WATER RESOURCES RESEARCH, YOL. 35, NO.

4, PAGES 1313-1322, APRIL 1999

Una vista probabilístico del método de Hirshfield para estimar la precipitación máxima
Se propone una formulación alternativa sencilla del método estadístico de Hershfield para estimar la precipitación
máxima probable (PMP). Específicamente, se muestra que los datos Hershfield publicados no apoyan la hipótesis de que
existe un PMP como un límite superior físico, y por lo tanto un tratamiento puramente probabilística de los datos es más
consistente. Además, utilizando el mismo conjunto de datos, se muestra que la estimación de la PMP de Hirshfield puede
obtenerse utilizando el valor generalizado extrema (GEV) de distribución con forma de parámetro dado como una
función lineal especificada del valor medio de la serie anual máxima precipitación y de retomo período de alrededor de
60.000 años. Esta formulación sustitutos completamente el nomograma empírica estándar que se utiliza para la
aplicación del método. La aplicación del método puede ser mejorado cuando están disponibles que soporta una
estimación precisa del parámetro de forma de la distribución GEV larga serie de datos de precipitación locales.
}

1. Introduction poco después o antes de la publicación, mientras que, en algunos casos,

La precipitación máxima probable (PMP), que se define
como "teóricamente la mayor profundidad de
precipitación para una duración dada que es físicamente
posible, en un área de la tormenta tamaño dado en una
ubicación geográfica determinada en un momento
determinado del año" [Organización Meteorológica
Mundial, 1986 p. 1], ha sido ampliamente utilizado para
el diseño de grandes obras de protección contra
inundaciones. Típicamente, PMP se utiliza para estimar la
inundación más grande que podría ocurrir en una cuenca
hidrológica dado, la llamada crecida máxima probable
(PMF). A su vez, PMF se utiliza para determinar las
características de construcción de obras de protección
contra inundaciones. El enfoque de PMP, que
prácticamente supone un bouüd superior física de
cantidad precipi¬tation, es contraiy con el enfoque
probabilístico, de acuerdo con lo que cualquier cantidad
debe estar asociado con una probabilidad de excedencia o
período de retomo.
A pesar de su amplia aceptación, el concepto de PMP ha
sido criticado por muchos hidrólogos. Citamos, por
ejemplo, de Dingman [1994, p. 141]:
los valores han sido consideradas por los científicos competentes para ser
absurdamente alto.
[...] El método es, por lo tanto, sujeto a serias críticas tanto por motivos
técnicos-técnicos y éticos, debido a la preponderancia de los factores
subjetivos en el proceso de cálculo, y debido a la falta de significado
específico o consistente en el resultado; ética debido a la implicación de
que el valor de diseño es prácticamente libre de riesgo.
Los defectos del concepto PMP se expresa vívidamente por
dos de los Willekes [1980] mitos: el "mito de la
probabilidad infinitesimal", que reza: "la probabilidad de
ocurrencia del evento de máxima probable es
infinitesimal", y el "mito de la imposibilidad ", que lee"
estimaciones hidrometeorológicos de eventos de flujo son
tan grandes que no pueden o no ocurrir. "Aquí se señala
una serie de tormentas registradas en los Estados Unidos
que superaron las estimaciones PMP [véase también
Dooge de 1986].
La justificación de la amplia utilización del enfoque de
PMP se atribuye al aspecto "sin riesgo" del método.
Según Benson [1973, p. 30],

os conceptos de PMP y PMF son controvertidos. Realmente podemos

especificar un límite superior a la cantidad de lluvia que puede caer en un
tiempo ¿ven? [...] Hay que reconocer que los valores representados son
sólo aquellos que se han observado históricamente en la fracción
infinitesimal de la tierra cubierta por pluviómetros, y cantidades mayores
deben haber caído en lugares no aforados en otros momentos y lugares. Y,
conceptualmente, siempre podemos imaginar que unas cuantas más
moléculas de agua pueden caer más allá de cualquier límite especificado.
Entre las críticas más ordenadas de la noción de PMP es el de
Benson [1973, p. 30]:
El concepto de "máxima probable" que comenzó como "máximo posible",
ya que se considera que existen límites máximos para todos los elementos
que actúan en conjunto para producir la lluvia, y que estos límites podrían
ser definidas por un estudio de los procesos naturales. Este se encontró
que era imposible de lograr, básicamente debido a la naturaleza no está
restringido a los límites de [] En este punto, el concepto
debería haber sido abandonada y admitió ser un fracaso. En lugar de ello,
fue recuperado por el dispositivo de cambio de nombre "probable
El método ha sido utilizado y aceptado durante mucho tiempo, por una
razón, y no por sus méritos, sino porque proporciona una solución que
elimina la responsabilidad de tomar decisiones importantes en cuanto a
grado de riesgo o de protección.
in embargo, la eliminación de la responsabilidad es una
ilusión, porque la adopción del enfoque de PMP de ninguna
manera implica un riesgo cero en la realidad. Por lo tanto, no
hace mucho tiempo, ha habido una iniciativa para un
movimiento de alejamiento de los métodos basados en PMP a
los enfoques basados en el riesgo para el diseño de ingeniería
[por ejemplo, Stedinger y Grygier, 1985; Dawdy y
Lettenmaier, 1987; Consejo Nacional Re¬search, 1988,
1994],
Además del concepto general de la misma PMP, han sido
criticados otras cuestiones relacionadas con la metodología de
determinación de la cantidad de PMP, principalmente porque
no existe un método único para determinar el límite superior
de las lluvias, en el supuesto de que realmente existe. Una
variedad de procedimientos para determinar PMP tiene

máximum "en lugar de" máxima posible ". Esto se hizo, sin embargo,
en un sacrificio de cualquier significado o la consistencia lógica que
pueda haber existido originalmente [....] El único mérito en el valor que
se obtenga es que es muy grande. Sin embargo, en algunos casos, la
precipitación máxima probable de inundación o valores se han superado

