Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste
|
|
- María Ángeles Lara Espinoza
- hace 6 años
- Vistas:
Transcripción
1 ISSN Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste IDF construction methods evaluation, from probability distributions and adjustment s parameters Fecha de Recepción: 19 de septiembre de 2013 Fecha de Aprobación: 07 de noviembre de 2013 Pedro Mauricio Acosta Castellanos* Lina Xiomara Sierra Aponte** Resumen Las curvas intensidad, duración y frecuencia (IDF) son de gran importancia para el diseño de obras hidráulicas; por tal motivo, conocer las metodologías para su construcción es importante. Este artículo presenta una evaluación de las metodologías para la construcción de curvas IDF, aplicando distribuciones de probabilidad como EVI, Pearson Tipo III, log-pearson Tipo III y GEV. La aplicación de la investigación fue en el departamento de Boyacá, Colombia. La construcción de las curvas IDF se hizo a partir de datos pluviográficos. De la evaluación realizada se encontró la función de distribución, con la cual se evidencia un mejor comportamiento para la zona de estudio; es la función de Valor Extremo Tipo I. Con resultados similares para periodos de retorno mayores, Abstract The intensity, duration and frequency s curves (IDF) are very important for the hydraulic structures design. For that reason is important to know these curves construction methodologies. This paper presents some methodologies evaluation, for the IDF curves construction, by applying probability distributions as EVI, Pearson type III, log-pearson Type III and GEV. The research application place was the department of Boyacá, Colombia. The IDF construction`s curves was carried out, by using some pluviograph data. From the evaluation carried out, it was found that the distribution function, with the best performance for this area`s study, is the Extreme Value Type I. With similar results for higher return periods, is the Generalized Extreme Value function. Also through the analysis it could rule * M. Sc. Universidad Santo Tomás, Sede Tunja (Colombia). pedro.acosta@usantoto.edu.co ** Universidad Santo Tomás, Sede Tunja (Colombia). Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No. 35. pp pp
2 Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste se encuentra la función de Valor Extremo Generalizado. Mediante el análisis se pudo descartar la aplicación de las funciones Pearson y log-pearson Tipo III. Palabras clave: Curvas IDF, Obras hidráulicas, Distribuciones de probabilidad, EVI, Pearson Tipo III, log-pearson Tipo III, GEV, Función de distribución. out the Pearson functions and log-pearson Type III s applications. Keywords: IDF Curves, Hydraulic Structures, Probability Distributions, Evi, Pearson Type Iii, Log-Pearson Type Iii and GEV, Distribution Function. 26 Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No. 35
3 I. Introducción Las curvas intensidad, duración y frecuencia (IDF) son un eslabón fundamental para el diseño y la construcción de obras hidráulicas, como drenajes pluviales, presas, embalses y demás, que buscan controlar inundaciones y aprovechar los recursos hídricos para generar energía eléctrica; además, son de gran valor en el estudio de la erosión del suelo, entre otros usos; es por esto que el conocimiento de cómo se construyen las IDF es fundamental. Esta investigación dio como resultado una aproximación teórica y práctica de los métodos más utilizados para construir las curvas IDF, determinando cuáles son las diferencias, ventajas y desventajas de tales métodos y su posible aplicación en estaciones pluviográficas del departamento de Boyacá, Colombia, exactamente en las estaciones hidroclimatológicas de los municipios de Aquitania, Pesca, Samacá, Tota, Paipa, Tunja y Tuta. Para el análisis comparativo de metodologías para la construcción de curvas IDF se hizo necesario la recopilación histórica de eventos de precipitación. Se desarrolló un análisis estadístico continuo, que consiste en parametrizar un conjunto de datos (precipitaciones), con el fin de extrapolar y conocer el comportamiento de los eventos. Inicialmente, la selección de las precipitaciones se ejecutó con la revisión de los registros pluviográficos máximos anuales obtenidos de las estaciones hidroclimatológicas correspondientes al área de estudio. Una vez procesada la información, se realizó una aproximación analítica y estadística para determinar cuáles son las posibles ventajas y desventajas en la aplicación de distribuciones de probabilidad, parámetros de ajuste y en la construcción las curvas. Finalmente, es evidente que las curvas son de gran importancia para la predicción de lluvias venideras, así como para investigar sobre fenómenos que se salen de la