Upload
riccardo-rigon
View
1.653
Download
3
Embed Size (px)
DESCRIPTION
Le precipitazioni a terra. Statistiche. Statistiche degli estremi.
Citation preview
Le precipitazioni
Riccardo Rigon
A. A
dam
s -
Pio
ggia
Ten
aya,
Wednesday, April 10, 13
R. Rigon
Obbiettivi:
2
•Fare una sintesi dei processi di formazione delle precipitazione
•Fare una sintesi dei tipi di nuvola che produce precipitazioni
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
3
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•I moti atmosferici sono generati dalla disuniforme radiazione solare
sulla superficie della Terra, a causa della sua forma sferica.
3
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•I moti atmosferici sono generati dalla disuniforme radiazione solare
sulla superficie della Terra, a causa della sua forma sferica.
•Poichè la Terra ruota attorno al proprio asse, ogni massa d’aria in
movimento, subisce una deviazione dovuta alla forza (apparente) di
Coriolis.
3
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Questa situazione:
•genera delle moti tra aree di posizione “quasi stabile” di alta e bassa
pressione
•discontinuità nel campo di moto dell’aria a grande scala e discontinuità
nelle proprietà termodinamiche di masse d’aria a contatto
•genera quindi le condizioni per cui alcune masse d’aria più leggere
“scivolano” sopra altre, innalzandosi.
4
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
5
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•La superficie della Terra è composta da masse materiali (aria, acqua, terra)
diverse e variamente orientate che rispondono in modo differenziato alla
radiazione solare, provocando ulteriori moti di masse d’aria (alla scala della
variabilità presente) necessari alla redistribuzione dell’energia radiante
ricevuta.
5
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•La superficie della Terra è composta da masse materiali (aria, acqua, terra)
diverse e variamente orientate che rispondono in modo differenziato alla
radiazione solare, provocando ulteriori moti di masse d’aria (alla scala della
variabilità presente) necessari alla redistribuzione dell’energia radiante
ricevuta.
•Per effetto di questi moti, si possono creare fenomeni di innalzamento
locale delle masse d’aria.
5
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
6
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Masse d’aria in movimento sono innalzate dalla presenza dell’orografia.
6
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
7
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•L’aria si innalza anche per effetto di riscaldamento della superficie terrestre in
misura diversa dell’aria circostante, che causa di condizioni di instabilità
atmosferica
7
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
8
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Quando l’aria si innalza, si raffredda, per effetto dell’espansione adiabatica
(isentropica) e diminuisce la tensione di vapore di equilibrio, rendendo
possibile (ma non sempre realizzandola) la condensazione del vapore acqueo.
8
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Quando l’aria si innalza, si raffredda, per effetto dell’espansione adiabatica
(isentropica) e diminuisce la tensione di vapore di equilibrio, rendendo
possibile (ma non sempre realizzandola) la condensazione del vapore acqueo.
•Si formano così, ad una opportuna quota dal suolo, le nuvole: particelle di acqua
liquida o solida, sospese in aria.
8
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Quando l’aria si innalza, si raffredda, per effetto dell’espansione adiabatica
(isentropica) e diminuisce la tensione di vapore di equilibrio, rendendo
possibile (ma non sempre realizzandola) la condensazione del vapore acqueo.
•Si formano così, ad una opportuna quota dal suolo, le nuvole: particelle di acqua
liquida o solida, sospese in aria.
8
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Quando l’aria si innalza, si raffredda, per effetto dell’espansione adiabatica
(isentropica) e diminuisce la tensione di vapore di equilibrio, rendendo
possibile (ma non sempre realizzandola) la condensazione del vapore acqueo.
•Si formano così, ad una opportuna quota dal suolo, le nuvole: particelle di acqua
liquida o solida, sospese in aria.
Storm building near Arvada, Colorado. U.S. © Brian Boyle.
8
Introduzione
Wednesday, April 10, 13
R. Rigon
Perchè piova
•Se le goccie d’acqua riescono ad accrescersi al punto da raggiungere un peso
sufficiente, precipitano a terra. Piove, nevica o grandina.
Precipitation, Thriplow in Cambridgeshire. U.K © John Deed.