1
Table 1. Tabla resumen de los datos publicados por Hershfield indica que varía entre 5 y 20 depen- diendo de la duración
[1961] precipitaciones d y la media h ". Este nomo¬graph y (1)
Longitud Número de
Valor mínimo de Valor máximo de constituyen la base del método estadístico para la estimación
km, intervalo km, intervalo de PMP, que se estandarizó por la Organización Mundial de
de registro, registros
donde se donde se
Class
Años individuales
encuentra encuentra
Meteorología [1986].
1 10-14 208 1.0-1.5 14.5-15.0
2 15-19 851 1.0-1.5 13.0-13.5
3 20-24 92 1.5-2.0 14.0-14.5
4 25-29 108 1.5-2.0 8.0-8.5 Sin lugar a dudas, los datos, análisis y resultados de
5 30-34 97 2.0-2.5 10.5-11.0 Hershfield contienen información de gran utilidad y validez
6 35-39 85 2.0-2.5 9.5-10.0 adicional se ha añadido a ellos por la aplicación generalizada
7 40-44 108 2.0-2.5 10.0-10.5
8 45-49 149 1.5-2.0 9.5-10.0 del método. Sin embargo, después de la discusión en los
9 50-54 260 2.0-2.5 9.5-10.0 párrafos anteriores, se plantea la cuestión de si la enorme
10 55-59 352 1.5-2.0 11.0-11.5 cantidad de información utilizada por las lluvias Hershfield
11 60-64 279 2.0-2.5 11.0-11.5 sugiere la existencia de un límite superior determinista de
12 65-69 45 2.0-2.5 8.0-8.5 precipitación o no. Si la respuesta a esta pregunta es negativa
13 >70 11 2.0-2.5 6.0-6.5
(y, de hecho, lo es), se puede sostener que no hay ninguna
Total ... 2645 1.0—1.5 14.5-15.0 razón para considerar los resultados del método de Hirshfield
como PMP. Entonces surgen otras cuestiones, por ejemplo, si
este método estándar se puede reformular de una manera
puramente probabilístico, sin postular la existencia de PMP, y
ha propuesto [por ejemplo, Wiesner, 1970; Schreiner y Riedel, cuál es la probabilidad de excedencia de los resultados del
1978; Organización Meteorológica Mundial, 1986; Collier y método es. Las respuestas a estas preguntas son los objetivos de
Hardaker, 1996], y diferentes procedimientos pueden dar lugar este documento, y, como mostramos en las siguientes
a valores más altos o más bajos. secciones, que son alcanzables y sencilla.

La mayoría de los procedimientos se basan en un análisis

meteorológico integral, mientras que otros se basan en el
análisis estadístico. Entre estos últimos, el más utilizado es
[1961, 1965] procedimiento de Hirshfield, que se ha convertido
en uno de los métodos estándar sugeridos por la Organización
Meteorológica Mundial [1986] para estimar la PMP, Tiene las
ventajas de tomar en cuenta el histórico real datos de la
ubicación de interés, que expresan en términos de parámetros
estadísticos, y ser fácil de usar. El procedimiento se basa en la
ecuación general
(1)
donde hm es la cantidad de lluvia máxima observada en el
sitio de interés, hn y sn son la media y la desviación estándar
de una serie de n máximos de precipitación anual en ese sitio,
y km es un factor de frecuencia. Para evaluar este factor,
Hershfield [1961] inicialmente analizaron un total de 95.000
años-estación de las lluvias máxi¬mum anual que pertenece a
2645 estaciones, de las cuales aproximadamente el 90%
estaban en los Estados Unidos, y se encontró que el máximo
ob¬served valor del km 15. Luego fue concluyó que una
estimación de la cantidad de PMP se puede determinar
mediante el establecimiento km = 15 en (1) y sustituyendo / jm
para el valor de PMP. Posteriormente, Su-shfield [1965],
propone que km varía con la precipitación duración ción dy el
hn media. Más específicamente, se encontró que el valor de 15
km = es demasiado alto para las zonas con fuertes lluvias y
demasiado baja para las zonas áridas, mientras que es
demasiado alto para las duraciones más cortas de lluvia de 24
horas. Por lo tanto se construyó un nomograma empírica que
El lector puede tener una objeción principal para la
reformulación probabilístico intento del método de Hirshfield
principalmente causa BE- de la utilización de un tipo
especificado de la función de distribución de probabilidad para
describir datos de 2645 estaciones pluviométricas que pueden
experimentar una variedad de condiciones climáticas. De
hecho, un solo tipo de función de distribución puede no ser
apropiado para todas las estaciones, pero sería muy útil tener
una idea de un comportamiento probabilístico "promedio" de la
precipitación máxima para un gran número de estaciones de
este tipo. Además, tal objeción sólo se justifica por las mismas
razones que para el método de la Hirshfield original, ya que
este método realmente hizo el mismo tipo de generalización.
Por otra parte, incluimos en nuestro análisis de una
investigación de las implicaciones de tal suposición a través de
la simulación.
2. Interpretación de los datos estadísticos de
Hirshfield
Hershfield [1961] publicó una tabla con los datos de
resumen de todos los registros de 2645 que utilizó; esta tabla
sirve como la base de todos los análisis del presente estudio.
Más específicamente, Hershfield divide los registros
disponibles en 13 clases, de acuerdo a la longitud de registro,
que variaba de 10-14 años a más de 70 años, como se muestra
en la Tabla 1. Además, se calcula para cada registro el valor de
km (ecuación (1)) y discretizado el rango de km, que se
extiende desde 1,0 hasta 15,0, usando un paso igual a 0,5
 KOUTSOYIANNIS: TECHNICAL NOTE 3