normalidad del clima y, en general, de la hidrología de una zona específica. De tal manera que uno de los objetivos a los que apunta la investigación es el conocimiento de las alternativas que existen para la determinación de curvas IDF. II. Metodología A. Selección de información Se tomó como criterio el tipo, la cantidad y la periodicidad de los datos de precipitación registrados con pluviógrafo; para tal fin se obtuvieron los registros históricos superiores a 10 años, y se recopilaron alrededor de 561 pluviogramas correspondientes a las tormentas registradas en 7 estaciones de la zona centro del departamento de Boyacá, Colombia, donde se encuentran 23 municipios y la capital del departamento. Para cada una de las estaciones se recopilaron los mayores eventos de precipitación; a partir de esta información se procedió a analizar los pluviogramas de cada estación, a fin de extraer la información numérica, con el propósito de obtener las precipitaciones máximas para cada duración y convertirlas en intensidades de precipitación. B. Funciones de distribución Los datos sistematizados deben ser analizados a la luz de una frecuencia de parámetros hidrológicos, por medio de distribuciones de probabilidad, con el fin de relacionar la magnitud y la frecuencia de eventos extremos. Cada función de distribución tiene diferentes parámetros, estadísticos y matemáticos. En la mayoría de funciones es común la media aritmética, pues es necesaria para determinar el orden de las intensidades. De igual manera, se halla la dispersión o variación de los datos de la muestra, utilizando la desviación estándar de cada muestra. Lo anterior es el primer tratamiento que se hace necesario para aplicar las funciones a los datos. Una distribución de probabilidad es una función que representa la probabilidad de ocurrencia en Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No
4 Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste una serie pluviográfica. En estadística existe un sinnúmero de funciones de probabilidad. Se eligieron las funciones que mejor se adaptaron a las series de precipitaciones máximas diarias, es decir, se procedió a estimar los parámetros con los datos que se disponían, y se verificó que ellos se pudieran ajustar a una distribución de manera satisfactoria. Las funciones de distribución que se utilizaron en este caso fueron Valor extremo tipo I (EVI), Pearson Tipo III, Log Pearson Tipo III y Valor extremo generalizado (GEV). 1) Valor Extremo Tipo I (EVI): Se utiliza para el análisis de frecuencias de datos extremos, considerando que cada máximo anual es el valor extremo observado en una muestra de un año, y tiene en cuenta dos parámetros, de ubicación (u) y escala (α), y el coeficiente de asimetría es fijo y vale 1,139. Esta distribución solo aplicará a variables aleatorias positivas, es decir, X>0. De igual manera, está definido que los valores máximos anuales se aproximan a una tendencia de distribución específica, cuando el número de muestras es alto [1]. transformación log para reducir la asimetría [2]. También es llamada distribución gamma de tres parámetros, puesto que introduce tres parámetros, uno más que EVI: parámetro de localización Ɛ, parámetro de ubicación β y el parámetro de escala α. Esta es una distribución flexible, ya que puede asumir diferentes formas a medida que Ɛ, β y α varían [3]. Debido a los tres parámetros que tiene la distribución, es necesario utilizar el coeficiente de asimetría, que para el caso de Pearson, al ser una distribución simétrica, la media de la distribución es igual a la moda. La flexibilidad de esta distribución está dada, claramente, por los tres parámetros estadísticos. Cuando el coeficiente de asimetría es cero, pasará a ser una distribución normal. La ecuación (1) representa la función de probabilidad Pearson tipo III; contiene los parámetros propios de la función y los parámetros estadísticos mencionadas en los párrafos anteriores. (1) Fig. 1. Tendencia gráfica de la distribución de EVI Fuente: Torres Abello, Andrés Eduardo. Apuntes de clase sobre hidrología urbana. Bogotá: Pontificia Universidad Javeriana, 2004, p ) Pearson Tipo III: Normalmente, la distribución Pearson Tipo III es aplicada para describir la distribución de probabilidad de picos decrecientes de máximos anuales. Cuando la información es muy asimétrica positivamente se utiliza una 3) Log-Pearson Tipo III: Se utiliza principalmente para análisis de probabilidad de eventos extremos; consiste, principalmente, en transformar los valores extremos en logaritmo en base 10, con el fin de reducir la asimetría de los datos; se calcula con la misma función de Pearson tipo III, utilizando la ecuación (2), F(x)=log x23. Los parámetros de esta distribución se calculan de la misma manera que en Pearson tipo III, con la diferencia de que los parámetros estadísticos media, desviación estándar y coeficiente de asimetría se hallan con los logaritmos en base 10 de los datos originales. En el caso de la hidrología, el uso de Log- Pearson tipo III se limita para el tratamiento de 28 Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No. 35
