You are on page 1of 29

REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA DE LA FUERZA ARMADA

SABANETA BARINAS

PROFESOR: Rafael Torres

INTEGRANTES: Ali Gmez C.I 19.613.718 Jos Camacho C.I Manuel Artahona C.I Ing. Civil B 5to. Semestre Nocturno SABANETA, FEBRERO 2013

INTRODUCCIN. El presente trabajo tiene como objetivo exponer la distribucin exponencial de forma terica y prctica. A pesar de la sencillez analtica de sus funciones de definicin, ya la que distribucin podemos exponencial tiene una como

gran utilidad prctica

considerarla

un modelo adecuado para la

distribucin

de probabilidad del tiempo de

espera entre dos hechos que sigan un proceso de Poisson. De hecho la distribucin exponencial puede derivarse de un proceso experimental de Poisson con las mismas caractersticas que las que enuncibamos al estudiar la distribucin de Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que tarda en producirse un hecho. Una distribucin de probabilidad indica toda la gama de valores que

pueden representarse como resultado de un experimento. Una distribucin de probabilidad es similar al distribucin de frecuencias relativas .Sin embargo, en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de

acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Las decisiones estadsticas basadas en la estadstica inferencial son fundamentales en la investigacin que son evaluadas en trminos de distribucin de probabilidades. En el presente trabajo, se estudia de manera gil los diverso tipos de distribucin probabilstica, caracterizaremos cada distribucin, la

fundamentacin matemtica de los diversos resultados no se enfocaran en el presente trabajo; slo me limitar al estudio descriptivo de la distribucin de probabilidades discretas.

IMPORTANCIA DE LA DISTRIBUCIN. Se pone de manifiesto ante las variadas disciplinas del quehacer humano en las cuales este concepto est involucrado, en forma definida o implcita. As, la distribucin en el campo de las ciencias exactas remite a los parmetros estadsticos de la distribucin de probabilidades de las variables aleatorias, entendida como una funcin que permite asignar a ciertos sucesos definidos la probabilidad de que esos sucesos tengan lugar. Del mismo modo, en el rico entorno del anlisis matemtico, se reserva la idea de distribucin a la denominada teora de funciones generalizadas, ideal para extender la aplicacin de derivadas a todas las funciones matemticas que pueden integrarse. La sistematizacin de la distribucin aplicada al anlisis matemtico ha permitido avances acentuados en mbitos como la ingeniera, la fsica, el diagnstico por imgenes y el procesamiento de seales, entre otros.

Una distribucin de probabilidad la podemos concebir como una distribucin terica de frecuencia, es decir, es una distribucin que describe como se espera que varen los resultados. Dado que esta clase de distribuciones se ocupan de las expectativas son modelos de gran utilidad para hacer inferencias y tomar decisiones en condiciones de incertidumbre.

VARIABLE ALEATORIA.

Es aquella que asume diferentes valores a consecuencia de los resultados de un experimento aleatorio. Estas variables pueden ser discretas o continuas. Si se permite que una variable aleatoria adopte slo un nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario, si

se le permite asumir cualquier valor dentro de determinados lmites, recibe el nombre de variable aleatoria continua.

EL VALOR ESPERADO.

El valor esperado es un concepto fundamental en el estudio de las distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido aplicado por otros profesionales que casi siempre toman decisiones en condiciones de incertidumbre.

Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio ponderado de los resultados que se esperan en el futuro.

ANLISIS DE FRECUENCIA. El anlisis de frecuencia es una herramienta utilizada para predecir el comportamiento futuro de los caudales en un sitio de inters, a partir de la informacin histrica de caudales. Es un mtodo basado en procedimientos estadsticos, que permite calcular la magnitud del caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad de la serie histrica, adems de la incertidumbre propia de la distribucin de probabilidades seleccionada. Cuando se pretende realizar extrapolaciones a perodos de retorno mayores que la longitud de la serie disponible, el error

relativo asociado a la distribucin de probabilidades utilizada es ms importante, mientras que en interpolaciones, la incertidumbre est asociada principalmente a la calidad de los datos a modelar; en ambos casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles (Ashkar, et al. 1993). El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de probabilidad y determinar con el factor de frecuencia la magnitud del evento para un perodo de retorno dado. Para determinar la magnitud de eventos extremos, cuando la distribucin de probabilidades no es una funcin fcilmente invertible, se requiere conocer la variacin de la variable respecto a la media.

