IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente
MODELACIN DE EVENTOS HIDROLGICOS EXTREMOS USANDO LH-MOMENTS:
ANLISIS LOCAL DE LAS SERIES
ING. CIVIL. MARIO R. MIRELES CALDERN
T. ESPECIALISTA EN ENERGA MINI-HIDRULICA
MASTER EN RECURSOS HDRICOS EN ZONAS DE LLANURA (E)
RESUMEN

En el presente trabajo uno de los principales mtodos para la modelacin probabilstica de

eventos hidrolgicos extremos ha sido revisado, extendido, comparado y aplicado. Es as que el
mtodo de los L-moments ha sido extendido dando origen al mtodo de los LH-moments, siendo
el primero un caso particular de este ltimo. Para tal propsito, el presente trabajo ha considerado
los siguientes cuatro puntos:
1. Revisin de los conceptos y metodologas bsicas para la modelacin probabilstica de
eventos hidrolgicos extremos mximos, en particular del mtodo de los L-moments.
2. Formulacin de la teora de los LH-moments.
3. Investigacin del desempeo del mtodo de los LH-moments en la modelacin
probabilstica de eventos extremos.
4. Casos prcticos: estudio probabilstico de crecientes y precipitaciones mximas.
La estimacin de eventos de diseo en base a registros disponibles ha sido un rea de intensa
investigacin durante las ltimas dcadas. Sin embargo, un gran nmero de distribuciones y
mtodos de estimacin han sido propuestos en la literatura, lo cual nos ha llevado a un estado de
confusin, crendose una brecha entre la teora y la prctica. Con el objetivo de salvar esta
brecha este trabajo investiga, extiende, compara y aplica uno de los mtodos ms populares para
el anlisis de frecuencias tanto local como regional de eventos extremos, denominado mtodo de
los L-moments, es as que se propone el mtodo de los LH-moments para el anlisis local de las
series. Diferentes distribuciones de frecuencias son analizadas y su procedimiento de estimacin
formulado.
Se propone el uso de la simulacin de Monte Carlo como metodologa o estrategia de
comparacin, es as, que mltiples simulaciones de Monte Carlo han sido llevadas a cabo para
evaluar el comportamiento de las diferentes distribuciones en conjuncin con el mtodo de los LHmoments. Es imposible concluir con absoluta certeza cual de los mtodos es el mejor, sin
embargo, los resultados muestran que en general los LH-moments son superiores a los Lmoments, disminuyendo el sesgo en los estimadores y logrando una mayor eficiencia en la
estimacin. El desempeo de las distribuciones Exponencial y Gumbel se ha mostrado superior al
de sus contrapartes, de ah su recomendacin en el anlisis local de frecuencias de eventos
extremos. 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.
Finalmente, se presenta aplicaciones a series locales de precipitaciones y crecientes mximas
anuales, a travs de, diferentes casos de estudio. En este anlisis se muestra el mejor ajuste de
las series a travs de los LH-moments, mostrando que los LH-moments pueden ser empleados
para caracterizar la parte superior de las distribuciones y los mayores eventos de las muestras.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,
Hidrologa y Medio Ambiente

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).

