DISTRIBUZIONE ESPONENZIALE
Nella forma più usuale la distribuzione esponenziale assume la forma:
Le relazioni teoriche dei momenti sono:
DISTRIBUZIONE ESPONENZIALE a 2 parametri (con soglia) Se esiste un limite inferiore della variabile, diverso da zero, la distribuzione esponenziale assume la forma:
Le relazioni teoriche dei momenti in questo caso sono:
MODELLO DEL MASSIMO VALORE
Si consideri una serie di n variabili casuali e sia
Se gli Xi sono indipendenti:
Se gli Xi sono identicamente distribuiti con funzione di distribuzione cumulata Fx(x)
o semplicemente
Esempio:
Nota, dall esperienza passata, la distribuzione della massima piena in un anno, o piena annuale X, si può valutare la distribuzione della massima piena in n anni, se n è la durata di progetto del sistema idrico.
DISTRIBUZIONI ASINTOTICHE
Per n grande:
Al crescere di n la distribuzione di è relativamente insensibile alla esatta forma della distribuzione delle Xi. E stato dimostrato che, a seconda della caratteristica della distribuzione delle Xi nella coda destra, la distribuzione della massimo tende a solo 3 distribuzioni asintotiche:
1)
2)
3)
La distribuzione asintotica del tipo 1 o di Gumbel vale quando la coda superiore della variabile originaria cade in maniera esponenziale, cioè se, per abbastanza grande vale:
essendo g(x) una funzione crescente di x.
Esempio:
Distribuzione esponenziale:
con
Il massimo di n variabili esponenziali con media è distribuito secondo la legge di Gumbel per n abbastanza grande.
Coda di tipo esponenziale
DISTRIBUZIONE DEL VALORE ESTREMO DI 1° TIPO (EV1) o DI GUMBEL
Interpretazione:
1. Asintotica
• Zi indipendenti ed identicamente distribuiti con leggi di tipo esponenziale.
•
•
• 2. Esatta:
• K numero variabile da anno ad anno con la legge di Poisson.
•
•
Zi vedi sopra ed inoltre indipendenti da K.
X: massimo in un intervallo [0,t], esempio l anno, di un numero variabile secondo la legge di Poisson, con media Λ, di variabili indipendenti ed esponenzialmente distribuite con media θ2.
DISTRIBUZIONE EV1 o DI GUMBEL
con:
Significato dei parametri:
• Λ : Numero medio di eventi indipendenti in [0,t], esempio in un anno.
• θ2 :Valore medio della grandezza dell evento, esempio portata al colmo.
dipende solo da Λ
Coefficiente di asimmetria, indipendente dal valore dei parametri.
θ1 è la moda di x
θ2 : è proporzionale a σ (misura di dispersione).
: dipendono solo dal coefficiente di variazione . Variabile ridotta:
• costante di Eulero
•
•
•
•
Carta probabilistica di Gumbel
Orco a Pont Canavese (Cuorgné)
0" 500" 1000" 1500" 2000" 2500" 3000"
0.01 "
0.02 "
0.05 "
0.10 "
0.20 "
0.30 "
0.40 "
0.50 "
0.60 "
0.70 "
0.80 "
0.90 "
0.95 "
0.99 "
0.995"
0.999"
Probabilità cumulata"
2"
5"
10"
20"
100"
[T]"
Max annuale delle portate al colmo di piena [mc/s]"
GUMBEL" 200 "
1000"
Serie di dati molto asimmetriche non si allineano in carta di Gumbel
dipendenza del valore di progetto dal metodo di stima
IL METODO DELLA MASSIMA VEROSIMIGLIANZA
Consiste nel determinare i valori dei parametri in modo da massimizzare la funzione di verosimiglianza:
che è la funzione di densità congiunta del campione per osservazioni indipendenti.
La stima dei parametri si ottiene dal sistema di r equazioni in r incognite.
Stima di Massima Verosimiglianza: Distribuzione normale
verificata se
verificata se
Stima di Massima Verosimiglianza: Distribuzione di Gumbel
con n=numero di dati del campione.
Il valore a primo membro è determinato sulla base di un valore di tentativo assegnato al secondo membro. Il procedimento si arresta quando i due valori differiscono di una quantità inferiore alla tolleranza assegnata (per es. 0.001 per θ2).
Il primo valore di tentativo potrà essere quello derivante dalla stima dei momenti.
La correzione che si può apportare ad ogni tentativo per accelerare la convergenza può essere quella suggerita da Gumbel:
L-momenti
GliL-momenti sono un modo alternativo di descrivere la forma delle distribuzioni di probabilit`a.
Derivano dai probability weighted moments (PWM) o momenti pesati in probabilit`a.