5 datos de picos de inundación; esta distribución es la distribución estándar para el análisis de la crecida máxima en los Estados Unidos [4]. Esta distribución infiere que si en la muestra de máximos anuales la frecuencia alcanza un valor de límite inferior, como, por ejemplo, cero, en tal caso será apropiado utilizar otra distribución [5]. 4) Distribución de Valor Extremo Generalizada (GEV): Las tres distribuciones anteriores son casos especiales de una distribución única que podría llamarse distribución de valor extremo generalizado; es decir, que combina los tres tipos de distribuciones más comunes en una sola forma, permitiendo un rango continúo de formas posibles [6]. La expresión (2) representa la función de probabilidad para (GEV); ella relaciona, al igual que las funciones antes mencionadas, los parámetros propios de la función, añadiendo uno propio (k) y los de ubicación y escala. (2) Se ha demostrado que la distribución de valores extremos seleccionados de conjuntos de muestras de cualquier distribución se aproxima a una de las tres distribuciones de valores extremos, llamadas Tipo I, Tipo II y Tipo III, indicando que el número de datos seleccionados es mayor. La teoría de los valores extremos proporciona técnicas simples para estimar las probabilidades de ocurrencia de niveles extremos originados por datos históricos. La mayor parte de métodos estadísticos estudian principalmente lo que ocurre en el centro de una distribución estadística, y no prestan particular atención a las colas de la distribución, es decir, a los valores extremos, ya sea en el extremo alto o bajo [7]. C. Prueba de bondad de ajuste Una prueba de bondad de ajuste determina si la muestra o los datos se ajustan a la distribución de probabilidad que se está utilizando; puede utilizarse tanto para hipótesis simple o compuesta. Este paso es fundamental para determinar si es viable utilizar una distribución determinada en una serie de datos; en este caso, para la muestra de máximos anuales se utilizó el método de Kolmogorov-Smirnov, que permite calcular la relación que existe entre una distribución de una muestra de datos y una distribución teórica [8]. La prueba de bondad de ajuste requiere que el valor estadístico de prueba de la muestra (Dn) sea menor que el valor tabulado (Dn α) para un nivel de probabilidad requerido, a fin de que la prueba sea aceptada. En la Tabla 1 se muestran los resultados de la prueba para cada una de las estaciones, con la función de distribución EVI. Tabla 1 Aplicación de la prueba de bondad de ajuste Estación Nivel de Dn. Dn. significancia Máx. α Tunguavita - Paipa 0,05 0,14 0,2895 Potrerito - Aquitania 0,05 0,13 0,309 Villa Carmen - Samacá 0,05 0,14 0,309 UPTC Tunja 0,05 0,16 0,287 Tota 0,05 0,15 0,349 Pesca 0,05 0,14 0,361 Azulejos Tuta 0,05 0,18 0,301 Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No
6 Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste D. Estimación de parámetros de ajuste a una distribución de probabilidad Como se mostró en los literales anteriores, cada distribución, independiente del tipo que sea, tiene diferentes parámetros; cada uno de ellos con características propias y dependientes de la distribución a la que se relacionen. Existen diferentes métodos o estimadores para el cálculo de los parámetros de una función de distribución; es necesario que los estimadores cumplan con las propiedades de ser no sesgados, regulares, eficientes, suficientes y consistentes [9]. Cada distribución de probabilidad tiene parámetros, que deben ser ajustados por métodos que cumplan con las propiedades anteriores. De la misma manera, debe buscarse que cada método pueda ajustar los parámetros de la distribución de probabilidad que se vaya a utilizar. Entre los métodos de estimación de parámetros pueden mencionarse, en orden ascendente de eficiencia de manejo: el método de los momentos ordinarios (OM), el método de los momentos ponderados por probabilidad (PWM) y el método de máxima verosimilitud (ML) [10]. 