Water Resources Engineering

David A Chin
3 de septiembre de 2014
Capitulo 4
Probabilidad y Estadstica en Ingeniera de Recursos Hidricos
4.1 Introducci on
Todo el fen omeno hidrol ogico obedece las leyes de la naturaleza y pueden
, en teora, ser descritas por la soluci on de la ecuaci on fundamental relevan-
te. En muchos casos, sin embargo, la incertidumbre y los muchos detalles que
necesitamos saber sobre el sistema fsico combinado con las limitaciones de
las tecnicas analticas y numericas para resolver el sistema de ecuaciones, im-
pide una descripci on mas exacta del fen omeno natural. Procesos que pueden
ser especicados con certeza sin llamados deterministas, mientras que aquellos
que no est an son llamados estocasticos. Los dos tipos de procesos estoc asticos
com unmente encontrados en la practica de la ingeniera son :(1) Procesos don-
de el resultado es incierto producto de la falta de informacion en los procesos
o parametros que afectan el proceso, llamados incertidumbre epistemica, and
(2) Procesos donde el resultado es incierto producto de que los procesos que
generan los resultados son fundamentalmente aleatorio, llamados incertidum-
bre natural. En el primer caso, la incertidumbre natural puede ser reducido,
o incluso eliminado por mediciones adicionales de las variables que afectan el
proceso o por el uso de modelos mas precisos. En el segundo caso, la aleatorie-
dad natural es intrnseca de los procesos y la incertidumbre en los resultados
no puede ser reducida por mediciones adicionales. En muchos casos, los datos
registrados incluyen incertidumbres epistemicas y naturales, y la separaci on
de estos componentes es una tarea difcil (Merz and Thieken, 2005). Si la in-
certidumbre es epistemica, natural o una combinacion de ambas, un resultado
1
incierto es generalmente denido por una distribucion de probabilidad que des-
cribe la probabilidad relativa de todos los resultados posibles. En la practica,
las variables inciertas son colectivamente referentes a variables aleatorias.
Una aplicaci on com un de teoras de probabilidad en ingeniera de recursos
hidricos implica la asignaci on de una probabilidad de excedencia(superaci on),
P
e
, a eventos hidrologicos. Un sistema dise nado para manejar un determinado
evento hidrololico se puede esperar que falle con una probabilidad igual a la
probabilidad de excedencia, P
e
, del dise no del evento. Esta probabilidad de fallo
del sistema es llamada riesgo de falla, y la probabilidad que el sistema no falle,
1-P
e
, e llamada conabilidad del sistema. La probabilidad de excedencia del
evento hidrol ogico es usualmente declarado en terminos de la probabilidad que
un determinado evento es excedido en un a no determinado. El n umero medio
de a nos de superaciones se llama periodo de retorno, T, que esta relacionado
con la probabilidad de excedencia por
T =
1
P
e
(1)
El periodo de retorno, T, es aveces llamado intervalo de recurrencia y es
usualmente un criterio de selecci on para eventos de dise no en sistema de re-
cursos hidricos. En casos donde los sistemas de recursos hidricos est an en un
lugar por un corto periodo de tiempo (menos de un a no), entonces pueden ser
apropiados para calcular periodos de retorno de eventos de dise no basados en
su ocurrencia dentro de una seccion especica del a no (McCuen and Beighley,
2003).
4.2 Distribuciones de Probabilidad
Una funci on de probabilidad dene la relacion entre el resultado de un
proceso aleatorio y la probabilidad de ocurrencia de ese resultado. Si el espa-
cio muestral, S, contiene elementos discretos, ese espacio muestral es llamado
un espacio muestral discreto; si S es continuo, el espacio muestral es llama-
do espacio muestral continuo. El espacio muestral de una variable aleatoria
es com unmente denotado por una letra may uscula (por ejemplo X), y la co-
rrespondiente letra min uscula denota un elemento del espacio muestral (por
ejemplo x). La Distribucion de probabilidad discreta describe la probabilidad
de resultados en un espacio muestral discreto, mientras que la Distribucion
de probabilidad continua describe la probabilidad de resultados en un espacio
muestral continuo.
2
4.2.1 Distribuci on de Probabilidad Discreta
Si X es el espacio muestral de una variable aleatoria discreta, con resulta-
dos x
1
, x
2
,. . . , x
N
entonces la probabilidad de ocurrencia de cada elemento.
x
N
, pueden ser escritos como una funci on de probabilidad, f(x
N
), denominada
como la funcion de distribucion de probabilidad. Si f(x
N
) es una funcion de
probabilidad valida, entonces necesaiamente debe tener las siguientes propie-
dades:
f(x
N
) 0 (2)
N