9
Introduzione
Wednesday, April 10, 13
R. Rigon
I tipi di evento- Stratiforme
10
Ove
r Ber
wic
k-up
on-T
wee
d, N
orth
umbe
rland
, UK
.©
Ant
onio
Fec
i
Stra
tocu
mul
us st
ratif
orm
is
Introduzione
Wednesday, April 10, 13
R. Rigon
I tipi di evento- Convettivo
11
Ove
r Aus
tin, T
exas
, US
© G
inni
e Po
wel
l
Cum
ulon
imbu
s cap
illat
us in
cus
Introduzione
Wednesday, April 10, 13
R. Rigon
Nubi stratiformi
12
Introduzione
Wednesday, April 10, 13
R. Rigon
Nubi stratiformi
13
Introduzione
Wednesday, April 10, 13
R. Rigon
Cic
lon
e ex
trat
rop
ical
e
14
Hou
ze,
1
99
4
Introduzione
Wednesday, April 10, 13
R. Rigon
Nubifragi
15
Hou
ze,
1
99
4Introduzione
Wednesday, April 10, 13
R. Rigon
16
Hou
ze,
1
99
4
Nubifragi
Introduzione
Wednesday, April 10, 13
R. Rigon
Fattori che influenzano la natura e la quantità delle precipitazioni al suolo
•La latitudine: la precipitazione è distribuita sulla superficie terrestre in
funzione dei sistemi di circolazione generale
•L’altitudine: la precipitazione (media annuale) tende a crescere con la
quota, fino ad una quota limite (le alte quote sono mediamente aride).
•La posizione rispetto alle masse oceaniche, ai venti prevalenti, la
posizione generale dell’orografia
17
Introduzione
Wednesday, April 10, 13
R. Rigon
F. G
iorg
iou
, 2
00
8
Dis
trib
uzio
ne
spaz
iale
18
Introduzione
Wednesday, April 10, 13
R. Rigon
Dis
trib
uzio
ne
spaz
iale
19
Introduzione
Wednesday, April 10, 13
R. Rigon
Precipitation exhibits spatial variability at a large range of scales
(mm/hr)
512 k
m
pixel = 4 km
0 4 9 13 17 21 26 30R (mm/hr)
2
km
4
km
pixel = 125 m
Fou
fula
-Geo
rgio
u, 2
00
8
20
Introduzione
Wednesday, April 10, 13
R. Rigon
Spatial Rainfall
Fou
fula
-Geo
rgio
u, 2
00
8
21
Introduzione
Wednesday, April 10, 13
R. Rigon
Distribuzione spaziale
22
Introduzione
Wednesday, April 10, 13
R. Rigon
Caratteristiche delle precipitazioni al suolo
•Lo stato fisico (pioggia, neve grandine, rugiada)
•L’altezza: ovvero la quantità di precipitazione per unità di area
(proiettata), spesso espressa in mm o cm.
•La durata: ovvero l’intervallo temporale durante il quale si registra con
continuità precipitazione, o, a seconda dei contesti, la durata di
registrazione di un certo ammontare di precipitazione (a prescindere
dalla continuità della stessa)
•L’altezza cumulata, l’altezza di precipitazione misurata in un intervallo
di tempo prefissato, anche se dovuta a più eventi.
23
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Caratteristiche delle precipitazioni al suolo
•L’ intervallo medio tra due precipitazioni successive
(storm inter-arrival time)
•La distribuzione spaziale dei volumi di pioggia
•La frequenza o il tempo di ritorno di una certa precipitazione con
altezza e durata assegnate
•La qualità, ovvero la composizione chimica della precipitazione
24
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Eventi
1
2 3
4
5 6
25
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Temporal Rainfall
Fou
fula
-Geo
rgio
u, 2
00
8
26
Distribuzione temporale delle precipitazioni
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Isto
gra
mm
a d
elle
pre
cip
itaz
ion
i m
ensi
li
27
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Stat
isti
che
28
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Du
rate
a lo
gn
orm
al d
istr
ibu
tion
29
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
Inte
nsi
tàlo
gn
orm
al ?
30
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
R. Rigon
31
Pre
cip
itaz
ion
i Est
rem
e
Caratteristiche statistiche della precipitazione
Wednesday, April 10, 13
Le precipitazioni estreme
Riccardo Rigon
Kan
din
ski
-Com
posi
tion
VI
(Il
dil
uvi
o)-
19
13
Wednesday, April 10, 13
R. Rigon
Consideriamo le precipitazioni massime annualiQueste si trovano negli annali idrologici registrate per certe durate caratteristiche:
1h, 3h, 6h,12h 24 h e rappresentano il massimo di precipitazione cumulato sulla
prefissata durata.
33
anno 1h 3h 6h 12h 24h1 1925 50.0 NA NA NA NA2 1928 35.0 47.0 50.0 50.4 67.6
......................................
......................................
