TEORA DE VALORES

EXTREMOS

CONCEPTOS CLSICOS

NUEVOS TEMAS DE ESTUDIO

 APLICACIONES E IMPORTANCIA

Estimacin de caudales mximos y mnimos y su

frecuencia de ocurrencia.
Definir la relacin caudal-periodo de retorno.
Estimacin de una funcin de densidad de
probabilidades.
Numerosas obras hidrulicas se disean con
esta metodologa.
Algunos pases trataron de definir este problema
con una legislacin,
 NUEVOS TEMAS

Procesos No estacionarios. Los procesos hidrolgicos

pueden presentar caractersticas que cambian con el
tiempo. En el contexto hidrolgico se definen: a) ocurren
en ciertas pocas del ao y b) asociados con la
presencia de tendencias relacionadas a cambios
climticos de largo plazo (long term period).

Algunos orgenes de la No estacionariedad. Se

asocian con cambios en el uso del suelo en la cuenca,
presencia de nuevas obras (por ejemplo: embalses) y
modificaciones en las propiedades de la precipitacin.
 MODELOS Y TEMAS

Principales modelos de valores extremos:

Gumbel, Log-Normal II y III, Pearson III, Log-
Pearson III.
Problemas clsicos: seleccin del modelo y
estimacin de sus parmetros.
Principales hiptesis de la teora clsica.
Modelos en un contexto no estacionario.
Deteccin de tendencias en mximos y mnimos.
Modelos de funcin de densidad derivada de
caudales extremos.
 EVOLUCIN DE LOS TEMAS
Seleccin de modelos.
Estimacin de parmetros y
verificacin del modelo.
Mxima verosimilitudes
irregulares.
No estacionariedad.
Deteccin de tendencias.
Modelo Generalizado de
Valores Extremos.
Mxima verosimilitud.
Ecuaciones con la variacin
temporal de los parmetros.
 TEMAS A CONSIDERAR

Existen numerosos mtodos de estimacin de

los parmetros del modelo.

Orgenes de la incertidumbre de las

estimaciones con los modelos de valores
extremos.

Presentacin de algunos criterios de seleccin

del modelo.
 PROCESO DE SELECCIN Y
ESTIMACIN
DE UN MODELO

Seleccionar una funcin de densidad de

probabilidades para representar una serie de
caudales mximos o mnimos(*).
Estimar los parmetros de la funcin de
densidad de probabilidades
Estimar los caudales mximos o mnimos
asociados con distintos perodos de retorno.
(*) importancia de la autocorrelacin entre los datos.
 MTODOS DE ESTIMACIN

Los parmetros desconocidos del modelo son

inferidos a partir de datos histricos .
Existen numerosas tcnicas para la estimacin de
los parmetros pero todas tienen ventajas y
desventajas.
Los mtodos de estimacin no son independientes
del problema de la seleccin del modelo.
La estimacin de parmetros en modelos
asimtricos es ms complicada debido a la
presencia de verosimilitudes irregulares.
HISTOGRAMA DE UN RIO
FUNCIN GEV EN POSADAS
 FUENTES DE
INCERTIDUMBRE
Incertidumbre en los parmetros: corresponde
a la asociada con la estimacin de los
parmetros del proceso utilizando una
cantidad limitada de datos.

Incertidumbre en el modelo: corresponde a la

asociada con la idea de que el modelo
probabilstico asumido del proceso
estocstico sea el correcto.
 CUANTIFICACIN DE LA
INCERTIDUMBRE
Los anlisis estadsticos definen estimaciones a
partir de datos histricos. Diferentes muestras
igualmente representativas pueden definir otras y
distintas estimaciones.
En el anlisis de valores extremos resulta muy
importante la cuantificacin de la incertidumbre
debido a que cambios pequeos en los
parmetros pueden influir en las extrapolaciones
de la variable.
 ALGUNOS CONCEPTOS
SOBRE EL MODELO

Paradigma de valores extremos que implica: la

independencia y la estacionaridad.