(teniendo así 28 intervalos en total). En su mesa publicó el
número de ocurrencias de cada intervalo de km para cada clase
de longitud de registro. En la Tabla 1 reproducimos el mínimo
observado y el intervalo máximo de km para cada clase de
longitud de registro.
Hagamos caso omiso provisionalmente los efectos de la
longitud del registro n en el kilómetro (que aparentemente
existe, vamos a volver a ella más tarde) y unificar todas las
clases de registro longitudes sumando el número de
ocurrencias de todas las clases (como Hershfield ya lo ha
hecho, también). Luego, utilizando la fórmula de Weibull
conocida, se puede estimar la probabilidad de no excedencia de
la variable aleatoria Km, cuya realización es km, por:
(2)
de intensificación de aumento de km en comparación con el
aumento de la Gumbel reducida variate - ln (ln F *). Si esta tasa
de incremento fueron constantes (es decir, los puntos en la
figura 1 forman una línea recta), esto indicaría que km tendría
una distribución Gumbel. La observada curvatura (es decir, tasa
de aumento de la intensificación) sugiere que un valor extremo
generalizada (GEV) de distribución con parámetro de forma + 0
es más apropiado (la curva mostrada en la Figura 1, que se
estima por mínimos cuadrados, corresponde a k = 0,0857) . En
conclusión, la Figura 1 indica que el máximo observado valor
de Km = 15 no es en absoluto un límite superior físico y que
sería mayor si se dispusiera de más registros. Para apoyar esta
interpretación, invocamos las observaciones preventivas de la
Organización Meteorológica Mundial [1986, p. 108] en el
método estadístico de PMP, que mencionan valores de hasta 25-
30 km iguales para los Estados Unidos y Canadá.

donde r (km) es el número de registros con Km <km, y r 'es Observamos que la distribución de Gumbel es de máximos (3)
el número total de registros (2645). De hecho, esta estimación
es posible sólo para los límites superiores de los 28 intervalos
de km utilizados por Hershfield.

Una parcela de frente F * (más precisamente, en

comparación con el Gumbel reduce variate - ln (- ln F *)), se da (3)
en la Figura 1 en papel de probabilidad de Gumbel.
Contrariamente a la interpretación de la Organización
Meteorológica Mundial [1986, p. 96], lo que habla de un valor y la distribución GEV es
"envolvente" de km, esta cifra sugiere que no hay un valor tal
envolvente. Al igual que en cualquier muestra finita, tenemos
en la Figura 1 un valor máximo finito (km = 15 en nuestro
caso), pero no hay evidencia para considerar que el valor de ser
un envolviendo uno. Esto se justificaría sólo si hubo una
tendencia hacia el km para:
Tanto en (3) y (4) X y x significan la variable aleatoria y su
valor, respectivamente (en nuestro caso representan km y km,
respectivamente); Fx (x) es la función de distribución; y k, X, y
si) son de forma, escala, y los parámetros de ubicación,
respectivamente. Aquí k y ijt son adimensionales, mientras que
X (> 0) tiene las mismas unidades que x. Tenga en cuenta que
(3) es el caso especial de dos parámetros de los tres parámetros
(4), lo que resulta cuando K = 0.

En el análisis anterior no hemos considerado el efecto de la

longitud del registro n en el km. Aparentemente, existe un
efecto tan grave por dos razones. En primer lugar, los más
disponibles los valores de los datos son, más probable es que se
produzca un mayor valor de km. En segundo lugar, el km es
una cantidad estandarizada por la media muestral y la
desviación estándar, mayor es la longitud de registro, más
Figura 1. empírica (diamantes) y GEV (línea continua) precisa será la estimación de km. En la figura 2 hemos
Función de distribución de máxima km variate estandarizados representado las distribuciones empíricas de cada clase de
de Hirshfield para todas las clases de longitud de registro (en el longitud de registro por separado, utilizando de nuevo (2) pero
papel de probabilidad de Gumbel). Los parámetros de la con r 'es el número total de registros de la clase específica. Es
Distribución GEV son evidente que, para probabilidades bajas y moderadas de no
excedencia (valores bajos y moderados de la reducción de
estabilizar (o saturar) en un determinado valor que la Gumbel-ln variable aleatoria (ln F *)) la distribución empírica
probabilidad de no excedencia F*(Km) aproxima a la unidad. de una clase con una longitud de registro pequeña (por ejemplo,
Pero este no es el caso en la Figura 1, donde se observa una tasa 10-14 años) difiere de la de una clase con longitud de registro
largo (por ejemplo, 65-69 años), las curvas de la antigua ser
inferiores a las de este último. Esto se justifica en absoluto por
la primera razón reportado anteriormente. Para muy altas
probabilidades de no excedencia (muy altos valores de la
variable reducida de Gumbel - ln (ln F *)) esta situación se
invierte en algunos casos (por ejemplo, las distribuciones
empíricas de las clases de longitud de registro de 10-14 y 20
-24 años superan a los de las clases más largo con una longitud
de registro). Lo más probable, esto es una consecuencia de la
pobre estimación de la media y la desviación estándar para las
clases con pequeña longitud de registro.

El efecto de la longitud del registro de la precisión de la

estimación de la media y la desviación típica de una variable
aleatoria es intrínseca e inevitable. Sin embargo, el efecto de la
longitud del registro del valor de km máxima puede ser
fácilmente evitado si, en vez de estudiar la distribución del
máximo observado km' elegimos para estudiar la distribución de
todos ki máximos anuales dentro de un registro normalizado,
definido por

(5)
Donde

es la i-ésima observó precipitación anual máxima dentro del

registro. Designando por F * () y F () las funciones de
distribución de Km y ki, respectivamente, y desde k¡i son
independientes, es bien conocido [por ejemplo, Gumbel, 1958,
p. 75] que F * (k) = [-F (k)]^n, por lo que podemos encontrar la
distribución F empírica (k), dada F * (k) a partir de (2), por
(6)
 KOUTSOYIANNIS: TECHNICAL NOTE 5

normal estándar
para la
confianza
coeficiente de
99% y Q f = [F
(1 - F) (1 / m ')]
^ 0 5 es la
desviación
estándar de la
muestra de F
para un tamaño
de muestra de
m' [Papoulis,
1990, pp 284,
299.]; en
nuestro caso, m
'es igual al
número de años-
estación. Para la
construcción de
las curvas de
confianza de la
Figura 3, el
valor de m 'fue
tomada de 2000,
Figura 2. Funciones de distribución empírica de máxima que es
km variate estandarizados de Hirshfield para cada clase de
longitud de registro (en el papel de probabilidad de
Gumbel).