46 1979 38.6 52.8 54.8 70.2 84.247 1980 28.2 42.4 71.4 97.4 107.451 1987 32.6 40.6 64.6 77.2 81.252 1988 89.2 102.0 102.0 102.0 104.2
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Precipitazioni Massime a Paperopoli
durata
Pre
cip
ita
zio
ne
(m
m)
1 3 6 12 24
50
100
150
50
100
150
34
Consideriamo le precipitazioni massime annuali
Per ogni durata si ha una distribuzione di precipitazioni
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
1 3 6 12 24
50
100
150
Precipitazioni Massime a Paperopoli
durata
Pre
cip
itazio
ne (
mm
)
Mediana
>boxplot(hh ~ h,xlab="durata",ylab="Precipitazione (mm)",main="Precipitazioni Massime a Paperopoli") 35
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Tempo di ritorno
E’ l’intervallo di tempo medio in cui una certa intensità di precipitazione si
ripete (o è superata). Sia:
T
l’intervallo temporale in cui si dispone di una certa misura
Siano
n
le misurazioni fatte in T e
m=T/n
il tempo di campionamento di una singola misura (la durata dell’evento
considerato).36
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Tempo di ritorno
Allora il tempo di ritorno della misura h* è
37
se si definisce ,
la frequenza di successi (misure superiori od uguali ad h*), o frequenza di
superamento del valore h*, Allora
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Tempo di ritorno
38
è detta frequenza empirica di non superamento o “empirical
cumulative distribution function” (ECDF)
e vale pure:
dove
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Tempo di ritorno
39
Nelle analisi statistiche più accurate, si tratterà di interpolare le frequnze
empiriche su particolari famiglie di distribuzioni di probabilità. In modo tale che
Dove alle frequenze empiriche si sono sostituite le curve di probabilità
interpolanti. In questo modo, ad ogni frequenza (e quantile) corrisponde
un unico tempo di ritorno.
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
1 3 6 12 24
50
100
150
Precipitazioni Massime a Paperopoli
durata
Pre
cip
itazio
ne (
mm
)
Mediana -> q(0.5) -> Tr = 2 anni
q(0.75) -> Tr = 4 anni
q(0.25) -> Tr = 1.33 anni
40
Wednesday, April 10, 13
R. Rigon
h(tp, Tr) = a(Tr) tnp
Le curve di possibilità pluviometrica
41
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
h(tp, Tr) = a(Tr) tnp
Le curve di possibilità pluviometrica
42
a l t e z z a d i precipitazione
legge di potenza
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
h(tp, Tr) = a(Tr) tnp
Le curve di possibilità pluviometrica
43
a l t e z z a d i precipitazione
c o e f f i c i e n t e dipendente dal tempo di ritorno
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
h(tp, Tr) = a(Tr) tnp
Le curve di possibilità pluviometrica
44
a l t e z z a d i precipitazione
d u r a t a considerata
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
h(tp, Tr) = a(Tr) tnp
Le curve di possibilità pluviometrica
45
a l t e z z a d i precipitazione
esponente (non dipendente dal t e m p o d i ritorno)
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Le curve di possibilità pluviometrica
h(tp, Tr) = a(Tr) tnp
Poichè l’altezza di precipitazione cumulata è una funzione non decrescente
della durata, allora n >0
E’ noto però che l’intensità media della precipitazione:
J(tp, Tr) :=h(tp, Tr)
tp= a(Tr) tn�1
p
decresce all’aumentare della durata. Allora è anche n < 1
46
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Tr = 50 anni a = 36.46 n = 0.472 Tr = 100 anni a = 40.31Tr = 200 anni a = 44.14
curve di possibilità pluviometrica
1.4
1.5
1.6
1.7
1.8
1.9
2
2.1
2.2
2.3
2.4
1 10 100tp[h]
log(prec) [mm]
tr=50 annitr=100 annitr=200 annia 50a 100a 200
47
Le curve di possibilità pluviometrica
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
curve di possibilità pluviometrica
1.4
1.5
1.6
1.7
1.8
1.9
2
2.1
2.2
2.3
2.4
1 10 100tp[h]
log(prec) [mm]
tr=50 annitr=100 annitr=200 annia 50a 100a 200
Le curve di possibilità pluviometrica sono parallele tra loro nel piano bilogaritmico
48
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
curve di possibilità pluviometrica
1.4
1.5
1.6
1.7
1.8
1.9
2
2.1
2.2
2.3
2.4
1 10 100tp[h]
log(prec) [mm]
tr=50 annitr=100 annitr=200 annia 50a 100a 200
tr = 500 anni
tr = 200 annih(,500) > h(200)
Le curve di possibilità pluviometrica sono parallele tra loro nel piano bilogaritmico
49
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
curve di possibilità pluviometrica
1.4
1.5
1.6
1.7
1.8
1.9
2
2.1
2.2
2.3
2.4
1 10 100tp[h]
log(prec) [mm]
tr=50 annitr=100 annitr=200 annia 50a 100a 200
tr = 500 anni tr = 200 anni
Invece h(,500) < h(200) !!!!