Existe una hiptesis implcita que consiste en

suponer que el mecanismo estocstico
subyacente del proceso es suave para permitir
la extrapolacin de los valores de la muestra.
 PROCESOS ALEATORIOS
Un proceso aleatorio es una secuencia de
variables aleatorias X1, X2, X3--- Xn. El ejemplo
ms simple consiste en las variables
independientes e idnticamente distribuidas.
Estacionario: un proceso aleatorio es
estacionario si dado un conjunto de variables
(i1,i2,i3in) si para cualquier entero m son
idnticas las distribuciones conjuntas de (Xi,1,,
Xi,k) y (Xi,1+m,, Xi,k+m).
 MODELOS MATEMTICOS

Son expresiones matemticas que representan las

principales caractersticas de los procesos.

Algunos ejemplo son los modelos (PIC):

Probabilsticos:Gumbel y GEV.
Probabilsticos-Dererminsticos: FDD.
 ALGUNAS HIPTESIS
BSICAS

Independencia temporal entre las

observaciones.
Las observaciones tienen las mismas
propiedades estadsticas (Existe una nica
funcin de densidad de probabilidades).
PRESENCIA DE AUTOCORRELACIN
(CAUDALES MNIMOS)
 FUNCIONES DE DENSIDAD DE
PROBABILIDADES EN HIDROLOGA

Gumbel

Generalizada de Valores Extremos

Pearson III
Log-Pearson III
Log-Normal II y III
 MODELOS DE VALORES EXTREMOS

Modelo Funcin de densidad o

distribucin

1 ln( x)
2

Log-Normal II f ( x)
1
exp x

x 2 2
x

x
Pearson III exp ( x )
f ( x) ( x )
1

( )
x

Log-Pearson III exp (ln( x) )

f x ( x) (ln( x) )
1

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

Problema clave: la cantidad de

combinaciones posibles entre distintos
modelos y mtodos de estimacin.
 MXIMA VEROSIMILITUD
Es un mtodo flexible y general de
estimacin de los parmetros
desconocidos 0 de un modelo dentro de
una familia F de modelos.

Siendo x1,x2,x3,,,,,xn las ocurrencias

independientes de una variable aleatoria
con una uncin de densidad de
probabilidades f(x; 0).
 FUNCIN DE
VEROSIMILITUD

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.

Caudal mximo o caudal mnimo.

Precipitaciones mximas.

Siendo el nmero de valores observado es grande la

distribucin converge a alguna de las tres formas
denominadas I, II y III.

24
 MODELO DE GUMBEL

Moda ,

Media + (where =0.5772156649... is Euler's constant),

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

Distribution of annual maximum streamflow follows an EV1

distribution

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

Modelo Pearson III

IMPORTANCIA DEL
MODELO Y MTODO
DE ESTIMACIN DE
PARMETROS
 DIFERENCIAS SEGN EL MODELO
RO BLACKSTONE (USA) (MV)

Modelo 100 1000 5000 10000

Gumbel 430 578 681 726

Log-N II 747 1297 1795 2041

Log-N III 577 941 1261 1432

P III 560 802 974 1050

LP III 877 2520 5311 7343

Nota: Caudales en m3/s, Perodo de retorno en aos.

 CRITERIOS DE SELECCIN ENTRE
MODELOS

El Criterio de Informacin Bayesiano (BIC)

contribuye a resolver el problema de la
seleccin entre varios modelos alternativos.

El Criterio de Informacin de Akaike (AIC)

permite analizar la bondad del ajuste e
incluye una penalizacin por el nmero de
parmetros estimados para el modelo.
 CRITERIOS DE SELECCIN ENTRE
MODELOS (AIC Y BIC)
Akaike Information Criterio (AIC, 1974)
AIC 2k 2 ln( L)

k: nmero de parmetros y L: verosimilitud.

Bayesian Information Criterio (BIC, 1978)

BIC k ln(n) 2 ln( L)
n: cantidad de datos.
 DIFERENCIAS POR MTODO DE
ESTIMACIN Y UN PERODO DE
RETORNO10000 AOS

Modelo Log- Log-Normal Log-Normal

Normal II III (M) III MV
(M o MV)

Blackstone 72117 80978 50082

Feather 660182 413930 983531
Limay (PL) 10483 7762 15366
Manawatu 8094 7207 8237
 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)

Urban drainage (high 50 to 100 Large city

risk, more than to (Buenos Aires,
10 km2) Rosario)

Principal spillways 20 to 100 Corpus y Yacireta

(dams)
Emergency spillways 100 to 10000 Corpus y Yacireta
(dams)
Bridges 100 to 500 Tancredo Neves
DETECCIN DE LA
PRESENCIA DE
TENDENCIAS
 Prueba no paramtrica
de Mann - Kendall
La prueba tiene como objetivo detectar una tendencia al
incremento o al decrecimiento en los datos ms que la
ocurrencia de un evento aislado.

