1. Le precipitazioni
A. Adams - Pioggia Tenaya,
Riccardo Rigon
Wednesday, April 10, 13
2. Introduzione
Obbiettivi:
•Fare una sintesi dei processi di formazione delle precipitazione
•Fare una sintesi dei tipi di nuvola che produce precipitazioni
2
R. Rigon
Wednesday, April 10, 13
3. Introduzione
Perchè piova
3
R. Rigon
Wednesday, April 10, 13
4. Introduzione
Perchè piova
•I moti atmosferici sono generati dalla disuniforme radiazione solare
sulla superficie della Terra, a causa della sua forma sferica.
3
R. Rigon
Wednesday, April 10, 13
5. Introduzione
Perchè piova
•I moti atmosferici sono generati dalla disuniforme radiazione solare
sulla superficie della Terra, a causa della sua forma sferica.
•Poichèla Terra ruota attorno al proprio asse, ogni massa d’aria in
movimento, subisce una deviazione dovuta alla forza (apparente) di
Coriolis.
3
R. Rigon
Wednesday, April 10, 13
6. Introduzione
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
R. Rigon
Wednesday, April 10, 13
7. Introduzione
Perchè piova
5
R. Rigon
Wednesday, April 10, 13
8. Introduzione
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
R. Rigon
Wednesday, April 10, 13
9. Introduzione
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
R. Rigon
Wednesday, April 10, 13
10. Introduzione
Perchè piova
6
R. Rigon
Wednesday, April 10, 13
11. Introduzione
Perchè piova
•Masse d’aria in movimento sono innalzate dalla presenza dell’orografia.
6
R. Rigon
Wednesday, April 10, 13
12. Introduzione
Perchè piova
7
R. Rigon
Wednesday, April 10, 13
13. Introduzione
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
R. Rigon
Wednesday, April 10, 13
14. Introduzione
Perchè piova
8
R. Rigon
Wednesday, April 10, 13
15. Introduzione
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
R. Rigon
Wednesday, April 10, 13
16. Introduzione
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
R. Rigon
Wednesday, April 10, 13
17. Introduzione
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
R. Rigon
Wednesday, April 10, 13
22. Introduzione
Nubi stratiformi
12
R. Rigon
Wednesday, April 10, 13
23. Introduzione
Nubi stratiformi
13
R. Rigon
Wednesday, April 10, 13
24. Introduzione
Ciclone extratropicale
Houze, 1994
14
R. Rigon
Wednesday, April 10, 13
25. Introduzione
Nubifragi
Houze, 1994
15
R. Rigon
Wednesday, April 10, 13
26. Introduzione
Nubifragi
Houze, 1994
16
R. Rigon
Wednesday, April 10, 13
27. Introduzione
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
R. Rigon
Wednesday, April 10, 13
29. Introduzione
Distribuzione spaziale
19
R. Rigon
Wednesday, April 10, 13
30. Introduzione
a large range of scales
pixel = 4 km pixel = 125 m
km
2
512 km
km
4
Foufula-Georgiou, 2008
(mm/hr)
0 4 9 13 17 21 26 30
R (mm/hr)
20
R. Rigon
Wednesday, April 10, 13
31. Introduzione
Spatial Rainfall
Foufula-Georgiou, 2008
21
R. Rigon
Wednesday, April 10, 13
32. Introduzione
Distribuzione spaziale
22
R. Rigon
Wednesday, April 10, 13
33. Caratteristiche statistiche della precipitazione
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
R. Rigon
Wednesday, April 10, 13
34. Caratteristiche statistiche della precipitazione
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
R. Rigon
Wednesday, April 10, 13
36. Caratteristiche statistiche della precipitazione
Distribuzione temporale delle
Temporal Rainfall
precipitazioni
Foufula-Georgiou, 2008
26
R. Rigon
Wednesday, April 10, 13
42. Le precipitazioni estreme
Kandinski -Composition VI (Il diluvio)- 1913
Riccardo Rigon
Wednesday, April 10, 13
43. Analisi dei massimi di precipitazione
Consideriamo le precipitazioni massime annuali
Queste 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.
anno 1h 3h 6h 12h 24h
1 1925 50.0 NA NA NA NA
2 1928 35.0 47.0 50.0 50.4 67.6
......................................
......................................