2. ESTADO DEL CONOCIMIENTO

2.1. BREVES COMENTARIOS ACERCA DE LOS METODOS TRADICIONALES
El mtodo Grfico, es un mtodo simple para ajustar las frecuencias de eventos extremos, se
recomienda para analizar visualmente si la curva ajustada es consistente con los datos (Ref. 5).
El mtodo de los Momentos, las inferencias basadas en este mtodo son poco confiables, debido
a su variabilidad y alto sesgo, sin embargo, pueden ser satisfactoriamente usados como
estimacin inicial en un proceso de iteracin.
El mtodo de Mxima Verosimilitud, los MLEs (estimadores de mxima verosimilitud) presentan
buenas propiedades estadsticas para medianas y grandes muestras y han mostrado ser
confiables en su aplicacin en hidrologa. Sin embargo, para pequeas muestras n < 30 sus
resultados son altamente sesgados.
2.2 COMENTARIOS ACERCA DE LOS L-MOMENTS
Hosking (Ref. 6) demostr que los L-moments son muy superiores a los momentos ordinarios y
algunas veces ms exactos que los estimadores de mxima verosimilitud, particularmente, para
pequeas muestras. Los L-moments tienen la ventaja de no estar muy influenciados por los
valores atpicos en los datos debido a que son combinaciones lineales de estos. Sin embargo, el
darle poca importancia a los ms altos o ms bajos valores en la muestra conlleva a que las colas
de las distribuciones no sean adecuadamente evaluadas (Ref. 12), y consecuentemente los
cuantiles en las colas pueden no ser eficientemente estimados cuando los L-moments son usados
(Ref. 13).
|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente

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.

3. TEORA DE LOS LH-MOMENTS

3.1. FORMULACIN DE LOS LH-MOMENTS
Los LH-moments estn basados en combinaciones lineales de estadsticas de alto orden. Dada
una muestra de tamao n tomada de una distribucin F(x) = P(X x), la esperanza de la r-sima
variable ms pequea est dada por (Ref. 6):

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.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente
Peso asignado a cada
elemento de la muestra
0.25
0.2
0.15
0.1
0.05
0
20
15

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)

3.2. ESTIMADORES MUESTRALES

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)

3.3. COMENTARIOS ACERCA LOS LH-MOMENTS

El mtodo de los LH-moments disminuye la influencia de los valores pequeos de la muestra

cuando m aumenta, pero difiere de una muestra censurada con un lmite inferior en que esta no
tiene un lmite fijo. Los mtodos para tratar con muestras censuradas incluyen el mtodo de
|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente

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

Funcin de densidad de probabilidad:

f ( x ) = 1 exp { ( x ) }

Parmetros de la distribucin:

(lmite inferior de la distribucin)

(escala).

Rango de x:

x < +

Funcin de distribucin acumulada:

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 =

Aqu K(.) se define como:

z

( z ) = ( 1)
k =0

1+ k

z
1

2
k (1 + k )

(3.21)

El parmetro de escala () y el lmite inferior de la distribucin () pueden ser calculados a travs

de las siguientes expresiones (Ref. 4):

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente
2Hm2

( 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

Funcin de densidad de probabilidad:

f (x) =

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

Funcin de distribucin acumulada:

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

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

(3.30)

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,
Hidrologa y Medio Ambiente

Aqu (.) denota la funcin gamma:

( 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)

4. EVALUACIN DE LOS LH-MOMENTS

El objetivo del anlisis de frecuencia es el clculo exacto de los cuantiles de la distribucin de una
variable aleatoria. En ingeniera estos cuantiles son comnmente empleados como valores de
diseo. De ah, que la evaluacin del desempeo de cada mtodo para predecir dichos cuantiles
es necesaria.
Es deseable que, el estimador de un cuantil tenga las siguientes propiedades:
1. Insesgado: que su valor esperado sea igual al valor verdadero.
2. Invariable: que su varianza se lo ms pequea posible.
3. Eficiente: que su MSE (error cuadrtico medio) sea el menor posible.
Para establecer las propiedades de un procedimiento de anlisis de frecuencia, o para comparar
dos o ms procedimientos, se recomienda el uso de la Simulacin de Monte Carlo.

4.1. DESEMPEO DE LOS LH-MOMENTS EN BASE A SU SESGO Y RMSE RELATIVO

Si xT el valor estimado del cuantil obtenido de una distribucin de frecuencia y un mtodo de

estimacin en particular y XT es el valor poblacional, la media (xT) y la varianza Var(xT) de xT son
estimados por (Ref. 19):

( 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 )

RMSE ( xT ) = Var ( xT ) + Sesgo ( 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.
|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente

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%

RMSE del estimador de x(T=1000 aos)

Sesgo del estimador de x(T=100 aos)

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.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente
40%

100%
90%
RMSE de los estimadores de los cuantiles

Sesgo 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).

