|||
1. INTRODUCCIN
El diseo y la planeacin de obras hidrulicas est siempre relacionado con eventos futuros, por
ejemplo, la creciente de diseo para el vertedero de una presa es un evento que tal vez no se ha
presentado jams, o al menos no en el perodo de datos disponible, pero que es necesario
conocer para determinar las dimensiones de la obra. Dada una serie de eventos mximos
anuales, una distribucin de frecuencia asumida puede ser ajustada a la serie de datos y entonces
calcular magnitudes de tales eventos para cualquier perodo de retorno. Este ajuste puede ser
verificado, al menos dentro de la longitud de registro disponible, graficando en un papel de
probabilidad ambos: los datos y la distribucin ajustada. Mientras que todas las distribuciones de
frecuencia usadas en la prctica tienen una forma suavizada, los registros de los eventos
observados comnmente exhiben dos o ms segmentos, los cuales no pueden ni deben
ajustarse a una sola distribucin, sin embargo, podramos ajustar una distribucin a cada uno de
los segmentos observados. Forzar el ajuste de todos los segmentos a una sola funcin suavizada
produce una curva ponderada, la cual puede llevarnos a severos errores en la estimacin de
eventos con grandes perodos de retorno (Ref. 2).
Debido a que el propsito del anlisis de frecuencias es estimar eventos con grandes perodos de
retorno, probablemente sea ms apropiado que cualquier interpolacin o extrapolacin de un
registro, para el perodo de retorno requerido, sea hecha siguiendo la tendencia mostrada por los
mayores eventos en el registro, como vemos, es ms relevante para el anlisis modelar la parte
superior de las distribuciones y los mayores eventos de la muestra (Ref. 3), esto se puede
conseguir grficamente, dibujando una curva que siga esa tendencia; sin embargo, diferentes
ingenieros que apliquen la misma tcnica pueden llegar a diferentes resultados. Por lo tanto, para
lograr resultados ms consistentes que no dependan de criterios subjetivos, una tcnica analtica
debe ser empleada, es as que los LH-moments son propuestos (Ref. 4).
El mtodo de los momentos y los ratios de los momentos han sido criticados por ser demasiado
sensibles en el anlisis de la parte superior de las distribuciones y, por lo tanto, de los valores
atpicos de la muestra (Ref. 14).
Es as, que la pregunta que surge es: Estn los L-moments demasiado influenciados por los
menores valores de la muestra y dan un peso insuficiente a los mayores valores esta, que en
realidad contienen informacin muy til sobre la parte superior de la distribucin? (Ref. 18). Esta
es una pregunta que esperamos podamos responder a lo largo de este trabajo.
n 1
n r
E [ X r :n ] = r x ( F ) F r 1 (1 F ) dF
r 0
(3.1)
Los LH-moments son definidos para una muestra de tamao r + m (m = 1, 2,...) donde las
esperanzas son calculadas para los r mayores valores de la muestra, cuya frmula general es
(Ref. 3):
r 1
k r 1
Hrm = r 1 ( 1)
(3.2)
E [ X r + mk :r + m ] , r = 1, 2 K
k =0
k
Los primeros cuatro LH-moments son:
Hm1 = E [ X1+m:1+m ]
1
E [ X 2+m:2+m X1+ m:2+ m ]
2
1
= E [ X 3+m:3+m 2 X 2+ m:3+ m + X1+m:3+m ]
3
1
= E [ X 4+m:4+m 3 X 3+m:4+ m + 3 X 2+ m:4+ m X1+m:4+ m ]
4
(3.3)
Hm2 =
(3.4)
Hm3
(3.5)
Hm4
(3.6)
Aqu, mH1, brinda una medida de localizacin de la distribucin; mH2, caracteriza la varianza de la
parte superior de la distribucin; y mH3 y mH4, brindan una medida de asimetra y curtosis de la
parte superior de la distribucin, respectivamente.
|||
4
3
10
Tamao de la muestra, n
Valor de m
1
0
Figura 3.1. Variacin del primer LH-moment en funcin del valor de m (Ref. 4).