1) Método de los momentos ordinarios (OM): Este método considera que una estimación adecuada de los parámetros de una función de probabilidad es aquella para la cual los momentos de la función de densidad de probabilidad alrededor del origen son iguales a los momentos correspondientes a la información de la muestra [2]. Los estimadores calculados mediante el método de los momentos son asintóticamente eficientes, particularmente en distribuciones asimétricas, que son las más usadas en hidrología; esta eficiencia hace que este método se use en muchos casos como una primera aproximación en la estimación de los parámetros [11]. En la Tabla 2 se muestra el parámetro α calculado a partir de momentos ordinarios para la Estación Tunguavita, de la ciudad de Paipa. Tabla 2 Parámetro α, Estación Tunguavita, estimado por momentos ordinarios para EVI Parámetro Duración (min.) Valor α 35,3 17,8 14,5 9,54 9,42 9,80 9,97 10,22 10,33 Alfa 2) Método de los momentos ponderados por probabilidad (PWM) o L-Moments: Este método es similar al de los momentos ordinarios, y se basa en que una función de distribución puede ser caracterizada por momentos ponderados por la probabilidad; por lo tanto, basta con calcular los momentos ponderados por la probabilidad a partir de los datos muestrales. El PWM tiene ventaja teórica sobre el método de los momentos convencional, pues con él se caracteriza una amplia gama de funciones de distribución y, además, es un método más robusto ante la presencia de puntos extraordinarios en la muestra Outliers, cuando se calculan los parámetros a partir de los datos muestrales [12]. 30 Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No. 35
7 Tabla 3 Parámetro Ɛ, para GEV, Estación Pesca Parámetro Ɛ Duración (min.) Valor Ɛ 17, , ,3 0,6 0,5 0,38 0,32 3) Método de máxima verosimilitud (ML): Este método busca que el valor de un parámetro en una distribución de probabilidad sea el valor que maximizará la verosimilitud o probabilidad conjunta de ocurrencia de una muestra observada; por tal motivo, representa una mayor precisión desde el punto de vista estadístico, pero puede presentar imprecisiones para muestras de menor tamaño, comparado con los demás métodos; adicionalmente, es de mayor laboriosidad desde el punto de vista de análisis de datos [13]. E. Periodo de retorno El periodo de retorno de un evento con una magnitud dada puede definirse como el intervalo de recurrencia promedio entre eventos que igualan o exceden una magnitud especificada. Puede ocurrir que para un valor umbral de intensidad media haya más de un valor que lo supera en un mismo año; con el modelo de máximos anuales, solo uno de ellos, el mayor, conformará la serie de observaciones, por consiguiente, quedarán por fuera los demás, incluso cuando pudieran ser mayores que los máximos de otros años [14]. Lo anterior implica que el período de retorno asociado deba ser corregido, para lo cual se utilizó la ecuación (3), denominada expresión de Langbein. F. Variable reducida (3) Una variable reducida puede definirse como la relación entre la probabilidad y el periodo de retorno; se utiliza en conjunto con los parámetros de ajuste de la distribución de probabilidad y el periodo de retorno, a fin de determinar las curvas intensidad, duración y frecuencia (IDF). De esta manera, si se tiene que la ecuación (3) representa el periodo de retorno, y la ecuación (4), la distribución de probabilidad de EVI, al fusionar estas dos matemáticamente se obtiene la variable reducida, representada por la ecuación (5), donde a partir de los parámetros de escala y ubicación y el periodo de retorno se puede hallar el valor intensidad, para una duración de evento determinada. III. Resultados (4) (5) Se construyeron las curvas IDF para siete estaciones pluviográficas del departamento de Boyacá, teniendo en cuenta los tres tipos de distribuciones mencionadas en el numeral II. De la misma manera, se ajustaron los parámetros de cada distribución, por momentos ordinarios, máxima verosimilitud y momentos ponderados por probabilidad. De los resultados obtenidos en la aplicación de estas distribuciones de probabilidad, y partiendo de las intensidades máximas de precipitación para cada una de las estaciones que se estudiaron, se generaron 21 graficas: 7 correspondientes a la aplicación de la distribución de Valor Extremo Tipo I EVI Gumbel, mediante el ajuste por el método de los Momentos Ordinarios (OM); 7 para la aplicación de la distribución de Valor Extremo Tipo I EVI Gumbel, mediante el ajuste por el método de Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No
