J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ.

de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 1

Revisin de mtodos paramtricos para la estimacin de la probabilidad de

ocurrencia de eventos extremos en Climatologa e Hidrologa: El uso de series de
excedencias y su comparacin con las series de mximos anuales
Santiago Beguera Portugus
Instituto Pirenaico de Ecologa (CSIC). Campus de Aula Dei. Apdo. 202. 50015-Zaragoza.

Resumen
La estimacin de la probabilidad de ocurrencia de eventos extremos en climatologa e hidrologa (eventos de precipitacin
extrema y crecidas) es un tema de primer inters, tanto terico como prctico. Por un lado, la obtencin de estadsticos
sobre el carcter ms o menos extremo de las precipitaciones ayuda a caracterizar el clima o el rgimen hdrico de un
lugar. Por otro lado, los sucesos extremos en climatologa e hidrologa constituyen un importante factor de riesgo para la
actividad humana, y en ocasiones llegan a convertirse en verdaderas catstrofes con saldo en vidas humanas. Es por ello
que el clculo de la probabilidad de ocurrencia de eventos extremos es parte importante en el diseo y planificacin de
cualquier obra civil o infraestructura. Aunque la bibliografa es abundante en trabajos sobre el tema, en la prctica el
mtodo clsico de series de mximos anuales ajustados a una distribucin Gumbel sigue siendo predominante. En este
trabajo se expone el uso de series de excedencias, que permiten utilizar ms informacin de las series originales. Se
explica la utilizacin de las distribuciones bi- y triparamtricas ms utilizadas en la bibliografa (EV1 o Gumbel, General
de Valores Extremos, Exponencial y General de Pareto), y se comparan los resultados obtenidos a partir del ejemplo de
12 estaciones climticas pirenaicas. Finalmente se ofrecen algunas pautas sobre en qu casos conviene utilizar una u otra
distribucin.

Palabras clave
Eventos extremos, periodo de retorno, series de excedencias, distribucin de Gumbel, distribucin General de Valores
Extremos, distribucin Exponencial, distribucin General Pareto

Abstract
The estimation of the occurrence probability of extreme events is an important issue in Climatology and Hydrology, and it
has both theoretical and practical interest. On one hand, the calculation of statistics on extremes helps on characterizing
the climate of a specific site. On the other hand, extreme climatologic and hydrologic events are an important risk factor
for human activities, and can even became natural catastrophes. For this reason the calculation of the occurrence
probability of extreme events plays an important role on designing civil or hydrologic structures. Although there are many
works on this topic in the literature, in practice the classic methodology based on annual maximum series fitted to a
Gumbel distribution is commonly used by researchers and engineers. In this work the method of exceedance or partial
duration series is explained. Different commonly used bi- and tri-parametric distributions are explained and compared. 12
climatic stations in the Spanish Pyrenees have been used as example.

Keywords
Extreme events, return periods, exceedance series, partial duration series, Gumbel distribution, General Extreme Values
distribution, Exponential distribution, Generalized Pareto distribution