4.2. EVALUACIN DE LAS DISTRIBUCIONES

En la seccin anterior, se ha investigado el desempeo de los LH-moments en la modelacin de

eventos extremos haciendo uso de la simulacin de Monte Carlo. Para tal fin, se han analizado las
diferentes distribuciones formuladas, las cuales han sido ajustadas, empleando el mtodo de los
LH-moments, a las muestras Wakeby generadas. La evaluacin se ha realizado en base al Sesgo
y al RMSE de los estimadores obtenidos para los diferentes perodos de retorno considerados. Es
as, que del anlisis realizado se desprende una conclusin ms que evidente: El desempeo
obtenido usando el mtodo de los LH-moments ha sido superior al obtenido por el mtodo de los
L-moments para los tamaos de muestras, perodos de retorno y distribuciones consideradas en
la presente investigacin. Sin embargo, an con este resultado, no se han evaluado dos aspectos
cruciales: el primero, relacionado con el valor que debe adoptar m para que el anlisis nos
conduzca a un desempeo ptimo de los LH-moments (i.e., estimadores insesgados y eficientes
de cuantiles extremos); y el segundo, la distribucin de frecuencia que en conjuncin con los LHmoments nos brinden estimadores confiables de cuantiles, xT. El primer punto puede ser abordado
a travs de una prueba de bondad de ajuste que nos permita la eleccin de un valor apropiado de
m para la distribucin de frecuencia ajustada, tema que por su magnitud ser tratado en una
investigacin especfica. Para el segundo punto, si bien tambin es necesaria la formulacin de
pruebas de bondad de ajuste especficas para cada distribucin, este puede ser evaluado
cualitativamente extendiendo el anlisis realizado hasta aqu, evaluando en forma conjunta todas
las distribuciones de frecuencia.
Para este nuevo anlisis, se han considerado muestras con un tamao predefinido, n = 30, y se
analizarn dos casos particulares de los LH-moments, el primero considerando un valor de m = 2
(i.e., L2-moments) y el segundo considerando m = 4 (i.e., L4-moments). Por lo tanto, esta vez slo
se han considerado dos grados de libertad en el anlisis: el primero, el perodo de retorno, T, el
cual, al igual que en las secciones anteriores variar de T = 50 a T = 10000 aos; el segundo, son
las distribuciones Wakeby. Los criterios para la evaluacin de las distribuciones ya han sido
definidos al inicio de esta seccin, y son basados en el Sesgo y el RMSE de los estimadores de
los cuantiles.
Para el primer caso de anlisis, se ha observado que la distribucin GEV desarrolla el menor
sesgo en los estimadores de los cuantiles con perodos de retorno T < 200 aos para todo el
rango de asimetra y curtosis considerado. Las distribuciones GLO y GPA producen el menor
|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente

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

RMSE de los estimadores de los cuantiles

Sesgo de los estimadores de los cuantiles

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

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,

Hidrologa y Medio Ambiente

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

Anlisis de Frecuencias de Caudales Mximos Diarios - Mtodo de LH-Moments

Estacin: Puente Viejo, Ro Locumba (Tacna, Per) - Perodo: 1972 - 2001

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)

Caudales mximos diarios

Ajuste de la distribucin EXP usando L3-moments
Ajuste de la distribucin GUM usando L-moments
Ajuste de la distribucin GUM usando L2-moments
Ajuste de la distribucin GUM usando L4-moments

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

Anlisis de Frecuencias de Precipitaciones Mximas de 24 horas - Mtodo de LH-moments

Estacin: Pampilla (Arequipa, Per) - Perodo: 1971 - 2001

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)

Precipitaciones mximas de 24 horas

Ajuste de la distribucin EXP usando L3-moments
Ajuste de la distribucin GPA usando L3-moments
Ajuste de la distribucin GUM usando L-moments
Ajuste de la distribucin GUM usando L2-moments

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

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

100

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,
Hidrologa y Medio Ambiente
distribuciones EXP, GPA y GUM a las precipitaciones mximas de 24 horas registradas en
la Estacin: Pampilla usando los LH-moments.