i=1
f(x
N
) = 1 (3)
donde N es el numero de elementos en X. En muchas aplicaciones de in-
geniera, la cantidad de interes es la probabilidad que un proceso aleatorio
generara un resultado que es mayor o igual que algunos resultados x
N
, donde
x
N
es una variable de dise no y excedencia de x
N
que podria ocasionar una
falla en el sistema.
Basados en la denicion de funci on de distribuci on de probabilidad, la
probabilidad que un resultado sea menor o igual que x
N
esta dada por
P(x
i
x
n
) =

x
i
x
n
f(x
i
) (4)
y la probabilidad que el resultado sea mayor que x
n
esta dada por
P(x
i
> x
n
) = 1 P(x
i
x
n
) (5)
La funci on P(x
i
x
n
) es llamada funcion de distribucion acumulativa y se
escribe com unmente como F(x
n
), donde
F(x
n
) = P(x
i
x
n
) (6)
Estas deniciones de la funcion de distribuci on de probabilidad, f(x
n
), y
funci on de distribuci on acumulativa, F(x
n
), pueden ser ampliado para describir
varias variables aleatorias simult aneamente. A modo de ilustracion, considerar
3
el caso de 2 variables aleatorias discretas X e Y, con elementos x
p
e y
q
, donde
p [1, N] y q [1, M]. La funcion de distribucion de probabilidad conjunta de
X e Y, f(x
p
,y
q
)es la probabilidad de que x
p
e y
q
ocurran simult aneamente. Tales
distribuciones son llamadas distribuciones de probabilidad bivariado. Si mas de
2 variables son involucradas, la distribuci on de probabilidad conjunta se ree-
re a una distribucion de probabilidad multivariente. Basados en la denici on
de distribucion de probabilidad bivariante, f(x
p
,y
q
), las siguientes condiciones
necesariamente deben ser satisfechas
f(x
p
, y
q
) 0, x
p
, y
q
(7)
N

p=1
M

q=1
f(x
p
, y
q
) = 1 (8)
Como en el caso de la variable aleatoria unica, la funcion de distribucion
acumulativa F(x
p
,y
q
), es denida como la probabilidad que el resultado sea
simult aneamente menor o igual que x
p
y y
q
, respectivamente. Por lo tanto
F(x
p
,y
q
) es relacionada con la distribuci on de probabilidad conjunta como si-
gue:
F(x
p
, y
q
) =

x
i
x
p

y
j
y
q
f(x
i
, y
j
) (9)
En an alisis de multivariados, la probabilidad de distribuci on de solo una
variable aleatoria es llamada funcion de distribucion de probabilidad marginal.
En caso de una funci on de probabilidad bivariada, f(x
p
,y
q
), la probabilidad
marginal de x
p
, g(x
p
), es dada por la relaci on
g(x
p
) =
M

q=1
f(x
p
, y
q
) (10)
Claramente, varias funciones de probabilidad pueden ser derivadas de fun-
ciones b asicas que describen la probabilidad de ocurrencia de eventos discretos.
La funci on de interes particular en cualquier caso dado (por ejemplo acumu-
lativa o conjunta) dependen de las preguntas que quieren ser respondidas.
4.2.2 Distribuciones de Probabilidad Continuas
4
Si X es una variable aleatoria con un espacio muestral continuo, entonces
hay un numero innito de resultados posibles y la probabilidad de ocurrencia
de un valor de X es en realidad cero. Este problema es abordado mediante la de-
nici on de probabilidad de un resultado en el intervalo [x,x+x]comof(x)x,
donde f(x) es la funcion de densidad de probabilidad. Basados en esta denici on,
cualquier funci on de densidad de probabilidad debe satisfacer las siguientes
condiciones:
f(x) 0, x (11)

f(x

)dx

= 1 (12)
La funcion de distribucion acumulativa, F(x), describe la probabilidad que
el resultado de un proceso aleatorio sera menor o igual a x y es relacionada a
la funcion de probabilidad de densidad por la ecuaci on
F(x) =