promedio del lapso de tiempo que ha de transcurrir entre

1. INTRODUCCIN
El clculo de la probabilidad de ocurrencia de
eventos extremos mediante mtodos paramtricos se
basa en el ajuste de determinadas distribuciones de
probabilidad a las series de datos de una o varias
estaciones mediante tcnicas de estimacin de
parmetros. Las distribuciones de probabilidad son
funciones matemticas que relacionan la magnitud de
un evento con su probabilidad de ocurrencia. Dicha
probabilidad puede expresarse, tambin, en forma de
frecuencia por medio del periodo de retorno o
recurrencia. El periodo de retorno de un evento de
determinada magnitud puede definirse como el
dos repeticiones del mismo. Existe una estrecha relacin
entre la probabilidad y la frecuencia de un determinado
evento, como muestra la siguiente igualdad:
1
T ( x) = (1)
P( x X )
Donde T(x) es el periodo de retorno correspondiente a
un evento de magnitud x, y P(xX) la probabilidad de
que ocurra un evento de magnitud igual o superior a X.
En el clculo de riesgos hidroclimticos es frecuente
expresar la magnitud de un evento en trminos de
excedencia, pues si una lluvia o una crecida
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92
VII Reunin Nacional de Climatologa
Grupo de Clima de la Asociacin de Gegrafos Espaoles
determinadas son capaces de causar un dao, entonces
cualquier lluvia o crecida de mayor intensidad tambin
lo causar. En la figura 1 se muestra la curva de
magnitud / probabilidad / recurrencia calculada para una
estacin pirenaica.
Probabilidad de excedencia anual (-)
1 0.5 0.2 0.1
140
120
Precipitacin diaria (mm)
100
80
60
40
20
0
1 10
Periodo de retorno (aos)
Figura 1 Curva de magnitud / probabilidad / recurrencia de la
precipitacin diaria en la estacin de Hecho (Pirineo oriental).
El anlisis de frecuencias de eventos extremos se
basa en los siguientes presupuestos:
a) Los eventos climticos o hidrolgicos extremos son
una variable aleatoria que puede ser expresada mediante
una distribucin de probabilidad.
b) La serie de eventos extremos es independiente; es
decir, la magnitud de cada suceso no tiene correlacin
con los sucesos anteriores.
c) La distribucin de probabilidad que explica el
proceso extremo no vara en el tiempo, ni tampoco
cambia en funcin de la magnitud de la variable.
El anlisis de frecuencias de eventos extremos tiene
que ver con el estudio de las colas de la distribucin de
frecuencias de la variable, por lo que resulta necesaria
alguna tcnica de muestreo para extraer de las series de
datos originales los valores de magnitud excepcional.
Existen principalmente dos procedimientos de muestreo
de valores extremos en series hidroclimticas: las series
de mximos (AMS) y las series de excedencias o de
duracin parcial (PDS). Las primeras se construyen a
partir de los valores mximos de la variable tomados a
intervalos fijos de tiempo, habitualmente un ao, por lo
que el tamao final de la muestra es igual al nmero de
aos de registro. Las series de excedencias, en cambio,
se construyen extrayendo de la serie original todos
aquellos valores superiores a un determinado umbral
fijado de antemano, por lo que el tamao de la muestra
es variable. En la figura 2 se comparan ambos
procedimientos.
Albarracn 2002
2
75
Precipitacin diaria (L m )
-2
50
25
0
0.01 0.001 A 1970 1971 1972 1973 1974 1975 1976
75
Precipitacin diaria (L m )
-2
50
u
25
0
B 1970 1971 1972 1973 1974 1975 1976
Figura 2 Estrategias de muestreo de eventos extremos: series de
mximos anuales (A); series de excedencias sobre un umbral (B)
100 1000
Las series de mximos es con diferencia el mtodo
ms utilizado debido a su sencillez. Sin embargo,
conviene tener en cuenta el presupuesto subyacente de
que los valores mximos de cada ao constituyen
sucesos suficientemente excepcionales. Esto no siempre
se cumple, pues los mximos de algunos aos pueden
no ser realmente extremos (incumpliendo la condicin
c). En las series de excedencias, en cambio, la seleccin
del valor de umbral permite definir con precisin lo que
se considera un evento extremo de la variable.
La seleccin del valor de umbral permite, por otra
parte, controlar el tamao final de la muestra. Este es un
aspecto de gran importancia en todo procedimiento de
regresin, donde el tamao de la muestra condiciona la
fiabilidad de los resultados. En este sentido, las series de
excedencias hacen un uso mucho ms eficiente de la
informacin contenida en las series originales, pues
permiten incluir ms de un evento por ao si ste
cumple el requisito para ser considerado extremo. En las
series de mximos anuales se pierden muchos eventos
secundarios que pueden ser mayores que los mximos
de otros aos, y por tanto proporcionan valiosa
informacin.
El mayor problema relacionado con el uso de series
de excedencias es la dificultad para asegurar la
independencia de las observaciones (condicin b). En
efecto, en las series de mximos anuales se asegura el
espaciado temporal de los sucesos muestreados, al
contrario de lo que sucede con las series de excedencias.
En stas, un valor de umbral excesivamente bajo puede
hacer que las ocurrencias aparezcan agrupadas en el
tiempo, en lugar de aleatorias. Sin embargo, se ha
demostrado (Beguera, 2001) que la violacin de este
presupuesto no afecta significativamente a los
resultados.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 3

Un problema comn en el anlisis de frecuencias de La distribucin ms frecuentemente utilizada con

eventos extremos es la eleccin de la funcin de
distribucin de probabilidad a utilizar. Aunque en la
bibliografa especializada existen numerosas propuestas,
algunas distribuciones biparamtricas se han establecido
como estndares y son utilizadas por un gran nmero de
investigadores. As sucede con la distribucin de
Valores Extremos tipo I (EV1) o de Gumbel, utilizada
con series de mximos anuales, o con la distribucin
series de mximos anuales es la distribucin de Valores
Extremos tipo 1 (EV1), tambin conocida como
distribucin de Gumbel por la contribucin a su
desarrollo de este investigador (Gumbel, 1958). La
distribucin EV1 es del tipo doble exponencial, y su
funcin de densidad de probabilidad es:
1 x
x

f ( x) = e e

Exponencial (EXP), empleada con series de (2)
excedencias. Ambas distribuciones son funciones
biparamtricas derivadas de expresiones ms generales, donde x puede tomar valores en el rango - x . y
como son respectivamente la distribucin de General son parmetros de escala y origen respectivamente.
Valores Extremos (GEV) y la distribucin General
Pareto (GP). Al ser stas funciones triparamtricas La funcin de distribucin o de probabilidad
ofrecen un mejor ajuste a las series de datos, por lo que acumulada es:
muchos autores las prefieren a las primeras.
x