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.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,
Hidrologa y Medio Ambiente
5. Stedinger, J. R., Vogel R. M., & Foufoula-Georgiou E. (1993) Frequency Analysis of Extreme Events.
Chapter 18, In Handbook of Hydrology, ed. D. Maidment. McGraw-Hill, Inc., New York., U.S.
6. Hosking, J. R. M. (1990) L-moments: analysis and estimation of distributions using linear
combinations of order statistics, J. R. Stat. Soc. Ser. B., Vol. 52, 105-124.
7. Hosking, J. R. M. (1986) The theory of probability weighted moments. Research Report RC12210,
IBM Research Division, Yorktown Heights, N.Y., U.S.
8. Hosking, J. R. M. (1995) The use of L-moments in the analysis of censored data, In Recent
Advances in Life-Testing and Reliability, edited by N. Balakrishnan, pp. 545564, CRC Press, Boca
Raton, Fl., U.S.
9. Hosking, J. R. M. (1996) Some theoretical results concerning L-moments. Research Report
RC14492, IBM Research Division, Yorktown Heights, N.Y., U.S.
10. Hosking, J. R. M., & Wallis J. R. (1987) Parameter and quantile estimation for the generalized Pareto
distribution, Technometrics, 29(3), 339-349.
11. Hosking, J. R. M., & Wallis J. R. (1997) Regional Frequency Analysis: An Approach based on LMoments. Cambridge University Press, Cambridge, U.K.
12. Klemes, V. (2000) Tall tales about tails of hydrological distributions I, II, J. Hydrol. Eng. 5(3), 227
239.
13. Rowiski, P. M., Strupczewski, W. G. & Singh, V. P. (2002) A note on the applicability of log-Gumbel
and log-logistic probability distributions in hydrological analyses: I. Known pdf. Hydrol. Sci. J. 47(1),
107122.
14. Vogel, R. M., & Fennessey N. M. (1993) L-moment diagrams should replace product moment
diagrams. Water Resour. Res., 29(6), 1745-1752.
15. Stedinger, J. R. (1980) Fitting lognormal distributions to hydrologic data, Water Resour. Res., 16(3),
481-490.
16. Stedinger, J. R. (1983) Estimating a regional flood frequency distribution, Water Resour. Res., 19(2),
503-510.
17. Stedinger, J. R. (1997) Expected probability and annual damage estimators, J. Water Resour.
Planning and Management, 123(2), 125-135.
18. Bobe, B., & Rasmussen P. F. (1995) Recent advances in flood frequency analysis, U.S. Natl. Rep.
Int. Union Geol. Geophys. 19911994, Rev. Geophys. 33, 11111116.
19. Bhattarai, K. P. (2004) Partial L-moments for the analysis of censored flood samples, Hydrol. Sci. J.
49(5), 855868.
20. Wang, Q. J. (1996b) Direct sample estimators of L moments, Water Resour. Res., 32(12), 36173619.
21. Wang, Q. J. (1996a) Using partial probability-weighted moments to fit the extreme value distribution
to censored samples, Water Resour. Res., 32(6), 17671772.
22. Wang, Q. J. (1998) Approximate goodness-of-fit tests of fitted generalized extreme value
distributions using LH moments, Water Resour. Res., 34(12), 3497-3502.
23. Wang, Q. J. (1990a) Estimation of the GEV distribution from censored samples by method of partial
probability weighted moments, J. Hydrol., 120, 103114.
24. Wang, Q. J. (1990b) Unbiased estimation of probability weighted moments and partial probability
weighted moments from systematic and historical flood information and their application to
estimating the GEV distribution, J. Hydrol., 120, 115124.
25. Phien, H. N., & Fang, T. S. E. (1989) Maximum likelihood estimation of the parameters and quantiles
of the generalized extreme-value distribution from censored samples, J. Hydrol., 105, 139155.
26. Prescott, P., & Walden A. T. (1983) Maximum likelihood estimation of the parameters of the threeparameter generalized extreme-value distribution from censored samples, J. Stat. Comput. Simul.,
16, 241250.
27. Rasmussen, P. F., & Rosbjerg, D. (1989) Risk estimation in partial duration series, Water Resour.
Res., 25(11), 2319-2330.
28. Rosbjerg, D., Madsen H., & Rasmussen, P. F. (1992) Prediction in partial duration series with
generalized Pareto-distributed exceedances, Water Resour. Res., 28(11), 3001-3010.
29. Sankarasubramanian, A., & Srinivasan K. (1999) Investigation and comparison of sampling
properties of L-moments and conventional moments. J. Hydrol., 218 (1-2), 13-34.
30. Beard, L. R. (1997) Estimating flood frequency and average annual damages, J. Water Resour.
Planning and Management, 123(2), 84-88.
31. Cunnane, C. (1987) Review of statistical models for flood frequency estimation, In Hydrological
Frequency Modelling, ed. by V. P. Singh, 4995. D. Reidel, Dordrecht, The Netherlands.
32. Koch, S. P. (1991) Bias error in maximum likelihood estimation. J. Hydrol., 122, 289-300.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org