Le curve di possibilità pluviometrica sono parallele tra loro nel piano bilogaritmico
50
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Il problema da risolvere con l’ausilio della teoria delle probabilità e dell’analisi statistica
E’ dunque quello di determinare, per ogni durata, la corrispondenza tra
quantili (assegnati tempi di ritorno) e altezza di precipitazione.
Per ogni durata si cercherà dunque di interpolare i dati ad una distribuzione di probabilità. La famiglia di curve candidata per questo scopo è la Curva dei valori estremi di tipo I, o curva di Gumbel
b è un parametro di forma, a un parametro di posizione (la moda)
P [H < h; a, b] = e�e�h�a
b �⇥ < h <⇥
51
Wednesday, April 10, 13
R. Rigon
Distribuzione di Gumbel
52
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Distribuzione di Gumbel
53
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Distribuzione di Gumbel
La media della distribuzione e data da:
E[X] = b� + a
dove:
è la costante di Eulero-Mascheroni:
� � 0.57721566490153228606
54
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Distribuzione di Gumbel
La mediana:
La varianza :
a� b log(log(2))
V ar(X) = b2 �2
6
La moda:
55
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Distribuzione di Gumbel
La forma standard della distribuzione (rispetto alla quale si trovano tabulate
le grandezze significative) è
Rispetto alla forma standard:
56
Analisi dei massimi di precipitazione
Wednesday, April 10, 13
R. Rigon
Per adattare la famiglia di curve di Gumbel ai dati si usano dei metodi di adattamento dei parametri.
Ne useremo nel seguito 3:
- Il metodo dei minimi quadrati
- Il metodo dei momenti
- Il metodo della massima verosimiglianza (o maximum likelihood)
Si consideri allora una serie di n misure, h = {h1, ....., hn}
57
Metodi di adattamento dei parametrirelativi alla distribuzione di Gumbel ma con validità generale
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo dei momenti consiste nell’uguagliare i momenti del campione con i momenti della popolazione. Siano, ad esempio
La media e la varianza e
il momento t-esimo del CAMPIONE
58
Metodi di adattamento dei parametrirelativi alla distribuzione di Gumbel ma con validità generale
µH
�2H
M (t)H
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Se il modello probabilistico contiene t parametri, allora il metodo dei
momenti consiste nell’ugugliare i t momenti campionari con i t momenti
della popolazione, che risultano definiti da:
59
Metodi di adattamento dei parametrirelativi alla distribuzione di Gumbel ma con validità generale
MH [t; �] =� ⇥
�⇥(h� EH [h])t pdfH(h; �) dh t > 1
MH [1; �] = EH [h] =� ⇥
�⇥h pdfH(h; �) dh
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Per ottenere un numero sufficiente di equazioni bisogna considerare tanti
momenti quanti sono i parametri. Benchè in linea di principio la funzione dei parametri che ne risulta possa essere calcolate numericamente per punti, il metodo risulta efficace quando l’integrale a secondo membro ammette una soluzione analitica.
60
Metodi di adattamento dei parametrirelativi alla distribuzione di Gumbel ma con validità generale
MH [t; �] =� ⇥
�⇥(h� EH [h])t pdfH(h; �) dh t > 1
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Metodi di adattamento dei parametrirelativi alla distribuzione di Gumbel ma con validità generale
Il metodo dei momenti applicato alla curva di Gumbel consiste allora nel
porre:
o:
�b� + a = µH
b2 �2
6 = ⇤2H
�MH [1; a, b] = µH
MH [2; a, b] = ⇥2H
61
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Il metodo si fonda sulla valutazione della probabilità (composta) di ottenere la
serie temporale registrata:
Questa può considerarsi come la probabilità di ottenere le misure, assegnati i
parametri
62
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Nella ipotesi di indipendenza delle osservazioni, tale probabilità diviene:
La precedente probabilità si chiama anche funzione di verosimiglianza
rappresenta ed è evidentemente una funzione dei parametri.