F ( x X ) = e e

En este trabajo se expondr la metodologa para el (3)

clculo de la probabilidad de ocurrencia de eventos
extremos a partir de series de mximos anuales y de
series excedencias, mediante las distribuciones EV1 y
GEV para las primeras y EXP y GP para las segundas.
Se compararn los cuatro modelos a partir de datos
reales, y se ofrecern algunas pautas que ayuden a elegir
el mtodo adecuado a cada caso.
La base de datos utilizada para la comparacin
comprende un total de 12 estaciones climatolgicas del
Pirineo Central espaol, con registros diarios de
precipitacin correspondientes al periodo 1941-1991. El
rea de estudio se extiende entre los ros Gllego al este
y Esca al oeste, y desde la frontera con Francia hasta el
En la figura 4 se muestran algunos ejemplos de la f.d. de
Gumbel, con diferentes parmetros. Se observa el efecto
de variar el parmetro de escala , acentuando la
curvatura. El parmetro (origen) slo tiene el efecto
de desplazar la curva en el eje de abscisas, por lo que se
ha mantenido constante. Como en las series de mximos
el origen (valor mnimo de X) no es absoluto, no se
alcanza en l la mayor probabilidad. Queda as la
posibilidad de que el evento mximo de un ao sea
inferior a los observados hasta el momento.
EV1 (Gumbel)
1.0

lmite sur del Pirineo (ver figura 3). El clima de

montaa est dominado por influencias atlnticas en el 0.8
noroeste y mediterrneas en el sur y sureste. La
precipitacin anual decrece de norte a sur y de oeste a
0.6
este, alcanzando los 2500 mm en la alta montaa y los
P(x>X)

600-800 mm en la llamada Depresin Interior.

0.4
=30, =60

=15, =60
0.2
=5, =60

=1, =60
0.0
60 80 100 120 140

X (mm)

Figura 3 rea de estudio y estaciones utilizadas: 1: Artieda; 2: Figura 4 Distribucin EV1 o de Gumbel, con distintas
Barrosa; 3: Biescas; 4: Canfranc; 5: Balneario de Panticosa; 6: parametrizaciones
Pineta; 7: Plandescn; 8: Pueyo de Jaca; 9: Sabinigo; 10:
Seira; 11: Villana; 12: Yesa.
Inviertiendo la expresin anterior se puede calcular
la precipitacin mxima correspondiente a un periodo
2. METODOLOGA de retorno determinado:
*
2.1.- Distribuciones de probabilidad para series 1
de mximos: EV1 (Gumbel) y GEV xT = log log1 (4)
T
* NOTA IMPORTANTE: El logaritmo en la frmula 4
debera ser neperiano, es decir ln.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 4

*
1
La distribucin General de Valores Extremos, GEV, xT = + 1 log1 (7)
es una generalizacin de la distribucin EV1, al T
aadirse un parmetro de forma, . As, EV1 se obtiene
a partir de GEV cuando vale 0. La f.d.p. de GEV es:
2.2.- Distribuciones de probabilidad para series
1 1
1 de excedencias: EXP y GP
1 x x
1


f ( x) = 1 e (5)
La series de excedencias se forman a partir de la
serie hidroclimtica original y un valor de umbral x0,
Aunque puede tomar cualquier valor, GEV slo puede definindose la serie transformada y{y1, y2, ..., yn}:
utilizarse para mximos de variables climticas cuando
es negativo, pudiendo tomar x valores en el rango y n = xm x0 xm x0 (8)
+ / x . Para valores positivos de k la
distribucin tiene una asntota (lmite superior) en x =
+ /, por lo que se suele utilizar entonces la La forma de las distribuciones anteriores no las hace
distribucin EV1. adecuadas para las series de excedencias. Las
distribuciones ms utilizadas son en cambio la
La funcin de distribucin o de probabilidad exponencial (EXP) y la General Pareto (GP). La ms
acumulada es: sencilla de la dos es EXP, cuya f.d.p. es:

x
1
1

x

f ( x) = e
(9)
1

F (x X ) = e (6)
La variable x puede tomar cualquier valor en el rango
La figura 5 muestra la f.d. GEV, con varias < x , siendo igual al umbral de corte de la serie de
parametrizaciones. Adems del cambio de escala, la excedencias, x0. es un parmetro de escala.
variacin del parmetro influye en el mayor o menor
peso de la cola de la distribucin. Se ha incluido un La f.d. de EXP es:
ejemplo con valor de positivo, para el que la curva
presenta una asntota vertical. x