f(x

)dx

(13)
que tambien se puede escribir como
f(x) =
dF(x)
dx
(14)
En la descripci on de distribuci on de probabilidad de mas de una variable
aleatoria, la funci on de probabilidad conjunta es usada. En el caso de 2 va-
riables, X e Y, la probabilidad que x este en el rango [x, x + x] e y este
en el rango [y, y + y] es aproximadamente f(x, y)xy, donde f(x,y) es la
funci on de probabilidad de densidad de x e y. Como en el caso de variables
aleatorias discretas, la funci on de distribucion acumulativa bivariada, F(x,y),
y la distribuci on de probabilidad marginal, g(x) y h(y), son denidas como:
F(x, y) =

f(x

, y

)dx

dy

(15)
g(x) =

f(x, y

)dy

(16)
h(y) =

f(x

, y)dx

(17)
5
4.2.3 Esperanza Matematica y Momentos
Asumiendo que x
i
es un resultado de la variable aleatoria discreta X, f(x
i
)
es la funci on de distribucion de probabilidad de X, y g(x
i
) es una funci on
arbitraria de x
i
, entonces el valor esperado de la funcion g, representada pro
g, es denida por la ecuaci on
< g >=
N

i=1
g(x
i
)f(x
i
) (18)
donde N es el numero de posibles resultados en el espacio muestral, X. El
valor esperado de una funci on aleatoria es la media aritmetica de la funci on
calculada desde un numero innito de resultados aleatorios, y el resultado
an alogo para una funcion de una variable aleatoria continua esta dado por
< g >=

g(x

)f(x

)dx

(19)
donde g(x) es una funci on aleatoria continua y f(x) es la funcion de proba-
bilidad de densidad de x.
Varias funciones aleatorias son utiles en la caracterizaci on de distribuci on
de variables aleatorias. La primera es simplemente
g(x) = x (20)
En este caso < g > = < x > corresponde a la media aritmetica de los
resultados sobre un innito numero de realizaciones. Esta cantidad < x > es
llamada la media de la variable aleatoria y es usualmente denotada por
x
. De
acuerdo a la ecuacion (18) y (19),
x
es denido tanto para variables aleatorias
discretas y continuas como

x
=

N
i=1
x
i
f(x
i
) (discreta)

f(x

)dx

(continua)
(21)
Una segunda funci on aleatoria que es frecuentemente usada es
g(x) = (x
x
)
2
(22)
6
que es igual al cuadrado de la desviaci on de un resultado aleatorio de su
media. El valor esperado de esta cantidad se conoce como la varianza de la
variable aleatoria y es usualmente denotado por
2
x
. De acuerdo a las ecuaciones
(18) y (19), la varianza de las variables aleatorias discretas y continuas est an
dadas por las relaciones

2
x
=

N
i=1
(x
i

x
)
2
f(x
i
) (discreta)

(x

x
)
2
f(x

)dx

(continua)
(23)
La raz cuadrada de la varianza,
x
, es llamada la desviacion estandar de
x y mide las magnitudes medias de la desviaci on de la variable aleatoria de su
media. Ocurre que los resultados aleatorios son o bien menor o mayor que la
media,
x
, y la simetra de estos resultados sobre
x
se mide por asimetra o
coeciente de asimetra, que es el valor esperado de la funcion
g(x) =
(x
x
)
3

3
x
(24)
Si los resultados aleatorios son simetricos alrededor de la media la asi-
metra es igual a cero; de lo contrario una distribucion no simetrica tendra una
asimetra positiva o negativa dependiendo de la localizaci on de la cola de la
distribuci on. No hay ning un smbolo universal que sea usado para representar
la asimetra, pero en este texto la asimetra sera representado por g
x
. Para una
variable aleatoria continua y discreta, tenemos
g
x
=

3
x

N
i=1
(x
i

x
)
3
f(x
i
) (discreta)
1

3
x

(x

x
)
3
f(x

)dx

(continua)
(25)
Las variables
x
,
x
, y g
x
son las medidas de la media, variabilidad alrededor
de la media y la simetra alrededor de la media, respectivamente.
EJEMPLO 4.1
Un sistema de recursos hidricos esta dise nado de tal manera que la pro-
babilidad, f(x
i
), que la capacidad del sistema es superada x
i
veces durante
50 a nos de vida del dise no esta dada por la siguiente probabilidad discreta de
distribuci on
7
x
i
f(x
i
)
0 0.13
1 0.27
2 0.28
3 0.18
4 0.09
5 0.03
6 0.02
> 6 0.00
Cual es el n umero medio de las fallas del sistema previstos en 50 a nos?
Cual es la varianza y la asimetra del n umero de fallos?
Soluci on: El n umero medio de fallas,
x
, esta denido en la ecuci on (21),
donde

x
=

N
i=1
x
i
f(x
i
)

x
= (0)(0.13)+(1)(0.27)+(2)(0.28)+(3)(0.18)+(4)(0.09)+(5)(0.03)+(6)(0.02)

x
= 2
La varianza del numero de fallas,
2
x
, es denido en la ecuaci on (23) como