Cuando m=0 los LH-moments son idnticos a los L-moments. Cuando m aumenta, los LHmoments reflejan ms y ms las caractersticas de la parte superior de la distribucin y los
mayores eventos en la muestra, como podemos observarlo en la figura 3.1 donde se muestra la
variacin del primer LH-moment en funcin del valor de m (Ref. 4).
Los LH-moments se denominan L1-moments, L2-moments... para m = 1, 2,... respectivamente.
Los LH-moments pueden ser normalizados, para ello definimos el coeficiente de LH-variacin, LHasimetra y LH-curtosis, respectivamente, como:
Hm =
Hm2
,
Hm1
Hm3 =
Hm3
,
Hm2
Hm4 =
Hm4
Hm2
(3.7-3.9)
A travs de la siguientes expresiones podemos calcular los LH-moments a partir de una muestra
ordenada en forma ascendente (x1 x2 ... xn).
1 + m
H1 =
i 1
xi
i =1 m
n
1 n
2 2 + m
1 n
3 3 + m
H2 =
H3 =
m
H4
1 n
=
4 4 + m
i 1 i 1 n i
xi
i =1
m 1
n
1 + m
n
i 1
i 1
(3.12)
i 1 n i
i 1 n i i 1 n i
+ 3
xi
1
1 + m 2 m 3
(3.13)
3 + m 3 2 + m
i =1
(3.11)
i 1 n i i 1 n i
+
xi
1 m 2
2 + m 2 1 + m
i =1
(3.10)
mxima verosimilitud, el mtodo de los PWM parciales y el mtodo de los L-moments parciales.
Estos mtodos son matemticamente complejos. El mtodo de mxima verosimilitud puede fallar
algunas veces en su convergencia y el mtodo de los L-moments parciales presenta algunas
inestabilidades (i.e., produce un ajuste muy irreal), an para muestras pequeas, n = 20,
inestabilidad que no es presentada por los LH-moments (Ref. 19).
El mtodo de los LH-moments tiene el efecto del ajuste de la cola de la distribucin y, como se
espera, se producir una gran variabilidad en la estimacin para altos valores de m (Ref. 4).
A continuacin, slo son presentadas dos distribuciones de frecuencia, la distribucin Exponencial
y Logstica Generalizada; para un mayor detalle y alcance en el desarrollo de las distribuciones de
frecuencia analizadas consultar el anlisis detallado desarrollado por el autor (Ref. 4).
3.4. DISTRIBUCIN EXPONENCIAL
3.4.1. Definicin
f ( x ) = 1 exp { ( x ) }
Parmetros de la distribucin:
Rango de x:
x < +
F ( x ) = 1 exp { ( x ) }
x ( F ) = ln (1 F )
Funcin cuantil de x:
(3.14)
(3.15)
(3.16)
3.4.2. LH-Moments
Hm1 = (1 + m ) ( m )
Hm2 =
(2 + m)
2!
(3 + m )
(3.17)
( ) {(1 + m ) ( m ) ( 2 + m ) (1 + m )}
( ) { ( 2 + m )(1 + m ) ( m ) + 2 ( 3 + m )( 2 + m ) (1 + m )
3!
( 4 + m )( 3 + m ) ( 2 + m )}
Hm3 =
(3.18)
(3.19)
(4 + m)
( ) {( 3 + m )( 2 + m )(1 + m ) ( m ) 3 ( 4 + m )( 3 + m )( 2 + m ) (1 + m )
4!
(3.20)
+3 ( 5 + m )( 4 + m )( 3 + m ) ( 2 + m ) ( 6 + m )( 5 + m )( 4 + m ) ( 3 + m )}
Hm4 =
( z ) = ( 1)
k =0
1+ k
z
1
2
k (1 + k )
(3.21)
|||
( 2 + m ) {(1 + m ) ( m ) ( 2 + m ) (1 + m )}
= Hm1 + (1 + m ) ( m )
(3.22)
(3.23)
Estas expresiones han sido obtenidas igualando los dos primeros LH-moments de la distribucin
con los dos primeros LH-moments de la muestra.