Esto lo hemos hecho para las clases de longitud de registro

todo de Hirshfield mediante la adopción de un valor único de n
para cada clase, igual a la media aritmética de los límites de la
clase (para la última clase que no tiene un límite superior
supusimos n = 85, por lo que el número total de años-station es
94.523, es decir, muy cerca del valor de 95.000 años-estación
mencionada por Hershfield). Una vez más, la estimación de F
(k) es posible sólo para los límites superiores de los 28
intervalos de km utilizados por Hershfield. Las funciones de
distribución empírica estimada F (k) se representan en la
Figura 3.
Claramente, las salidas en F * (km), entre diferentes clases
observadas en la Figura 2, han desaparecido en el F (k) de la
Figura 3. Algunas salidas de diferentes clases aparecen en la
figura 3 sólo para ln (ln F)> 6, o F> 0,998, o,
equivalentemente, para períodos de retorno de más de 500
años.
Esto no es tan extraño si tenemos en cuenta el alto grado de
incertidumbre para dichos periodos de alto retorno,
especialmente para las clases de pequeña longitud. También
observamos que el gráfico de probabilidad de Gumbel de la
Figura 3 se amplía en gran medida cualquier diferencia en la
probabilidad en la parte más a la derecha de la gráfica. Como
una indicación aproximada que estas diferencias no son
significativas, hemos representado en la figura 3 un par de
curvas de confianza en torno a una distribución GEV teórico.
La distribución GEV es representativa para el registro Representativo de la clase 3 con una media de longitud
unificado que contiene todas las clases, y su derivación se récord de 22 años y 2024 años-estación.
discute en la sección 3. Los límites de confianza del 99% a un
cierto valor de F son F ± 2.576 Q f, donde 2.576 es la variable
 3. Proyecto de formulación alternativa del Por lo tanto, con las reservas y las explicaciones dadas en el
método de Hirshfield para profundidades último párrafo del apartado 1, se puede proceder asumiendo que
todos los registros de k estandarizada anual máximo de lluvia
de 24 horas representan prácticamente la misma población. Esta suposición
se apoya también en la obra original de Hershfield [1961], que
El análisis aproximado de la sección anterior indica que las probó los diferentes registros para la aleatoriedad y la
clases de diferentes longitudes de registro no difieren independencia.
sustancialmente en cuanto a la distribución de k. Al parecer, la Es bastante simple para encontrar la función de distribución
longitud de registro que era el criterio para las clases de empírica F (k) de la unión de todos los registros. Teniendo en
separación no es el más adecuado uno; otros criterios tales cuenta a partir de (6) la función de distribución empírica M, (k)
como las condiciones climáticas serían más apropiados para para la clase I, que tiene m '(i) estacionarias años en total, se
probar si afectan a la distribución de k. Sin embargo, incluso si estima el número 1 m (k) de la estación de años-cuyos valores
son menores o iguales a k por
13 clases del Hirshfield existentes se consideran como
totalmente al azar seleccionados, la ausencia de diferencia
sustancial entre ellos proporciona una indicación aproximada
que la normalización específica de precipitación máxima anual Adición de M¡ (k) y para todo i que encontrar el número total
(es decir, el uso de k) es una herramienta de análisis útil. de m (k) para la unión de todos los registros; Del mismo modo,
la adición de todos los m '¡nos encontramos con el número
total de años de estaciones (m' = 94.523), por lo que
finalmente

Figura 3. Las funciones de distribución empírica de altura de lluvia normalizado k para cada clase de longitud de registro (en el
papel de probabilidad de Gumbel).

Una vez más, la estimación de F (k) es posible sólo para los
límites superiores de los 28 intervalos de k (m) utilizados por
Hershfield. Así, la gama de k, donde es posible la estimación de
F (k) se extiende desde k = 1,5 a 15. El correspondiente rango
estimado de F (k) es de F (k) = 0,7759-,9999904. No tenemos
ninguna información para valores de f (k) <0,7759 (o,
equivalentemente, por períodos Retum menos de 4,5 años),
pero esto no es una brecha importante porque típicamente en
problemas de ingeniería, nuestro interés se centra en periodos
de retorno altas .
 KOUTSOYIANNIS: TECHNICAL NOTE 7

La función de distribución empírica de todos los registros se F (k) = 0,999982, lo que corresponde a un período de retorno
da gráficamente en la Figura 4 en papel de probabilidad de de 55.700
Gumbel. La curvatura de esta función de distribución empírica
muestra claramente que la distribución Gumbel no es
apropiado. Por lo tanto hemos equipado la distribución GEV
más generalizada que también se muestra en la Figura 4 (así
como en la Figura 3), junto con dos curvas de confianza del
99% obtenidos con el método ya descrito en la sección 2 para
m '= 95.000. Debido a la situación inusual en la información
disponible empírica (sólo 28 valores de la distribución
empírica), métodos de ajuste típicos, tales como las de
momentos, momentos de "L", de máxima verosimilitud, etc.,
no son aplicables para el montaje de la distribución teórica. En
lugar de ello, se utilizó un método de mínimos cuadrados
destinada a la minimización del error cuadrático medio entre
los extremos teórico valores empíricos de la magnitud ln (ln F
(k)) para los valores especificados de k. La función objetivo
(error cuadrático medio) es una función de los parámetros de la
distribución GEV, es decir, k, λ, y Ψ de (4), y su reducción al
mínimo el uso de programación no lineal resultó en valores de
los parámetros k = 0,13, λ = 0,6, y Ψ = 0,73.

Se podría argumentar que debido a que es una variable

estandarizada, los parámetros deben ser restringidos de manera
que la media teórica y la desviación estándar de k igual a 0 y 1,
respectivamente. Hemos preferido no introducir esas
restricciones en el proceso de optimización por dos razones. En
primer lugar, la unión de muchos registros con una desviación
estándar 1 ya no tiene desviación estándar 1, ya que puede ser
fácilmente verificado. En segundo lugar, Hershfield [1961]
utiliza el ajuste de factores, tanto para la media muestral y la
desviación estándar, de modo que la media y la desviación
estándar de k en cada registro en realidad no es igual a 0 y 1.
Por lo tanto los valores teóricos de la media y la desviación
estándar de los anteriores Los valores de parámetros son 0,87 y
0,94, respectivamente. Si forzamos parámetros para obedecer
los requisitos con respecto a la media y la desviación estándar,
mediante la introducción de las restricciones pertinentes en la
formulación del problema de optimización, los parámetros
estimados se hacen k - 0,13, λ, Ψ = 0,64, y Ψ = -0.69, es decir ,
k permanece constante, λ cambia ligeramente, y Ψ cambia
significativamente.

