Jose Luis Ayuso

DEPARTAMENTO
DE
INGENIERA RURAL
Universidad de Crdoba
ANLISIS REGIONAL DE FRECUENCIAS

DE
VALORES EXTREMOS
Jos Luis Ayuso
Santiago de Chile Enero, 2012

ANLISIS REGIONAL DE FRECUENCIAS DE VALORES EXTREMOS
1. INTRODUCCIN
2. PERIODO DE RETORNO Y PROBABILIDAD
3. ANLISIS REGIONAL DE FRECUENCIAS DE VALORES EXTREMOS
4. MTODOS DE LOS MOMENTOS LINEALES
5. ESTUDIO DE UN CASO
Anlisis Regional de Frecuencias
1. INTRODUCCIN
Los episodios hidrolgicos de carcter catastrfico como las tormentas de elevada intensidad y las avenidas
ocurren peridicamente produciendo cuantiosas prdidas por daos a las propiedades e incluso prdidas de
vidas humanas, constituyendo un grave problema econmico y social.
Temporal en el Norte Espaa (Marzo-2008)

Bilbao 1987
Ante estos sucesos el ingeniero ha de estimar la magnitud y frecuencia de tales eventos
Anlisis local de frecuencias Anlisis regional de frecuencias
Cuestiones a responder Cual es la probabilidad de que un evento extremo de determinada magnitud

Crdoba, octubre 2005ocurra en cualquier ao, en los prximos 50 aos, o en los prximos 100
aos?
En el diseo de estructuras hidrulicas el ingeniero ha de estimar el caudal de proyecto para un

determinado periodo de retorno
Datos Hidrolgicos
Caudales
Series de valores extremos

Medios diarios
Punta diarios
Precipitacin
Diaria Estacin pluviomtrica

Estacin de aforos
Registros pluviogrficos
con resolucin de 5 o 10
minutos
Objetivo
El principal objetivo del anlisis de frecuencias es relacionar la magnitud de eventos extremos con
su frecuencia de ocurrencia a travs del uso de distribuciones de probabilidad.
Densidad de probabilidad
Precipitacin (mm)
Magnitud de un Frecuencia
evento extremo de ocurrencia
(Cuantil) (Periodo Retorno)
Los datos observados durante un extenso periodo de tiempo en un sistema hidrolgico se analizan
mediante el anlisis de frecuencias.
2. PERIODO DE RETORNO Y PROBABILIDAD
Periodo de retorno T, o intervalo de recurrencia, se define al tiempo medio entre dos ocurrencias consecutivas de un fenmeno.
Las grandes avenidas tienen grandes periodos de retorno y viceversa
1
T= (1)
P
En Hidrologa, los acontecimientos que pueden producir daos suelen ser mayores a una cierta cantidad, por ejemplo: precipita-
cin superior a un determinado valor. La probabilidad de ocurrencia ser
P = P( X > x) = 1 P( X x) = 1 F ( x) (2)
siendo:
F(x) = funcin de distribucin acumulada del proceso.
1
De (1) y (2) el periodo de retorno puede definirse como T= (3)
1 F ( x)
(4)
Problemas que se plantean en el anlisis de frecuencias:
1. Conociendo la funcin de distribucin del proceso que 2. El problema inverso: determinar la magnitud del
se analiza, deducir la probabilidad de ocurrencia de una acontecimiento tal que su periodo de retorno es T.
magnitud dada
3. ANLISIS REGIONAL DE FRECUENCIAS DE VALORES EXTREMOS
En trminos estadsticos el problema planteado en el anlisis de frecuencias es estimar la cola de una

distribucin de probabilidad F(x) desconocida, basada en un conjunto limitado de datos x1, x2, .. xn.
Los pocos datos extremos disponibles hacen difcil tal estimacin
La mayora de las veces se requieren estimaciones que sobrepasan al mayor valor observado, lo que
hace necesario la extrapolacin ms all del intervalo observado
Los datos ajustados a una distribucin no necesariamente se ajustarn bien en los extremos de la
distribucin
Registros en Ajuste a una funcin Estimacin

Anlisis Local
el lugar de distribucin del cuantil
Registros Modelo de anlisis

Anlisis Regional
regionales Regional
Cundo se aplica el Anlisis Regional de Frecuencias?
1 Cuando las series de valores extremos (mximos anuales) son demasiadas cortas
para hacer una estimacin fiable de los eventos extremos
2 Cuando no hay registros en el lugar de inters (caso general en pases en desarrollo

o subdesarrollados)
Se combinan los registros de datos (lluvia, caudal, sequa, etc..) de diferentes lugares
en una regin que pueda asumirse que tiene similares caractersticas (todos las
series de datos de la regin proceden de una misma distribucin parental)
Se estima una Distribucin Regional de Frecuencias de valores extremos (precipitacin,