3.5. DISTRIBUCIN LOGISTICA GENERALIZADA
3.4.1. Definicin
1e (1 ) y
(1 + e )
y
1 ln {1 ( x ) } , 0
y =
=0
( x ) ,
Parmetros de la distribucin:
(localizacin)
(escala)
(forma)
Rango de x:
< x + si > 0
< x < + si = 0
+ x < + si < 0
F ( x ) = 1 1 + e y
+ 1 {(1 F ) F } , 0
x (F ) =
ln {(1 F ) F } ,
=0
Funcin cuantil de x:
(3.24)
(3.25)
(3.26)
Casos especiales:
= 0, es la distribucin Logstica.
3.4.2. LH-Moments
Hm1 = + ( ) 1
Hm2 =
Hm3
+
|||
( )
(3.27)
(1 + ) (1 + m )
(1 + m ) !
( 3 + m ) (1 + ) (1 + m )
=
( )
{m ( 4 + m )}
3!
( 2 + m )!
Hm4 =
2
(2 + m)
(1 + ) (1 + m )
m!
2!
(4 + m)
4!
( )
(1 + ) (1 + m )
( 6 + m )( 5 + m )}
(3 + m )!
(3.28)
(3.29)
{2 ( 3 + 2m + m ) ( 3 + m )(5 + m )
2
(3.30)
( x ) = t x 1e t dt
(3.31)
Los parmetros de forma (), escala () y localizacin () pueden ser calculados con las siguientes
expresiones (Ref. 4):
3 ( 2 + m )2
1
(3.32)
=
m H 3
( 4 + m )
( 3 + m )
2 (1 + m ) ! H 2
=
(3.33)
( 2 + m ) (1 + ) (1 + m )
= Hm1
(1 + ) (1 + m )
1
m!
(3.34)
( xT ) =
1
N
xT ,i
i =1
Var ( xT ) =
2
1 N
xT ,i ( xT )
N 1 i =1
(4.1-4.2)
donde N = 10000 muestras (en el presente estudio) de tamao n cada una. El sesgo y el RMSE
(raz cuadrada del error cuadrtico medio) son entonces calculados como:
Sesgo ( xT ) = X T ( xT )
2 0.5
(4.3-4.4)
Los valores del sesgo relativo y RMSE relativo (en %) son calculados dividiendo las cantidades
anteriores por el valor poblacional XT y multiplicndolos por 100.
|||
En la figura 4.1.a se muestra el sesgo del estimador de x(T = 100 aos), ajustando muestras
Wakeby de tamao n = 20 a una distribucin Gumbel. Como vemos para todas las distribuciones
el uso de los L3 y L4-moments producen el menor sesgo; y, en general el uso de los LH-moments
conlleva a estimadores ms exactos. En la figura 4.1.b se muestra el RMSE del estimador de
x(T = 1000 aos), ajustando muestras WAK1 a una distribucin Gumbel. Podemos observar que
en general el ajuste usando los LH-moments mejora con mucha ms rapidez, en relacin a los Lmoments, cuando el tamao de la muestra, n, aumenta. Los resultados para otros tamaos de
muestra y perodos de retorno son similares.
25%
46%
20%
15%
10%
5%
0%
-5%
-10%
-15%
-20%
-25%
Usando L-moments
Usando L1-moments
Usando L2-moments
Usando L3-moments
Usando L4-moments
WAK1
WAK2
44%
42%
40%
38%
36%
WAK3
WAK4
Distribucin
WAK5
WAK6
20
Usando L-moments
Usando L1-moments
Usando L2-moments
Usando L3-moments
Usando L4-moments
30
40
50
Tamao de la muestra, n
Figura 4.1. (a) Sesgo (%) del estimador de x(T = 100 aos) usando los LH-moments,
ajustando la distribucin Gumbel a las muestras Wakeby generadas de tamao n = 20, (b)
RMSE (%) del estimador de x(T = 1000 aos) usando los LH-moments, ajustando la
distribucin Gumbel a las muestras WAK1 generadas de tamao n = 20 a 50 (Ref. 4).