2
x
=

N
i=1
(x
i

x
)
2
f(x
i
)

2
x
= (0-2)
2
(0,13) + (1 2)
2
(0,27) + (2 2)
2
(0,28) + (3 2)
2
(0,18) + (4
2)
2
(0,09) + (5 2)
2
(0,03) + (6 2)
2
(0,02)

2
x
= 1.92
El coeciente de asimetra, g
x
, esta denido en la ecuacion (25), como
g
x
=
1

3
x

N
i=1
f(x
i
)
g
x
=
1
(1,92)
(
3/2)
[(0-2)
3
(0,13)+(12)
3
(0,27)+(22)
3
(0,28)+(32)
3
(0,18)+
(4 2)
3
(0,09) + (5 2)
3
(0,03) + (6 2)
3
(0,02)]
g
x
= 0.631
EJEMPLO 4.2
La funci on de probabilidad de densidad, f(t), del tiempo de la tormenta
durante el verano en Miami esta estimado como
f(t) =

0,014 exp
0,014t
t > 0
0 t 0
donde t es el intervalo de tiempo entre la tormenta en horas. Calcule la
8
media, la desviacion estandar, y la asimetria de t.
Soluci on El tiempo medio entre la tormenta,
t
, esta dado por la ecuaci on
(21)

t
=

0
t

f(t

)dt

t
=

0
t

0,014 exp
0,014t
dt

t
= 0,014

0
t

exp
0,014t
dt

La cantidad entre parentesis puede ser integrada convenientemente usando

el resultado (Dwinght, 1961)

0
x exp
ax
dx =
1
a
2
Entonces, la expresion para
x
puede ser escrita como

x
= 0,014(
1
0,014
2
) = 71horas
La varianza de t,
2
t
, esta denida en la ecuaci on (23) como

2
t
=

0
(t

x
)
2
f(t

)dt

2
t
=

0
(t

71)
2
0,014 exp
0,014t

dt

2
t
= 0,014

0
(t
2
142t

+ 5041) exp
0014t

dt

Usando el resultado de la integracion (Dwight, 1961),

0
x
2
exp
ax
dx =
2
a
3
;

0
x exp
ax
dx =
1
a
2
;

0
exp
ax
dx =
1
a
la expresion para
2
0
, puede ser escrita como

2
t
= 0,014[
2
0,014
3
142(
1
0,014
2
) + 5041(
1
0,014
)] = 5102h
2
La desviacion estandar,
t
, del tiempo de intervenci on de la tormenta es
por lo tanto

5102 = 71 horas.
La asimetra de t, g
t
, esta denida en la ecuaci on (25) como
g
t
=
1

3
t

0
(t

t
)
3
f(t

)dt

g
t
=
1
71
3

0
(t

71)
3
0,014 exp
0,014t

dt

g
t
=
0,015
71
3

0
(t
3
213t
2
357,911) exp
0,014t

dt

Usando la integracion citada anteriormente (Dwight, 1961)

9

0
x
3
exp
ax
dx =
6
a
4
da como resultado
g
t
=3.91x10
8
((
6
0,014
4
) 213(
2
0,014
3
) + 15,123(
1
0,014
2
) 357,911(
1
0,014
)) = 2,1
La asimetra positiva (=2.1) indica que la probabilidad de distribucion de
t, tiene una largo tramo a la derecha de
t
( hacia valores mas altos de t).
4.2.4 Periodo de Retorno
Considerar una variable aleatoria X, con el resultado que tiene un periodo
de retorno T, dada por x
T
. Sea p la probabilidad que X x
T
en cualquier
observacion, o p = P(X x
T
). Para cada observacion, hay 2 posibles resultados,
ya sea X x
T
con probabilidad p, o X x
T
con probabilidad 1-p. Asumiendo
que todas las observaciones son independientes, entonces la probabilidad de
un periodo de retorno es la probabilidad 1 observaciones donde X x
T
siguiendo por una observacion donde X x
T
. El valor esperado de , , esta
dada por lo tanto como
< > =