8 Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad y parámetros de ajuste Máxima Verosimilitud (ML), y, finalmente, 7 para la distribución de Valor Extremo Generalizado GEV, mediante el ajuste por el método de los Momentos Ponderados por Probabilidad (PWM). Cada grafica corresponde a una curva intensidad, duración y frecuencia. Se realizó un proceso comparativo, analizando las ventajas, desventajas, diferencias y aplicabilidad de cada distribución a la zona de estudio. En el análisis de resultados se plasman las principales conclusiones del proceso comparativo. IV. Análisis de Resultados En la obtención de los valores de intensidades máximas para distintos periodos de retorno se presentó una variabilidad entre distribuciones de probabilidad, siendo la función de log-pearson la que presenta valores de intensidad más variables, sobreestimándolos. La función Pearson Tipo III presenta variaciones menores y cercanas a las de EVI. En el análisis de eventos extremos de intensidades, los parámetros de cada una de las funciones de distribución fueron estimados de acuerdo con los métodos de momentos ordinarios, máxima verosimilitud y momentos ponderados por probabilidad. A pesar de no obtenerse diferencias significativas en los parámetros estimados, se pudo observar que el ajuste más adecuado comparativamente fue obtenido por el método de momentos ordinarios. La función de distribución de Pearson Tipo III presenta la calidad más baja de ajustes, pudiéndose concluir que esta función no es la recomendable para estimar el comportamiento de las intensidades medias de esta región. Adicionalmente, la variable reducida es de larga laboriosidad matemática. Para ajustar distribuciones de tres parámetros se necesita estimar el coeficiente de asimetría de la distribución, para lo cual es necesario disponer de una serie con longitud de registros larga, preferiblemente mayor de 50 años. Se puede concluir que las distribuciones cuyos extremos disminuyen exponencialmente, como la normal, llevan a las distribuciones del tipo I. Los extremos que disminuyen, como un polinomio, conducen a las tipo II. Las distribuciones cuyos extremos tienden a ser finitos, como el beta, conducen a distribuciones tipo III. La estación Tunguavita, del municipio de Paipa, es la que permite evidenciar un mejor comportamiento de las precipitaciones máximas anuales; así mismo, el comportamiento gráfico de las curvas IDF es adecuado al realizarlas por EVI, GEV y Pearson tipo III. Esto se debe a que la estación tiene continuidad en el registro histórico de precipitaciones y no presenta vacíos o datos faltantes. La función de Gumbel, ajustada por el método de los Momentos Ordinarios y Máxima Verosimilitud, presenta mayor flexibilidad para su aplicación; en general, es la más apropiada para ajustarse a precipitaciones máximas, en distintos periodos de retorno para la región de estudio; además, es recomendable su uso por su rapidez y facilidad de cálculo. En la estimación de los parámetros por el método de Máxima Verosimilitud se observó que, específicamente en EVI, para determinar el parámetro α era necesario tener un parámetro α de referencia. Así, para utilizar este método de manera adecuada puede ser necesario calcular previamente cada parámetro con otro método, a fin de que sirva de referencia. El método de Valor Extremo Generalizado (GEV) proporciona una técnica sencilla para estimar probabilidades de futuros niveles extremos en un proceso de datos históricos, lo cual es fundamental si se pretende efectuar un análisis para obras hidráulicas de gran impacto, como 32 Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No. 35
9 presas e hidroeléctricas, puesto que la estimación de intensidades para periodos de retorno altos es más adecuada para el modelo de máximos anuales. En relación con la construcción de las curvas IDF para las distintas estaciones, se puede concluir que, en general, no se presentaron grandes problemas, salvo con las estaciones de Pesca y Tota, en las cuales fue necesario elaborar una revisión detallada de la acumulación de las duraciones de precipitaciones máximas para cada año, esto con el objeto de obtener una gráfica lo más cercana al modelo técnico. Debido al vacío de datos en el registro histórico de precipitaciones. Referencias [1] R. Muñoz, A. Ritter, Hidrología Agroforestal, Canarias: Mundi Prensa. [2] V.T. Chow, Estadística hidrológica, Hidrología aplicada, Bogotá: McGraw Hill, [3] D. R. Maidment, Frecuency Analysis of Extreme Events, Handbook of Hydrology, Texas: McGraw Hill, [4] P.J. Reddy, Stochastic Hydrology, New Delhi: Laxmi Publications, [5] V. W. Griffis, J. R Stedinger, T. A. Cohn. LP3 quantile estimators with regional skew information and low outlier adjustments. Water Resources Research, vol. 40, W [6] R.W. Katz, M.C. Parlang. Statics of Extreme in Hydrology. Advances in Water Resources, vol. 25, pp , [7] O.S. Muhaisen, Simulación basada de la teoría de valor extremo y cópula para estimación de caudales en sistema de sanitaria, Tesis Doctoral. Universidad de Granada, [8] R. Simard, P. L Ecuyer. Computing the Two-Sided Kolmogorov-Smirnov Distribution. Journal of Statistical Software, vol. 39, Núm. 11, [9] W. Yepes. Estudio de las propiedades de invarianza de las precipitaciones