De hecho, el único parámetro que prácticamente necesitamos

saber es el parámetro de forma k porque este es el único que
permanece invariable cuando aplicamos la formación de la
estandarización transmisión de la variable aleatoria que
representa la profundidad máxima precipitación anual. Por otra
parte, k es la más difícil de estimar con precisión de un
pequeño disco, mientras que Ψ λ e Y se estima con mayor
precisión, por ejemplo, a partir de la media de la muestra y la
desviación estándar.

La adopción del conjunto de parámetros k = 0,13, λ = 0,6, Ψ

= 0,73 y resolver (4) para el valor k = 15, que fue especificado
por Hershfield como correspondiente a PMP, encontramos que
 [1961]
todos los
datos de
Hirshfield
(en el
papel de

probabilidad de Gumbel).

Figura 4. empírica (diamantes) y GEV (línea continua) de la

función de distribución normalizada altura de lluvia para k

años. Si asumimos que k tiene media cero y desviación
estándar de la unidad, a continuación, (3) y (4) después de
manipulaciones algebraicas se reducen a
donde sgn (k) es el signo de K, y es la constante (= 0,57722) y
T () la ecuación de Euler es la función gamma. Al parecer, F (k)
es una función del valor de la variable k estandarizado y el
parámetro de forma única K (tenga en cuenta la distinción de los
k latín y el griego k). Configuración de k = 0,13 y k = 15 a (10)
encontramos que F (k) = 0,999983 y T = 58 600, es decir, muy
cerca de los resultados anteriores. Redondeando estos resultados
podemos decir que de Hershfield valor de K = 15 corresponde a
un período de retomo de unos 60.000 años. Esto es de alguna
manera diferente a la estimación empírica, lo que sería de 95.000
años (igual al número de años-estación). La diferencia es
aparente en la Figura 4 (último punto a la derecha frente a la
línea continua). Sin embargo, no es estadísticamente
significativa: Si suponemos que la probabilidad de que k no
exceda 15 es p = 1-1 / 60.000, entonces la probabilidad de que
todos los 95.000 observaciones no exceden 15 es p ^ 95000 ≈
0,20. Por lo tanto la hipótesis de que las probabilidades
empíricos y teóricos son los mismos no es rechazada en los
niveles típicos de importancia (por ejemplo, 1%, 5%, o incluso
más, hasta 20%). Este resultado se verificó gráficamente por las
curvas de confianza de la Figura 4.
Los resultados anteriores se pueden resumir en los tres puntos
siguientes, que proporcionan la interpretación alternativa al
método de PMP Hirshfield [1961] estadística: (1) La distribución
GEV puede ser considerado como apropiado, para la serie anual
máximo de lluvia. (2) El valor de la estandarizada anual de
precipitación máxima k = 15 (que fue considerado por
Hershfield como correspondiente a PMP) corresponde a un
periodo de retorno de unos 60.000 años. (3) El parámetro de
forma k de la distribución GEV es 0,13.
Esta formulación es más consistente que el original de
Hershfield [1961] con la naturaleza probabilística de la
precipitación y, por otra parte, permite la cuantificación del
riesgo cuando Ar = 15, así como una evaluación del riesgo para
diferentes valores de (más o menos) de k.
Debemos destacar que los resultados anteriores están sujetos a
por lo menos dos fuentes de posibles sesgos, introducido por
primera vez por el procedimiento de estimación utilizado por
pa¬rameter Hershfield para estimar la media y la desviación
estándar para cada registro y, en segundo lugar, por la unificación
de todos los registros como si estuvieran independientemente
idénticamente distribuidas. Para cuantificar el sesgo de fuentes
tanto, hemos realizado simulaciones cuyos resultados se dan en la
Tabla 2. En cada simulación hemos generado un conjunto de 60
conjuntos que contienen cada uno 2645 registros con longitudes
elegidas al azar de la distribución que se deriva de la Tabla 1 de
Hershfield [ 1961], el cerca de 60 X 2.645 X 36 X 5,7 = 106
valores de k (donde 36 es la longitud media de registro) fueron
gen-utilizar desde la función de distribución (10) con la
población media 0 y varianza 1. Estos valores fueron luego
restándarización utilizando la media de la muestra y la desviación
estándar de cada muestra generada. Estas estadísticas fueron
estimadas tanto por los estimadores estadísticos imparciales
típicos (Método C en la Tabla 2) y los factores de ajuste de
Hirshfield (ya mencionados anteriormente), ya que están
implícitas en sus nomogramas (Método B). A partir de cada
conjunto se estimó el valor de km, así como el período de retomo
empírica del valor de K = 15, como los valores promedio de los
60 conjuntos generados. Se examinaron cinco casos como se
muestra en la Tabla 2. En caso 0 asumimos que todos los
registros de 2645 sintéticos tienen constantes parámetro k igual a
0,13. En los casos 1-4 asumimos una variable k elegido al azar
(por cada registro sintética) de una distribución gamma con valor
medio 0.10-0.13 y plausibles valores de la desviación estándar y
la asimetría como se muestra en la Tabla 2.
 Tabla 2. Resultados de Simulación para la Exploración de las fuentes de sesgo en la formulación
propuesta del Método de Hirshfield
Características KM Usando Método de Período de retorno de A: = 15 Uso
estadísticas asumidas estimación* Método de estimación *
de k

