UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGENIERÍA Y CIENCIAS APLICADAS

INGENIERÍA CIVIL REDISEÑO

SEXTO SEMESTRE

HIDROLOGÍA

NOMBRE: Alison Quizhpe

PARALELO: ICR S6 P2

FECHA DE ENTREGA: 16/05/2023

RESUMEN

CAPITULO 1

Conceptos básicos

1.1. Espacio Muestral

Es el conjunto de todos los posibles resultados de un experimento se define con precisión un

listado de los resultados posibles de ocurrir. Esta lista constituye el espacio muestral, y se
designa como S.

Ejemplo:

Experimento (S): Lanzar una moneda

Número de resultados posibles (NS): corona, escudo

1.2. Eventos

Los resultados posibles que se pueden presentar en la realización de un experimento. Es un

subconjunto del espacio muestral.

Ejemplo:

Experimento: Lanzar Moneda

Posible Resultado (A): escudo

Número posible de resultado (NA):

1.3. Definición clásica de probabilidad

La probabilidad P(A), de un evento A, en un experimento aleatorio que tiene N5 resultados

igualmente posibles, y de los cuales N¿, son resultados favorables, está dada por:

NA
P(A)= … ( 1.1 )
NS

Ejemplo:

1
Al arrojar una moneda, la probabilidad de que salga escudo es: P=
2
1.4 Definición axiomática de probabilidad

Sea S un espacio muestral asociado a un experimento, y A cualquier suceso de S (A

subconjunto de S). Se dice que P es una función de probabilidad en el espacio muestral S, si se
satisfacen los siguientes tres axiomas:

1. 0 ≤ P(A) ≤ 1, para todo A ∈ S

2. P(S) = 1
3. Si A1 , A 2,..., A A N es una serie de sucesos, independientes mutuamente excluyentes,
entonces: P( A1U A2U A3 U.…U A N ) = P( A1) + P( A2 ) +... + P( A N )

Ejemplo:

Supóngase que el río Turrialba alcanza cada invierno un nivel de creciente con una frecuencia
relativa de 0.2. En el río Turrialba, cuando atraviesa la ciudad del mismo nombre, hay un
puente cuya probabilidad de falla en los estribos es 0.3 y la experiencia muestra que cuando
hay creciente, las probabilidades de esta falla suben a 0.5. Con estos datos se desea conocer la
probabilidad de falla en el puente.

Solución:

De acuerdo con los datos del problema, se tiene:

Probabilidad ocurrencia de la creciente: P(C) = 0.2

Probabilidad no ocurrencia de la creciente: P(C C) = 1-0.2 = 0.8

Probabilidad falla: P(F) = 0.3

Probabilidad no falla: P( F C)= 1 - 0.3 = 0.7

Probabilidad falla dada la creciente: P(F/C) =O.5

El puente falla (queda inutilizado), cuando falla en los estribos cuando hay creciente; esto se
representa de acuerdo con Ia (1.2), de la siguiente forma:

P(C U F)= P(C )+ P(F) - P(C ) ∩ F) ... (1.5)

De otro lado, de la ecuación (1.4) de la probabilidad condicional, tiene:

P (C ∩ F )
P(F/C) = → P ( C ∩F ) =P ( C ) X P ¿
P(C )
Luego:

P(C ∩ F) =O.2 x 0.5 = 0.1

Sustituyendo valores en la ecuación (1.5), resulta:

P(C U F)=0.2 + 0.3 - 0.1

P(C U F)=0.4

∴La probabilidad de falla en el puente es del 40 %

1.5 Período de retorno (T)
Se define el periodo de retorno T, como el intervalo promedio de tiempo en años, dentro del
cual un evento de magnitud x puede ser igualado o excedido, por lo menos una vez en
promedio. Así, si un evento igual o mayor a -r, ocurre una vez en I años, su probabilidad de
ocurrencia P, es igual a I en T Casos, es decir:

1
P ( X ≥ x )= … ( 1,6 )
T
Ó

1
T= … ( 1,7 )
P( X≥ x)
Ejemplo:

Determinar el riesgo o años, si se diseña para falla de una obra que tiene una vida útil de 15 un
período de retorno de 10 años.