=1
(1 p)
1
p
< > = p + 2(1-p)p + 3(1-p)
2
p + 4(1 p)
3
p + . . .
< >= p[1 + 2(1 p) + 3(1 p)
2
+ 4(1 p)
3
+ . . .] (26)
Esta expresi on dentro de los corchetes tiene la forma de la expansion de
una seria de potencias
(1 + x)
n
= 1 + nx +
n(n 1)
2
x
2
+
n(n 1)(n 2)
6
x
3
+ . . . (27)
Con x = -(1-p) y n = -2. La ecuaci on (26) puede por lo tanto escribirse en
la forma
< >=
p
[1 (1 p)]
2
=
1
p
(28)
Desde T = < >, la ecuaci on (28) puede ser expresada como
T =
1
p
(29)
10
T =
1
P(X x
T
)
(30)
que tambien puede ser escrita como
P(X x
T
) =
1
T
(31)
En la practica de la ingeniera, es ams comun describir un evento por su
periodo de retorno que por su probabilidad de excedencia. Por ejemplo, las
planicies inundadas son usualmente delineadas por 100 a nos de inundaci on,
que tiene una probabilidad de excedencia de 1 % en un a no determinado. Sin
embargo, debido a la erronea idea de que la inundaci on de 100 a nos ocurre una
vez cada 100 a nos, ASCE (1996a) recomienda que el reporte de los periodos
de retorno deben evitarse, e informarse de las probabilidades de excedencia
anuales.
EJEMPLO 4.3
El analisis de las inundaciones maximas anuales en los ultimos 150 a nos de
un peque no rio indican las siguientes distribuciones acumulativas
n Flow, x
n
(m
3
/s) P(X < x
n
)
1 0 0
2 25 0.19
3 50 0.35
4 75 0.52
5 100 0.62
6 125 0.69
7 150 0.88
8 175 0.92
9 200 0.95
10 225 0.98
11 250 1.00
Estimar las magnitudes de las crecidas con los periodos de retorno de 10,
50 y 100 a nos
Soluci on De acuerdo a la ecuaci on (31), las crecidas con periodos de re-
torno, T, de 10, 50 y 100 a nos tienen probabilidades de excedencia de 1/10=
0.10, 1/50 = 0.02, y 1/100 = 0.01. Estas probabilidades de excedencia co-
rresponden a las probabilidades acumuladas de 1-0.1 = 0.9, 1-0.02 = 0.98, y
1-0.01 = 0.99, respectivamente. Interpolando desde la distribuci on de proba-
bilidad acumulativa, dan los siguientes resultados
11
Periodo de Retorno (a nos) Flow (m
3
/seg)
10 163
50 225
100 238
4.2.5 Funciones de Probabilidad Comun
Existen un numero innito de distribuciones de probabilidad validas. El
an alisis ingenieril, sin embargo, son normalmente limitados a denir bien los
relativamente simples, asociados con los procesos de identicacion, y pueden
ser completamente caracterizados por un numero muy peque no de parametros.
Las funciones de probabilidad que pueden ser expresados analticamente son
las funciones de elecci on en aplicaciones de ingeniera. En el uso te orico de
las funciones de distribuci on de probabilidad a un fenomeno observado, es
importante para comprender los procesos fundamentales que conducen estas
distribuciones ya que hay un supuesto implicito que la teora y los procesos
observados son lo mismo. Las funciones de distribucion de probabilidad son ya
sea discretas o continuas. Comunmente encontramos funciones de probabilidad
discretas y continuas, y sus procesos asociados, son descritos en las siguientes
secciones.
Distribuci on Binomial La distribucion binomial, tambien llamada distri-
bucion de Bernoulli, es una distribuci on de probabilidad discreta que describe
la probabilidad de un resultado, ya sean exitos o fracasos. Por ejemplo, en
estudio de la probabilidad de la crecida maxima anual de un rio supera cierto
valor, la crecida maxima en cualquier a no puede considerarse un exito (la cre-
cida excede un valor especicado) o un fracaso (la crecida no excede el valor
dado). Ya que muchos sistemas de ingeniera son dise nadospara operar por
debajo de ciertas condiciones limites (dise no), el analisis en terminos de exitos
o fracasos es fundamental para la evaluacion de conabilidad del sistema. Es-
pecicamente, la distribuci on binomial describe la probabilidad de n sucesos
en N ensayos, dado que el resultado en un ensayo es independiente del resul-
tado en otro ensayo y la probabilidad de un suceso en cualquier ensayo es p.
Tales ensayos se llaman ensayos de Bernoulli, y el proceso de generar ensayos
de Bernoulli se llama Proceso de Bernoulli. La distribucion de probabilidad
binomial, f(n), esta dada por
f(n) =
N!
n!(N n)!
p
n
(1 p)
Nn
(32)
Esta distribuci on de probabilidad discreta deriva directamente del analisis
de permutacion y combinaci on y tambien se puede escribir en la forma
12
f(n) =