Case
E[K] Std[«] C,[k] A B C A B C

0 0.13 0 0 17.6 (16.2)t 18.8 7.1 66,300 (58,600)t 42,900 »95,000

1 0.13 0.036 1.35 19.1 21.4 7.2 44,900 28,500 »95,000
2 0.12 0.039 1.24 18.2 19.7 7.1 52,800 38,000 »95,000
3 0.11 0.042 1.15 17.5 19.9 7.0 82,600 47,500 »95,000
4 0.10 0.045 1.08 17.0 19.0 7.1 93,400 53,300 »95,000
* Métodos de estimación: A, utilizando momentos teóricos (media 0 y desviación estándar 1); B, utilizando momentos ajustados
por el procedimiento de Hirshfield; y C, utilizando momentos estadísticos típicos. Los valores teóricos (en su caso).
pasos: (1) seleccionar numerosos puntos H y
A partir de los resultados de la Tabla 2, es evidente estimación a partir del nomograma los
que la adopción de los factores de ajuste de correspondientes valores de K; (2) para cada k
Hirshfield en todos los casos da lugar a una ligera hallazgo a partir de (10) El valor de k de modo que F
sobreestimación del valor de km (método B contra el (k) = 1 - 1 / 60.000; (3) Del conjunto de pares (h, k)
método A) y, en consecuencia, una subestimación del establecer un tipo simple de la relación matemática y
período de retomo del valor k = 15. Cabe destacar, estimar sus parámetros. Usando este procedimiento,
sin embargo, si no se utilizaron estos ajustes el se encontró que este nomograma es prácticamente
resultado sería una subestimación grave de km equivalente a la siguiente declaración
(método C frente método a). Por otra parte, la matemáticamente simple, que sustituye el punto 3 en
adopción de la variación de los resultados k en un la formulación alternativa se ha indicado
aumento de km y disminución del período de retomo anteriormente del método: (3a) El parámetro de
del valor de K = 15 (caso 1 frente a 0 casos). Por el forma k de la distribución GEV se da como una
contrario, dado que 2645 registros de Hirshfield función del valor medio anual de la serie máxima h,
ciertamente no tienen k constante y que los por
parámetros se estimaron por el método B, podemos
esperar que el valor estimado K = 0,13 es demasiado
alto como un valor medio si el valor de K = 15 debe
tener un retorno período de unos 60.000 años, un
valor promedio menor de K ≈ 0,10 (caso 4,
procedimiento B) parece más consistente. Por lo
tanto, la adopción de un valor constante K = 0,13,
entre con el uso de los factores de ajuste de
Hershfield, da lugar a una sobreestimación de k (m) y
más seguros los parámetros de diseño de la media.

En su obra posterior Hershfield [1965] sustituye el

único valor de K = 15 con un nomograma y dando
como una función del valor medio de la serie h
máximo anual, que se reproduce en la Figura 5 (curva
de lluvia de 24 horas). La curva de este nomograma
puede ser fácilmente reemplazado con una relación
matemática del parámetro de forma k con h. Para
establecer esta relación podemos seguir los siguientes
 Figura 6. Funciones de distribución empíricos y
teóricos de la precipitación máxima diaria anual en
Atenas (en papel de probabilidad de Gumbel). La
distribución GEV obtenido por el método propuesto
coincide con la distribución GEV montado
directamente de la muestra con el método de
Figura 5. Comparación de nomograma empírica de máxima verosimilitud.
Hirshfield para k (m), como una función de la h
media anual de precipitación máxima (d) yd
duración (líneas discontinuas), con las curvas
obtenidas para la formulación alternativa propuesta
(k para T = 60.000 ; líneas continuas) mediante la
aplicación de las ecuaciones (10), (11) y (17).
donde h es en milímetros. La curva k - g (h),
que se obtiene mediante la combinación de
(11) y (10) con T = 1 / 60.000, se muestra en
la Figura 5 y está de acuerdo bien con la
curva empírica de Hirshfield.
Se observa que para valores muy grandes de
h, es decir, para h> 373,5 mm, (11) resulta en
K <0. Esto, combinado con (4) implica que,
en este caso, k será superior delimitada (e
inferior sin límites) . Sin embargo, a juicio
del autor no hay ninguna razón física o
empírica suficiente para aceptar un límite
superior para k. Una solución directa sería
establecer K = 0 y el uso de la distribución
Gumbel en tales situaciones extremadamente
inusuales, a pesar de que esto se traduce en
un ligero desacuerdo con Hershfield para h>
373,5 mm. Observamos que en su estudio
original, Hershfield [1965] tenía sólo 5 de
cada 2700 puntos situados en esa zona (h>
373,5 MTN) para dibujar su curva
envolvente, y por lo tanto la incertidumbre
es grande, de todos modos

4. Verificación de la propuesta
de formulación alternativa
del método

Para comprobar el método propuesto con los datos

históricos se utilizó el registro disponible más largo
de precipitación diaria máxima anual en Grecia
[Koutsoyiannis y Faloutsos, 1999]. Esto viene desde
el Observatorio Nacional de Atenas y se extiende
desde 1860 a 1995 (136 años). Su media y
desviación estándar son 47,9 y 21,7 mm,
respectivamente, y el valor observado máxima es de
150,8 mm (por lo tanto la observada km = (150,8 -
47,9) /21.7 = 4,74). La aplicación directa de los
resultados del método de Hirshfield en km = 17,2 y,
en consecuencia, en un valor de 424,1 mm de PMP.
A partir de (11) nos encontramos con k = 0,160, que
se aplica tanto para k y h. Entonces, la adopción de
la distribución GEV para h y utilizando el método
más simple de los momentos para la estimación de
los restante dos parámetros (con la media y la
desviación estándar de h 47,9 y 21,7 mm,
respectivamente), encontramos λ = 12,95 mm y Ψ =
2,93 (el correspondiente parámetros para k son λ =
0,60 y Ψ = 0,77).