En la Figura 4.2.a. se muestra el sesgo de los estimadores de los cuantiles, ajustando muestras
WAK2 de tamao n = 30 a una distribucin Pareto Generalizada. Podemos apreciar que los L4, L3
y L2-moments forman una regin dentro de la cual ellos producen el menor sesgo para perodos
de retorno T < 1000 aos, aunque a medida que disminuye la asimetra (i.e. asimetras
moderadas o bajas) y considerando adems una dispersin moderada en la muestra este lmite
puede extenderse incluso a T = 10000 aos. Sin embargo, para muestras con asimetras muy
bajas (i.e., WAK6), cercanas a cero, el uso de los L3-moments es indiscutible en el ajuste de los
datos, presentando una diferencia del 15% al 35% con relacin a los L-moments. En la Figura
4.2.b. se muestra el RMSE de los estimadores de los cuantiles, ajustando muestras WAK5 de
tamao n = 30 a una distribucin Pareto Generalizada. Se puede apreciar que el uso de los L1moments produce el menor RMSE para perodos de retorno T < 1000 aos (en realidad, T < 2000
aos), y para T > 1000 aos lo hace el uso de los L-moments. Este lmite de T = 1000 aos no
es fijo, y depende bsicamente de la dispersin presentada en la muestra y sobretodo de cuan
asimtrica sea esta. Por ejemplo, para altas asimetras y un CV relativamente alto (i.e., WAK1)
este lmite es T = 500 aos, aunque, a medida que disminuye la asimetra y el CV este valor
aumenta llegando a ser incluso T > 10000 aos cuando la asimetra es relativamente moderada o
muy baja (i.e., WAK5 y WAK6). Sin embargo, para asimetras muy bajas, cercanas a cero, el uso
de los L2-moments es recomendable para todo el rango de perodos de retorno considerado. Los
resultados para otros tamaos de muestras son similares.
|||
100%
90%
RMSE de los estimadores de los cuantiles
20%
0%
-20%
-40%
-60%
-80%
-100%
10
Usando L-moments
Usando L1-moments
Usando L2-moments
Usando L3-moments
Usando L4-moments
100
1000
Perodo de retorno, T (aos)
80%
Usando L-moments
Usando L1-moments
Usando L2-moments
Usando L3-moments
Usando L4-moments
70%
60%
50%
40%
30%
20%
10000
10%
10
100
1000
Perodo de retorno, T (aos)
10000
Figura 4.2. (a) Sesgo (%) de los estimadores de los cuantiles usando los LH-moments,
ajustando la distribucin Pareto Generalizada (GPA) a las muestras WAK2 generadas de
tamao n = 30. (b) RMSE (%) de los estimadores de los cuantiles usando los LH-moments,
ajustando la distribucin GPA a las muestras WAK5 generadas de tamao n = 30 (Ref. 4).
sesgo en los estimadores con perodos de retorno 200 < T < 1000 aos, para muestras con altas y
medianas asimetras, y un amplio rango de CV. La distribucin LN3 es recomendada cuando se
consideran perodos de retorno T > 1000 aos, para muy altas asimetras (i.e. WAK1 y WAK2), sin
embargo, para asimetras moderadas y un alto CV se sugiere la distribucin GPA. Cuando se trata
con muestras de pequea asimetra el uso de las distribuciones GUM y LN2 se desempean muy
bien. La Figura 4.3.a. muestra el sesgo de los estimadores de los cuantiles, ajustando muestras
WAK2 de tamao n = 30 a las diferentes distribuciones consideradas en el anlisis. Los resultados
mostrados son los discutidos, en las lneas precedentes, para muestras con altas asimetras y
curtosis, y moderado CV, en donde las distribuciones GEV, GPA y LN3 muestran, en forma
escalonada, el menor sesgo para los perodos de retorno considerados.
40
210
180
20
30
10
0
-10
-20
-30
-40
-50
-60
10
EXP
GUM
LN2
LN3
GLO
GPA
GEV
150
EXP
GUM
LN2
LN3
GLO
GPA
GEV
120
90
60
30
100
1000
Perodo de retorno, T (aos)
10000
0
10
100
1000
Perodo de retorno, T (aos)
10000
Figura 4.3. (a) Sesgo (%) de los estimadores de los cuantiles usando los L2-moments,
ajustando las distribuciones a las muestras WAK2 generadas de tamao n = 30. (b) RMSE
(%) de los estimadores de los cuantiles usando los L4-moments, ajustando las
distribuciones a las muestras WAK3 generadas de tamao n = 30 (Ref. 4).
