco
0.30
0.25
0.20
Frecuencia Relativa
0.15
0.10
0.05
0.00
1.87 2.22 2.57 2.92 3.26 3.61 3.96 4.31
Marca de Clase

DISTRIBUCION FRECUENCIA RELATIVA

ACUMULADA
1.2
1
97.7% 100%
0.8 84.1%
0.6 56.8%
0.4
29.5%
0.2
6.8%
0,
0
2.05 2.39 2.74 3.09 3.44 3.79 4.13
Polígono de Frecuencia Absoluta

Estacion LLanganuco
14.00
12.00
10.00
Frecuencia Relativa
8.00
6.00
4.00
2.00
0.00
1.87 2.22 2.57 2.92 3.26 3.61 3.96 4.13
Marca de Clase

DISTRIBUCION FRECUENCIA ABSOLUTA ACUMULADA

50
45 100%
97.7%
40
84.1%
35
30
56.8%
25
20
15
29.5%
10
5
6.8%
0,
0
2.05 2.39 2.74 3.09 3.44 3.79 4.13

1.2
1.0
F(x)
0.8
Frecuenci
fi
0.6 a relativa
Funcion
0.4 densidad
0.2
0.0
1 2 2 3 3 4 4 5
Marca de clase

Función Densidad Empirica

1
0.9
0.8
0.7
0.6
0.5
fi
0.4
0.3
0.2
0.1
0
1.50 2.00 2.50 3.00 3.50 4.00 4.50
Marca de Clase
Función Densidad Acumulada

1.2
0.8
0.6
Fi
0.4
0.2
0
1.50 2.00 2.50 3.00 3.50 4.00 4.50
Marca de Clase
Distribución Normal y Gumbel: Estación LLanganuco

Gráfico de la Distribución Normal y

Gumbel
1.45
1.25
1.05
0.85
f(x)
Normal
0.65
Gumbel
0.45
FDE
0.25
0.05
2.00 2.50 3.00 3.50 4.00 4.50
x
1.400
1.200
1.000
0.800 Gumbel
f(x)
0.600
0.400
0.200
-
2 2.5 3 3.5 4 4.5
x

ESTACION COLCAS
Histograma
Estación Colcas
0.40
0.35
0.30
0.25
Frecuencia
0.20
0.15
0.10
0.05
0.00
2.79 3.70 4.61 5.52 6.43 7.34
Intervalo de Clase
0.40
Estación Colcas
0.35
0.30
0.25
Frecuencia
0.20
0.15
0.10
0.05
0.00
2.34 3.25 4.16 5.07 5.98 6.89 7.80 8.71
Marca de Clase


0.5
0.4
0.4
F(x)
0.3
fi
0.3
Frecuenc
0.2 ia
relativa
0.2
0.1
0.1
0.0
1 3 5 7 9 11
Marca de clase
Función Densidad Empirica

Estación Rio Colcas
0.7
0.6
0.5
0.4
fi
0.3
0.2
0.1
0
1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
Marca de Clase

Función Densidad Acumulada

Estación Rio Colcas
1.2
0.8
Fi
0.6
0.4
0.2
0
1.50 2.00 2.50 3.00 3.50 4.00 4.50
Marca de Clase
Distribución Normal y Gumbel: Estación Colcas

Gráfico de la Distribución Normal y

Gumbel
0.44
0.39
0.34
0.29 Normal
f(x)
0.24 Gumbel
0.19 EDE
0.14
0.09
0.04
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
x
0.45
0.40
0.35
0.30
Gumbel
0.25
F D Empir.
f(x)
0.20
0.15
0.10
0.05
-
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
x

Trabajo de Investigacion

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Trabajo de Investigacion

Încărcat de

Drepturi de autor:

Formate disponibile

“Año del buen servicio al ciudadano”

Facultad de Ciencias Agrarias

ANÁLISIS ESTADÍSTICO Y PROBABILIDADES DE

Curso: Estadística Aplicada a la Ingeniería Agrícola

También es muy importante para el diseño en la ingeniería como canales, presas,

El análisis de la prueba de Chi-cuadrado nos servirá para ver si los datos se

UNASAM – FCA – EPIA

 Realizar la distribución de frecuencias de los datos del caudal medio

 Aprender los procedimientos de la tabulación de datos hidrológicos

 Aprender a estimar los parámetros mediante los métodos gráficos,

 Desarrollar la prueba de bondad de ajuste dentro de las cuales se

Se realizará los estudios de los datos registrados de las estaciones de

Se cuenta con las tablas de registros de caudales medios mensuales (m3/s),

El trabajo es importante por la interpretación de los conceptos de probabilidades

II. REVICION BIBLIOGRAFICA.

Es el conjunto de mayor de datos individuales, personas o cosas cuyo

Una población estadística es un conjunto de observaciones medibles o

UNASAM – FCA – EPIA

Es una información proporcionada por una parte finita de la población.

2.3. HISTOGRAMA Y POLÍGONOS DE FRECUENCIA

Son dos representaciones gráficas de las distribuciones de frecuencia.

A. Un histograma o histograma de frecuencias, consiste en una serie de

-) Superficies proporcionales a las frecuencias de clase.

B. Un polígono de frecuencias, es un gráfico de línea trazado sobre las

La media de un conjunto N de datos numéricos X1, X2, ..., XN está

Que es el momento de orden 1.

La mediana de un conjunto N de números ordenados en orden de grandeza,

Es el valor de la serie de datos que se sitúa justamente en el centro de la

UNASAM – FCA – EPIA

No presentan el problema de estar influido por los valores extremos, pero

Localiza el dato de mayor frecuencia. Es el valor del dato cuya frecuencia

• Si la distribución de frecuencias tiene un solo máximo (máximo

• Si la distribución de frecuencias tiene más de un máximo (máximo

• Si todas las frecuencias son iguales se dice que la distribución no tiene

• Para Datos Clasificados La moda es la marca de la clase modal. Para

Momentos muestrales, medidas de asimetría y curtosis:

Existen varias clases de descriptores aritméticos, siendo los momentos el método

2.7. DESVIACIÓN MEDIA

Es la media aritmética de los valores absolutos de las desviaciones de los

 Xi  estadi gra fo  de  posicion

UNASAM – FCA – EPIA

Si el estadígrafo es la media, se tiene:

La desviación media es una medida de dispersión fácil de calcular y se ve

2.8. Desviación Estándar y Variancia

Miden el grado de dispersión de los datos numéricos en torno de un valor

La Desviación Estándar de un conjunto de datos X1, ..., Xn está definida

La Variancia es el cuadrado de la desviación estándar:

La fórmula de la varianza será:

El valor de covarianza entre dos conjuntos de datos numéricos a y b, con

UNASAM – FCA – EPIA

El coeficiente de correlación mide la similitud entre dos conjuntos de datos

Calculado a través de la división del valor de covariancia entre la raíz

El efecto de la variación o dispersión con relación a la media puede ser

Dispersión Relativa = Dispersión Absoluta/Media

Si la dispersión absoluta corresponde a la desviación estándar, la dispersión

El coeficiente de variación deja de ser útil cuando la media es próxima de

2.12.COEFICIENTE DE MOMENTO DE ASIMETRÍA

La asimetría de una muestra se mide mediante el coeficiente de asimetría,

Es el grado de desvío o alejamiento del eje de simetría de una distribución.

UNASAM – FCA – EPIA

 Sí g=0 es una distribución simétrica

 Sí g>0 es una distribución sesgada a la derecha (polígono de

 Sí g<0 es una distribución sesgada a la izquierda (polígono de