F (x X ) = 1 e
(10)
GEV
En la figura 6 se presenta la distribucin EXP, con
1.0

varias parametrizaciones. Se puede observar que la

0.8 distribucin EXP es bastante similar a la EV1 en forma,
salvo que EXP slo existe para valores mayores que x0
0.6 (=60, en el ejemplo), como corresponde a una serie de
excedencias.
P(x>X)

=5, =20, =60 EXP

0.4 =5, =5, =60 1.0

0.2 =0.2, =20, =60

0.8

=0.2, =5, =60

=0.8, =5, =60
0.0 0.6
P(x>X)

60 80 100 120 140

=30, =60
X (mm)
Figura 5 Distribucin GEV, con distintas parametrizaciones 0.4
=15, =60

La precipitacin mxima correspondiente a un 0.2 =5, =60

periodo de retorno determinado es:

=1, =60
0.0
60 80 100 120 140

X (mm)

* NOTA IMPORTANTE: El logaritmo en la frmula 4

debera ser neperiano, es decir ln.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 5

Figura 6 Distribucin EXP, con distintas parametrizaciones

Existen razones tericas que recomiendan las
La precipitacin mxima correspondiente a un distribuciones EXP y GP para las series de excedencias.
periodo de retorno determinado es: Ello se debe a la propiedad llamada estabilidad frente al
umbral, de manera que una distribucin GP conserva el
* mismo parmetro de forma aunque se haga variar el
xT = + log(T ) (11)
umbral de la serie de excedencias, x0 = . Los
parmetros de EXP no varan al cambiar el valor de
La distribucin GP es una generalizacin de la
umbral. Esta propiedad es muy conveniente con las
anterior al incluir un parmetro de forma, . La f.d.p. es: series de excedencias, una de cuyas premisas bsicas es
1
que la serie conserva la misma forma
1
1 independientemente del umbral que se escoja (condicin
f ( x) = 1 ( x ) (12) c).

Existen tambin vnculos tericos entre las cuatro
donde x toma valores en el rango x , para < 0. distribuciones analizadas en este trabajo. Una serie de
Con k positivo la distribucin tiene una asntota en x = excedencias ajustada a una distribucin EXP implica
+ /, lo que la invalida para trabajar con variables que la serie de mximos anuales asociada se ajusta a una
hidroclimticas. En ese caso se prefiere utilizar la EV1 (Cunnane, 1973). Lo mismo sucede entre las
distribucin EXP. distribuciones GP y GEV (Madsen et al., 1997). La
tabla 1 muestra las relaciones entre las cuatro
La f.d. GP es: distribuciones.

1 Tabla 1 Relaciones entre las cuatro distribuciones de

F ( x X ) = 1 1 ( x )
probabilidad analizadas
(13)
Series de Series de
En la figura 7 se muestra la distribucin GP con mximos excedencias
2 parmetros EV1 EXP
diferentes parametrizaciones, incluyendo valores
3 parmetros GEV GP
positivos del parmetro . La curva GP tiene bastantes
similitudes con GEV, salvo que no existe para valores 2.3.- Seleccin de la distribucin mediante L-
menores que x0. momentos
GP
1.0
Ante la existencia de diferentes mtodos de muestreo
y distintas distribuciones, el hidroclimatlogo se
encuentra con el problema de seleccionar el mtodo ms
0.8
ajustado a sus datos. Los tests estadsticos habituales de
bondad de ajuste, como el test de chi-cuadrado o el de
0.6 Kolmogorov-Smirnoff pueden utilizarse para comprobar
P(x>X)

el grado de ajuste entre los periodos de retorno

0.4 =2, =20, =60 estimados y observados, pero no tienen la potencia
estadstica suficiente para elegir la mejor entre distintas
=2, =5, =60 distribuciones. (Rao y Hamed, 2000, p. 41). Para este
0.2
=0.2, =20, =60 propsito se utilizan de forma mayoritaria los diagramas
de momentos, en los que se representan conjuntamente
=0.2, =5, =60
0.0 =0.5, =5, =60 los momentos (coeficiente de variacin, sesgo,
60 80 100 120 140
curtosis...) de ciertas distribuciones tericas y los de las
X (mm)
muestras analizadas. Estos permiten, sobre todo si se
Figura 7 Distribucin GP, con distintas parametrizaciones
cuenta con muestras de varias estaciones, determinar la
distribucin terica a la que ms se ajustan los datos.
La precipitacin correspondiente a un periodo de
retorno determinado, xT, es: Los L-momentos se han propuesto como sustitutos
ventajosos de los momentos ordinarios, sobre todo al
trabajar con muestras de eventos extremos (Hosking,
1
xT = + 1 (14) 1990). Los L-momentos son combinaciones lineales de
T los momentos ponderados por probabilidad (PWM),
introducidos por Greenwood et al. (1979). Estos son una
* NOTA IMPORTANTE: El logaritmo en la frmula 11
debera ser neperiano, es decir ln.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 6