Por otra parte, hemos montado la distribución

GEV a la muestra dada de h sí mismo, sin referencia
al método propuesto, la reutilización de los métodos
estándar de máxima verosimilitud y de momentos L.
Los parámetros estimados son k = 0,161, λ = 12,93
mm, y Ψ = 2,94 para el método de máxima
verosimilitud [Papoulis, 1990, p. 303] (la
maximización se realizó numéricamente), y k =
0,185, λ = 12,64 mm, y Ψ = 2,98 para el método de
momentos L [Stedinger et al., 1993, p. 18.18].
Curiosamente, los parámetros del método de
máxima verosimilitud casi coinciden con los del
método propuesto. Esto indica que la estimación del
parámetro de forma k de (11) es fiable, al menos en
el caso examinado.
La función de distribución empírica del registro
136-año, en comparación con la función de
distribución GEV con los tres conjuntos de
parámetros se muestra en la Figura 6. Como se
esperaba, la distribución GEV instalado por el
método propuesto (así como el indistinguibles
instalado por el método de máxima verosimilitud)
verifica que el valor de PMP Hirshfield (424,1 mm)
tiene un período de retorno de 60.000 años (Figura
6). A modo de comparación, hemos representado,
además, en la figura 6, la función de distribución de
Gumbel, que al parecer tiene un rendimiento muy
pobre en cuanto a la distribución empírica y
subestima seriamente la cantidad de lluvia para
períodos de retorno de gran tamaño.
En conclusión, en el caso examinado podemos
reemplazar la frase "el PMP es 424,1 mm" con "la
precipitación de 60.000 años, como resultado de la
distribución GEV es 424,1 mm"; Esto último implica
que mayores cantidades de precipitación son posibles
pero con menos probabilidad.
5. Efecto de Duracion de Lluvia
Además de la curva para la 24-horas la precipitación,
Hershfield [1965] presenta en sus curvas nomograma de km para
las duraciones más cortas, es decir, 1 y 2 horas, como resultado
del análisis de datos de precipitación de aproximadamente 210
estaciones. Estas curvas también se muestran en la Figura 5.
En general, si tenemos relaciones disponibles de la frecuencia
de intensidad-duración- (FID) para la ubicación de interés se
puede inferir fácilmente el efecto correspondiente de la duración
sin necesidad de curvas adicionales. La relación idf se puede
expresar [Koutsoyiannis et al., 1998], de la forma general
(14)
Utilizando (17) y comenzando con la conocida función k = g
(H24), se calculó la g”d” función (H”d”) para d = 1 hora y 2 horas
y se trazan las curvas resultantes de la figura 5 en comparación con
las curvas empíricas de Hershfield . Curiosamente, los dos
conjuntos de curvas casi coinciden.
En conclusión, el análisis de esta sección se demuestra que (1)
no hay necesidad de establecer relaciones de la normalizado k
anual máximo de lluvia con cualquiera de las características de la
lluvia para las duraciones de lluvia menos de 24 horas debido a
que tales relaciones se derivan directamente de las curvas IDF y
que (2) las curvas Hershfield particulares de km para las
duraciones bajas son prácticamente equivalentes con la suposición
de que la altura de lluvia es proporcional a la raíz cuadrada de la
duración.
6. Conclusiones
El método de estimación de Hershfield máxima probable
precipitación (PMP) es una herramienta muy útil, muy extendida,
y confiable para el diseño hidrológico, ya que se basa en el análisis
de una gran cantidad de información de la lluvia (2645 registros de
datos en todo el mundo que contienen 95.000 estación- años). Sin
embargo, lo que las estimaciones procedimiento no podrá PMP, y
no hay razón para considerar que así sea. Más específicamente, el
análisis realizado con los datos de Hirshfield proporcionado
ninguna prueba de que existe un límite superior de la cantidad de
precipitación y, además, sugirió que un simple formulación
alternativa del método es posible. Esta formulación puede ser
puramente probabilístico y no necesita postular la existencia de
PMP como un límite físico superior.
Se demuestra que la estimación de la PMP de Hirshfield puede
ob¬tained utilizando el valor generalizado extrema (GEV) de
distribución con forma de parámetro dado como una función lineal
especificada de la media de precipitación anual máxima, y para el
período de retorno igual a 60.000 años. Esta formulación se apoya
en los datos publicados y sustitutos Hershfield completa- mente el
nomograma empírica estándar que se utiliza para la aplicación del
método. Por otra parte, la formulación alternativa asigna una
función de distribución de probabilidad de precipitación anual
máxima, lo que permite la estimación del riesgo, ya sea por el
valor de Hershfield "PMP" o cualquier otra cantidad grande
precipitaciones.
El período de retorno de unos 60.000 calendarios estimados
aquí por PMP de Hirshfield es bastante pequeña en comparación
con otras estimaciones de la literatura (aunque las otras
estimaciones pueden no ser totalmente comparables, ya que se
refieren a otros métodos de estimación PMP). Por ejemplo, de
acuerdo con el Consejo Nacional de Investigación [1994, p. 14], se
estima que el periodo de retorno de PMP en los Estados Unidos
para ser 105-109 años, mientras que Foufoula- Georgiou [1989] y
Fontaine y Potter [1989] indican que los valores de PMP de la
literatura tienen periodos de retorno de 105-106 años. Asimismo,
según Austin et al. [1995, p. 74], los valores de PMP estiman en
Gran Bretaña por un modelo de tormenta están asociados con
periodo de retorno de 200.000 años
 (12 )

Donde i D (t) es la intensidad de la lluvia que corresponde a la

duración dy período de retorno T, y una (T) y b (d) son
funciones de T y D, respectivamente. En particular, la función
b (d) es típicamente una función de potencia de d y, como
demostraremos, determina por completo el efecto de la
duración y se puede utilizar para deducir las curvas como las
de nomograma de Hirshfield. Escribiendo (12) para dos
duraciones, d y 24 horas, eliminando a (T), y también la
sustitución de id (T) = HD (T) / d, donde hd (T) es la altura de
lluvia correspondiente a la duración d y período de retorno T,
encontramos

(13)

lo que implica la igualdad de probabilidad para [hab (d) / d] y

[H24B (24) / 24]. Por lo tanto, si u (d) y Q (d) indican la media y
la desviación estándar de la altura de lluvia para la duración "d", a
continuación,