63
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
64
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
In effetti, utilizzando il teorema di Bayes, questa è proporzionale alla probabilità
dei parametri, condizionata alle misure:
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
65
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
In effetti, utilizzando il teorema di Bayes, questa è proporzionale alla probabilità
dei parametri, condizionata alle misure:
Questo è un numero ( a s s e g n a t e l e misure), l’evidenza
Questa è la “prior”, la distribuzione a priori dei parametri
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
(in figura una sezione della distribuzione per un assegnato valore di b)
66
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza assume che i parametri più affidabili
siano i più probabili, quelli corrispondenti ai massimi, alla moda, della
distribuzione
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Nel caso della figura, a*.
67
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
I massimi della distribuzione si ottengono derivando la
rispetto ai parametri. Se si assume che
con dominio sufficientemente più esteso rispetto al domino di
68
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Allora calcolare i massimi di
Concide con il calcolare i massimi della verosimiglianza:
69
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Per semplificare i calcoli dei massimi si definisce anche la funzione detta
di log-verosimiglianza:
70
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
log(P [{h1, · · ·, hN}; a, b]) =N�
i=1
log(P [hi; a, b])
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
71
Il metodo della massima verosimiglianza(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
�⇥ log(P [{h1,···,hN};a,b])
⇥a = 0⇥ log(P [{h1,···,hN};a,b])
⇥b = 0
Che produce un sistema di due equazioni non-lineari in due incognite.
Allora, i parametri della curva, che ne descrive la popolazione si possono ottenere
da:
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
72
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
�2(⇥) =n�
i=1
(Fi � P [H < hi; ⇥])2
e nel minimizzarlo
73
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
scarto quadratico
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
�2(⇥) =n�
i=1
(Fi � P [H < hi; ⇥])2
e nel minimizzarlo
73
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
ECDFscarto quadratico
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
�2(⇥) =n�
i=1
(Fi � P [H < hi; ⇥])2
e nel minimizzarlo
73
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
ProbabilitàECDFscarto quadratico
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
�2(⇥) =n�
i=1
(Fi � P [H < hi; ⇥])2
e nel minimizzarlo
73
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
⇤�2(⇥j)⇤⇥j
= 0 j = 1 · · · m
Tale minimizzazione si ottiene derivando l’espressione dello scarto rispetto
agli m parametri
Ottenendo così le m equazioni in m incognite necessarie.
74
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Come risultato abbiamo 3 coppie di parametri, tutti in un certo senso ottimi. Per distinguere quali tra questi insiemi di parametri è migliore, dobbiamo usare un criterio di confronto (un test non parametrico). Useremo test di Pearson.
75
Dopo l’applicazione dei vari metodi di adattamento ...
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il test di Pearson è un test NON parametrico e consiste:
1 - Nel suddividere il campo di probabilità in k parti, per esempio uguali
76
Il Test di Pearson
Stima dei parametri
Wednesday, April 10, 13
R. Rigon
Il test di Pearson è un test NON parametrico e consiste:
2 - derivarne una suddivisione del dominio
77
Il Test di Pearson
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
Il test di Pearson è un test NON parametrico e consiste:
3 - Contare il numero di dati in ciascun intervallo (tra i cinque della figura)
78
Il Test di Pearson
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
Il test di Pearson è un test NON parametrico e consiste:
3 - Contare il numero di dati in ciascun intervallo (tra i cinque della figura)
79
Il Test di Pearson
7
7
9
137
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
Il test di Pearson è un test NON parametrico e consiste:
6 - Valutare la funzione
P [H < h0] = P [H < 0]
P [H < hn+1] = P [H <�]
dove:
80
Il Test di Pearson
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
Il Test di Pearson
Quindi:
e nel caso della figura delle slides precedenti
(P [H < hj+1]� P [H < hj ]) = 0.2
81
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
Il Test di Pearson
6 - Scegliere la coppia di parametri per cui X2 è più piccolo
7 - Si ripetono tutte le operazioni per ogni durata (ad esempio, 1, 3, 6, 12, 24
ore): visto che tutte le procedure si riferiscono ad una singola durata
Per completare il tutto
82
Test delle ipotesi
Wednesday, April 10, 13
R. Rigon