generalizacin de los momentos ordinarios, en los que maneras para seleccionar la mejor distribucin para
el peso de cada observacin depende de su probabilidad unos datos. Ello suele hacerse mediante las grficas de
terica de ocurrencia: L-momentos, en las que se comparan los L-coeficientes
de sesgo (3) y curtosis (4) de las estaciones con los
{
M p ,r , s = E x p [F ( x )] [1 F ( x)]
r s
} (15) correspondientes a las distribuciones de probabilidad
consideradas.
A efectos de estimacin de parmetros, habitualmente Hosking (1990) ofrece aproximaciones polinomiales
se emplean los momentos s = M1,0,s o r = M1,r,0. a la relacin entre 3 y 4 para diversas distribuciones de
Debido a la dificultad de estimar la probabilidad valores extremos, permitiendo la construccin de
acumulada F(xX), para la que se han propuesto grficas de L-momentos. En este trabajo se han utilizado
diversas frmulas (Cunnane, 1989), se puede utilizar el las siguientes:
estimador no sesgado de Landwehr et al. (1979), que
desarrollado para los tres primeros momentos es: EV1: 3 = 0.1699 4 = 0.1504 (17)
GEV: 4 = 0.10701 + 0.11090 3 + 0.84838 32
1 N
0 = xi 0.06669 33 +0.00567 34 0.04208 35 + 0.03763 36
N i =1 EXP: 3 = 1/3 4 = 1/6
1 N 1 ( N i ) GP: 4 = 3 (1 + 53) / (5 + 3)
1 = xi
N i =1 ( N 1)
(16)
1 N 2 ( N i ) ( N i 1) 2.4.- Estimacin de parmetros mediante L-
2 = xi
N i =1 ( N 1) ( N 2) momentos

1 N 3 ( N i ) ( N i 1) ( N i 2 ) Los L-momentos de las muestras pueden utilizarse

3 = xi
N i =1 ( N 1) ( N 2 ) ( N 3) tambin para estimar los parmetros de las diferentes
distribuciones. Algunos estudios (CITA) han
comprobado la superioridad de este mtodo frente a
donde r es el PWM de orden r, N el nmero total de
otros, como el de los momentos ordinarios o el de
observaciones, y xi el elemento i-simo de la serie de
mxima verosimilitud.
excedencias, una vez ordenada dicha serie en orden
descendente: xi-1 > xi > xi+1.
Los estimadores para la distribucin EV1 son
(Greenwood et al., 1979; Hosking, 1986):
Los L-momentos, n , son combinaciones lineales de
PWM: 2
=
1 = 0 ln(2) (18)

2 = 2 1 0 b = 1 0.5772157
(16)
3 = 6 2 6 1 + 0 El circunflejo, ^, indica que se trata de estimadores
4 = 20 3 30 2 + 12 1 0 muestrales.

Para la distribucin GEV (Hosking et al., 1985):

1 es igual a la media muestral. La ratio 2 = 2 / 1 es
el L-coeficiente de variacin. Las ratios 3 = 3 / 2 y
2 ln( 2)
4 = 4 / 2 son los L-coeficientes de sesgo y curtosis, = 7.8590 +
3 + 3 ln(3)
respectivamente.
2 ln( 2)
+ 2.9554
Las ventajas de los L-momentos sobre los momentos 3 + ln( 3)
ordinarios han sido subrayadas por varios autores (ver
3 (19)
Vogel y Fennessey, 1993). Fundamentalmente, los L-
2
=
momentos no se ven tan afectados por la existencia de (
(1 + ) 1 2 )
elementos extremos en la muestra como los momentos