Considerando el RMSE de los estimadores, se ha observado que para perodos de retorno T < 50
aos el uso de la distribucin GEV se desempea mucho mejor que las otras distribuciones
cuando se trabaja con muestras de mediana o alta asimetra. Sin embargo, para muestras con
una alta asimetra y considerando perodos de retorno 50 < T < 500 aos el uso de la distribucin
GUM se desempea muy bien. Para perodos de retorno T > 500 aos se sugiere la distribucin
EXP. Sin embargo, cuando se tiene un alto CV se sugiere la distribucin GUM para todo el rango
de T, al igual que para muestras con moderada y pequea asimetra. La Figura 4.3.b. muestra el
RMSE de los estimadores de los cuantiles, ajustando muestras WAK3 de tamao n = 30 a las
diferentes distribuciones consideradas en el anlisis. Los resultados mostrados corresponden a lo
discutido al inicio del prrafo para muestras con asimetra moderada.
Si bien el sesgo de un estimador es importante, debido a que representa el grado de exactitud de
este, el MSE es mucho ms importante, ya que relaciona tanto el sesgo como la varianza de un
estimador y mide la eficiencia de este.
A pesar de haber podido comprobar en las secciones anteriores que las distribuciones
Exponencial y Gumbel muestran un sesgo reducido y alta eficiencia. Para una correcta seleccin
de la distribucin de frecuencia y valor de m para un conjunto de datos ser necesario la
formulacin de pruebas de bondad de ajuste especficas que nos permitan dicha seleccin.
5. ANLISIS DE CASOS PRCTICOS
|||
Los dos primeros ejemplos muestran el efecto de usar diferentes valores de m en el ajuste de las
distribuciones de frecuencia para el anlisis probabilstico de mximas avenidas. Los datos
empleados en el primer ejemplo han sido tomados en la estacin El Cairo en el ro Ilabaya (Tacna,
Per) correspondiente a caudales mximos diarios registrados en el perodo de 1963-2004. Los
datos usados en el segundo ejemplo han sido registrados en el perodo 1972-2001 en la estacin
de Puente Viejo en el ro Locumba (Tacna, Per). La figura 5.1.a muestra el ajuste de las
distribuciones GEV, GPA, GUM y LN3 la primera usando los L-moments y LH-moments, y las
restantes usando los LH-moments (L4, L3, L2 y L4-moments, respectivamente); en la figura 5.1.b
se muestra el ajuste de las distribuciones GUM usando los L-moments; y GUM y EXP usando los
LH-moments (L2, L4 y L3-moments, respectivamente). Si bien no es posible indicar exactamente
que distribuciones se ajustan mejor a los registros indicados, las figuras 5.1.a y b nos sugieren
que el ajuste realizado empleando los L-moments son muy influenciados por los menores eventos
en las series, llevndonos a una pobre estimacin de eventos de diseo para grandes perodos de
retorno. En contraste, los ajustes realizados empleando los LH-moments capturan mejor la
tendencia mostrada por los mayores eventos de la muestra.
Anlisis de Frecuencias de Caudales Mximos Diarios - Mtodo de LH-Moments
Estacin: El Cairo, Ro Ilabaya (Tacna, Per) - Perodo: 1963 - 2004
70
60
60
50
50
40
Qmx (m3/s)
Qmx (m3/s)
40
30
30
20
20
Caudales mximos diarios
Ajuste de la distribucin GEV usando L-moments
Ajuste de la distribucin GEV usando L4-moments
Ajuste de la distribucin GPA usando L3-moments
Ajuste de la distribucin GUM usando L2-moments
Ajuste de la distribucin LN3 usando L4-moments
10
10
Perodo de retorno, T (aos)
10
100
10
Perodo de retorno, T (aos)
100
Figura 5.1. (a) Ajuste de las distribuciones GEV, GPA, GUM y LN3 a los caudales mximos
diarios registrados en la Estacin: El Cairo del Ro Ilabaya usando los LH-moments. (c)
Ajuste de las distribuciones EXP y GUM a los caudales mximos diarios registrados en la
Estacin: Puente Viejo del Ro Locumba usando los LH-moments.