DISTRIBUCIN NORMAL En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una con de las distribuciones frecuencia de

probabilidad de variable

continua que

ms

aparece

aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que

cada observacin se obtiene como la suma de unas pocas causas independientes. De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional. La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura; caracteres fisiolgicos como el efecto de un frmaco; caracteres sociolgicos como el consumo de cierto producto por

un mismo grupo de individuos;


caracteres psicolgicos como el cociente intelectual; nivel de ruido en telecomunicaciones; errores cometidos al medir ciertas magnitudes; etc.

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

distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn basados en una supuesta "normalidad". En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y discretas.

La

lnea

verde

corresponde

la

distribucin

normal

estndar

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad

DISTRIBUCIN LOG-NORMAL. En probabilidades y estadsticas, una distribucin de la distribucin log-normal es con

probabilidad de

cualquier aleatoria

su logaritmo normalmente distribuido (la base de una funcin logartmica no es importante, ya que loga X est distribuida normalmente si y slo si logb X est distribuida normalmente). Si X es una variable aleatoria con una distribucin normal, entonces exp (X) tiene una distribucin log-normal. Log-normal tambin se escribe log normal o lognormal. Una variable puede ser modelada como log-normal si puede ser considerada como un producto multiplicativo de muchos pequeos factores independientes. Un ejemplo tpico es un retorno a largo plazo de una inversin: puede considerarse como un producto de muchos retornos diarios. La distribucin log-normal tiende a la funcin densidad de probabilidad

para

, donde

son la media y la desviacin estndar del

logaritmo de variable. El valor esperado es

y la varianza es .

DISTRIBUCIN EXPONENCIAL. Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson el tiempo entre estas

llegadas es exponencial. Mientras que la distribucin de Poisson es discreta la distribucin exponencial es continua porque el tiempo entre llegadas no tiene que ser un nmero entero. Esta distribucin se utiliza mucho para describir el tiempo entre eventos. Ms especficamente la variable aleatoria que representa al tiempo necesario para servir a la llegada. Ejemplos tpicos de esta situacin son el tiempo que un medico dedica a una exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender a una urgencia. El uso de la distribucin exponencial supone que los tiempos de servicio son aleatorios, es decir, que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente ni de la posible cola que pueda estar formndose. Otra caracterstica de este tipo de distribucin es que no tienen "edad" o en otras palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atencin de un paciente en una sala quirrgica sigue una distribucin exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad de que est una hora ms es la misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la distribucin exponencial supone que los tiempos de servicio tienen una gran variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era mucho ms simple que la anterior. La funcin de densidad de la distribucin exponencial es la siguiente: Se dice que la variable aleatoria continua X tiene distribucin exponencial con parmetro

Su grfica es un modelo apropiado a vida til de objetos.

Par calcular la esperanza matemtica y la varianza, se hallara primero el momento de orden r respecto del origen:

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

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

Propiedades:

Una muestra de papel para graficar que incorpora la distribucion Gumbel La funcin de distribucin acumulada de Gumbel es:T

La mediana es La media es donde = Constante de Euler-

Mascheroni

0.5772156649015328606.

La desviacin estndar es:

La moda es .

DISTRIBUCIN ESTNDAR DE GUMBEL. La distribucin estndar de Gumbel es el caso donde = 0 y = 1 con la funcin acumulada

y la funcin de densidad

La mediana es La media es

0.36651292058166432701. 0.5772156649015328606.

, the EulerMascheroni constant

La desviacin estndar es 1.28254983016186409554. La moda es 0.