avenidas, sequias, caudales bajos, etc.) para toda la regin que proporciona informa-
cin en lugares con datos escasos o carentes de ellos
Se reduce la incertidumbre en las estimaciones de los cuantiles
Este mtodo asume que M estaciones con N aos de registro, equivalen a una
Estacin-ao, que proporciona anloga informacin que una estacin con MxN
aos
Mtodo del ndice de avenida
Regin
A Se establece la variable Y, del conjunto de datos de la regin
E
x x x
D C B Y = Ai , Bi , ...... Ei
x A xB xE
dividiendo los datos xi de cada estacin por la media de dicha estacin.
Este mtodo asume que los datos adimensionalizados, en cada estacin, siguen la misma ley de
distribucin en toda la regin
2. Se ajusta una ley de distribucin al conjunto de datos Y, y se obtienen los parmetros de dicha
distribucin.
3. El cuantil en cada estacin, j, se obtiene como
xT j = x j YT
Siendo YT el cuantil obtenido de la distribucin regional.
4. MTODO DE LOS MOMENTOS LINEALES
Los momentos-L son estadsticos de muestras de datos y de distribuciones de probabilidad.
Son anlogos a los momentos convencionales proporcionan medidas de localizacin, dispersin,

sesgo, curtosis y otros aspectos de la forma de las distribuciones de probabilidad o de las mues-
tras de datos pero se calculan por combinaciones lineales de los elementos ordenados de una
muestra (de aqu el trmino L)
Ventajas de los momentos L sobre los momentos convencionales
Son capaces de caracterizar una amplia gama de distribuciones
Son ms robustos a la presencia de valores anmalos (outlieres) en la muestra
Las estimaciones de los momentos L estn menos sujetas al sesgo que los momentos
convencionales
Estimacin de los momentos-L a partir de datos de la muestra

La estimacin de los momentos L se basa en la muestra de tamao n, de los datos disponibles
Para ello, se ordenan los datos segn magnitud creciente: X1:n < X2:n < <Xn:n
El estimador del momento de probabilidad ponderada es:

n
1
b0 = n x j:n
j =1
n ( j 1)
1
b1 = n (n 1) x j:n
1 j =2
n 1 n j 1
br = n 1 x j:n n ( j 1)( j 2) x
r j = r +1 r b2 = n 1 j:n
j =3 (n 1)(n 2 )
n ( j 1)( j 2)... ( j r )
1
br = n (n 1)(n 2)... (n r ) x j:n
j = r +1
Los momentos L de la muestra se definen como Los cocientes de los momentos L de la muestra se
definen como
1 = b0
2 = 2b1 b0 2 r
Cv L = t = tr =
3 = 6b2 6b1 + b0 1 2
4 = 20b3 30b2 + 12b1 b0
Terminologa de los Momentos-L
Momentos lineales de la distribucin

Momentos lineales de la muestra
1 es la media-L de la distribucin 1
2 es el parmetro de escala-L 2
es el Cv-L t = 2 1
3 es el coeficiente de sesgo-L t3 = 3 2
4 es el cociente de curtosis-L t4 = 4 2
Etapas fundamentales en el ARF
1 Identificacin de Regiones Homogneas

2 Seleccin de la Distribucin Regional de Frecuencias apropiada
3 Estimacin de Cuantiles en los lugares de inters
Lugares aforados
Lugares no aforados
Cunnane (1988) y GREHYS (1996) presentaron detalladamente diversas metodologas de estimacin
regional para el ARF, incluyendo las tres etapas anteriores
La tcnica de los momentos-L se usa en las tres etapas del ARF
1 Identificacin de Regiones Homogneas
Es la etapa ms difcil y la que requiere mayor dosis de juicio subjetivo

Concepto de homogeneidad
Una regin homognea no presupone que sea una regin geogrfica, puesto que la proximidad
geogrfica no es garanta de homogeneidad.
Lugares geogrficamente prximos pueden tener caractersticas muy diferentes de la

variable que se analiza, sobre todo si la variabilidad espacial de las caractersticas
fisiogrficas e hidrolgicas es grande.
Una regin homognea agrupa lugares (estaciones) con similar comportamiento estadstico
(habitualmente cuantificado por su Cv)
Tcnicas de identificacin de regiones homogneas
Existen diversos modos de identificar regiones homogneas. Entre las tcnicas ms usuales estn:
Anlisis Cluster (o anlisis de conglomerados) (Jingyi y Hall, 2004)
Anlisis de Componentes Principales (Garcia-Marn y col., 2011)