Solución: De los datos del ejemplo, se tiene: T =10 y n=15

Sustituyendo valores en la ecuación (1.10), se tiene:

( )
15
1
R=1− 1−
10
R=0.7941=79.41 %
1.6 Concepto de Riesgo (R)

Si un evento de diseño, por ejemplo, un caudal de diseño Q, tiene un período de retorno de T

años, y una probabilidad de excedencia P, de acuerdo con el apartado anterior, se cumple:

donde:

P = probabilidad de ocurrencia de un caudal > Q

T = período de retorno

Ejemplo:

Para el diseño de una estructura hidráulica, con vida útil de 25 años, se acepta sólo el IO % de
riesgo. ¿Qué período de retorno se debe escoger para el diseño de la estructura?

Solución:

De los datos del ejemplo, se tiene:

T= 10% = 0.1 y n= 25 años

Sustituyendo valores en la ecuación (1.11), se tiene:

1
T=
1−¿ ¿
∴T=238años
1.7 Cálculo de la probabilidad empírica o experimental
Dado un conjunto de datos ordenados:

x1 , x2 , x3 … , x N

Existen varias fórmulas para calcular la probabilidad de ocurrencia "de los datos ordenados, los
cuales se muestran en la tabla 1.4.

Ejemplo:

Sea el experimento: lanzamientos independientes de una moneda de l0 y una de 20 colones.

En este caso el espacio muestral S, consta de los cuatro puntos (resultados):

(e, e), (e, e), (e, e), (e, e)

donde:

e = escudo,

C = corona

la primera letra, se refiere a la moneda de 10 colones y la segunda a la de 20 colones.

Si se define como variable aleatoria:

X = número total de escudos que se obtiene al efectuar el experimento entonces, la variable

aleatoria X, puede ser:

X= 0, 1,2

donde:

X = 0, si el resultado son 0 escudos

X= 1, si el resultado es I escudo

X = 2, si el resultado son 2 escudos

luego, considerando que las monedas no son falsas, si:

X = 0; le corresponde una probabilidad de:

P(X=O) =ll4=0.25

X = 1, le corresponde una probabilidad de:

P(X=l) =214= ll2=0.5

X =2, le corresponde una probabilidad de:

P(X=2) = ll4 =0.25

En forma general, X puede tomar un valor cualquiera del siguiente modo:

X =a → P ( X =a )
a< X <b → P ( a< X <b )
X ≤ c → P ( X ≤c )
 X > d → P ( X >d )
1.8 Variables aleatorias

Una variable aleatoria una función x, definida sobre un espacio muestral ,s, que asigna un valor
a esta variable, correspondiente a cada punto (o cada resultado) del espacio muestral de un
experimento

Ejemplo:

Sea X la variable aleatoria que representa la suma de los puntos que se obtiene al lanzar dos
dados, esta tiene como función di densidad de probabilidad:

{
x −1
para x =2,3,4,5,6,7
36
f ( x )= 13−x
para x=8,9,10,11,12
36
0 en otros casos

Y para los diferentes valores de x. se tiene:

X 2 3 4 5 6 7 8 9 10 11 12
F(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
su representación gráfica se muestra en la figura 1.3.

Figura 1.3 Función de probabilidad de una variable aleatoria discreta,

1.9 Distribuciones

El comportamiento de una variable aleatoria se describe mediante su ley de probabilidades,

que a su vez se puede caracterizar de varias maneras. La más común es mediante [a
distribución de probabilidades de la variable aleatoria.

Ejemplo:

Sea X una variable aleatoria continua que tiene la función de densidad de probabilidad:

{ 0.75 ( 1− X ) , para−1≤ x ≤ 1
2
f ( x )=
0 , para cualquier otro valor de x

Se pide:

1. Elaborar el gráfico de la función de densidad de probabilidad

2. Calcular P(-0.5 ≤ x ≤ 0.5)

Solución:

1. Para elaborar el gráfico, se evalúa f(x), para valores de x, que estén en el intervalo
definido por [-1,1], así se tiene:

X -1 -0.8 -0.5 -0.2 0 0.2 0.5 0.8 1

F(x) 0 0.27 0.5625 0.72 0.75 0.73 0.5625 0.27 0
su representación gráfica se muestra en la figura 1.4.