H0) los datos son una muestra de n variables aleatorias

independientes e idnticamente distribuidas.

H1) la distribucin de xj y xk no son idnticas para todos k, j <

n con k j.

(xj y xk son variables aleatorias independientes e idnticamente distribuidas)

 n1 n 1 si 0

S sgn(x j x k ) sgn ( ) = 0 si 0
k 1jk 1 - 1 si < 0

Los estadsticos que intervienen en el anlisis son S y

Z, que se asocian con el estimador de pendiente B en
el signo:

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:

L 1 , 1, xi : log-verosimilitud estimada con las observaciones de la

primer parte de la serie para el modelo seleccionado;

: log-verosimilitud estimada con las observaciones de la

L( 2 , 2 , x j ) segunda parte de la serie para el modelo seleccionado;

: log-verosimilitud estimada con las observaciones de la

serie completa para el modelo seleccionado.
L( 0, 0 , x k )
 La estimacin del estadstico de la prueba
implica ajustar una funcin de densidad de
probabilidades a la serie completa de las
observaciones y a las dos series parciales
correspondientes a la primera y segunda parte
de la serie temporal.

Ho:las observaciones pueden ser

representadas por un nico modelo.
H1:las observaciones no pueden ser
representadas por un nico modelo.
PRUEBA DE VEROSIMILITUD
ANLISIS DE TENDENCIAS
CAUDALES MXIMOS
( CORRIENTES)
 z
G ( z ) exp exp
(t )
No
0
estacionario
Gumb
el:
M = modelo (t ) 0
0
estacionario
M1 =Tendencia (t ) 0 1 * t
lineal
M2 = SOI influence (t ) 0 1 * SOI

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

Inferencia para distintos

perodos de retorno
Corrientes Flow (m3/s)
TR Stationary Non-Stat (M3) Dif (%)
10 38337 40929 6.3
50 47322 51144 7.5
100 51121 56123 8.9
200 54905 62743 12.5
500 59899 75273 20.4
 MODELO GEV
zt GEV ( (t), , )

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

l(, , ) log (1 1 )log 1 ( 0 1 1 ( 0 1

t 1

1
m

zt SOI (t)
zt SOI (t)

l(, , ) log (1 1 )log 1 ( 0 1 1 ( 0 1

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)

f(ie,te) Obtencin de la FQmx(Qmx)

Modelo de distribucin de
precipitacin Qmx

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

Para estimar la probabilidad de excedencia del caudal

mximo es necesario determinar la funcin de distribucin
acumulada de Qmx que est dada por:

Regin del plano ie, te donde la convolucin

de fie,te con el modelo de respuesta de la
cuenca produce caudales mximos menores
o iguales a Qmx
Funcin de densidad de probabilidades
conjunta de la intensidad y duracin
efectivas de la precipitacin
fIe,T(i0ee.)
P
r
o
b
e0
,2
t
)*S 12S1.329K5C04N047K2*5S410.41e6xpe0.14.16ie0.583e9xp1.0.3861A
e

0
.e
7
6
x
p41
2 * e
x p( )

t
La funcin de densidad de probabilidades conjunta de la

(Raines y Valds, 1993):

*
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

CN: Nmero de curva

1)S 0
.4
1
6t

e0
.4
16i
e0
.4
16
 H
G
T
Q
T
b
T *i* F
e
x
p
*im*x(an
Q
A
1
Q
2

m
k

x


(
Q
)
1

t
.
3
9
0
1
m

x
e
(
n
)
)n1e
x
p
1
n
)
e
Qmx, se llega a:

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

Parmetros del modelo de precipitacin

Estacin: Aeropuerto de Olavarra. Servicio Meteorolgico
Nacional.

Perodo: 1988 1997.

Precipitacin media anual: 900 mm.