IV Congreso Internacional HIDRO 2011

Obras de Saneamiento, HIDRULICA,
Hidrologa y Medio Ambiente
33. Kroll, C. N., & Stedinger J. R. (1996) Estimation of moments and quantiles using censored data,
Water Resour. Res.,32(4), 1005-1012.
34. Leese, M. N. (1973) Use of censored data in the estimation of Gumbel distribution parameters for
annual maximum flood series, Water Resour. Res., 9(6), 15341542.
35. Sobol L. M. (1994) A Primer for the Monte Carlo Method. CRC Press, Boca Raton, U.S.
36. Fishman, G. S. (1999) Monte Carlo: Concepts, Algorithms and Applications. Springer Verlag, New
York, U.S.
37. Houghton, J. C. (1978) Birth of a parent: The Wakeby distribution for modelling flood flows, Water
Resour. Res., 14(6), 11051110.
38. 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 Resour. Res.,
15(5), 1055-1064.
39. Landwehr, J. M., Matalas N. C., & Wallis J. R. (1980) Quantile estimation with more or less floodlike
distributions, Water Resour. Res., 16(3), 547555.
40. Greenwood, J. A., Landwehr J. M., Matalas N. C., & Wallis J. R. (1979) Probability weighted
moments: definition and relation to parameters of several distributions expressable in inverse form,
Water Resour. Res., 15(5), 1049-1054.
41. Slack, J. R., Wallis J. R., & Matalas N. C. (1975) On the value of information to flood frequency
analysis, Water Resour. Res., 11(5), 629-647.
42. Wallis, J. R., Matalas N. C., & Snack J. R. (1974) Just a moment!, Water Resour. Res., 10(2), 211219.
43. Ramachandra R. A., & Hamed K. H. (2000) Flood Frequency Analysis. CRC Press, Boca Raton,
U.S.
44. Kite, G. W. (1988) Frequency and Risk Analysis in Hydrology, Water Resources Publications,
Littleton, CO., U.S.
45. Gumbel, E. J. (1958) Statistics of Extremes, Columbia University Press, NY, U.S.
46. Chow, V. T., Maidment D. R., & Mays, L. W. (1994) Hidrologa Aplicada. McGraw-Hill, Santaf de
Bogot, Colombia.

|||

INSTITUTO DE LA CONSTRUCCION Y GERENCIA ICG

e-mail: icg@icgmail.org / Web: www.construccion.org