Figura 1.4 Función de densidad de probabilidad de una variable aleatoria continua

(∫ )
0.5
2. p (−0.5 ≤ x ≤ 0.5 )= 0.75 ( 1−X 2 ) dx
−0.5

¿ 0.75 ¿

( )
0.5
−x 3 0.5
¿ 0.75 x ∫ ∫−0.5
−0.5 3

¿ 0.75 ¿

[
¿ 0.75 1− ( 0.125
3
+
3 )]
0.125

¿ 0.75 1−
[ 0.25
3 ]
0.75
¿ [ 3−0.25 ]
3
¿ 0.25 x 2.75
∴ P (−0.5 ≤ x ≤ 0.5 )=0.6875
1.10 Valor esperado

Si X es una variable aleatoria (discreta o continua), con función de densidad de probabilidad

f(x), y si g(x) es otra función de X, entonces el valor esperado de g(x) se define de la siguiente
forma:

E ( g ( X ) ) =∑ g ( x ) f ( x ) para X discreta … ( 1.22 )

 ∞
E ( g ( X ) ) =∫ g ( x ) f ( x ) para X continua … ( 1.23 )
−∞

Se requiere que g(x) esté definida para todo x real, para el cual flx) sea diferente de cero.

Ejemplo:

Sea X una variable aleatoria discreta con función de probabilidades:

1 3 3 1
f ( 0 )= , f ( 1 ) = , f ( 2 )= , f ( 3 )=
8 8 8 8
1. Calcular P(X ≤ 2)

2. Dibujar la función de distribución acumulada

Solución:
2
P ( X ≤2 ) =F ( 2 )=∑ f ( x )=¿ f ( 0 )+ f ( 1 ) +f ( 2 ) ¿
x=0

1 3 3
P ( X ≤2 ) = + +
8 8 8
7
P ( X ≤2 ) =
8
2. Siguiendo el mismo proceso del punto (1), se puede determinar F(x) para los diferentes
intervalos de x, así se tiene:

X X<0 0≤x≤1 0≤x≤2 0 ≤x ≤3 X≥3

F(x) 0 1/8 4/8 7/8 1
Su gráfico se muestra en Ia figura 1.5.

Figura 1.5 Función acumulada de una variable discreta.

1.11 Momentos de una distribución

Momento respecto al origen

Si g(X) = X K , sonde k= 1,2,3, … , se define el momento k-ésimo, μ’k, respecto al origen como:

μ’k = E( x K ¿=∑ x k f ( x ) para X discreta …(1.27)

∞
μ’k = E( x K ¿=∫ x k f ( x ) dx para X continua …(1.2 8)
−∞

Si K= 1, se tiene el momento de 1er orden respecto al origen, así:

Variable discreta: Variable continua:

∞
μ’1= ∑ x f ( x ) ó μ’1= ∫ x f ( x ) dx =μ
−∞

μ’1= E(x) = μ
∴El primer momento respecto al origen es la media μ
Si K=2, se tiene el momento de 2° orden respecto al origen, así:
∞

μ 2=∑ x f ( x ) μ 2=¿ ∫ x f ( x ) dx
' 2 ' 2
ó
−∞

Si K=3, se tiene el momento de 3r orden respecto al origen, así:

∞

μ 3=∑ x f ( x ) μ 3=¿ ∫ x f ( x ) dx
' 3 ' 3
ó
−∞

Ejemplo:

Sea X una variable aleatoria continua, que tiene la función de densidad de probabilidad:

Calcular:

1. La función acumulada

2. P(X < 2)

3. P(0.2 < X < 2.5)

4. P(X > 1)

5. Dibujar la función de distribución acumulada

Solución:

l. Por definición:
 x3
5. Para elaborar el gráfico de F(x)= , sedan valores a x en el intervalo[ 0,3 ] , así se tiene:
27
X 0 0.5 1 1.5 2 2.5 3
F(x) 0 0.00463 0.03704 0.12500 0.29630 0.57870 1
La representación gráfica de la función acumulada, se muestra en la figura 1.8
Figura 1.8 Función acumulada de variable continua

1.12 Transformación lineal de las variables

Con mucha frecuencia, a fin de realizar simplificaciones con la función densidad, se requiere la
transformación de la variable .aleatoria X a una nueva variable aleatoria:

X∗¿ a 1 X +a2 … ..(1.47)

Con a1 ≠ 0

Se dice entonces que X* se ha obtenido a partir de X, mediante la 'transformación lineal (1.47).

Ejemplo:

Dado una variable aleatoria discreta X y n un número positivo, donde:

{
f ( x )= C 2∗, para x=1,2 , … .. , n
0 , en otros casos
Encontrar el valor de C tal que f(x) sea una función de probabilidad.