Mtodo de los resduos (Wiltshire, 1985; Nathan y McMahon, 1990; Jingyi y Hall, 2004)
Redes Neuronales Artificiales (Jingyi y Hall, 2004)
Lgica Borrosa (Fuzzy logic) (Jingyi y Hall, 2004)
Estadsticos de cada lugar Deducidos de las series de

valores mximos anuales
Todas las tcnicas requieren objeto de estudio
Caractersticas del lugar P.e., Precipitacin media anual,

media de la precipitacin mxima
anual en 24 h, rea de la cuenca,
longitud de la corriente principal,
pendiente media del ro, altitud del
lugar, altitud media de la cuenca,
y otras caractersticas geogrficas
o fisiogrficas
Una vez identificadas tentativamente las diversas regiones homogneas, han de calcularse en
cada subregin las medidas de la discordancia y la homogeneidad basadas en los estadsticos de
los momentos-L
Estaciones de aforo
Si algn lugar de una regin es discordante
con la regin en su conjunto, se eliminar
de la regin, pudindose considerar la posi-
bilidad de desplazarlo a otra regin.
Subregin 1
Subregin 2
Subregin 3
Medida de la discordancia
Dado un grupo de lugares o estaciones hay que identificar aquellos que sean fuertemente discordantes
con el grupo como un todo.
La discordancia se mide con los momentos-L de los datos de los lugares.

Valores crticos para el estadstico de la discordancia
N de lugares en N de lugares en la
Valor crtico Valor crtico
la regin regin
Un lugar se considera discordante si
5 1,333 11 2,632 el valor de Di es mayor que el valor
6 1,648 12 2,757 crtico dado en la Tabla 1
7 1,917 13 2,869
8 2,140 14 2,971
9 2,329 15 3
10 2,491
Para el lugar i, Di es
1 T
Di = N (u i u ) A 1 (u i u )
3
Siendo el vector ui el traspuesto del vector que contiene los valores t, t3 y t4 del lugar i
[
u i = t (i )t 3(i )t 4(i ) ]
T
u la media del grupo u

i =1
i
u=
N
N
T
A la matriz suma de los cuadrados y productos transversales A= (u
i =1
i u )(u i u )
Medida de la heterogeneidad
Se estima el grado de heterogeneidad en un grupo de lugares para evaluar si los lugares pueden,
razonablemente, ser tratados como una regin homognea.
Hay que analizar si la dispersin entre lugares de los cocientes de los momentos-L de la muestra para
el grupo de lugares es mayor de lo que podra esperarse de una regin homognea.
La medida de la heterogeneidad se realiza mediante un estadstico H
La regin se declara: Heterognea si H es suficientemente grande
Aceptablemente homognea si H < 1

Posiblemente heterognea si 1 H 2
Definidamente heterognea si H > 2

Una vez definida la regin homognea los pasos a seguir para seleccionar la distribucin regional
son:
Agrupar los datos de las series de mximos anuales de las estaciones incluidas en la regin
previamente normalizados por el valor medio de cada estacin (Mtodo de la Avenida ndice)
Ajustar una funcin de distribucin de valores extremos al conjunto de datos mximos

anuales normalizados de la regin
Las distribuciones de probabilidad ms usuales para caracterizar la relacin entre las magnitudes
de los eventos y sus frecuencias son:.
Generalizada de Valores Extremos (GEV) Recomendada en los estudios de avenidas en Gran Bretaa
Gumbel (EV1)
Frechet
Weibull
Pearson tipo III y Log Pearson tipo III Utilizada de forma normativa en los EEUU
Lognormal (2 y 3 parmetros)
Logstica Generalizada
Generalizada de Pareto
Wakeby con lmite inferior
SQRT-ETmax De gran auge en Espaa

En lugares de inters no aforados, la curva regional puede redimensionarse con una

estimacin del parmetro de normalizacin (tpicamente el valor medio de la variable
estudiada) del lugar obtenido de caractersticas de la regin
Hay que establecer una relacin regional de regresin entre los valores medios de la
variable analizada en las estaciones de la regin y caractersticas de cuenca e
hidrolgicas como variables explicativas
Se ha procedi a realizar un anlisis regional de frecuencias, intraestacin (in-site) con las nueve
series de valores mximos anuales de la estacin de Mlaga (Aeropuerto)
Metodologa Propuesta por Hosking y Wallis (1993, 1997)

1 Obtencin de los momentos-L de las 9 series de valores mximos anuales
Programa RAZMOMEN
Archivo de entrada Archivo de salida
Datos 10 minutos Malaga Datos 10 minutos Mlaga
4.2
6.5 Datos registrados ordenados por magnitud creciente
9.0 4.2 4.2 5.7 6.0 6.1 6.3 6.5 6.8 7.0 7.0
31.4
6.1 7.3 7.4 7.5 8.4 8.7 8.9 9.0 9.0 11.2 12.5
28.0 12.6 13.0 15.1 15.7 16.0 18.2 23.6 23.7 28.0 31.4
12.6
6.8
23.7 Cocientes de los Momentos-L
7.0
7.5 -----------------------------------------
7.3 Numero de cocientes de momentos-L calculados: 5
7.0 Orden del Momento-L Magnitud
23.6
18.2 ----------------------------- -------------
8.7 1 11.5667 l1
16.0
6.0 2 3.7103 l2
5.7 3 .3722 3
4.2
15.1 4 .1704 4
8.9 5 .0328 5
11.2
13.0
7.4
15.7
6.3 De manera anloga se calcularon los momentos-L para cada una
9.0
12.5
8.4
de las series, y los correspondientes cocientes de los momentos-L,
2=l2/l1 (Cv-L), 3 (Cs-L) y 4 (Ck-L), as como sus promedios regionales.
Cv-L Cs-L Ck-L

SERIE
2 3 4
10 0,3208 0,3722 0,1704
20 0,3288 0,3482 0,1783
30 0,3311 0,3602 0,2049
1h 0.3230 0,3281 0,1519
2h 0,3376 0,3487 0,1813
3h 0,3186 0,2957 0,1234
6h 0,3036 0,2408 0,0661
12h 0,2942 0,2529 0,0884
24h 0,2783 0,2259 0,0378
Medias 0,3115 0,3081 0,1336
2 Identificacin si la regin es homognea
Programa XTEST
Archivo de entrada
9 Datos Malaga
10m 30 11.57 0.3208 0.3722 0.1704 0.0328 Constituido por los valores de los cocientes de los
20m 30 16.78 0.3288 0.3482 0.1783 0.0887 de los momentos-L obtenidos en el paso anterior
30m 30 19.95 0.3311 0.3602 0.2049 0.1356
1h 30 25.04 0.3219 0.3279 0.1544 0.0748
2h 30 33.58 0.3376 0.3487 0.1813 0.1266
3h 30 40.53 0.3186 0.2957 0.1234 0.0939
6h 30 50.95 0.3063 0.2451 0.0594 0.0313
12h 30 58.52 0.2942 0.2529 0.0884 0.0487
24h 30 72.24 0.2783 0.2259 0.0378 0.0357
Archivo de Salida PROGRAMA XTEST

1 3
Datos Malaga 9 LUGARES ***** GOODNESS-OF-FIT MEASURES *****
10m 30 11.57 .3208 .3722 .1704 .0328 (NUMBER OF SIMULATIONS = 500)
20m 30 16.78 .3288 .3482 .1783 .0887
30m 30 19.95 .3311 .3602 .2049 .1356 GEN. LOGISTIC L-KURTOSIS = .246 Z VALUE= 4.24
1h 30 25.04 .3219 .3279 .1544 .0748 GEN. EXTREME VALUE L-KURTOSIS = .220 Z VALUE= 3.26
2h 30 33.58 .3376 .3487 .1813 .1266 GEN. NORMAL L-KURTOSIS = .198 Z VALUE= 2.42
3h 30 40.53 .3186 .2957 .1234 .0939 PEARSON TYPE III L-KURTOSIS = .159 Z VALUE= .97 *
6h 30 50.95 .3063 .2451 .0594 .0313 GEN. PARETO L-KURTOSIS = .148 Z VALUE= .55 *
12h 30 58.52 .2942 .2529 .0884 .0487
24h 30 72.24 .2783 .2259 .0378 .0357 4
PARAMETER ESTIMATES FOR DISTRIBUTIONS ACCEPTED AT
SITE N NAME L-CV L-SKEW L-KURT D(I) THE 90% LEVEL
1 30 10m .3208 .3722 .1704 2.29
2 30 20m .3288 .3482 .1783 .22 PEARSON TYPE III 1.000 .620 1.852
3 30 30m .3311 .3602 .2049 1.15 GEN. PARETO .351 .685 .057
4 30 1h .3219 .3279 .1544 .05 WAKEBY .367 -.258 1.956 .818 -.135
5 30 2h .3376 .3487 .1813 .69
6 30 3h .3186 .2957 .1234 .29 QUANTILE ESTIMATES
7 30 6h .3063 .2451 .0594 1.67 .500 .800 .900 .960 .980 .990
8 30 12h .2942 .2529 .0884 1.13 PEARSON TYPE III .821 1.394 1.815 2.365 2.777 3.188
9 30 24h .2783 .2259 .0378 1.50 GEN. PARETO .817 1.406 1.831 2.368 2.755 3.128
WAKEBY .810 1.423 1.854 2.369 2.719 3.038
WEIGHTED MEANS .3153 .3085 .1331
2 PROCESADOS TODOS LOS DATOS
***** HETEROGENEITY MEASURES *****
(NUMBER OF SIMULATIONS = 500) Para una regin con 9 lugares el valor crtico Di de la
OBSERVED S.D. OF GROUP L-CV = .0182 discordancia es 2.329 No hay ningn lugar
SIM. MEAN OF S.D. OF GROUP L-CV = .0321 discordante
SIM. S.D. OF S.D. OF GROUP L-CV = .0080
STANDARDIZED TEST VALUE H(1) = -1.76
OBSERVED AVE. OF L-CV / L-SKEW DISTANCE = .0504 Puesto que H < 1, la regin es homognea
SIM. MEAN OF AVE. L-CV / L-SKEW DISTANCE = .0745
SIM. S.D. OF AVE. L-CV / L-SKEW DISTANCE = .0170
OBSERVED AVE. OF L-SKEW/L-KURT DISTANCE = .0694

SIM. MEAN OF AVE. L-SKEW/L-KURT DISTANCE = .0952
SIM. S.D. OF AVE. L-SKEW/L-KURT DISTANCE = .0209
Comprobada la homogeneidad de la regin ha de seleccionarse una funcin de distribucin de frecuencias

para ajustarla a los datos normalizados de la regin
Un primer test de bondad de ajuste de la distribucin puede realizarse con los diagramas de los cocientes
de los momentos-L
0.6
0.6
Series analizadas
0.5 0.5
Media
Cs-L (Coeficiente de Sesgo)
Ck-L (Coeficiente de Curtosis)

0.4
0.4
0.3
0.3
0.2
LOGN
0.2 0.1 GEV
P-III
0 GLOG
0.1 GPAR
GUMB
-0.1
Datos analizados
Media
0
-0.2
0 0.1 0.2 0.3 0.4 0.5 0.6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Cv-L (Coeficiente de Variacin) Cs-L (Coeficiente de Sesgo)
Puede observarse que la distribucin que ms se aproxima al valor medio de Cs-L y Ck-L de la regin,
y de los valores de las series analizadas es la Distribucin Generalizada de Pareto (GPAR) seguida de
la Pearson III
Tambin la salida del Programa XTEST especifica la distribucin de frecuencias ms apropiada en

funcin del ndice Zdist siendo el valor lmite de Zdist Z <1.64 dist
4 Ajuste de la distribucin seleccionada a los datos de la regin

Archivo de entrada
Anlisis Regional datos Aeropuerto de Mlaga
9 Programa XFIT
10 minutos
30
4.2 6.5 9.0 31.4 6.1 28.0 12.6 6.8 23.7 7.0
7.5 7.3 7.0 23.6 18.2 8.7 16.0 6.0 5.7 4.2
15.1 8.9 11.2 13.0 7.4 15.7 6.3 9.0 12.5 8.4 Ajusta la distribucin seleccionada a los datos
20 Minutos
30 de la regin
6.4 8.8 12.8 45.5 6.7 43.4 21.7 9.5 35.2 12.4
13.0 10.6 9.3 35.4 21.8 15.1 22.6 8.7 7.0 6.4
21.6 2.4 14.5 20.6 8.7 19.8 8.6 14.0 15.4 15.4
30 Minutos
30
8.6 9.9 16.1 61.7 7.4 48.7 25.5 10.7 40.4 16.1
18.3 11.5 11.1 38.4 27.6 17.5 26.0 10.3 8.7 7.7
22.7 14.9 15.9 26.8 9.3 21.4 10.7 21.3 16.5 16.7
1 Hora
30
11.3 18.5 20.0 67.9 8.2 50.9 38.9 11.6 61.0 16.3
23.0 12.8 13.7 42.6 38.6 23.8 31.9 11.9 15.5 10.9
25.0 21.6 18.8 35.7 13.0 27.4 12.1 29.1 17.9 21.3
2 Horas
30
14.3 34.4 20.8 73.0 13.3 54.5 59.1 20.2 112.5 16.7
33.2 22.8 15.1 44.0 41.1 30.7 61.2 12.8 22.3 16.2
28.3 27.6 23.2 52.9 14.6 34.1 12.8 45.7 24.4 25.7
3 Horas
30
18.1 48.0 24.4 77.6 21.0 60.1 60.8 21.9 129.3 17.7
36.4 26.1 18.7 65.1 51.5 31.4 64.2 13.4 24.3 17.6
30.2 33.3 29.8 55.7 19.0 37.5 27.9 59.5 30.5 64.8
6 Horas
30
22.0 86.5 34.8 85.7 21.0 62.8 77.8 30.5 134.3 19.1
42.0 33.7 25.8 88.3 58.9 48.7 82.2 24.4 28.1 22.4
34.8 33.3 38.8 65.1 23.4 49.5 45.7 92.5 42.3 74.2
12 Horas
30
27.1 127.5 53.0 94.3 27.3 62.8 88.5 34.6 138.5 21.9
46.2 39.2 32.4 96.0 59.2 53.5 85.0 27.9 35.2 27.4
46.2 35.5 42.6 65.6 26.3 63.9 46.3 104.0 62.8 85.0
24 Horas
30
34.2 162.5 75.4 126.6 29.7 82.9 90.3 40.8 143.6 39.2
60.0 45.0 34.5 100.7 63.9 69.3 85.1 46.0 46.1 35.4
48.4 43.7 56.1 110.5 37.5 113.3 46.3 109.2 95.5 95.6
Archivo de salida programa XFIT
ANALISIS REGIONAL
PARAMETROS DE REPRESENTACION DE POSICION DE LOS MOMENTOS-L -0.3500 0.0000
LUGAR 1 10 minutos N= 30 COCIENTES DE MOMENTOS-L 11.57 3.7023 0.3643 0.1836 0.0540

LUGAR 2 20 Minutos N= 30 COCIENTES DE MOMENTOS-L 16.78 5.4999 0.3429 0.1883 0.0942
LUGAR 3 30 Minutos N= 30 COCIENTES DE MOMENTOS-L 19.95 6.5835 0.3538 0.2104 0.1288
LUGAR 4 1 Hora N= 30 COCIENTES DE MOMENTOS-L 25.04 8.0428 0.3244 0.1685 0.0831
LUGAR 5 2 Horas N= 30 COCIENTES DE MOMENTOS-L 33.58 11.2948 0.3437 0.1902 0.1214
Anlisis Rgional datos Aeropuerto de Malaga
COCIENTES PROMEDIOS REGIONALES DE LOS MOMETOS-L 1.0000 0.3148 0.3066 0.1511 0.0816
PARAMETROS REGIONALES DE LA DISTRIBUCION PARETO GENERALIZADA

0.3512 0.6887 0.0613 0.0000 0.0000
LUGAR CUANTILES
NUMERO 2. 3. 4. 5. 10. 15. 20. 25. 50. 100.
------------------------------------------------------------------------------------------------------------------------------
REGION 0.818 1.083 1.266 1.407 1.830 2.066 2.236 2.363 2.746 3.114
1 9.47 12.53 14.65 16.27 21.17 23.91 25.86 27.33 31.77 36.02
2 13.73 18.18 21.25 23.60 30.70 34.67 37.52 39.64 46.07 52.24
3 16.33 21.61 25.26 28.06 36.51 41.23 44.60 47.13 54.78 62.11
4 20.49 27.13 31.71 35.22 45.82 51.75 55.99 59.16 68.77 77.97
5 27.49 36.38 42.53 47.24 61.46 69.41 75.10 79.35 92.23 104.58
6 33.17 43.91 51.32 57.00 74.16 83.76 90.62 95.75 111.30 126.20
7 41.70 55.13 64.44 71.67 93.24 105.17 113.79 120.39 139.93 158.66
8 47.90 63.40 74.11 82.32 107.09 120.96 130.87 138.27 160.72 182.24
9 59.13 78.27 91.48 101.61 132.20 149.31 161.55 170.69 198.40 224.96
Ajuste de la distribucin Generalizada de Pareto y Pearson III a los datos regionales
1 1
0.9 0.9
0.8 0.8
Probabilidad menor que
Probabilidad menor que

0.7 0.7
x x 1
0.6 1k 0.6 1
x

k F (x) = e
dx
F (x) = 1 1 (x ) ( )

0.5 0.5
= 0.52850
0.4 = 0.68875 0.4
= 0.35108
= 1.29759
0.3 k = 0.06138 0.3 = 0.31423
0.2 0.2
Datos regionales normalizados Datos regionales normalizados
0.1 Distribucin Generalizada de Pareto 0.1 Distribucin Pearson III
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Valores normalizados de las series consideradas Valores normalizados de las series consideradas
Tabla 1 Cuantiles obtenidos con la funcin de distribucin GPAR
Periodo de Retorno
Serie
2 3 4 5 10 15 20 25 50 100
Regin 0.818 1.083 1.266 1.407 1.830 2.066 2.236 2.363 2.746 3.114
10 min 9.47 12.53 14.65 16.27 21.17 23.90 25.86 27.33 31.77 36.02
20 min 13.73 18.18 21.25 23.60 30.70 34.67 37.51 39.64 46.07 52.29
30 min 16.33 21.61 25.26 28.06 36.50 41.22 44.59 47.13 54.78 62.11
1h 20.49 27.13 31.71 35.22 45.82 51.74 55.98 59.16 68.77 77.97
2h 27.49 36.39 42.53 47.24 61.46 69.40 75.08 79.35 92.23 104.58
3h 33.17 43.91 51.32 57.00 74.16 83.75 90.61 95.75 111.30 126.20
6h 41.70 55.20 64.53 71.67 93.24 105.29 113.92 120.39 139.93 158.60
12 h 47.90 63.41 74.11 82.32 107.09 120.94 130.84 138.27 160.72 182.24
24 h 59.13 78.27 91.49 101.61 132.20 149.29 161.51 170.69 198.40 224.96
Tabla 2 Cuantiles obtenidos con la funcin de distribucin Pearson-III
Periodo de Retorno
Serie
2 3 4 5 10 15 20 25 50 100
Regin 0.823 1.080 1.257 1.394 1.813 2.053 2.227 2.360 2.770 3.178
10 min 9.52 12.49 14.54 16.12 20.97 23.75 25.76 27.30 32.04 36.76
20 min 13.80 18.11 21.09 23.38 30.42 34.44 37.37 39.59 46.47 53.31
30 min 16.41 21.53 25.07 27.80 36.17 40.95 44.43 47.07 55.25 63.39
1h 20.60 27.03 31.48 34.90 45.40 51.41 55.78 59.10 69.36 79.57
2h 27.63 36.26 42.22 46.81 60.90 68.95 74.81 79.26 93.03 106.72
3h 33.34 43.75 50.94 56.49 73.49 83.20 90.27 95.64 112.26 128.79
6h 41.92 55.01 64.05 71.02 92.39 104.61 113.50 120.25 141.14 161.92
12 h 48.14 63.18 73.57 81.57 106.12 120.15 130.36 138.12 162.11 185.98
24 h 59.43 77.99 90.81 100.69 131.00 148.32 160.92 170.50 200.11 229.58
Una vez realizado el ajuste a la distribucin apropiada, se construye la curva regional de crecimiento
Periodo de Retorno (aos)

Valor adimensional del cuantil regional 1,001 2 5 10 20 50 100 200 500 1000
5
Curva Regional de Crecimiento

4 Distribucin GPAR
3
(qT = QT/i)
0
0.999
1 0.5 0.2 0.1 0.05 0.02 0.01 0.005 0.002 0.001
Probabilidad de excedencia anual

1-F(x) = 1/T
Relacin regional entre los valores medios de las series de precipitaciones mximos anuales
y la duracin
Media de la precipitacin mxima anual (mm) 80
70
60
50
40
30 Pmax = 5.5797t r0.3647

20 R 2 = 0.9872
10
0
15 20 40 60 80 150 200 400 600 800 1440 2000
10 100 1000
Duracin aguacero (minutos)
Uso de las relaciones regionales obtenidas
Media de la precipitacin mxima anual (mm)

Periodo de Retorno (aos) 80
1,001 2 5 10 20 50 100 200 500 1000
Valor adimensional del cuantil regional
5 70
Curva Regional de Crecimiento 60
4 Distribucin GPAR
50
3
(qT = QT/i)
40
2 30 Pmax = 5.5797t r0.3647
1
20 R 2 = 0.9872
10
0
0
0.999
1 0.5 0.2 0.1 0.05 0.02 0.01 0.005 0.002 0.001 15 20 40 60 80 150 200 400 600 800 1440 2000
10 100 1000
Probabilidad de excedencia anual
Duracin aguacero (minutos)
Ejemplo de uso de las relaciones

Se quiere estimar la precipitacin de 1h de duracin y 100 aos de periodo de retorno en la localidad de Mlaga
Solucin
De la Curva Regional de Crecimiento, para T = 100 aos el valor adimensional del cuantil regional es qT = 3,11
En consecuencia, el valor del cuantil para la duracin de 1 h ser QT = qT i
Se necesita conocer la magnitud de i (valor medio de la precipitacin mxima anual de 1 h de duracin) que
segn la relacin de la segunda grfica es i = 24,8
Por consiguiente, la precipitacin de 1 h y 100 aos ser:
1h
QT = P100 = qT i = 3,11 24,8 = 77,1 mm Valor sensiblemente igual al dado en las Tabla de la
distribucin Generalizada de Pareto
DESARROLLO DE UNA RELACION Altura-Duracin-Frecuencia PARA MLAGA
La Curva Regional de Crecimiento corresponde a la Funcin de Distribucin Generalizada de Pareto ajustada a

los valores adimensionales de las series de mximos anuales consideradas (regin).
1k
k Siendo x el cuantil regional adimensional, qT
F (x ) = 1 1 (x ) (1)

La relacin entre el periodo de retorno T, y F(x) es
1 (2)
T=
1 F (x ) 1k
1 k
Combinando ambas ecuaciones (1) y (2) = 1 (x )
T
1 k
(3) qT = x = 1 +
T k
De la regresin entre los valores medios de las precipitaciones mximas y la duracin, se tiene
i = Pmax = 5,5797 t r0,3647 (4)
Combinando las ecuaciones (3) y (4) se obtiene el cuantil de la precipitacin para un periodo de retorno T
y duracin tr, QT = PTtr = q t i resultando
1 k
PTt r (
= 1 + 5.5797 t r0.3647 ) (5)
T k
Sustituyendo en (5) los valores de los parmetros, , k y , se obtiene la relacin Altura-Duracin-Frecuencia

de la precipitacin en Mlaga Capital
t
[ ( ) ]
PT r = 62.6103 1 (1 T )0.06138 + 1.9589 t r0.3647 (6)
t
Siendo PT r = altura de precipitacin de T aos de periodo de retorno y duracin tr
T = periodo de retorno (aos)
tr = duracin del aguacero (minutos)
SISTEMA DE ESTIMACIN DE EVENTOS EXTREMOS DE LLUVIA
FONDEF
Universidad de Talca EIAS Universidad de Crdoba

Jose Luis Ayuso

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Jose Luis Ayuso

Uploaded by

Copyright:

Available Formats

DEPARTAMENTO

ANLISIS REGIONAL DE FRECUENCIAS

Jos Luis Ayuso

Santiago de Chile Enero, 2012

2. PERIODO DE RETORNO Y PROBABILIDAD

3. ANLISIS REGIONAL DE FRECUENCIAS DE VALORES EXTREMOS

4. MTODOS DE LOS MOMENTOS LINEALES

Temporal en el Norte Espaa (Marzo-2008)

Ante estos sucesos el ingeniero ha de estimar la magnitud y frecuencia de tales eventos

Anlisis local de frecuencias Anlisis regional de frecuencias

Cuestiones a responder Cual es la probabilidad de que un evento extremo de determinada magnitud

En el diseo de estructuras hidrulicas el ingeniero ha de estimar el caudal de proyecto para un

Series de valores extremos

Diaria Estacin pluviomtrica

2. PERIODO DE RETORNO Y PROBABILIDAD

Problemas que se plantean en el anlisis de frecuencias:

3. ANLISIS REGIONAL DE FRECUENCIAS DE VALORES EXTREMOS

En trminos estadsticos el problema planteado en el anlisis de frecuencias es estimar la cola de una

Los pocos datos extremos disponibles hacen difcil tal estimacin

Registros en Ajuste a una funcin Estimacin

Registros Modelo de anlisis

Cundo se aplica el Anlisis Regional de Frecuencias?

2 Cuando no hay registros en el lugar de inters (caso general en pases en desarrollo

Se estima una Distribucin Regional de Frecuencias de valores extremos (precipitacin,

Se reduce la incertidumbre en las estimaciones de los cuantiles

Mtodo del ndice de avenida

4. MTODO DE LOS MOMENTOS LINEALES

Los momentos-L son estadsticos de muestras de datos y de distribuciones de probabilidad.

Son anlogos a los momentos convencionales proporcionan medidas de localizacin, dispersin,

Ventajas de los momentos L sobre los momentos convencionales

Son capaces de caracterizar una amplia gama de distribuciones

Son ms robustos a la presencia de valores anmalos (outlieres) en la muestra

Estimacin de los momentos-L a partir de datos de la muestra

El estimador del momento de probabilidad ponderada es:

Terminologa de los Momentos-L

Momentos lineales de la distribucin

Etapas fundamentales en el ARF

1 Identificacin de Regiones Homogneas

La tcnica de los momentos-L se usa en las tres etapas del ARF

1 Identificacin de Regiones Homogneas

Es la etapa ms difcil y la que requiere mayor dosis de juicio subjetivo

Lugares geogrficamente prximos pueden tener caractersticas muy diferentes de la

Tcnicas de identificacin de regiones homogneas

Anlisis Cluster (o anlisis de conglomerados) (Jingyi y Hall, 2004)

Anlisis de Componentes Principales (Garcia-Marn y col., 2011)

Redes Neuronales Artificiales (Jingyi y Hall, 2004)

Lgica Borrosa (Fuzzy logic) (Jingyi y Hall, 2004)

Estadsticos de cada lugar Deducidos de las series de

Caractersticas del lugar P.e., Precipitacin media anual,

La discordancia se mide con los momentos-L de los datos de los lugares.

u la media del grupo u

La medida de la heterogeneidad se realiza mediante un estadstico H

La regin se declara: Heterognea si H es suficientemente grande

Aceptablemente homognea si H < 1

Definidamente heterognea si H > 2

2 Seleccin de la Distribucin Regional de Frecuencias apropiada

Ajustar una funcin de distribucin de valores extremos al conjunto de datos mximos

Wakeby con lmite inferior

SQRT-ETmax De gran auge en Espaa

En lugares de inters no aforados, la curva regional puede redimensionarse con una

Metodologa Propuesta por Hosking y Wallis (1993, 1997)

Cv-L Cs-L Ck-L

2 Identificacin si la regin es homognea

Archivo de Salida PROGRAMA XTEST