ordinarios, por lo que son mucho ms fiables. Los L- = 1 + [(1 + ) 1]
momentos son descriptores idneos de la forma de una
distribucin, por lo que pueden utilizarse de diversas
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92
VII Reunin Nacional de Climatologa
Grupo de Clima de la Asociacin de Gegrafos Espaoles
Para la distribucin EXP (Rao y Hamed, 2000, p.
132):
= 2 2
= x0
Finalmente, para la distribucin GP (Hosking, 1990):
1 mayor nmero de casos.
= 1 1
2 La figura 8 permite asimismo comparar el distinto
1 grado de ajuste de las distribuciones de dos y de tres
= 2
2 de incorporar un parmetro de forma, mientras que las
= x 0
3. RESULTADOS
3.1.- Seleccin de la distribucin
La grfica de L-momentos (figura 8) permite
comprobar el grado de ajuste entre las muestras y las
cuatro distribuciones analizadas. Las distribuciones de
tres parmetros (GEV, GP) aparecen como una linea en
la grfica de L-momentos, mientras que las
distribuciones biparamtricas (EV1, EXP) son
representadas por un nico punto, puesto que su forma
no vara. La superposicin de los puntos en las lneas
indica la filiacin entre las distribuciones. Las series
muestrales de mximos anuales y de excedencias son
representadas mediante tringulos y cuadrados,
respectivamente. Cada punto es una estacin diferente.
0.4
4
0.2
EV1
EXP
GEV
0.0
GP
0.0 0.2 0.4
3 estimacin de frecuencias han recurrido en general a dos
Figura 8 Grfica de L-momentos, mostrando el ajuste de las
estaciones a las distribuciones analizadas
En la figura puede comprobarse el buen grado de
ajuste entre las series muestrales y las distribuciones
tericas. Las distribuciones GP y EXP aparecen
Albarracn 2002
7
claramente como adecuadas para las series de
excedencias, mientras que las distribuciones GEV y
EV1 lo son para las series de mximos anuales. El grado
de ajuste es mximo en el caso de las series de
excedencias, presentando las series de mximos una
(20) mayor dispersin que puede dificultar su asignacin a
una nica distribucin, sobre todo si se trabaja con
estaciones aisladas y no con un grupo de ellas como en
este caso. Esto se debe a la mayor eficiencia de las
series de excedencias, debido a que cuentan con un
(21) parmetros. Las ltimas son ms flexibles por el hecho
biparamtricas no pueden variar salvo en la escala. Ello
hace que aparezcan como un simple punto en la figura.
Como puede comprobarse, en general las distribuciones
de tres parmetros permiten un ajuste mucho mejor a las
condiciones particulares de cada estacin.
La grfica de L-momentos, pues, confirma la mayor
robustez de las series de excedencias debido a la mayor
cantidad de informacin que recogen. Asimismo,
muestra que las distribuciones de tres parmetros estn
en general mejor adaptadas a las variaciones concretas
de cada estacin.
3.2.- Comparacin entre series de mximos
anuales y series de excedencias
La validacin de cualquier tcnica de regresin suele
hacerse mediante la comparacin del error cuadrtico
medio o algn test de bondad de ajuste como el de
Kolmogorov-Smirnoff o el de la chi cuadrado. En el
caso que nos ocupa, sin embargo, la aplicacin de estos
mtodos es muy problemtica, puesto que no
conocemos la frecuencia real de las precipitaciones
extremas de la muestra, y por lo tanto no podemos
compararlas con las estimadas. La frecuencia real
asociada a los eventos observados se puede estimar
mediante frmulas no paramtricas sencillas (ver
Cunnane, 1989), pero no nos permite comparar unas
distribuciones con otras, puesto que dicha frecuencia es
tambin una estimacin.
AMS
PDS
Los distintos autores que han estudiado el problema
0.6 de cmo comparar la bondad de varios mtodos de
procedimientos: comparacin a nivel terico del error
estndar de cada una de las distribuciones; o anlisis de
tipo Montecarlo, utilizando un gran nmero de series
simuladas a partir de parmetros fijados por el
investigador, en cuyo caso s se conoce la frecuencia
exacta asociada a cada evento y se pueden emplear los
procedimientos ordinarios de comparacin.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92
VII Reunin Nacional de Climatologa
Grupo de Clima de la Asociacin de Gegrafos Espaoles
En la bibliografa pueden encontrarse varios trabajos
dedicados a la comparacin entre las series de mximos
y las series de excedencias, y parece existir un amplio
grado de consenso. Las series de excedencias son ms
eficientes que las series de mximos cuando stas
contienen un promedio de 1,62 o ms eventos por ao.
A partir de este valor, la varianza (y por tanto el error
tpico) de las estimaciones a partir de series de mximos
es mayor que el de las series de excedencias. Este
resultado es conocido ya desde el trabajo de Cunnane
(1973), que compar los modelos AMS-EV1 y PDS-
EXP. Madsen et al. (1997) han extendido el estudio a
los modelos AMS-GEV y PDS-GP, llegando a las
mismas conclusiones.
Aparte las razones de tipo terico, que aconsejan
emplear preferentemente las series de excedencias por
su mayor grado de confianza, resulta interesante
comparar los periodos de retorno obtenidos con uno y
con otro procedimiento de muestreo. En la figura 9 se
comparan las estimaciones de los cuatro modelos
analizados en este trabajo.
100 100
PDS-EXP
PDS-GP
10 10
1
1 10 100
1
1 10
AMS-EV1 AMS-GEV
Figura 9 Comparacin entre los periodos de retorno estimados
para las doce estaciones de estudio mediante series de mximos
(AMS-EV1 y AMS-GEV) y series de excedencias (PDS-EXP y
PDS-GP)
La figura 9 no nos informa sobre el grado de ajuste
entre las distintas estimaciones y los datos reales, puesto
que no conocemos las frecuencias reales asociadas a los
eventos estudiados, pero permiten comparar las
predicciones obtenidas entre s. Se puede ver que, para
los eventos de mayor recurrencia (1 a 5 aos) las series
de mximos anuales tienden a sobreestimar la
frecuencia. Sin embargo, para eventos de menor
recurrencia y por tanto mayor intensidad, las series de
mximos tienden a infraestimar de manera importante la
frecuencia, con respecto a las series de excedencias. Es
decir, en general las series de mximos arrojan periodos
de retorno inferiores a las series de excedencias. Este
resultado vale tanto para las distribuciones de dos como
de tres parmetros.
3.3.- Comparacin entre distribuciones bi- y tri-
paramtricas
Albarracn 2002
8
Al igual que en el caso anterior, varios autores han
abordado la comparacin entre las distribuciones de dos
y de tres parmetros. Estos trabajos se basan tambin en
consideraciones de tipo terico, o bien en experimentos
empricos a partir de series simuladas. En general, como