Si denotamos kd (t) = [HD (T) - u (d)] / Q (d), la variable

estandarizada de HD (T), nos encontramos con facilidad a
partir de (13) y (14) que kd (T) k = "24" (t) = k (t), es decir,
kd (T) no depende de d, de manera que podemos utilizar
(10) y (11) para determinarla. Tenga en cuenta que la h que
aparece en (11) es la media de la muestra de h "24", es
decir, h = h "24", que corresponde a la media verdadera u
"24". La relación k = g (h24) que resultó numéricamente a
partir de (10) y (11) para T = 60 000 (Figura 5, la curva
durante 24 horas) puede ser reformulado de manera que se
escribe como una oihd función, que es el caso de Hirshfield
de curvas. Suponiendo que la muestra significa h "d" y h
"24" tienen la misma relación que el verdadero significa u
"d" y u "24" (ecuación (14)) podemos escribir_
 Donde
Ahora bien, si suponemos por simplicidad, que la expresión
"promedio" para b (d) es b (d) = d ^ 0 5, a continuación, (15)
se convierte en
La verificación de la formulación alternativa propuesta del
método se lleva a cabo aplicando a Atenas, Grecia, donde existe
un registro de largo (136 años) de un máximo anual de lluvia
diaria. El registro de largo disponible sugiere que la distribución
GEV es apropiado y hace posible una estimación exacta
relevante (por métodos estadísticos estándar) de su parámetro de
forma, que casi coincide con el obtenido por el método
propuesto.
Esta coincidencia aumenta nuestra confianza en los resultados
del análisis estadístico típico en el caso examinado, que resultan
ser de acuerdo con el resultado de un análisis global de 95.000
años-estación de información de precipitaciones en todo el mundo.
Sin embargo, el caso examinado no es un típico, porque la mayor
frecuencia de los registros disponibles tienen longitudes de unas
pocas decenas de años, lo que no permite una estimación fiable del
parámetro de forma de la distribución. En esos casos la
formulación alternativa propuesta del método de Hershfield
proporciona al menos una primera aproximación de la forma
parámetro basado en la media de la precipitación diaria máxima
anual
En los casos en que la lluvia duraciones inferiores a diario
son de interés, nomograma de Hirshfield proporciona curvas
adicionales para los dos mencionados tales duraciones. Nuestro
análisis mostró que (1) no hay necesidad de utilizar curvas
separadas para duraciones inferiores, debido a que tales curvas
se pueden derivar directamente de las curvas de frecuencia de
intensidad-duración- locales, y que (2) las curvas Hershfield
particulares para duraciones bajas son prácticamente
equivalentes con la suposición de que la altura de lluvia es
proporcional a la raíz cuadrada de la duración.
References
Austin, B. N., I. D. Cluckie, C. G. Collier, and P. J. Hardaker, Radar- based
estimation of probable máximum precipitation and flood, Meteorol. Off.,
Bracknell, U. K., 1995.
Benson, M. A., Thoughts on the design of design floods, in Floods and
Dmughts, Proceedings of the 2nd International Symposium in Hydrol- ogy,
pp. 27-33, Water Resour. Publ., Fort Collins, Colo., 1973. Collier, C. G.,
and P. J. Hardaker, Estimating probable máximum precipitation using a
storm model approach, /. Hydrol., 183, 227306, 1996. ,
Dawdy, D. R., and D. P. Lettenmaier, An initiative for risk-based flood
design, J. Hydraul. Eng., 113(8), 1041-1051, 1987.
Dingman, S. L., Physical Hydrology, Prentice-Hall, Englewood Cliffs, N.
J„ 1994.
Dooge, J. C. I., Looking for hydrologic laws, Water Resour. Res., 22(9),
46S-58S, 1986.
Fontaine, T. A., and K. W. Potter, Estimating probabilities of extreme
rainfalls, J. Hydraul. Eng., ¿75(11), 1562-1575, 1989.
Foufoula-Georgiou, E., A probabilistic storm transposition approach for
estimating exceedance probabilities of extreme precipitation events,
Water Resour. Res., 26(5), 799-815, 1989.
Gumbel, E. J., Statistics of Extremes, Columbia Univ., Press, New York,
1958.
Hershfield, D. M., Estimating the probable máximum precipitation, J.
Hydraul. Div. Am. Soc. Civ. Eng., §7(HY5), 99-106, 1961.
Hershfield, D. M., Method for estimating probable máximum precipitation,
J. Am. Waterworks Assoc., 57, 965-972, 1965.
Koutsoyiannis, D., and G. Baloutsos, Analysis of a long record of annual
máximum rainfall in Athens, Greece, and design rainfall inferences, Nat.
Hazards, in press, 1999.
Koutsoyiannis, D., D. Kozonis, and A. Manetas, A mathematical
framework for studying rainfall intensity-duration-frequency rela-
tionship, J. Hydrol., 206, 118-135, 1998.
National Research Council, Estimating Probabilities of Extreme Floods:
Methods and Recommended Research, Nati. Acad. Press, Washington, D.
C., 1988.
National Research Council, Estimating Bounds on Extreme Precipitation
Events, Nati. Acad. Press, Washington, D. C., 1994.
Papoulis, A., Probability and Statistics, Prentice-Hall, Englewood Cliffs, N.
J„ 1990.
Schreiner, L. C, and J. T. Reidel, Probable máximum precipitation
estimates, United States east of 105th meridian, Hydrometeorol. Rep. 51,
U.S. Nati. Weather Serv., Washington, D. C., 1978.
Stedinger, J. R., and J. Grygier, Risk-cost analysis and spillway design, in
Computer Applications in Water Resourcers, edited by H. C. Tomo, pp.
1208-1217, Am. Soc. of Civ. Eng., Reston, Va., 1985.
Stedinger, J. R., R. M. Vogel, and E. Foufoula-Georgiou, Frequency
analysis of extreme events, in Handbook of Hydrology, chap. 18, edited
by D. R. Maidment, McGraw-Hill, New York, 1993.
Willeke, G. E., Myths and uses of hydrometeorology in forecasting, in
Proceedings of March 1979 Engineering Foundation Conference on
Improved Hydrological Forecasting—WhyandHow, pp. 117-124, Am. Soc.
of Civ. Eng., Reston, Va., 1980.
Wiesner, C. J., Hydrometeorology, Chapman and Hall, New York, 1970.
World Meteorological Organization, Manual for Estimation of Probable