Per una variabile casuale x con funzione di probabilit`a cumulata F (x) si ha
Mp,r ,s = E [xp{F (x)}r{1 F (x)}s]
D. Ganora L-momenti 2
L-momenti vs momenti
r = M1,r ,0 = E [x{F (x)}r]
Z inf inf
x{F (x)}r · f (x)dx
Mr = E [(x µ(x))r]
Z inf inf
(x µ(x))r · f (x)dx
PWM! lineari nella variabile casuale (la x non `e mai elevata a potenza, ma lo `e solo F (x))
Momenti! la x `e elevata a potenza per r > 1
D. Ganora L-momenti 3
L-momenti
I PWM possono essere usati per stimare i parametri di una distribuzione, ma sono difficili da interpretare direttamente come misure di dispersione, forma, ...
Tali informazioni sono per`o presenti in particolari combinazioni di PWM
1 = 0 ! media
2 = 2 1 0 ! dispersione
3 = 6 2 6 1+ 0 ! asimmetria
4 = 20 3 30 2+ 12 1 0
D. Ganora L-momenti 4
Coefficienti adimensionali
⌧ = 2
1 ! L-CV
⌧3 = 3
2 ! L-skewness
⌧4 = 4
2 ! L-kurtosis
in generale ⌧r = r1
D. Ganora L-momenti 5
L-momenti
Notazione:
x1,x2, . . . ,xi. . .xn campione
x(1) x(2) . . . x(i) . . . x(n) campione ordinato in senso crescente
x1:n x2:n . . . xi:n . . . xn:n campione ordinato in senso crescente
D. Ganora L-momenti 6
L-momenti
D. Ganora L-momenti 8
L-momenti
D. Ganora L-momenti 9
Propriet`a
esistenza se la media della distribuzione esiste, allora esistono tutti gli L-momenti
unicit`a se la media della distribuzione esiste, allora gli L-momenti definiscono in maniera univoca la distribuzione (non ci sono due distribuzioni con gli stessi L-momenti)
I 2 0
I |⌧r| < 1 per tutti r 3
I 1
4(5⌧32 1) ⌧4 <1
I per distribuzioni che assumono solo valori positivi ⌧3 `e limitato in funzione di ⌧ 2⌧ 1 ⌧3 <1
D. Ganora L-momenti 10
PWM campionari
b0 = 1 n
Xn j=1
xj:n
b1 = 1 n
Xn j=2
(j 1) (n 1)xj:n
b2 = 1 n
Xn j=3
(j 1)(j 2) (n 1)(n 2)xj:n
br = 1 n
Xn j=r +1
(j 1)(j 2) . . . (j r ) (n 1)(n 2) . . . (n r )xj:n
D. Ganora L-momenti 12
L-momenti campionari
l1 = b0
l2 = 2b1 b0
l3 = 6b2 6b1+ b0
l4 = 20b3 30b2+ 12b1 b0
D. Ganora L-momenti 13
Per T abbastanza grande, in genere superiore ai 20 anni, vale:
Di conseguenza una XT GUMBEL varia linearmente con Ln T (linea blu)
Distribuzioni degli estremi a 3 parametri
LEGGE GENERALIZZATA DEI VALORI ESTREMI (GEV)
L espressione della GEV è :
θ1 parametro di posizione θ2 parametro di scala
θ3 parametro di forma
θ3 = 0 ! distribuzione EV I (Gumbel)
θ3 < 0 ! EV II (Fréchet) - limitata sup. da θ1+θ2/θ3 θ3 > 0 ! EV III (Weibull) - limitata inf. da θ1+θ2/θ3
36 θ3=0
θ3≠0
Max annuale delle portate al colmo di piena [mc/s]"
0" 500" 1000" 1500" 2000" 2500" 3000"
0.01 "
0.02 "
0.05 "
0.10 "
0.20 "
0.30 "
0.40 "
0.50 "
0.60 "
0.70 "
0.80 "
0.90 "
0.95 "
0.99 "
0.995"
0.999"
Probabilità cumulata"
2"
5"
10"
20"
100"
[T]"
GEV"
GUMBEL" 200 "
1000"
Orco a Pont Canavese (Cuorgné) La GEV si adatta a serie con elevata asimmetria
Si hanno ad esempio:
- Distribuzioni debolmente asimmetriche (Cunnane)
- Distribuzioni debolmente asimmetriche (Gringorten)
- Distribuzioni fortemente asimmetriche (Hazen)
4 1
Formulazioni per la stima della probabilità cumulata della
popolazione dipendenti dalla distribuzione che si sta testando:
Scelta della distribuzione
D. Ganora L-momenti 14
Scelta della distribuzione
D. Ganora L-momenti 15
Scelta della distribuzione
D. Ganora L-momenti 16