se ha dicho anteriormente, las distribuciones
triparamtricas son preferibles debido a su mayor
flexibilidad y por tanto capacidad para ajustarse a los
distintos observatorios. Esto se ha visto de manera
terica y tambin a partir de la grfica de L-momentos.
Sin embargo, la nica diferencia existente entre unas
y otras distribuciones es el parmetro de forma , que
en las de dos parmetros vale cero. Como todo
procedimiento estadstico, la estimacin de este
parmetro est sujeta a un margen de error dependiente
del nivel de confianza al que se trabaje, por lo que en
algunos casos la eleccin de la distribucin
triparamtrica no estar justificada, pues el valor de
distinto de cero puede deberse al azar. Cuando exista
esta duda, siempre ser preferible optar por la
distribucin biparamtrica, pues al tener menos
parmetros que estimar resulta mucho ms robusta y por
tanto est sujeta a un error menor. Lu y Stedinger
(1992) han estudiado el caso de los modelos AMS-EV1
y AMS-GEV, y Madsen et al. (1997) han extendido la
comparacin a los modelos PDS-EXP y PDS-GP. La
conclusin de estos ltimos es que resulta preferible
emplear distribuciones biparamtricas, sobre todo EXP,
incluso aunque se pueda conocer (grfica de L-
momentos) que las series se ajustan mejor a modelos de
100
tres parmetros. Slo en el caso de disponer de series
hidroclimticas largas o de utilizar la hiptesis regional
(que permite reducir la incertidumbre en el clculo de ;
ver Madsen et al., 1997b para ms informacin sobre
modelos regionales de estimacin de frecuencias)
recomiendan utilizar la distribucin GP.
0.0
-0.1
-0.2
-0.3
-0.4
-0.5
20 100 1000
n
Figura 10 Lmites de confianza inferior para k=0, con
=0.05, en funcin del nmero de elementos de la serie de
excedencias (n). A partir de Rosbjerg et al. (1992)
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92
VII Reunin Nacional de Climatologa
Grupo de Clima de la Asociacin de Gegrafos Espaoles
En la figura 10 se muestra el lmite inferior para la
hiptesis nula =0 a un nivel de confianza =0.05,
segn Rosbjerg et al. (1992). Se indica en color gris el
rea en la que no puede rechazarse la hiptesis nula, por
lo que slo si el valor estimado de cae por debajo del
lmite inferior podr asumirse 0. El lmite superior no
se ha incluido, puesto que no son aceptables valores
positivos de , por lo que en caso de que aparezcan se
debe utilizar =0.
En la figura 11 se comparan los resultados obtenidos
mediante distribuciones bi- y triparamtricas. En el caso
de las series de mximos anuales (AMS-EV1 y AMS-
GEV) se observa cmo los resultados apenas difieren,
por lo que resulta irrelevante optar por una u otra
distribucin. En el caso de las series de excedencias
(PDS-EXP y PDS-GP) se observa cmo empiezan a
aparecer divergencias a partir de los 10 aos de
recurrencia, aunque no puede decirse que en general
uno de los modelos sobreestime o subestime con
respecto al otro, pues el error est distribuido
aleatoriamente.
100
AMS-GEV
PDS-GP
10
1
1 10 100
AMS-EV1
Figura 11 Comparacin entre los periodos de retorno estimados
para las doce estaciones de estudio mediante series biparamtricas
(AMS-EV1 y PDS-EXP )y series triparamtricas (AMS-GEV y PD-
GP)
4. CONCLUSIONES
El presente trabajo es una revisin de los distintos
procedimientos para la estimacin del periodo de
retorno de eventos extremos ms comunmente
utilizados en la bibliografa internacional. Se ha
distinguido entre cuatro modelos, segn la tcnica de
muestreo de las series de extremos (mximos anuales o
excedencias) y segn la distribucin de probabilidad
empleada.
Sobre qu modelo emplear en cada caso concreto, se
pueden ofrecer las siguientes pautas:
Las series de excedencias son preferibles a las series
de mximos anuales, arrojando un menor error tpico
a partir de 1,62 eventos por ao.
A menos que se cuente con series muy largas o se
tenga seguridad de que el parmetro de forma es
Albarracn 2002
9
distinto de cero, resulta preferible emplear
distribuciones biparamtricas por su mayor robustez.
Combinando los dos puntos anteriores, el
procedimiento ptimo para el anlisis de estaciones
aisladas parece ser el de series de excedencias
ajustados a una distribucin exponencial (PDS-
EXP).
Finalmente se han comparado los resultados
obtenidos con los distintos procedimientos en las
estaciones del rea de estudio, llegndose a las
siguientes conclusiones:
Las series de mximos (AMS) tienden a subestimar
el periodo de retorno de los eventos de ms de 5 aos
de recurrencia, con respecto a las series de
excedencias (PDS).
Las distribuciones biparamtricas y triparamtricas
ofrecen resultados similares, sin que unas sub- o
sobreestimen con respecto a las otras. Sin embargo,
existe una mayor divergencia entre EXP y GP que
entre EV1 y GEV.
AGRADECIMIENTOS
100
Este trabajo ha contado con la financiacin de los
siguientes proyectos: Water resources management in a
changing environment: the impact of sediment in
10
sustainability (WARMICE, ENV-4-CT98-0789) y
Debris flow asessment in mountain catchments for
local endusers (DAMOCLES, EVG1-1999-00027P),
1
1 10 100
financiados por la Comisin Europea, e Identificacin
PDS-EXP de fuentes de sedimento y escorrenta en relacin con
los cambios de uso del suelo, (HIDROESCALA,
REN2000-1709-C04-01/GLO) y Procesos hidrolgicos
en reas mediterrneas semi-naturales (PROHISEM,
REN2001-2268-C02-01/HID), financiados por la
CICYT.
BIBLIOGRAFA
Beguera, S. (2001): Influence of the truncation value in
exceedance series modelling of hydrologic extremes. Journal of
Hydrology, en revisin.
Cunnane, C. (1973): A particular comparison of annual maxima
and partial duration series methods of flood frequency prediction.
Journal of Hydrology. Vol. 18: 257-271.
Cunnane, C. (1989): Statistical distributions for flood frequency
analysis. World Meteorological Organization Operational
Hydrology, Report n 33, WMO-N 718. Ginebra, Suiza.
Greenwood, J.A., Landwehr, J.M., Matalas, N.C. y Wallis, J.R.
(1979): Probability-weighted moments: definition and relation to
parameters of several distributions expressible in inverse form.
Water Resources Research. Vol. 15: 1049-1054.
Gumbel, E.J. (1958): Statistics of extremes. Columbia University
Press, Nueva York (EE.UU.).
Hoskin, J.R.M., Wallis, J.R. y Wood, E.F. (1985): Estimation of
the Generalized Extreme Value distribution by the method of
probability weighted moments. Technometrics. Vol. 27: 251-261.
J.M. Cuadrat, S.M. Vicente y M.A. Saz (eds.), 2002, La informacin climtica como herramienta de gestin ambiental, Univ. de Zaragoza, pp. 83-92