Separacin de eventos independientes: Crdova y Bras

(1981). Parmetros
Escala
Serie
temporal (h/cm) (1/h)

Olavarra horaria 1.014 0.255

Comparacin de las funciones de distribucin
acumuladas
Cuenca arroyo
Tapalqu

1.0
Probabilidad de no excedencia

0.9

0.8

Nuevo modelo (mediana momentos)

Nuevo modelo (Rosso v=0.18 m/s)

0.7
Raines y Valds
Emprica F(x) = 1- m/(n+1)
0.6
100 150 200 250 300 350 400 450
3
Caudal (m / s)
 Cuenca arroyo Azul

1.0
Probabilidad de no excedencia

0.9

0.8

Nuevo modelo (mediana momentos)

Nuevo modelo (Rosso v=0.08 m/s)

0.7
Raines y Valds

Emprica F(x) = 1- m/(n+1)

0.6
100 150 200 250 300 350 400 450
3
Caudal (m / s)
 n
X
j
Distancias de Kolmogorov -Smirnov

D
m

x F
Dn
Mtodo de
Modelo
estimacin Qmx > 50 m3/s Qmx > 250 m3/s

Raines y Valds 0.212 0.063

Media momentos 0.269 0.027
Mediana momentos 0.264 0.025

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

Dn: distancia de Kolmogorov-Smirnov,

Xj: caudal mximo observado,
Fx(Xj): funcin de distribucin acumulada de
Qmx,
j : nmero de orden,
n: tamao de la muestra.
 CONCLUSIONES
La idea de un programa de investigacin sobre
mximos, muy importante durante la mayor parte
del siglo XX implica incluir algunos nuevos
temas.
La hiptesis de no estacionariedad ha pasado a
ser considerada importante de la modelacin de
valores extremos.
La relacin caudal-periodo de retorno depende
de la autocorrelacin (mnimos).
El modelo de funcin derivada muestra la
importancia de incluir las caractersticas de la
cuenca y del clima en la representacin de los
extremos .
 BIBLIOGRAFA

Bras,R., 1990. Hydrology. An Introduction to

Hydrologic Science. Addison Wisley, 1990.
Maidment,D.,1992. Handbook of Hydrology. Mc
Graw-Hill.
Ven Te Chow, 1962. Handbook of Applied
Hydrology.
Ven Te Chow, Maidment,D y L. Mays. 1994.
Hidrologa Aplicada. Mc Graw-Hill.
 BIBLIOGRAFA

Tapley T. D. y P. R. Waylen, 1990. Spatial variability of annual

precipitation and ENSO events in Western Peru. Hydrol. Sci. J.35(4),
429-446.

World Meteorological Organization, 1989. Statistical distributions for

flood frequency analysis. World Meterol. Organization, WMO-N 718,
OH Rep. N 33.
VALORES ESTIMADOS DEL AIC Y BIC

Modelo Nmero de AIC BIC

parmetros
Pearson III 3 671.80 676.71
Gumbel 2 674.38 677.66
Log- 3 674.13 679.05
Normal II
Log- 3 674.72 679.64
Normal III
GEV 3 675.66 680.58
MODELO GUMBEL
 Prueba de
Kolmogorov-Smirnov :

BONDAD DE AJUSTE
 FUNCIN GEV CORRIENTES
Density Plot for GEV Distribution for CORRIENTES
25

20

15

10

20000 30000 40000 50000 60000

CORRIENTES
FUNCIN DE VEROSIMILITUD GEV
 FUNCIN GEV
Estimates of GEV parameters

estimate "s.e."
Mu 25923 832.5
Sigma 5334 610.7
Eta 0.05845 0.09646

Maximum Log-Likelihood = -1039.633

ANLISIS DEL AJUSTE Q-Q PLOT
 RETURN PERIOD-
PROJECTS

Type of projects (several return period)

Selection of projects at Paran river

Non
stationary processes (flood analysis and
Gumbel models)

Precipitation analysis and largest cities at Paran

basin
RETURN PERIOD
Random variable: X
xT
Threshold level:
Extreme event occurs if:X xT
Time between ocurrences of X xT
Recurrence interval:
E ( )
Return Period:
Average recurrence interval between events equaling or exceeding a
threshold