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Precipitazione [mm]
P[h]
1h
3h
6h
12h
24h
83
Dopo aver applicato Pearsone ripetuto l’operazione per ognii durata
Le linee segnalitrici di possibilità pluviometrica
Wednesday, April 10, 13
R. Rigon
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Precipitazione [mm]
P[h]
1h
3h
6h
12h
24h
Tr = 10 anni
h1 h3 h6 h12 h24
84
Dopo aver applicato Pearsone ripetuto l’operazione per ogni durata
Le linee segnalitrici di possibilità pluviometrica
Wednesday, April 10, 13
R. Rigon
0 5 10 15 20 25 30 35
40
60
80
100
120
140
160
180
Linee Segnalitrici di Possibilita' Pluviometrica
h [mm]
t [o
re]
85
Si ottengono infine per interpolazione le
Le linee segnalitrici di possibilità pluviometrica
Wednesday, April 10, 13
R. Rigon
0.5 1.0 2.0 5.0 10.0 20.0
60
80
100
120
140
160
Linee Segnalitrici di Possibilita' Pluviometrica
t [ore]
h [
mm
]
86
Si ottengono infine per interpolazione le
Le linee segnalitrici di possibilità pluviometrica
Wednesday, April 10, 13
R. Rigon
Il �2
Se una variabile X è distribuita secondo un curva normale a media nulla e
varianza unitaria, allora la variabile
e’ distribuita secondo la distribuzione del “Chi quadrato” (come fu provato
da Ernst Abbe, 1840-1905) e si indica con
che è una distribuzione monoparametrica della famiglia della distribuzione
Gamma. L’unico parametro è chiamato “gradi di libertà”
87
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
La distribuzione, in effetti, è:
E la sua cumulata:
dove è la funzione “gamma” incompleta�()
Il �2
from Wikipedia
88
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
La funzione gamma incompleta
La funzione Gamma
89
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Il �2
from Wikipedia
90
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Il valore atteso della distribuzione è pari al numero di gradi di libertà
Il �2
La varianza è pari a due volte il numero di gradi di libertà
E(�k) = k
V ar(�k) = 2k
from Wikipedia
91
La moda è pari a
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
In generale il è usato in statistica (dopo il lavoro di Pearson e Fisher) per
stimare la bontà di una inferenza, ed in particolare l’uguguglianza di una
distribuzione di dati con una distribuzione di riferimento (ipotesi zero). Il
test ha la forma generale
Il �2
�2
from Wikipedia
92
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Il �2
Assumendo che la radice della variabile rappresentata nella sommatoria sia
distribuita gaussianamente, allora ci si aspetta che la variabile somma dei
quadrati sia distribuita secondo il con un grado di libertà pari al numero
di addendi diminuito di 1.
�2
from Wikipedia
93
In altre parole, nell’ipotesi di ripetere un numero illimitato di volte
l’esperimento che ha prodotto i dati, ci si aspetta che la distribuzione
degli X2 , ottenuta dalla ripetizione dell’esperimento, sia un con
k-1 gradi di libertà.
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Ovvero
Se i dati riproducono perfettamente l’ipotesi,
Il valore atteso dell’errore però pari al numero di gradi di libertà, k.
Un certo numero di campioni “sfortunati” avrà un elevato
94
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Ovvero
Ci sono due modi per ottenere un valore elevato di X2:
•se i dati provengono dalla distribuzione ipotizzata, ma il campione è
relativamente raro
•se i dati NON sono rari MA provengono da un’altra distribuzione95
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Il ha importanza perchè possiamo fare due ipotesi mutuamente esclusive. L’ipotesi zero:
Il �2
�2
from Wikipedia
E il suo contrario, l’ ipotesi alternativa:
che campione e popolazione abbiano la medesima distribuzione
che campione e popolazione NON abbiano la medesima distribuzione
96
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Non c’è possibilità di distinguere un caso dall’altro
L’analisi statistica NON è in grado di distinguere il falso dal
vero con certezza
Però ci si può accordare che, per esempio, il nostro campione ha una
differenza dal campione di riferimento (misurata secondo Pearson),
ovvero un X2, che si rivela più di una volta su venti su possibili
ripetizioni dell’esperimento probabilistico (un periodo di ritorno di venti
tentativi) non possiamo rigettare (falsificare statisticamente) l’ipotesi che
i nostri dati provengano dalla distribuzione ipotizzata.
Dunque l’ipotesi zero si accetta e si rigetta l’ipotesi alternativa, con una
confidenza, nel caso descritto, di 1/20=0.05
97
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
L’accettazione dell’ipotesi zero
E’ dunque legata ad una scelta soggettiva (il margine di confidenza), assegnato
secondo un criterio assunto come “ragionevole”.
Per questo si usa tradizionalmente la dizione: “non si può rigettare”, invece di “si
accetta”.
A ben vedere però, la questione di come si dice, non è veramente sostanziale.
Il criterio per quanto soggettivo è organizzato quantitativamente, e dà risultati
ripetibili.