máximas puntuales en el departamento de Antioquia. Medellin: Universidad Nacional de Colombia, [10] E.J. Gumbell, Statistics of extremes. New York: Columbia University, Dover edition, [11] D. Koutsoyiannis, Statistics of extremes and estimation of extreme rainfall: I Theoretical investigation. Hydrological Sciences- Journal-des Sciences Hydrologieques, 2004, pp [12] E.G. Pulgarín. Fórmulas regionales para la estimación de curvas intensidad-frecuenciaduración basadas en las propiedades de escala de la lluvia (Región Andina Colombiana). Medellín: Universidad Nacional de Colombia [13] S. Chavoshi, W.N. Azmin. Development of L-Moment based models for extreme flood events. Malaysian Journal of Mathematical Sciences, vol. 3, pp , [14] D.L. Fitzgerald. Estimation of Point Rainfall Frequencies. Technical Note 61. Irish Meteorological Service, pp. 42, Revista Facultad de Ingeniería, UPTC, Julio - Diciembre de 2013, Vol 22, No
ANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO
Facultad de Ingeniería Escuela de Civil Hidrología ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO Prof. Ada Moreno ANÁLISIS DE FRECUENCIA Es un procedimiento para
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
METODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL
Universidad Nacional Agraria La Molina IA-406 Hidrología Aplicada CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL 1. Longitud necesaria de registro Diversos
= f ( intensidad de lluvia, área de aportación)
Redes de saneamiento (III): Estadística hidrológica 1 Cuánta agua entra a través de este imbornal en la alcantarilla? = f ( intensidad de lluvia, área de aportación) 2 Mapas de isoyetas Mapa de isoyetas
Distribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
ANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
SELECCION DE FUNCIONES DE DISTRIBUCION PARA EL ANÁLISIS DE FRECUENCIA DE CAUDALES MÁXIMOS
SELECCION DE FUNCIONES DE DISTRIBUCION PARA EL ANÁLISIS DE FRECUENCIA DE CAUDALES MÁXIMOS Dr Edilberto Guevara Pérez Universidad de Carabobo, Facultad de Ingeniería RESUMEN En el trabajo se presenta un
(Recibido: 25 de Junio de 2014; Aprobado: 04 de Julio de 2014)
REGIONALIZACIÓN DE PARÁMETROS HIDROLÓGICOS. APLICACIÓN PARA INTENSIDAD MEDIA DE PRECIPITACIÓN. Acosta Castellanos. Pedro Mauricio. pedro.acosta@usantoto.edu.co. Universidad Santo Tomás Seccional Tunja,
Fuerte Subestimación de los Valores IDF para Concepción ( y Chile?) con Métodos Tradicionales
Fuerte Subestimación de los Valores IDF para Concepción ( y Chile?) con Métodos Tradicionales Claudio Meier V. Ximena Soto C. Depto. de Ingeniería Civil Universidad de Concepción Ejemplo: La lluvia sobre
Figura Área de Influencia de las estaciones complementarias a la estación Centro
INFORME FINAL Instituto de Ingeniería Coordinación de Hidráulica Figura 3.5.1 Área de Influencia de las estaciones complementarias a la estación Centro Tabla 3.5.2 Estaciones dentro del área de influencia
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
CM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Teoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Carrera: Clave de la asignatura: INB Participantes Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística I Ingeniería Industrial INB - 0403 4 0 8 2.- HISTORIA DEL PROGRAMA
Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
ACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Actualización y análisis de las curvas IDF en el Area Metropolitana del Gran Resistencia [AMGR]
Actualización y análisis de las curvas IDF en el Area Metropolitana del Gran Resistencia [AMGR] Ruberto, Alejandro R. 1 - Kutnich, Edgardo J. 2 Depettris, Carlos A. 1 - Pilar, Jorge V. 1 - Gabazza, Sonia
ANÁLISIS DE CAUDALES (II) Profesor Luis Fernando Carvajal
ANÁLISIS DE CAUDALES (II) Profesor Luis Fernando Carvajal Relaciones nivel-caudal 1. El objetivo de aforar una corriente, durante varias épocas del año en una sección determinada, es determinar lo que
Facultad de Ciencias e Ingeniería. Escuela Académico Profesional de Comunicación SÍLABO
Facultad de Ciencias e Ingeniería Escuela Académico Profesional de Comunicación SÍLABO ASIGNATURA: ESTADÍSTICA APLICADA A LAS COMUNICIONES I. DATOS GENERALES: 1.1. Código de Asignatura : 21252 1.2. Escuela
ANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
INFERENCIA ESTADÍSTICA Notas de clase. Profesores: A. Leonardo Bañuelos S. Nayelli Manzanarez Gómez
INFERENCIA ESTADÍSTICA Notas de clase Profesores: A. Leonardo Bañuelos S. Naelli Manzanarez Gómez TEMA II ESTIMACIÓN PUNTUAL DE PARÁMETROS POBLACIONALES La estimación puntual de un parámetro relativo a
INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Carrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Pruebas de bondad de ajuste para distribuciones con parámetro de forma
Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Carrera: Clave de la asignatura: INB Participantes Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística I Ingeniería Industrial INB-0403 4-0-8.- HISTORIA DEL PROGRAMA Lugar
Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I HIDROLOGÍA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I HIDROLOGÍA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAF23001740 HORAS TEORÍA : 3 SEMESTRE : SEXTO HORAS PRÁCTICA : 1 REQUISITOS : PROBABILIDAD
4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Teoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto
Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre 2011-1 Profesor: Jaime Soto PRUEBA DE HIPÓTESIS Ejemplo El jefe de la Biblioteca de la URBE manifiesta
UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA
UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA Facultad de Ingeniería Mecánica y Eléctrica Escuela Académico Profesional de Ingeniería Mecánica y Eléctrica Departamento de Ciencias de Investigación de la
LABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
FUNCIÓN DE DENSIDAD DE PROBABILIDADES DE LA ALTURA DE LA PRECIPITACIÓN Y LA CORRELACION ENTRE LA INTENSIDAD Y LA DURACIÓN
FUNCIÓN DE DENSIDAD DE PROBABILIDADES DE LA ALTURA DE LA PRECIPITACIÓN Y LA CORRELACION ENTRE LA INTENSIDAD Y LA DURACIÓN Rafael S. Seoane(1), Mónica E. Gelmi(2) y Alejandra I. Vornetti(2) Resumen El objetivo
07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Determinación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Modelo Probabilístico de la Curva de Duración de Caudales para el Diseño de una Central Hidroeléctrica
Modelo Probabilístico de la Curva de Duración de Caudales para el Diseño de una Central Hidroeléctrica Edwin Ney Ayros Chumpitazi Departamento de Centrales Hidroeléctricas Fichtner GmbH, Stuttgart Alemania
Transformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
Programa Regular. Probabilidad y Estadística.
Programa Regular Probabilidad y Estadística. Modalidad de la asignatura: teórico-práctica. Carga horaria: 5hs. Objetivos: Con relación a los conocimientos a impartir en el desarrollo de la materia, es
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
ING. LUIS FERNANDO MARTÍNEZ
PRONÓSTICO HIDROLÓGICO DE CAUDALES DIARIOS EN EL RIO FONCE (SAN GIL) MEDIANTE CORRELACIONES DE PEARSON LLUVIA-ESCORRENTÍA EN ÉPOCAS DE AGUAS BAJAS PONENTE ING. LUIS FERNANDO MARTÍNEZ Proyecto de investigación
PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Conceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
INTENSIDAD- DURACIÓN- FRECUENCIA EN LA REGIÓN CENTRAL DE NICARAGUA
UNIVERSIDAD NACIONAL AGRARIA FACULTAD DE AGRONOMÍA DEPARTAMENTO DE INGENIERÍA AGRÍCOLA INTENSIDAD- DURACIÓN- FRECUENCIA EN LA REGIÓN CENTRAL DE NICARAGUA AUTOR: Br. Indira López Chávez Br. Sergio Ñamendy
Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)
Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO DEPARTAMENTO CIENCIAS BÁSICAS
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO DEPARTAMENTO CIENCIAS BÁSICAS PROGRAMA ANALÍTICO DE LA ASIGNATURA: PROBABILIDAD Y ESTADISTICA RES. 251/96 F.R.R. COORDINADOR: RAÚL DAVID KATZ
Tercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Introducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Distribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Hietograma en Santiago (10-11 Abril 1980)
Hietograma en Santiago (10-11 Abril 1980) hietograma de lluvia 4 3.5 3 Lluvia (mm) 2.5 2 1.5 1 0.5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Tiempo (hrs) Intensidades de Lluvia Intensidades se acostumbran
INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Teoría de cópulas y aplicaciones en simulación de riesgos financieros y en ingeniería civil. Beatriz Gallardo Estévez
Teoría de cópulas y aplicaciones en simulación de riesgos financieros y en ingeniería civil Beatriz Gallardo Estévez 1 Teoría de cópulas y aplicaciones en simulación de riesgos financieros y en ingeniería
CALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Auxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Intervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL ASIGNATURA: ESTADÍSTICA I CODIGO : 5B0067 I.- DATOS GENERALES SILABO
LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO. Introducción 1
LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO ÍNDICE CONCEPTO Página Introducción 1 I Generalidades... 3 I.1 Definiciones de Estadística... 4 I.2 Diferentes clases de Estadística... 8 II La Estadística
Estadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
La asignatura proporciona al alumno los conceptos básicos de estadística. Se organiza el temario en cinco unidades.