Solución

Por definición, para una variable aleatoria discreta , para que f(x), sea una función de densidad
de probabilidad, se cumple:

Entonces:

∑ f ( x )=1
X= 1
n

∑ C 2x=1
x=1

n
C ∑ 2 =1
x

x=1

C [ 2+2 +2 +…+2 ]=1

2 3 n

2 C [ 1+2+2 + 2 + …+2 ]=1 …(1.18)

2 3 n−1

Pero, de la propiedad de los cocientes notables, se tiene:

1−2n 1−2n n
1+2+22 +23 +…+2n−1= = =2 −1… (1.19)
1−2 −1
Luego sustituyendo (1.19) en (1.18), se tiene:

2 C ( 2 −1 ) =1
n
 1
∴ C= n
2(2 −1)
1.L3 Problemas propuestos

1. Una presa de gravedad puede fallar por:

 deslizamiento (A)
 creciente (B)
 por ambas

Asumir que:

 La probabilidad de falla por deslizamiento es dos veces la probabilidad de falla por

creciente: P(A) =2 P(B) .
 La probabilidad de falla por deslizamiento, dado que ha habido creciente, es 0.8:
P(A/B) =O.8.
 La probabilidad de falla de la presa es de 0.001: P(AUB) = 0.001Distribución de
frecuencias de una muestra

Ejemplo:

Sabiendo que la variable aleatoria z, tiene la siguiente función de densidad de probabilidad:

2
−z
1
f ( z )= e 2
(distribuición normal estándar )
√ 2π
Para −∞< z <∞ , comprobar que f(z) es una función de densidad de probabilidad.

Demostración:

Para que f(z) sea una función de densidad de probabilidad, se debe cumplir que:

Por ser f(z) = f(-z), se dice matemáticamente qe f(z), es una función par.
2.1 Representación tabular y gráfica de las muestras

En hidrología se trabaja con informaciones hidrometeorológicas; estas informaciones pueden

consistir en datos de precipitación, caudales, temperatura, evaporación, etc.

Ejemplo:

Dada Ia serie histórica de caudales medios anuales en m3/s (tabla 2.1), de la estación Salinar
del Río Chicama (Perú), para el período 1911-1980, calcule las frecuencias absolutas, relativa,
acumulada, función densidad, función acumulada.

Solución:

1. Ordenando los datos de la tabla 2.1, se obtiene latabla2.2.

2. Cálculo de R:
De (2.2), se tiene:

R=80.83 -3.14

R=77.69

Tabla 2.1. Serie histórica de caudales medios anuales m3/s del río Chicama, estación Salinar
(1911 – 1980)

3. Cálculo de NC:

De (2.3), resulta:

NC = 1.33 1n70 + I

NC = 6.65

Redondeando:

NC =7

Tabla 2.2 Serie de caudales en -3/s, del río Chicama, ordenado ascendentemente
4. Cálculo de ∆ x:

De (2.4) se obtiene:

77.69
∆ x= =12.9 5
7−1
Si se quisiera redondear a fin de que los límites y las marcas de clase resulten números más
simples, podría ser:

∆ x=13 ó ∆ x=1 2
Si se escoge ∆ x = 13 los límites de clase superior e inferior resultan un poco mayor y menor
respectivamente qu€ si se escoge ∆ x = 12.

Para el ejemplo se escoge ∆ x = 12, a fin de obtener valores parecidos, al que se obtiene con el
proceso computacional.

5. Cálculo de los límites de clase:

De (2.5), el límite de clase inferior del primer intervalo sería:

LCI1 = 3.14 – 12/2 = -2.86

Pero físicamente los caudales no pueden ser negativos, por lo que el menor valor es 0

∴ LCI 1=0
De (2,6), se tiene:

LCI 1=0+ 12=1 2

Los otros límites, se calculan sumando a¡ al límite de clase que Ie antecede; los resultados se
muestran en la columna 1 de la tabla 2.3.

6. Cálculo de las marcas de clase.

De (2.7),la marca de clase del primer intervalo es:

Las marcas de clase de lo§ otros ‘intervalos se obtienen sumando ∆ x a la precedente; los
resultados se muestran en la columna 2 de la tabla2.3

7. Cálculo de la frecuencia absoluta

A partir de los datos ordenados de la tabla 2.2, es fácil determinar el número de valores
comprendidos en cada intervalo, así en el primer intervalo entre 0-12, hay 9 valores y así
sucesivamente, los resultados se muestran en la columna 3 de la tabla2.3.

8. Cálculo de la frecuencia relativa

usando la ecuación (2.9), se obtienen los valores que se muestran en la columna 4 de la

tabla2.3.