If p is the probability of occurrence of an

extreme event,
E ( ) Tthen

1
p

1
or P ( X xT )
T
70
HYDROLOGIC EXTREMES
Extreme events
Floods
Droughts

Magnitude of extreme events is related to their frequency of

occurrence
1
Magnitude
Frequency of occurence

The objective of frequency analysis is to relate the

magnitude of events to their frequency of occurrence
through probability distribution

It is assumed the events (data) are independent and come

from identical distribution
71
 FLOOD

High stage in river when the river overflows and inundates the
adjoining area

Floodpeak and frequency of the peak is an important

consideration in hydraulic design

Magnitude and time of the flood varies with change in

watershed characteristics

Peak flood depends on rainfall, discharge and watershed area

and type
 FLOOD
Magnitude of flood can be estimated by

Rational method

Empirical method

Unit hydrograph technique

Flood frequency studies

ANLISIS DE EXTREMOS Y ENSO

La modelacin como poblacin mezcla (Tapley y

Waylen, 1990) que expresa que cuando una
variable aleatoria, x, resulta de una gran
cantidad de posibles procesos generados, su
distribucin de probabilidad, Fx, puede asumirse
como la suma de m distribuciones de cada uno
de los procesos generados Fk, donde k = 1, ...,
m, ponderndolos de acuerdo a su frecuencia
de ocurrencia, gk,
 ANLISIS DE EXTREMOS Y ENSO

F (x X ) g F (x X )
x
k 1
k k

Modelo de poblacin mixta 1 1

k1 k2 k2 k2
Fx ( x X ) g1 exp 1 ( x 1 ) g 2 exp 1 ( x 2 )
1 2
MODELACIN DE EXTREMOS ENSO 1000
Ajuste Poblacin Mezcla

Caudal Max .Inst. (m3/s)

100

10
-2 -1 0 1 2 3 4 5 6
Variable reducida Gumbel

No Nio Nio GVE Mezcla GEV

SERIES DE EXTREMOS
 SERIES DE EXTREMOS

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)

Urban drainage (high 50 to 100 Large city

risk, more than to (Buenos Aires,
10 km2) Rosario)

Principal spillways 20 to 100 Corpus y Yacireta

(dams)
Emergency spillways 100 to 10000 Corpus y Yacireta
(dams)
Bridges 100 to 500 Tancredo Neves
PROJECTS
" Selection of Name River
project
Dam Yacyreta Paran
Dam Corpus Paran

Bridge Tancredo Neves Paran

Bridge Rosario-Victoria Paran

Bridge Tunel Subfluvial Paran

Bridge Zarate Brazo Largo Paran

Characteristics of Empirical Formulae are :

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

mean and variability risk

2 %

and extremes 0 2000 4000

R u n o f f (m 3 s 1 )

Gardenier & Gardenier (1988) In: Encyclopedia of statistical sciences

8:141, Wiley
 Climate Change
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 PD F

2 % 5 %

climate risk change? 0 2000 4000 0 2000 4000

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

The objective of frequency analysis is to relate the

magnitude of events to their frequency of
occurrence through probability distribution
It is assumed the events (data) are independent
and come from identical distribution
85
RETURN PERIOD
Random variable: X
xT
Threshold level:
Extreme event occurs if:X xT
Time between ocurrences of X xT
Recurrence interval:
E ( )
Return Period:
Average recurrence interval between events equaling or exceeding a
threshold

If p is the probability of occurrence of an

extreme event,
E ( ) Tthen

1
p

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

Previous example only works if distribution is

invertible, many are not.
Once a distribution has been selected and its
parameters estimated, then how do we use it?
xT x K T s
Chow proposed using:
xT Estimated event magnitude fX(x)

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

Considering annual maximum series, T for 200,000 cfs = 53 years.

The annual maximum flow for 1935 is 481 cfs. The annual maximum
data series probably excluded some flows that are greater than 200
cfs and less than 481 cfs
90
HYDROLOGIC
DATA SERIES
Complete duration series
All the data available
Partial duration series
Magnitude greater than base
value
Annual exceedance series
Partial duration series with # of
values = # years
Extreme value series
Includes largest or smallest
values in equal intervals
Annual series: interval = 1
year
Annual maximum series:
largest values
Annual minimum series :
smallest values
91
CLIMA Y ESTIMACIN DE VALORES
EXTREMOS