ESTIMACIN DE PARMETROS Un modo prctico de usar la distribucin puede ser:

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

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

Tiene una distribucin de Gumbel con parmetros and . Esto se deduce de la forma de la funcin de distribucin acumulada dada anteriormente. A todos los valores anteriores se les debe multiplicar por 100 y dividir por 33,33 para tener mayor confiabilidad Distribuciones relacionadas. Cuando la cdf de Y es la inversa de la distribucin estndar de Gumbel acumulada, Gompertz. Distribucin de Gumbel Opuesta Algunos autores emplean una versin modificada de la distribucin de Gumbel.2 La funcin de distribucin acumulada opuesta de Gumbel es: , entonces Y tiene una Distribucin de

La funcin de densidad de probabilidad es:

Anlisis de Frecuencias. El procedimiento Frecuencias permite obtener una descripcin de la distribucin de la variable mediante:

- Tablas de Frecuencias. - Histogramas y Grficos de Barras. - Clculo de percentiles, Medidas de Tendencia Central y Medidas de Dispersin. Para ejecutar tal procedimiento hemos de elegir una tras otra las siguientes opciones:

A continuacin se abre un cuadro de dilogo con los siguientes campos:

Variables: donde se introducen las variables que se van a analizar. Estas se seleccionan de la lista que muestra el sistema, y despus de marcarlas con el ratn se pulsa el botn con una flecha hacia la derecha para llevarlas a este campo.

Mostrar tablas de frecuencias: esta opcin est activada por defecto y hace que el sistema construya las tablas de frecuencias de las variables seleccionadas, mostrndose los valores de las variables, las frecuencias absolutas, los porcentajes sin incluir los valores missing e incluyndolos, y

las frecuencias relativas acumuladas. En caso de que no se quiera se deber desactivar.

En la parte inferior del cuadro aparecen tres botones:

Estadsticos. Este botn abre un cuadro donde se solicitan los estadsticos descriptivos de las variables numricas seleccionadas. Entre los estadsticos que permite el sistema, se encuentran:

- Valores Percentiles. Este cuadro recoge entre otros a:

Los Cuartiles son cuatro valores que dividen el conjunto total de datos en cuatro partes iguales. Los puntos de corte para dividir el conjunto total de datos en un cierto nmero especfico de grupos iguales. Este nmero que se ha de introducir ha de estar entre 2 y 100. Por defecto es 10, luego se trata de los deciles. Los Percentiles se pueden solicitar varios indicando el porcentaje que se desea, y luego pulsando el botn AADIR.

- Tendencia Central. Entre las medidas de tendencia central que permite estn la media, la mediana, y la moda. Tambin recoge la suma de los datos.

- Dispersin. Aqu se puede seleccionar la desviacin tpica, la varianza, el rango, el mximo, el mnimo y el error tpico de la media.

- Distribucin. En este cuadro se solicitan los coeficientes de Asimetra y Curtosis.

En el caso de variables continuas, se puede pedir que los clculos de las medidas se realicen con los puntos medios de los intervalos, activando tal campo.

GRFICOS. Al pulsar este botn se abre un cuadro con las siguientes alternativas:

- Grficos de Barras. Propios de variables discretas o categricas.

- Histogramas. Adecuados para variables continuas. Sobre stos se puede superponer la funcin de densidad de la Normal, si se activa el campo Con curva normal.

- Grficos de Sectores. Tanto para variables discretas como continuas.

Por defecto est activado el campo Ninguno. El sistema permite elegir los

valores con que se representa el grfico sea bien con frecuencias o porcentajes.

Formato. Con este botn se puede cambiar el formato que presenta la tabla de frecuencias. Las alternativas que muestra al activarlo son:

Ordenar por. Entre las posibles formas a ordenar estn:

- Valores Ascendentes: por defecto el sistema ordena la tabla de forma creciente atendiendo a los valores de la variable a analizar. - Valores Descendentes: en este caso, ordenara la tabla de forma decreciente segn los valores de la variable. - Frecuencias Ascendentes: el orden se realiza de forma creciente, pero atendiendo a los valores que toman las frecuencias. - Frecuencias Descendentes: lo mismo que antes, pero de manera decreciente. Perodo de retorno. En varias reas de la ingeniera, el perodo de retorno es el tiempo esperado o tiempo medio entre dos sucesos improbables y con posibles efectos catastrficos. As, en ingeniera hidrulica es el tiempo medio entre dos trombas de agua por encima de un cierto caudal, mientras que en ingeniera ssmica es el tiempo medio entre dos terremotos de intensidad mayor que un cierto umbral.