9. Cálculo de la función densidad empírica y la función de distribución acumulada.

Usando las ecuaciones (2.11 ) y (2.12), se obtienen los valores que se muestran en las
columnas 5 y 6 de latabla2.3. Tabla 2.3.

Cálculo de la frecuencia relativa, absoluta, función densidad y acumulada del río Chicama,
proceso manual.

Número total de datos: 70

2.2 Procedimiento de cálculo

A continuación, se indica un procedimiento práctico, para el cálculo de las frecuencias y

frecuencias acumuladas, la misma que s€ usará más adelante para el cálculo de la distribución
de probabilidades empíricas de datos agrupados en intervalos de clase:

*COMPLETAR*

2.3 Representación gráfica Existen varias formas de representar las muestras en forma gráfica,
centro de las cuales se pueden mencionar: Histograma, Polígono de frecuencia, Función de
densidad de probabilidad empírica, Función de distribución acumulada o empírica.

[Link] propuestos
3
m
Uno dada la serie histórica de caudales medios anuales en del río santa, que se muestran
s
en la tabla 2.4.

Tabla 2.4, serie histórica de caudales medios anuales del río santa.
 239.07 101.76 100.18 107.43 183.11 154.80
197.58 153.64 169.18 124.31 107.62 108.75
144.22 134.10 156.80 119.52 15.21 116.69
169.64 158.48 164.35 163.88 105.81 110.77
212.48 123.22 177.00 193.78 162.29 133.97
184.98 146.08 128.15 101.66 123.00 127.82
98.13 106.40 145.79 207.78 217.52 108.18
182.53 183.49 95.05 132.49 114.31
266.54 256.62

Realizar gráfico de:

 Histograma. De distribución de frecuencias relativas

 Polígono de frecuencias
 Función densidad empírica
 Función acumulada
3
m
2. Dada la serie histórica de caudales medios anuales en de la estación. 76 -20-01 del río.
s
Corobicí, que se muestre en la tabla 2.5, realizar el gráfico de:

 Histograma de distribución de frecuencias relativas

 Polígono de frecuencias
 Función densidad empírica
 Función acumulada.

Tabla 2.5 caudales medios anuales del río Corobicí.

3 3
Año hidrológico m Año hidrológico m
Caudal ( ¿ Caudal ( ¿
s s
54-55 13.35 70-71 15.06
55-56 21.90 71-72 10.20
56-57 11.13 72-73 4.85
57-58 5.22 73-74 11.77
58-59 4.40 74-75 8.41
59-60 6.70 75-76 8.57
60-61 8.55 76-77 6.10
61-62 8.12 77-78 5.33
62-63 7.86 78-79 6.68
63-64 5.35 79-80 45.92
64-65 7.51 80-81 56.92
65-66 5.82 81-82 52.64
66-67 10..05 82-83 42.56
67-68 9.66 83-84 44.19
68-69 7.61 84-85 41.94
69-70 10.54 85-86 44.73

Medidas de las distribuciones.

3.1 medidas de Descriptivas de las distribuciones de frecuencias.

Para describir ciertas características de un conjunto de datos, coma se pueden usar números
simples, llamados estadísticos. Punto de ello, se puede obtener un conocimiento más preciso
de los datos coma que el que se obtiene a partir de las tablas y gráficos.

Las características más importantes de este conjunto de datos son

Medida de tendencia central o medidas de localización

Medidas de dispersión.

Medidas de simetría y asimetría.

Medidas de achatamiento o curtosis

Ejemplo:

Para el conjunto de datos ordenados: 2, 5,8,14,21,1a mediana es:

Med=8

3.2, medidas de tendencia central.

Se define una medida de tendencia central, como un índice de localización central, empleado
en la descripción de la distribución de frecuencia.

En términos generales, se tiene 3 medidas: la media, la mediana y la moda.

Ejemplo:

Para el conjunto de datos ordenados: 2, 5,8, 14,21,32, la mediana es:

8+14
Med = =11
2
3.3. Medidas de dispersión.

Las medidas de dispersión o variabilidad permiten observar cómo se reparten o dispersan los
datos a uno y otro lado del centro. Hoy sí, la dispersión es poca, indica gran uniformidad de los
datos en la distribución. Por el contrario, Gran dispersión indica poca uniformidad.