VII Reunin Nacional de Climatologa Albarracn 2002

Grupo de Clima de la Asociacin de Gegrafos Espaoles 10

Hosking, J.R.M. (1986): The theory of probability weighted

moments. Research Report RC 12210, IBM Research Division.
Yorktown Heights, Nueva York (EE.UU.).
Hosking, J.R.M. (1990): L-moments: analysis and estimation of
distributions using linear combinations of order statistics. Journal of
the Royal Statistical Society. Serie B, Vol 52: 105-124.
Landwehr, J.M., Matalas, N.C., Wallis, J.R. (1979): Probability
weighted moments compared with some traditional techniques in
estimating Gumbel parameters and quantiles. Water Resources
Research. Vol. 15: 1055-1064.
Lu, L.H. y Stedinger, J.R. (1992): Variance of two- and three-
parameter GEV/PWM quantile estimators: formulae, confidence
intervals, and a comparison. Journal of Hydrology. Vol. 138, 247-
267.
Madsen, H., Pearson, C.P., Rosbjerg, D. (1997b): Comparison of
annual maximum series and partial duration methods for modelling
extreme hydrologic events. 2. Regional modelling. Water Resources
Research. Vol. 33(4): 759-769.
Madsen, H., Pearson, C.P., y Rosbjerg, D. (1997a): Comparison
of annual maximum series and partial duration methods for
modelling extreme hydrologic events. 1. At-site modeling. Water
Resources Research. Vol. 33(4): 759-769.
Rao, A.R. y Hamed, K.H. (2000): Flood frequency analysis.
CRC Press, Boca Raton (Florida, EE.UU.).
Vogel, R.M. y Fennessey, N.M. (1993): L-moment diagrams
should replace product moment diagrams. Water Resources
Research. Vol. 29(6): 1745-1752.