98
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
In pratica
Si assegna il grado di confidenza, c e si inverte la probabilità
ovvero:
99
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Se
Si rigetta l’ipotesi zero
Viceversa
si accetta (nel gergo statistico: non si può rigettare)
100
Ancora sul test di Pearson
Wednesday, April 10, 13
R. Rigon
Corollario
Avendo a disposizione più ipotesi zero valide
Si accetta
Quella con più piccolo
Che corrisponde ad eventi non rigettati (accettati!) con maggior grado di
confidenza.
101
Ancora sul test di Pearson
Wednesday, April 10, 13
Le precipitazioni estreme - GEV
Riccardo Rigon
Mic
hel
angel
o, I
l d
ilu
vio,
15
08
-15
09
Wednesday, April 10, 13
R. Rigon
A little more formal
L’uso della distribuzione di Gumbel non deriva da un capriccio ma da un
Teorema, il quale afferma che, sotto ipotesi abbastanza generali, la
distribuzione dei massimi scelti da campioni di opportuna numerosità
non può che appartenere ad una delle seguenti famiglie di distribuzioni:
I) Distribuzione di Gumbel
G(z) = e�e�z�b
a �⇥ < z <⇥a > 0
103
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
L’uso della distribuzione di Gumbel non deriva da un capriccio ma da un
Teorema, il quale afferma che, sotto ipotesi abbastanza generali, la
distribuzione dei massimi scelti da campioni di opportuna numerosità non
può che appartenere ad una delle seguenti famiglie di distribuzioni:
II) Distribuzione di Frechèt
G(z) =
�0 z � b
e�( z�ba )��
z > b
� > 0a > 0
A little more formal
104
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
Media
Moda
Mediana
Varianza
P [X < x] = e�x��
A little more formal
II) Distribuzione di Frechèt from Wikipedia
105
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
dfrechet(x, loc=0, scale=1, shape=1, log = FALSE) pfrechet(q, loc=0, scale=1, shape=1, lower.tail = TRUE) qfrechet(p, loc=0, scale=1, shape=1, lower.tail = TRUE)rfrechet(n, loc=0, scale=1, shape=1)
R:
A little more formal
106
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
L’uso della distribuzione di Gumbel non deriva da un capriccio ma da un
Teorema, il quale afferma che, sotto ipotesi abbastanza generali, la
distribuzione dei massimi scelti da campioni di opportuna numerosità non
può che appartenere ad una delle seguenti famiglie di distribuzioni:
� > 0a > 0
G(z) =
�e�[�( z�b
a )]��
z < b1 z � b
A little more formal
III) Distribuzione di Weibull
107
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
from Wikipedia
III) Distribuzione di Weibull(P. Rosin and E. Rammler, 1933)
A little more formal
108
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
Quando k = 1, la distribuzione di Weibull
si riduce alla distribuzione esponenziale.
Quando k = 3.4, la distribuzione Weibull
diventa molto simile alla distribuzione
normale.
Media
Moda
Mediana
Varianza
from Wikipedia
III) Distribuzione di Weibull(P. Rosin and E. Rammler, 1933)
A little more formal
109
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
dweibull(x, shape, scale = 1, log = FALSE)pweibull(q, shape, scale = 1, lower.tail = TRUE, log.p = FALSE)qweibull(p, shape, scale = 1, lower.tail = TRUE, log.p = FALSE)rweibull(n, shape, scale = 1)
R:
A little more formal
110
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
Il teorema suddetti tuttavia può essere riformulato in funzione di una
distribuzione a tre parametri detta Generalized Extreme Values o GEV
G(z) = e�[1+�( z�µ⇤ )]�1/⇥
z : 1 + ⇥(z � µ)/⇤ > 0�⇥ < µ <⇥ ⇤ > 0
�⇥ < ⇥ <⇥
Per la distribuzione degenera nella distribuzione di Gumbel
Per la distribuzione diviene una distribuzione di Frechèt
Per la distribuzione diviene una Weibull
� = 0� > 0� < 0
A little more formal
111
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
Il teorema suddetti tuttavia può essere riformulato in funzione di una
distribuzione a tre parametri detta Generalized Extreme Values o GEV
G(z) = e�[1+�( z�µ⇤ )]�1/⇥
z : 1 + ⇥(z � µ)/⇤ > 0�⇥ < µ <⇥ ⇤ > 0
�⇥ < ⇥ <⇥
A little more formal
112
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
gk = �(1� k�)
Il teorema suddetti tuttavia può essere riformulato in funzione di una
distribuzione a tre parametri detta Generalized Extreme Values o GEV
A little more formal
113
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
dgev(x, loc=0, scale=1, shape=0, log = FALSE) pgev(q, loc=0, scale=1, shape=0, lower.tail = TRUE) qgev(p, loc=0, scale=1, shape=0, lower.tail = TRUE)rgev(n, loc=0, scale=1, shape=0)
R
A little more formal
114
Distribuzioni dei valori estremi
Wednesday, April 10, 13
R. Rigon
Grazie per l’attenzione!