Ejemplo:

Para el conjunto de datos: 2,3, 4, 4, 4,8,9, la moda es:

Mo=

Para datos agrupados en intervalos de clase, la moda, una vez determinada la clase modal, se
calcula con la siguiente ecuación:

d1
Mo=Lm+ w … (3,9)
d 1+d 2
donde:

Mo = moda

Lm= límite inferior de la clase modal

d1 = diferencia entre la frecuencia de la clase modal y la premodal (clase anterior)

d2= diferencia entre la frecuencia de la clase modal y la postmodal (clase siguiente)

w = amplitud del intervalo de clase

En general la clase modal es aquella que tiene la máxima frecuencia.

3.4. Medida de simetría y asimetría.

Sesgo

El sesgo es el estadístico que mide la simetría y asimetría.

3.5. Medida de achatamiento.

El grado de achatamiento se mide con el estadístico denominado coeficiente de curtosis.

3.6 momentos lineales (L -moments)

Introducción Los momentos lineales (L - moments), constituyen una metodología moderna que
permite estimar los parámetros estadísticos de una población o de una muestra. Son similares
a los momentos ordinarios pues proporcionan las medidas de localización, dispersión,
asimetría, curtosis, pero se calculan de las combinaciones lineales de los datos (de aquí el
nombre de momento lineal). Los parámetros estadísticos estimados con esta metodología son
menos sensibles a los valores extremos, por lo que permite determinar la distribución teórica
de probabilidad que mejor ajusta a los datos analizados.

3.7 Problemas propuestos

1. Dado los caudales medios del mes de Mayo, de un río en m3/s:

Calcular la media, varianza, coeficiente de variación, coeficiente de asimetría o sesgo y

coeficiente de curtosis, usando tanto los momentos tradicionales, como los momentos
lineales.

2. Si los datos del problema L, se agrupan en los siguientes intervalos de clase:

Calcular la media, varianza, coeficiente de variación, coeficiente de asimetría o sesgo y

coeficiente de curtosis.

3. Se tiene una cuenca en la que se han instalado 8 pluviómetros. Las precipitaciones

promedias anuales registradas, en mm, para el período l97O - 1991, y las áreas de influencia,
en Ia siguiente tabla:

Determinar la precipitación promedio.

4. En la tabla 3.7, se muestran los caudales picos, en m3/s, en cada año, del periodo 1915-
2000, de una estación.

Calcular:
  La media de los caudales picos
 La desviación estándar
 El coeficiente de variación
 Tabla 3.7 Caudales picos para el periodo 1975-2000

5. Una estación tiene un registro de caudales medios anuales de 20 años, en m3/s, los mismos
que se muestran en la tabla 3.8

Calcular su Cr y Cs

Tabla 3.8 Registro de caudales, en m3/s

Estimación de parámetros

4.L Definición de parámetros

Los parámetros de una distribución teórica son variables que para cada conjunto de datos
tienen un valor definido. Una vez que los parámetros quedan definidos, también queda
definida la distribución teórica.

4.2 Definición de estimadores

Dada una función de distribución con parámetros a, P , T , …. se llaman estimadores a los

valores a, b, c, …, obtenidos a partir de los estadísticos de la muestra, que se supone pertenece
a la población que se pretende caracterizar.

4.3 Métodos de estimación de parámetros

Para determinar los valores numéricos de los parámetros de la distribución teórica, a partir de
los datos muestrales, se utilizan varios métodos de estimación, siendo en orden ascendente de
menor a mayor eficiencia, los siguientes:

 Gráfico
 Mínimos Cuadrados
 Momentos
 Máxima Verosimilitud

4.4 Problemas propuestos 1. Dada la función de densidad de probabilidad de la distribución

uniforme: 1 f(x) = para o(

3. Dada la función de densidad de probabilidad de la distribución de Poisson:

Calcular el parámetro, usando el método de máxima verosimilitud.

4. Dada la función de densidad de probabilidad de la distribución exponencial de dos

parámetros:

-1.(x - e) f(x)=)"e para x)E, ¡,>0 Estimar sus parámetros l, y g utilizando el método de
momentos.
5. Dada la función de densidad de probabilidad de la distribución exponencial de dos
parámetros:

-i.(x - e) f(x)=)"e para x)8, I>0 Estimar sus parámetros l, y e, utilizando el método de máxima
verosimilitud.

6. Dada la función de densidad de probabilidad de la distribución log-normal de dos

parámetros:

Calcular los parámetros pty, or, utilizando el método de máxima verosimilitud

7. Dada la función de densidad de probabilidad de la distribución gamma de parámetros y y B:

f(x)- x *Y -1, P PY r<"" 0<Y<"" 0 < 0<""

Calcular los parámetros utilizando el método de momentos.