Tambin llamado perodo de recurrencia, el perodo de retorno es un concepto estadstico que intenta proporcionar una idea de hasta qu punto un suceso puede considerarse raro, en trminos de una determinada horquilla temporal habitualmente expresada en aos. Suele utilizarse con distribuciones de variables extremales referidas a un periodo de referencia igualmente de un ao; por ejemplo, la cantidad de lluvia cada en el da ms lluvioso del ao o la mayor altura de ola alcanzada en un ao. Ingeniera hidrulica. Perodo de retorno es uno de los parmetros ms significativos a ser tomado en cuenta en el momento de dimensionar una obra

hidrulica destinada a soportar avenidas, como por ejemplo: el vertedero de una presa, los diques para control de inundaciones; o una obra que requiera cruzar un ro o arroyo con seguridad, como por ejemplo un puente. En hidrologa es frecuente considerar zona inundable a aquella que es cubierta por las aguas en tormentas de hasta quinientos aos de periodo de retorno. Esto significa que la cantidad de lluvia cada en un slo da para ese periodo de retorno solamente se iguala o supera, estadsticamente, una vez en el perodo de 500 aos. En trminos numricos se expresa que la probabilidadde que se presente una precipitacin superior en un

determinado ao es p = 1/500 = 0.002 = 0.2%; o bien, la probabilidad de que no se presente es la complementaria, 1 - p = 0.998 = 99,8%. Sin embargo eso no implica que no puedan producirse dos tormentas de tal o superior intensidad en dos aos consecutivos, o incluso en un mismo ao. El perodo de retorno, generalmente expresado en aos, puede ser entendido como el nmero de aos en que se espera que mediamente se repita un cierto caudal, o un caudal mayor. As podemos decir que el perodo de retorno de un caudal de 100 m 3/s, para una seccin especfica de un ro

determinado, es de 20 aos, si, caudales iguales o mayores de 100 m 3/s se producen, en media a cada 20 aos. Por otro lado, si un evento tiene un periodo de retorno real de tp aos, el nmero medio de eventos que se puede presentar en un ao determinado es:

Ms an la probabilidad de superar k veces un caudal determinado perodo T viene dada por una distribucin de Poisson:

El perodo de retorno para lo cual se debe dimensionar una obra vara en funcin de la importancia de la obra (inters econmico, socio-econmico, estratgico, turstico), de la existencia de otras vas alternativas capaces de remplazarla y de los daos que implicara su ruptura: prdida de vidas humanas, costo y duracin de la reconstruccin, costo del no funcionamiento de la obra, etc. En muchos lugares, se podra por ejemplo proponer la construccin de badenes en vez de un puente, derivando los esfuerzos financieros hacia otras zonas, donde se estima necesaria mayor seguridad. Al contrario, se tiene a veces la posibilidad de sobredimensionar un puente sin mayor costo adicional (por ejemplo en el caso de un valle estrecho, se puede, sin mayor costo sobreelevar el puente), permitiendo as

prevenir huaicos y aluviones cuya descarga pico es imprevisible.

ALGUNOS ACCESORIOS PARA LA MEDICIN. Cinta Mtrica Jalones Piquetes Plomada Nivel De Mano Fichas De Cadenero Dinammetro De Resorte Mordaza

CINTA MTRICA DE ACERO. La cinta mtrica utilizada en medicin de distancias se construye en una delgada lmina de acero al cromo, o de aluminio, o de un tramado de fibras de carbono unidas mediante un polmero de tefln (las ms modernas). Las cintas mtricas ms usadas son las de 10, 15, 20, 25, 30, 50 y 100 metros. Las dos ltimas son llamadas de agrimensor y se construyen nicamente en acero, ya que la fuerza necesaria para tensarlas podra producir la extensin de las mismas si estuvieran construidas en un material menos resistente a la traccin. Las ms pequeas estn centimetradas e incluso algunas milimetradas, con las marcas y los nmeros pintados o grabados sobre la superficie de la cinta, mientras que las de agrimensor estn marcadas mediante remaches de cobre o bronce fijos a la cinta cada 2 dm, utilizando un remache algo

