Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EXTREMOS
CONCEPTOS CLSICOS
No estacionariedad.
Seleccin de modelos. Deteccin de tendencias.
Estimacin de parmetros y Modelo Generalizado de
verificacin del modelo. Valores Extremos.
Mxima verosimilitudes Mxima verosimilitud.
irregulares. Ecuaciones con la variacin
temporal de los parmetros.
TEMAS A CONSIDERAR
Probabilsticos:Gumbel y GEV.
Probabilsticos-Dererminsticos: FDD.
ALGUNAS HIPTESIS
BSICAS
Gumbel
Log-Normal II f ( x)
1
exp x
x 2 2
x
x
Pearson III exp ( x )
f ( x) ( x )
1
( )
x
x( )
Gumbel 1 x x
f ( x)
exp exp
x
( x )
1
GEV
F ( x) exp 1
x
MTODOS DE ESTIMACIN
DE PARMETROS
Momentos
Mxima Verosimilitud
Mxima Verosimilitud Corregido
n
L ( ) f ( xi , )
i 1
n
l ( ) log L( ) log f ( xi , )
i 1
MODELO DE VALORES
EXTREMOS /EV1-GUMBEL)
Valores extremos: mximos o mnimos.
Precipitaciones mximas.
24
MODELO DE GUMBEL
Moda ,
and
Varianza 22
MODELO GUMBEL Y
MXIMA VEROSIMILITUD
f ( x, , ) exp ( x ) exp ( x )
LogL N log N x exp ( x )
N
i 1
MODELO GUMBEL
27
ECUACIONES DE MV DEL
MODELO PEARSON III
1
log L n log ( ) ( x ) ( 1) log( x ) n ln
n n
i i
i 1 i 1
log L 1 n
(x )
n
0
2 i
i 1
Ecuaciones no lineales
log L ( )'
log( x ) n ln 0
n
n
( )
i
i 1
log L n 1
( 1)
n
0
2
(x ) i 1
i
FUNCIN DE VEROSIMILITUD
S 1
si S 0 x j xk
Var(S)
Z 0 si S 0
B = Mediana k < j
j - k
S 1
si S 0
Var(S)
PRUEBA DE VEROSIMILITUD
m
l l
2
L , x
1 1, i L( 2 , 2 , x j ) L( 0, 0 , x k )
i n j n 1 k n
donde:
M3 = Tendencia (t ) 0 1 * t 2 * SOI
lineal + SOI
m
zi (t ) m z (t )
Log-likelihood ( z; (t ), ) m log exp i
Gumbel: i 1 i 1
( z; (t ), ) Estimacin de parmetros
0
(i , )
Resultados para Modelos
No Estacionarios
Corrientes
Model Lmax
M0 -1040 ---
M1 -1039.1 0.166
M2 -1038.3 0.061
M3 -1037.3 0.067
t t
0 1
t t t 2
0 1 2
t SOI (t)
0 1
EXPRESIONES DE
VEROSIMILITUD
1
m zt t
zt t
t 1
1
m
zt SOI (t)
zt SOI (t)
t 1
PROBLEMAS ASOCIADOS PARA
CONSIDERAR
Alguna distribuciones utilizadas en Hidrologa
presentan tres parmetros y el mtodo de
mxima verosimilitud podra producir problemas
de estimacin.
Las pruebas usadas (Chi-cuadrado y
Kolmogorov-Smirnov) fueron diseadas para
discriminar modelos en la regin de los medios.
Los valores estimados de los caudales
asociados con un perodo de retorno dado
difieren segn el modelo y el mtodo de
estimacin de parmetros.
Modelos de funcin de
densidad derivada de
caudales extremos
El procedimiento para la evaluacin de una distribucin de
frecuencias de caudales mximos para cuencas con datos
escasos tiene las siguientes etapas:
1.-Definir la funcin de densidad de probabilidades
conjunta de intensidad y duracin de la precipitacin.
2.-Seleccionar el modelo de infiltracin.
3.-Obtener la funcin de densidad de probabilidades
conjunta del exceso de precipitacin.
4.-Definir el proceso de escurrimiento directo.
5.-Definir la funcin de distribucin acumulada del caudal
directo mximo.
6.-Modelar el flujo base.
7.-Estimar los caudales mximos asociados a distintas
probabilidades de excedencia.
Esquema de la funcin de densidad
derivada de caudales (Eagleson, 1972)
Qmx = g(ie,te)
Parmetros climticos
Modelo de
respuesta P - Q
Parmetros de la cuenca
F
Q
m
x)RfIe,T(ie,te)d
(Q
m
x
modelo de respuesta de la cuenca.
iete
Nueva funcin de densidad de probabilidades derivada de
caudales mximos que incluye el HUI de Nash como
*
05
.205
.2
(
e
intensidad y duracin efectivas est dada en dos partes,
1
)
: inversa del valor medio de la duracin [1/L],
(
: inversa del valor medio de la intensidad puntual [T/L],
A: Area de la cuenca
m
x
e
x
p
(
4
7
S
*
0
.
4
)
Q
1
6 i
1
2
3
4
(
t
T
c
Q
*
0
.