1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Clave de la asignatura: Muestreo y Regresión. Ingeniería Forestal. FOC-1027 SATCA: 2 2 4 2.- PRESENTACIÓN. Caracterización de la asignatura.
Tema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
PROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
ESTUDIO PLUVIOMÉTRICO
Santa Cruz de Tenerife 29 3 septiembre 9 JORNADAS SOBRE HIDROLOGÍA DE SUPERFICIE EN TENERIFE Segunda Jornada: GUIA METODOLOGÍCA CALCULO CAUDALES AVENIDA 3 ESTUDIO PLUVIOMÉTRICO D. Jesús López García Dr.
Análisis Estadístico de Alumnos Becados en la Universidad Autónoma de Nayarit en el Periodo
Revista EDUCATECONCIENCIA. Volumen 4, No. 4. ISSN: 2007-6347 Julio-Diciembre 2014 Tepic, Nayarit. México Pp.64-70 Análisis Estadístico de Alumnos Becados en la Universidad Autónoma de Nayarit en el Periodo
REPORTE DE ANÁLISIS DE TORMENTA. TORMENTA 25 de junio 2013 ILIANA PATRICIA MEDINA MARRUJO ALFONSO GUTIÉRREZ LÓPEZ
REPORTE DE ANÁLISIS DE TORMENTA TORMENTA 25 de junio 2013 ILIANA PATRICIA MEDINA MARRUJO ALFONSO GUTIÉRREZ LÓPEZ Dentro de las actividades de difusión de la ciencia que realiza el Centro de Investigaciones
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Conceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Elementos para la estimación de una tabla de mortalidad de inválidos
Elementos para la estimación de una tabla de mortalidad de inválidos La Superintendencia Financiera de Colombia (SFC) ha presentado para comentarios el proyecto de actualización de la tabla de mortalidad
Introducción a pruebas de hipótesis
Introducción a pruebas de hipótesis ESTA 3042 (ESTA 3042) Tests of Significance 1 / 18 Testing de Hipótesis Hemos visto como estimar un parámetro de una población. (ESTA 3042) Tests of Significance 2 /
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
T2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
ARTÍCULO ORIGINAL. ARS Pharmaceutica. Collazo MV 1, Muñiz MM 2, Alonso1 C 1, Frutos G 2
ARS Pharmaceutica ISSN: 0004-2927 http://farmacia.ugr.es/ars/ ARTÍCULO ORIGINAL El análisis estadístico en la Farmacopea Europea: diseño completamente aleatorizado en un bioensayo de factor VIII. Statistical
TESIS DE MAESTRIA EN ESTADISTICA APLICADA
TESIS DE MAESTRIA EN ESTADISTICA APLICADA INDICADORES MULTIDIMENSIONALES DE CAPACIDAD DE PROCESOS REGIONES DE CONFIANZA MEDIANTE BOOTSTRAP 1 Noemí María Ferreri Facultad de Ciencias Exactas, Ingeniería
PROBABILIDAD Asignatura Clave Semestre Créditos. COORDINACIÓN DE CIENCIAS APLICADAS División Departamento Licenciatura
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO CIENCIAS BÁSICAS PROBABILIDAD Asignatura Clave Semestre Créditos COORDINACIÓN DE CIENCIAS APLICADAS División Departamento
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera. Asignatura: Método Cuantitativo Empresarial
UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera Asignatura: Método Cuantitativo Empresarial CLAVE: PDF-421 Prerrequisitos: Licenciatura No. de Créditos: 03 I. PRESENTACION El método
INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS. SU EFICIENCIA BAJO DISTRIBUCIONES NORMALES.
Dianda, Daniela Hernández, Lucia Quaglino, Marta Pagura, José Alberto Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS.
PROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE
PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Estadística CÓDIGO : IIM313A DURACIÓN : UN SEMESTRE ACADÉMICO PRE - REQUISITO : PROBABILIDADES CO REQUISITO : NO TIENE UBICACIÓN : TERCER AÑO,
CI41C HIDROLOGÍA Agenda
CI41C HIDROLOGÍA Agenda 1. Objetivos de la Hidrología 2. Ciclo Hidrológico 3. Balance hídrico Objetivos de la Hidrología Participar en la solución de estos problemas Consejo Federal para la Ciencia y la
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial