Introduccin
El presente trabajo contiene una breve explicacin acerca de
distribuciones y solucin de problemas referentes a datos
mximos y mnimos, aqu una breve explicacin de este
mtodo:
En teora de probabilidad y estadstica la distribucin de
Gumbel (llamada as en honor de Emil Julius Gumbel (18911966) 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 niveles
mximos durante 10 aos. Es por esto que resulta muy til
para predecir terremotos, inundaciones o cualquier otro
desastre natural que pueda ocurrir.
La distribucin de Gumbel ha sido utilizada con buenos
resultados para valores extremos independientes de variables
meteorolgicas y parece ajustarse bastante bien a los valores
mximos de la precipitacin en diferentes intervalos de
tiempo y despus de muchos aos de uso parece tambin
confirmarse su utilidad en los problemas prcticos de
ingeniera de dimensionamiento de redes de drenaje y
diversas obras hidrulicas.
En nuestro caso, se puede emplear para el estudio de los
perodos de retorno de las precipitaciones mximas
registradas en 24 horas, as como para el clculo de los
periodos de retorno de los caudales de un ro.
Ejemplo
Se tienen las probabilidades de que haya 1, 2, 3, ... etc, das
nublados por semana en un determinado lugar, con ellos
calcule la distribucin de probabilidades.
X
0
1
2
3
4
5
6
7
Total
P(x)
0.05
0.15
0.25
0.20
0.15
0.10
0.08
0.02
1.0
F(x)
0.05
0.20
0.45
0.65
0.80
0.90
0.98
1.00
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.
DISTRIBUCION GUMBEL O EXTREMA TIPO I
Es una familia importante de distribuciones usadas en el anlisis
de frecuencia hidrolgico es la distribucin general de valores
extremos, la cual ha sido ampliamente utilizada para
representar el comportamiento de crecientes y sequas
(mximos y mnimos).
Funcin de densidad:
En donde a y b son los parmetros de la distribucin.
Estimacin de parmetros
donde
son la media y la desviacin estndar estimadas
con la muestra.
Factor de frecuencia:
Donde Tr es el periodo de retorno. Para la distribucin Gumbel
se tiene que el caudal para un perodo de retorno de 2.33 aos
es igual a la media de los caudales mximos.
Lmites de confianza
Xt t(1-a) Se
KT es el factor de frecuencia y t(1-a) es la variable normal
estandarizada para una probabilidad de no excedencia de 1-a.
EJEMPLO 01:
En un ro se tienen 30 aos de registros de Qmximos
instantneos anuales con x= 15 m3/s, S = 5 m3/s (media y
desviacin estndar para los datos originales). Encontrar el
caudal para un periodo de retorno de 100 aos y los limites de
confianza para un a = 5%.
QTr100 = x + KT s
KT = 3.14
QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
d = 3.93
Xt t(1-a) Se
30.7 m3/s (1.64) (3.58)
[24.83
m3/s
36.58
confianza para QTr100
m3/s]
Intervalo
de
AJUSTE DE DISTRIBUCIONES
Para la modelacin de caudales mximos se utilizan, entre otras,
las distribuciones Log - Normal, Gumbel y Log-Gumbel
principalmente. Para
seleccionar
la
distribucin
de
probabilidades de la serie histrica se deben tener en cuenta
algunas consideraciones.
Cuando en la serie histrica se observan outliers[1] es necesario
verificar la sensibilidad del ajuste debido a la presencia de
estos, (Ashkar, et al. 1994)
Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y LogPearson se requiere transformar la variable al campo logartmico
para modelarla, con lo que se disminuye la varianza muestral,
pero tambin se filtran las variaciones reales de los datos.
Las distribuciones de dos parmetros fijan el valor del coeficiente
de asimetra, lo que en algunos casos puede no ser
recomendable. La distribucin Log - Normal de dos parmetros
slo es recomendable s el coeficiente de asimetra es cercano a
cero. Las distribuciones Gumbel y Log - Gumbel son
recomendables si el coeficiente de asimetra de los eventos
registrados es cercano a 1.13
Para ajustar distribuciones de tres parmetros (Log Normal III, Log
Pearson) se requiere estimar el coeficiente de asimetra de la
distribucin; para ello es necesario disponer de una serie con
longitud de registros larga, mayor de 50 aos, (Kite, 1988). Las
distribuciones de dos parmetros son usualmente preferidas
cuando se dispone de pocos datos, porque reducen la varianza de
la muestra, (Ashkar, et al. 1994).
Para seleccionar la distribucin de probabilidades adecuada se
debe tratar de utilizar informacin adicional del proceso
hidrolgico que permita identificar la forma en que se distribuye la
variable. Usualmente es muy difcil determinar las propiedades
fsicas de los procesos hidrolgicos para identificar el tipo de
distribucin de probabilidad que es aplicable.
Kite (1988) y Mamdouh (1993) afirman que no existe consistencia
sobre cual es la distribucin que mejor se ajusta a los caudales
mximos y recomiendan seleccionar el mejor ajuste a criterio del
modelador con la prueba de ajuste grfico o basado en el
comportamiento de las pruebas estadsticas de bondad del ajuste
(por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von
Mises) en las que se calcula un estimador y se compara con un
valor tabulado para determinar si el ajuste es adecuado o no. En
la prueba de ajuste grfica se dibujan los valores registrados en la
serie contra la distribucin terica de probabilidades y de manera
visual (subjetiva) se determina si el ajuste es adecuado o no.
Cuando la informacin es adecuada el anlisis de frecuencia es
la metodologa ms recomendable para la evaluacin de
eventos extremos, ya que la estimacin depende solamente de
los caudales mximos anuales que han ocurrido en la cuenca y
no da cuenta de los procesos de transformacin de la
precipitacin en escorrenta. Obviamente tiene algunas
limitaciones relacionadas con el comportamiento de la serie
histrica y con el tamao y calidad de los datos de la muestra.
Cuando se presenten cambios o tendencias en la serie histrica se
deben utilizar tcnicas estadsticas que permitan removerlos para
poder realizar el anlisis de frecuencias (Kite, 1988; Mamdouh,
1993; Ashkar, et al. 1994).
La seleccin inadecuada de la distribucin de probabilidades de la
serie histrica arrojar resultados de confiabilidad dudosa, (Ashkar,
et al. 1994).
El tamao de la muestra influye directamente en la confiabilidad
de los resultados, as a mayor perodo de retorno del estimativo
mayor longitud de registros necesaria para mejor confiabilidad en
los resultados.
BIBLIOGRAFA
[Link]
[Link]
[Link]
[Link]
Willemse, W. J. and Kaas, R., "Rational reconstruction of frailty-based mortality
models by a generalisation of Gompertz law of mortality", Insurance:
Mathematics and Economics, 40 (3) (2007), 468484.
Moncho, R.; Caselles, V.; Chust, G. (2012): "Alternative model of probability
distribution of precipitation: application to Spain". Climate Research, 51: 23:33
