Frecuencia de crecidas con Gumbel
Hasta aquí el caudal venía de una lluvia. Ahora viene de un aforo: hay 30 años de gastos máximos anuales y hay que estimar el de 100 años, que nadie ha visto. Eso no es hidráulica, es estadística de extremos, y su resultado siempre lleva un error que casi nunca se publica.
En una línea
Sección titulada «En una línea»El caudal de diseño no se mide: se extrapola ajustando una distribución a los máximos anuales, y con 30 datos el cuantil de 100 años tiene un error estándar del 8 % de su valor.
La serie que se ajusta
Sección titulada «La serie que se ajusta»Se ajusta la serie de máximos anuales (AMS): el gasto máximo de cada año hidrológico, un valor por año. No los caudales diarios, no los picos de cada evento.
La diferencia importa. Si se ajusta con todos los caudales diarios, la distribución describe el régimen medio y no los extremos; el cuantil de 100 años sale bajo. Y si se ajustan varios picos por año (POT), hay que declarar la independencia entre ellos, que es otro problema.
La serie de este capítulo son 30 años, en m³/s:
AMS = [42, 55, 61, 48, 73, 58, 66, 51, 88, 62, 57, 70, 45, 79, 64, 53, 96, 68, 59, 75, 49, 82, 60, 71, 56, 90, 65, 54, 78, 120]Media 66.50, desviación 16.89, mínimo 42 y máximo 120.
Por qué Gumbel
Sección titulada «Por qué Gumbel»La distribución de valores extremos tipo I (Gumbel) es el límite al que tienden los máximos de muestras grandes cuando la cola decae de forma exponencial. Su función de distribución es:
F(x) = exp[ −exp( −(x − μ)/α ) ]y su cuantil para un periodo de retorno T:
x_T = μ + α · y_T con y_T = −ln( −ln(1 − 1/T) )y_T se llama variante reducida y no depende de los datos: vale 2.25 para T = 10 y 4.60 para T = 100. Todo el ajuste se reduce a estimar dos números, μ y α.
El ajuste en tres líneas
Sección titulada «El ajuste en tres líneas»mu, alpha = stats.gumbel_r.fit(AMS) # máxima verosimilitudy = -np.log(-np.log(1 - 1/T))x_T = mu + alpha * ygumbel_r es la Gumbel de cola derecha; gumbel_l es su espejo y no sirve aquí. fit devuelve por defecto el estimador de máxima verosimilitud (MLE), no el de momentos.
| Parámetro | MLE | Momentos |
|---|---|---|
μ |
59.12 | 58.90 |
α |
12.43 | 13.17 |
x_10 (m³/s) |
87.1 | 88.5 |
x_25 (m³/s) |
98.9 | 101.0 |
x_50 (m³/s) |
107.6 | 110.3 |
x_100 (m³/s) |
116.3 | 119.5 |
python mediciones/12-02-hidrologia-scipy.py
Los dos métodos difieren un 1.7 % en x_10 y un 2.8 % en x_100. No es un empate: es que con 30 datos el método pesa casi tanto como los datos. Cuando alguien publica un caudal de diseño sin decir qué estimador usó, falta la mitad del método.
El cuantil tiene error
Sección titulada «El cuantil tiene error»Un número solo no es un resultado. El error estándar del cuantil tiene forma cerrada para Gumbel:
se(x_T) ≈ (α/√n) · √(1.1087 + 0.5140·y_T + 0.6079·y_T²)y se puede comprobar con un bootstrap sobre la misma serie:
T |
x_T (m³/s) |
se (fórmula) |
se (bootstrap) |
|---|---|---|---|
| 10 | 87.1 | 5.24 | 5.56 |
| 25 | 98.9 | 6.80 | 7.22 |
| 50 | 107.6 | 7.98 | 8.09 |
| 100 | 116.3 | 9.17 | 9.56 |
python mediciones/12-02-hidrologia-scipy.py
La fórmula asintótica y el bootstrap coinciden dentro del 6 % en los cuatro periodos de retorno; la fórmula se queda algo corta porque supone n grande. Lo que ambas dicen es lo importante: x_100 = 116 m³/s con n = 30 significa 116 ± 18 al 95 %, no 116.
Un intervalo de confianza de ±15 % sobre el caudal de diseño no es un defecto del cálculo; es la información que hay. Publicar solo el 116 es lo que convierte una estimación en una promesa.
La trampa
Sección titulada «La trampa»Cuándo no aplica
Sección titulada «Cuándo no aplica»- Menos de 20 años: el intervalo de confianza es tan ancho que el cuantil no decide nada.
- Series con tendencia o con saltos (embalse construido a mitad de registro): hay que separar o modelar la tendencia.
- Máximos no independientes: crecidas sucesivas del mismo evento; usar POT con declustering.
- Cuencas mixtas (lluvia y deshielo): la cola suele ser más pesada que Gumbel y LP3 encaja mejor.
Ejercicio
Sección titulada «Ejercicio»Con la misma serie, calcula x_50, su error estándar con la fórmula, el intervalo del 95 % y el periodo de retorno del mayor observado.
Solución
import numpy as npfrom scipy import stats
AMS = np.array([42, 55, 61, 48, 73, 58, 66, 51, 88, 62, 57, 70, 45, 79, 64, 53, 96, 68, 59, 75, 49, 82, 60, 71, 56, 90, 65, 54, 78, 120], dtype=float)
mu, alpha = stats.gumbel_r.fit(AMS)T = 50y = -np.log(-np.log(1 - 1 / T))x = mu + alpha * yse = alpha / np.sqrt(AMS.size) * np.sqrt(1.1087 + 0.5140 * y + 0.6079 * y**2)
print(f"x50 = {x:.1f} m³/s, se = {se:.2f}")print(f"IC95 = [{x - 1.96 * se:.1f}, {x + 1.96 * se:.1f}] m³/s")print(f"T del mayor observado = {1 / (1 - stats.gumbel_r.cdf(AMS.max(), mu, alpha)):.0f} años")x_50 = 107.6 m³/s, se = 7.98, intervalo del 95 % [92.0, 123.2] m³/s. El mayor observado (120 m³/s) tiene T ≈ 135 años.
El intervalo tiene 42 m³/s de ancho para un caudal de 108: más que muchas decisiones de diseño. Ese es el número que hay que llevar a la mesa junto al caudal, no después.
Referencias
Sección titulada «Referencias»- Gumbel, E. J. Statistics of Extremes, Columbia University Press, 1958.
- Chow, V. T., Maidment, D. R. y Mays, L. W. Applied Hydrology, McGraw-Hill, 1988, capítulo 12 (análisis de frecuencia).
- Interagency Advisory Committee on Water Data. Bulletin 17C, 2019 (log-Pearson III como estándar federal en EE. UU.).
- Verificación:
mediciones/12-02-hidrologia-scipy.py(bloque 6).
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 07 · Log-Pearson III: la otra distribución de la misma serie.
- 08 · Ajuste de la IDF: el mismo
curve_fit, aplicado a una tabla de intensidades.