5
8
3
9
m
x
*
i
1
)
0
.
4
1
e
*
m
x
e
G
6
d
ai
H
d
t
ei d
t
Aplicando la aproximacin de Daz Granados et al. (1984)
0
.
5
8
3
9
d
0.0000
0.1024
0.2890
0.5722
para obtener la funcin de distribucin acumulada de
*0
.
4
1
6 0
.
4
e1
6 bi
e
0.1024
0.2890
0.5722
1.0000
ii
ci
0.5000
0.6529
0.8048
1.0000
di
1.0000
1.1081
1.3640
3.1358
Aplicacin de la metodologa en dos cuencas del
centro de la provincia de Buenos Aires
1.0
Probabilidad de no excedencia
0.9
0.8
1.0
Probabilidad de no excedencia
0.9
0.8
D
m
x F
Dn
Mtodo de
Modelo
estimacin Qmx > 50 m3/s Qmx > 250 m3/s
n
nj
1xj
Nuevo modelo Rosso v=0.18 m/s 0.261 0.023
Rosso v=0.50 m/s 0.200 0.051
Rosso v=1.07 m/s 0.155 0.082
BONDAD DE AJUSTE
FUNCIN GEV CORRIENTES
Density Plot for GEV Distribution for CORRIENTES
25
20
15
10
estimate "s.e."
Mu 25923 832.5
Sigma 5334 610.7
Eta 0.05845 0.09646
Non
stationary processes (flood analysis and
Gumbel models)
1
or P ( X xT )
T
70
HYDROLOGIC EXTREMES
Extreme events
Floods
Droughts
High stage in river when the river overflows and inundates the
adjoining area
Rational method
Empirical method
F (x X ) g F (x X )
x
k 1
k k
100
10
-2 -1 0 1 2 3 4 5 6
Variable reducida Gumbel
Ro Feather
Ro Blackstone
Curvas Qmin - Perodo de retorno
Ro Bermejo - Estacin Pozo Sarmiento
34
33
METODOLOGIA CLASICA
32
31 CORRECCION POR AUTOCORRELACION r1=0.366
30
29
28
Q (m 3 /se g )
27
26
25
24
23
22
21
20
19
18
0 10 20 30 40 50 60 70 80 90 100 110
Tr (Aos)
DIFERENCIAS POR LA
PRESENCIA DE
AUTOCORRELACIN
SELECTION OF RETURN PERIOD
Type of project Return period Examples
" (years)
Urban drainage (low 5 to 10 Small city
risk, up to 1 km2)
Urban drainage 25 to 50 Medium city
(mediun risk, more
than to
1 km2)
Regional formula
Based on correlation
Between flow(Qp) and catchment properties
Almost all the formula represent discharge as a
function of Area
Neglects flood frequency
EMPIRICAL
The reason why FORMULA
empirical formulas are all regional
and gives approximate results when applied to other
regions
Climate Risk
Dresden, river Elbe
R u n o ff 5 0 0 0
3 1
(m s ) 4 0 0 0
3 0 0 0
2 0 0 0
1 0 0 0
0
1 8 5 0 1 9 0 0 1 9 5 0 2 0 0 0
PD F
R u n o f f (m 3 s 1 )
R u n o ff 5 0 0 0
3 1
(m s ) 4 0 0 0
3 0 0 0
2 0 0 0
1 0 0 0
0
1 8 5 0 1 9 0 0 1 9 5 0 2 0 0 0
PD F PD F
2 % 5 %
R u n o f f (m 3 s 1 ) R u n o f f (m 3 s 1 )
Solomon et al. (Eds.) (2007) Climate Change 2007: The Physical Science
Basis. Cambridge Univ. Press
HYDROLOGIC EXTREMES
Extreme events
Floods
Droughts
Magnitude of extreme events is related to their
frequency of occurrence
1
Magnitude
Frequency of occurence
1
or P ( X xT )
T
86
MORE ON RETURN PERIOD
If p is probability of success, then (1-p) is the
probability of failure
Find probability that (X xT) at least once in N
years.
p P ( X xT )
P ( X xT ) (1 p)
P ( X xT at least once in N years) 1 P( X xT all N years)
N
1
P ( X xT at least once in N years) 1 (1 p) 1 1
N
87
FREQUENCY FACTORS
KT Frequency factor
x
KT s
where T Return period
x Sample mean
s Sample standard deviation x
88
RETURN PERIOD EXAMPLE
Dataset annual maximum discharge for 106 years on Colorado
River near Austin
600
xT = 200,000 cfs
500 No. of
Annual Max Flow (10 3 cfs)
occurrences = 3
400
300
2 recurrence
intervals in 106
200
years
100
T = 106/2 = 53
0 years
1905 1908 1918 1927 1938 1948 1958 1968 1978 1988 1998
Year
If xT = 100, 000
P( X 100,000 cfs at least once in the next 5 years) =cfs
1- (1-1/15.2) 5 = 0.29
89
7 recurrence
DATA SERIES
600
500
Annual Max Flow (10 3 cfs)
400
300
200
100
0
1905 1908 1918 1927 1938 1948 1958 1968 1978 1988 1998
Year