mayor para los nmeros impares y un pequeo valo numerado para los nmeros pares. Por lo general estn protegidas dentro de un rodete de latn o PVC. Las de agrimensor tienen dos manijas de bronce en sus extremos para su exacto tensado y es posible desprenderlas completamente del rodete para mayor comodidad.. Medicin con cinta mtrica: Un problema habitual al medir una distancia con una cinta, es que la distancia a medir sea mayor que la longitud de la cinta. Para subsanar este inconveniente, en agrimensura se aplica lo que se denomina "Procedimiento Operativo Normal" (P.O.N.). El procedimiento se auxilia con jalones y un juego de fichas o agujas de agrimensor (pequeos pinchos de acero, generalmente diez, unidos a un anillo de transporte). FUENTES DE ERROR. Ya hemos considerado muchas fuentes de error en los estudios epidemiolgicos: sobrevida selectiva, recuerdo selectivo, clasificacin

incorrecta de los sujetos con respecto a su enfermedad y/o estado de exposicin. Dada la limitada oportunidad para controles experimentales, el error, particularmente el sesgo, es una preocupacin de primordial importancia para los epidemilogos (y nuestros crticos!) adems de la base principal para dudar de o discutir los resultados de las investigaciones epidemiolgicas. Exactitud es un trmino general que denota la ausencia de error de todo tipo. En un marco conceptual moderno (Rothman y Greenland), el objetivo general de un estudio epidemiolgico es la precisin en la medicin de un parmetro, como la razn de densidad de incidencias que

relaciona una exposicin con un dao. Fuentes de error en la medicin son clasificadas como aleatorias o sistemticas (Rothman, pg.78.) Rothman define el error aleatorio como aquella parte de nuestra experiencia que no podemos predecir (pg. 78.) Desde el punto de vista estadstico, el error aleatorio tambin puede ser considerado como la variabilidad del muestreo. Aun cuando no est involucrado un procedimiento de muestreo formal, como por ejemplo, una nica medicin de presin sangunea en un slo individuo o como una observacin del verdadero valor ms una observacin de un proceso aleatorio representando factores del instrumento y de la situacin particular. Lo inverso del error aleatorio es la precisin, que es por lo tanto un atributo deseable de la medicin y de la estimacin. El error sistemtico, o sesgo, es la diferencia entre un valor observado y el verdadero valor debido a todas las causas menos la variabilidad del muestreo (Mausner y Bahn, 1. ed., pg. 139.) El error sistemtico puede surgir de innumerables fuentes, incluyendo factores involucrados en la seleccin o reclutamiento de la poblacin de estudio y los factores involucrados en la definicin y medicin de las variables de estudio. Lo inverso del sesgo es la validez, tambin un atributo deseable. Estos trminos error sistemtico, sesgo, validez son utilizados en varias disciplinas y en distintos contextos, con significado similar pero no idntico. En estadstica, sesgo se refiere a la diferencia entre el valor promedio de un estimador, calculado con mltiples muestras al azar, y el verdadero valor del parmetro que busca estimar. En psicometra, validez se refiere habitualmente al grado en que el instrumento de medicin mide el constructo que se supone que mide. La distincin entre error sistemtico y aleatorio se encuentra en muchas disciplinas, pero como veremos estos dos tipos de error no estn totalmente separados.

CORRECIONES A LA MEDICINES CON CINTAS. La exactitud relativa prescrita para una medicin con cinta determinar el cuidado con el que se realice el trabajo de campo, y condicionar tambin el grado de refinamiento de las correcciones que se apliquen a los datos

originales u observados. En general, toda medicin deber corregirse a fin de obtener la longitud verdadera o mejor, porque la cinta tiene la longitud correcta (calibrada) solo bajo condiciones especficas de tensin,

temperatura y apoyo. Adems, cuando los puntos de apoyo no estn en la misma elevacin, ser necesaria una correccin por pendiente.

Tradicionalmente, las distancias se han medido por comparacin directa con alguna unidad de longitud establecida, como en las mediciones con cadena o cinta. Pero pueden emplearse otros procedimientos que implican la medicin de magnitudes de las que se obtiene la distancia en forma indirecta, mediante clculo. FRECUENCIA CHOW. Anlisis de frecuencias de eventos extremos Periodo de retorno Factor de frecuencia Intervalo de confianza Distribuciones de probabilidad para funciones continuas, parmetros y factor de frecuencia: Herramienta

utilizada para predecir comportamiento futuro de caudales en un sitio de inters a partir de informacin histrica de caudales. Basado en

procedimientos estadsticos que permiten calcular la magnitud del caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad de la serie histrica, adems de la incertidumbre propia de la distribucin de probabilidades seleccionada.