Anlisis de Frecuencias de Precipitaciones Mximas de 24 horas - Mtodo de LH-moments
Estacin: Sumbay (Arequipa, Per) - Perodo: 1966 - 1999
100
60
90
50
80
70
40
P24mx (mm)
P24mx (mm)
60
50
30
40
20
30
20
Precipitaciones mximas de 24 horas
Ajuste de la distribucin EXP usando L3-moments
Ajuste de la distribucin GUM usando L-moments
Ajuste de la distribucin GUM usando L4-moments
Ajuste de la distribucin LN2 usando L4-moments
10
10
Perodo de retorno, T (aos)
10
100
10
Perodo de retorno, T (aos)
Figura 5.2. (a) Ajuste de las distribuciones EXP, GUM y LN2 a las precipitaciones mximas
de 24 horas registradas en la Estacin: Sumbay usando los LH-moments. (b) Ajuste de las
|||
100
Resultados similares a los discutidos en las lneas precedentes son mostrados en la figura 5.2, en
la cual, se ha realizado el ajuste de diferentes distribuciones de frecuencia a los registros de
precipitaciones mximas de 24 horas registradas en las estaciones de Sumbay y Pampilla
(Arequipa, Per) empleando los L-moments y LH-moments.
6. CONCLUSIONES Y RECOMENDACIONES
a. Los LH-moments se basan en combinaciones lineales de estadsticas de altor orden y
pueden ser usados para caracterizar la cola superior de las distribuciones de frecuencia y
los mayores eventos de una muestra. Los L-moments son un caso particular de los LHmoments.
b. El anlisis de los registros y las simulaciones de Monte Carlo muestran que el uso de los
LH-moments reduce la indeseable influencia que los pequeos eventos en la muestra
pueden tener en la estimacin de eventos con grandes perodos de retorno comparado con
los obtenidos usando los L-moments.
c. Los resultados obtenidos del ajuste de las distribuciones a las muestras generadas de las
seis distribuciones Wakeby de Landwehr et al. (1980) muestran que, en general, los LHmoments nos conducen a una reduccin del sesgo en los estimadores, y en muchos
casos, a una mayor eficiencia en la estimacin de altos cuantiles comparado con los Lmoments. En unos pocos casos, la eficiencia es menor, pero slo en una pequea
cantidad.
d. Los resultados del ajuste de las distribuciones a las muestras generadas por la sexta
distribucin Wakeby, WAK6, usando los LH-moments se muestran muy variables y en la
mayora de casos como sucede con la distribucin GEV, estos resultados no son
consistentes, es decir, se consigue un mal ajuste de las muestras, esto es debido a la
particularidad de la distribucin WAK6, la cual tiene una asimetra nula y es una
distribucin no tpica para eventos hidrolgicos extremos tales como las crecientes
mximas anuales. Por lo tanto, dichos resultados deben ser considerados como
referenciales.
e. Los resultados de la comparacin del ajuste alcanzado con las diferentes distribuciones
empleando los LH-moments muestran que las distribuciones Exponencial y Gumbel
conllevan a un mejor ajuste manteniendo un sesgo pequeo y mostrando una alta
eficiencia en comparacin con las dems distribuciones analizadas. Sin embargo, para una
correcta seleccin de la distribucin de frecuencia y valor de m para un conjunto de datos
ser necesario la formulacin de pruebas de bondad de ajuste especficas que nos
permitan dicha seleccin.
f. Las estimaciones realizadas con los LH-moments para largos perodos de retorno son
menos influenciadas por los menores eventos de las muestras. Cuando los menores
valores siguen una tendencia diferente a la tendencia general del resto de datos, como en
los casos mostrados, los estimadores calculados empleando los LH-moments se muestran
mucho ms confiables que los estimadores usando los L-moments.
7. BIBLIOGRAFIA Y REFERENCIAS
1. Monsalve, G. (1999) Hidrologa en la Ingeniera. Alfaomega, Santaf de Bogota, Colombia.
2. Wang, Q. J. (1997b) Using higher probability weighted moments for flood frequency analysis. J.
Hydrol., 194, 95-106.
3. Wang, Q. J. (1997a) LH moments for statistical analysis of extreme events, Water Resour. Res.,
33(12), 2841-2848.
4. Mireles, M. (2006) Modelacin de eventos extremos usando LH-moments, Aplicacin: Presa de
Aguada Blanca. Tesis de Licenciatura, Universidad Nacional de San Agustn, Arequipa - Per.
|||
|||
|||