G.U
lric
i, 2
00
0 ?
115
Wednesday, April 10, 13
R. Rigon
•Albertson, J., and M. Parlange, Surface Length Scales and Shear Stress: Implications
for Land-Atmosphere Interaction Over Complex Terrain, Water Resour. Res., vol. 35,
n. 7, p. 2121-2132, 1999
•Burlando, P. and R. Rosso, (1992) Extreme storm rainfall and climatic change,
Atmospheric Res., 27 (1-3), 169-189.
•Burlando, P. and R. Rosso, (1993) Stochastic Models of Temporal Rainfall:
Reproducibility, Estimation and Prediction of Extreme Events, in: Salas, J.D., R.
Harboe, e J. Marco-Segura (eds.), Stochastic Hydrology in its Use in Water Resources
Systems Simulation and Optimization, Proc. of NATO-ASI Workshop, Peniscola,
Spain, September 18-29, 1989, Kluwer, pp. 137-173.
Bibliografia e Approfondimenti
116
Wednesday, April 10, 13
R. Rigon
•Burlando, P. e R. Rosso, (1996) Scaling and multiscaling Depth-Duration-Frequency
curves of storm precipitation, J. Hydrol., vol. 187/1-2, pp. 45-64.
•Burlando, P. and R. Rosso, (2002) Effects of transient climate change on basin
hydrology. 1. Precipitation scenarios for the Arno River, central Italy, Hydrol.
Process., 16, 1151-1175.
•Burlando, P. and R. Rosso, (2002) Effects of transient climate change on basin
hydrology. 2. Impacts on runoff variability of the Arno River, central Italy, Hydrol.
Process., 16, 1177-1199.
• Coles S.,‘‘An Introduction to Statistical Modeling of Extreme Values, Springer,
2001
• Coles, S., and Davinson E., Statistical Modelling of Extreme Values, 2008117
Wednesday, April 10, 13
R. Rigon
•Foufula-Georgiou, Lectures at 2008 Summer School on Environmental Dynamics,
2008
•Fréchet M., Sur la loi de probabilité de l'écart maximum, Annales de la Société
Polonaise de Mathematique, Crocovie, vol. 6, p. 93-116, 1927
•Gumbel, On the criterion that a given system of deviations from the probable in
the case of a correlated system of variables is such that it can be reasonably
supposed to have arisen from random sampling, Phil. Mag. vol. 6, p. 157-175, 1900
• Houze, Clouds Dynamics, Academic Press, 1994
118
Wednesday, April 10, 13
R. Rigon
• Kleissl J., V. Kumar, C. Meneveau, M. B. Parlange, Numerical study of dynamic
Smagorinsky models in large-eddy simulation of the atmospheric boundary layer:
Validation in stable and unstable conditions, Water Resour. Res., 42, W06D10, doi:
10.1029/2005WR004685, 2006
•Kottegoda and R. Rosso, Applied statistics for civil and environmental engineers,
Blackwell, 2008
•Kumar V., J. Kleissl, C. Meneveau, M. B. Parlange, Large-eddy simulation of a diurnal
cycle of the atmospheric boundary layer: Atmospheric stability and scaling issues,
Water Resour. Res., 42, W06D09, doi:10.1029/2005WR004651, 2006
•Lettenmaier D., Stochastic modeling of precipitation with applications to climate
model downscaling, in von Storch and, Navarra A., Analysis of Climate Variability:
Applications and Statistical Techniques,1995
119
Wednesday, April 10, 13
R. Rigon
•Salzman, William R. (2001-08-21). "Clapeyron and Clausius–Clapeyron
Equations" (in English). Chemical Thermodynamics. University of Arizona. Archived
from the original on 2007-07-07. http://web.archive.org/web/20070607143600/
http://www.chem.arizona.edu/~salzmanr/480a/480ants/clapeyro/clapeyro.html.
Retrieved 2007-10-11.
•von Storch H, and Zwiers F. W, Statistical Analysis in climate Research, Cambridge
University Press, 2001
•Whiteman, Mountain Meteorology, Oxford University Press, p. 355, 2000
120
Wednesday, April 10, 13