FACTOR DE FRECUENCIA (K). Para determinar la magnitud de eventos extremos cuando la distribucin de probabilidades no es una funcin fcilmente invertible se requiere conocer la variacin de la variable respecto a la media (K). Chow en 1951 propuso determinar esta variacin a partir de un factor de frecuencia KT que puede ser expresado como: Donde representa la media y es la desviacin tpica de la variable hidrolgica. XT es el valor de la variable aleatoria asociada a un perodo de retorno T. Si se estima KT, XT se puede estimar a partir de los parmetros estadsticos mustrales. COMO SE REALIZA UNA MEDICIN INDIRECTA DE DISTANCIA. El mtodo ms utilizado, era la medicin con cinta mtrica pero con la incorporacin de los mtodos electrnicos en los ltimos tiempos (por la depreciacin de sus precios en los mercados internacionales y nacionales) se est produciendo un recambio de tecnologa introducindose en todos los campos el uso del E.D.M. (Electro-Distanci-Metro). Este mtodo fue siempre considerado aun desde la invencin de los primeros EDM's como el ms rpido y preciso, pero sus precios y dificultades de transporte lo hacan prohibitivos para trabajos de topografa reservndose solo para geodesia o topografa de alta precisin. Ahora es bastante comn ver en trabajos viales o catastrales, un pequeo EDM o E.T. de 4 o 6 Kg. de peso y de un valor de entre 6.000 a 15.000 U$S (hace 25 aos ni se soaba con instrumentos de menos de 10 Kg, ms 20 o 30 Kg. para las bateras y entre 40.000 y 50.000 U$S ), aun as es posible que en trabajos civiles se sigan utilizando varios mtodos que aunque antiguos continan manteniendo vigencia ya que la precisin sigue siendo la misma, solo que se consideran obsoletos porque es difcil conseguir los instrumentos, aunque mantengan su vigencia tcnica, por

ello es que a continuacin se ver una tabla que muestra todos los mtodos e instrumentos de medicin de distancias, aun los que ya no se usan. IMPLEMENTOS: Mtodo estadimtrico Mtodo Paralctico Mira paralctica o estada de invar Mtodo de triangulacin ERRORES NATURALES Son ocasionados por variaciones del viento, la temperatura, la humedad, la refraccin, la gravedad y la declinacin magntica. Por ejemplo, la longitud de una cinta de acero vara al presentarse cambios de temperatura ambiental. ERRORES INSTRUMENTALES Resultan de cualquier imperfeccin que haya en la construccin o el ajuste de los instrumentos, y del movimiento de sus partes. Por ejemplo, las graduaciones pintadas en un estadal o mira de nivelacin pueden no estar perfectamente espaciadas, o el estadal podra estar combado. El efecto de la mayor parte de los errores instrumentales puede reducirse adoptando procedimientos topogrficos adecuados y aplicando correcciones calculadas. ERRORES PERSONALES RSONALES Nacen de las limitaciones de los sentidos humanos de la vista, el tacto y el odo. Por ejemplo, existe un error pequeo en el valor medido de un ngulo cuando el hilo vertical de la retcula del anteojo de un teodolito no queda perfectamente alineado sobre un objetivo, o cuando la parte superior de un estadal no est vertical al ser visada

CONCLUSION. El aumento del valor de las tierras y la importancia de la exactitud de los linderos, aunados a las mejoras pblicas en los servicios de caminos, canales y ferrocarriles, llevaron a la topografa a una posicin prominente. Actualmente, el gran volumen de la construccin general, las numerosas particiones de tierra, la necesidad de mejores registros y las demandas planteadas por los programas de exploracin y estudio ecolgico han implicado un desarrollo creciente de los trabajos de topografa. La topografa es aun el signo del progreso en el fomento y la utilizacin de los recursos naturales de la Tierra.

BIBLIOGRAFA

http://www.monografias.com/trabajos84/distribucion-exponencial/distribucionexponencial.shtml#ixzz2K64B5GRd http://www.monografias.com/trabajos84/distribucion-exponencial/distribucionexponencial.shtml#ixzz2K64JiIDW http://www.importancia.org/distribucion.php#ixzz2K2FVpC1J