N
n

p
n
(1 p)
Nn
(33)
donde

N
n

=
N!
n!(N n)!
(34)
es comunmente denominado coeciente binomial. Los parametros de la dis-
tribuci on binomial son el numero total de resultados, N, y la probabilidad de
exito, p, en cada uno de los resultados, y la distribuci on es ilustrada en la
Figura 4.1. La media, varianza y el coeciente de asimetra de la distribuci on
binomial estan dados por

n
= Np;
2
n
= Np(1 p); g =
12p

Np(1p)
(35)
La distribucion de probabilidad Bernoulli, f(n), es simetrica para p = 0.5,
desigual a la derecha de p < 0.5 y desigual a la izquierda de p >0.5.
4.1.jpg
Figura 1: Figura 4.1 Distribuci on de Probabilidad Binomial. Fuente: Benjamin
and Cprnell (1970)
EJEMPLO 4.4
La capacidad del sistema de gesti on de aguas pluviales es dise nado para
acomodar una tormenta con un periodo de retorno de 10 a nos. Cual es la
probabilidad que el sistema de aguas pluviales falle una vez en 20 a nos? Cual
es la probabilidad que el sistema falle al menos una vez en 20 a nos?
Soluci on El sistema de gestion de aguas pluviales falla cuando la magnitud
del dise no de la tormenta es excedida. La probabilidad, p, de que en 10 a nos
se supere la tormenta en cualquier a no es 1/10 = 0.1. La probabilidad de que
la tormenta de 10 a nos sea excedida una vez en 20 a nos esta dada por la
distribuci on binomial en la ecuacion (32) como
f(n) = N!
n!(Nn)!
p
n
(1 p)
Nn
donde n= 1, N= 20, y p=0.1. Sustituyendo estos valores da
f(1) = 20!
1!(201)!
(0.1)
1
(1 0,1)
201
= 0.27
13
Por lo tanto la probabilidad que el sistema de gestion de aguas pluviales
falle una vez en 20 a nos es 27 %.
La probabilidad, P, de que los 10 a nos de tormenta sea igualada o superada
al menos una vez en 20 a nos esta dada por
P=

20
i=1
f(i) = 1 f(0) = 1
20!
0!(200)!
(0.1)
0
(1 0,1)
200
= 1-0.12 = 0.88
La probabilidad que el dise no del evento sea superado (al menos una vez) es
conocido como el riesgo de fracaso, y la probabilidad que el dise no del evento
no sea superado es llamado la conabilidad del sistema. En este ejemplo, el
riesgo de falla es 88 % durante 20 a nos y la conabilidad del sistema durante
el mismo periodo es 12 %.
Distribuci on Geometrica. La distribucion geometrica es una funcion de
probabilidad discreta que describe el numero de ensayos Bernoulli, n, sobre e
incluyendo aquel que produce el primer exito. La probabilidad que el primer
exito en un ensayo Bernoulli ocurra en el n-esimo ensayo se encuentra obser-
vando que deben haber n-1 ensayos anteriores sin exito, seguido de un exito.
La probabilidad de esta secuencia de eventos es (1 p)
n1
p, y por lo tanto la
distribuci on de probabilidad (geometrica) de l primer exito siendo en el ensayo
n-esimo, f(n), esta dada por
f(n) = p(1 p)
n1
(36)
4.2.jpg
Figura 2: Figura 4.2 Distribuci on de Probabilidad Geometrica. Fuente: Benja-
min and Cprnell (1970)
El parametro de la distribuci on geometrica es la probabilidad de exitos, p,
y esta distribuci on esta ilustrada en la Figura 4.2. La media y la varianza de
la distribucion geometria estan dadas por

n
=
1
p
;
2
n
=
1 p
p
2
(37)
EJEMPLO 4.5
Un sistema de gestion de aguas de lluvia es dise nado para una tormenta de
10 a nos. Asumiendo que la excedencia de los 10 a nos de tormenta es un proceso
Bernoulli, Cual es la probabilidad que la capacidad del sistema de gestion
de aguas pluviales sea superada por primera vez en el quinto a no despues de
14
construido el sistema? Cual es la probabilidad que la capacidad del sistema
sea superada dentro de los primeros 5 a nos?
Soluci on
15