46 1979 38.6 52.8 54.8 70.2 84.2
47 1980 28.2 42.4 71.4 97.4 107.4
51 1987 32.6 40.6 64.6 77.2 81.2
52 1988 89.2 102.0 102.0 102.0 104.2
33
R. Rigon
Wednesday, April 10, 13
44. Analisi dei massimi di precipitazione
Consideriamo le precipitazioni massime annuali
Precipitazioni Massime a Paperopoli
150
Precipitazione (mm)
100
50
1 3 6 12 24
durata
Per ogni durata si ha una distribuzione di precipitazioni 34
R. Rigon
Wednesday, April 10, 13
45. Analisi dei massimi di precipitazione
Precipitazioni Massime a Paperopoli
150
Precipitazione (mm)
100
50
1 3 6 12 24
Mediana durata
>boxplot(hh ~ h,xlab="durata",ylab="Precipitazione
(mm)",main="Precipitazioni Massime a Paperopoli") 35
R. Rigon
Wednesday, April 10, 13
46. Analisi dei massimi di precipitazione
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
R. Rigon
Wednesday, April 10, 13
47. Analisi dei massimi di precipitazione
Tempo di ritorno
Allora il tempo di ritorno della misura h* è
se si definisce ,
la frequenza di successi (misure superiori od uguali ad h*), o frequenza di
superamento del valore h*, Allora
37
R. Rigon
Wednesday, April 10, 13
48. Analisi dei massimi di precipitazione
Tempo di ritorno
e vale pure:
dove
è detta frequenza empirica di non superamento o “empirical
cumulative distribution function” (ECDF)
38
R. Rigon
Wednesday, April 10, 13
49. Analisi dei massimi di precipitazione
Tempo di ritorno
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.
39
R. Rigon
Wednesday, April 10, 13
50. Precipitazioni Massime a Paperopoli
150
Precipitazione (mm)
100
q(0.75) -> Tr = 4 anni
50
1 3 6 12 24
durata
q(0.25) -> Tr = 1.33 anni
Mediana -> q(0.5) -> Tr = 2 anni
40
R. Rigon
Wednesday, April 10, 13
51. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
h(tp , Tr ) = a(Tr ) n
tp
41
R. Rigon
Wednesday, April 10, 13
52. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
h(tp , Tr ) = a(Tr ) n
tp
altezza di
precipitazione
legge di potenza
42
R. Rigon
Wednesday, April 10, 13
53. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
h(tp , Tr ) = a(Tr ) n
tp
altezza di
precipitazione
coefficiente
dipendente dal
tempo di ritorno
43
R. Rigon
Wednesday, April 10, 13
54. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
h(tp , Tr ) = a(Tr ) n
tp
altezza di
precipitazione
d u r a t a
considerata
44
R. Rigon
Wednesday, April 10, 13
55. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
esponente (non
dipendente dal
h(tp , Tr ) = a(Tr ) n
tp tempo
ritorno)
di
altezza di
precipitazione
45
R. Rigon
Wednesday, April 10, 13
56. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
h(tp , Tr ) = a(Tr ) n
tp
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:
h(tp , Tr )
J(tp , Tr ) := = a(Tr ) tn
p
1
tp
decresce all’aumentare della durata. Allora è anche n < 1
46
R. Rigon
Wednesday, April 10, 13
57. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica
Tr = 50 anni a = 36.46 n = 0.472
Tr = 100 anni a = 40.31
Tr = 200 anni a = 44.14
log(prec) [mm]
curve di possibilità pluviometrica
2.4
tr=50 anni
tr=100 anni
2.3 tr=200 anni
a 50
2.2 a 100
a 200
2.1
2
1.9
1.8
1.7
1.6
1.5
1.4
1 10 tp[h] 100
47
R. Rigon
Wednesday, April 10, 13
58. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica sono parallele
tra loro nel piano bilogaritmico
log(prec) [mm]
curve di possibilità pluviometrica
2.4
tr=50 anni
tr=100 anni
2.3 tr=200 anni
a 50
2.2 a 100
a 200
2.1
2
1.9
1.8
1.7
1.6
1.5
1.4
1 10 tp[h] 100
48
R. Rigon
Wednesday, April 10, 13
59. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica sono parallele
tra loro nel piano bilogaritmico
log(prec) [mm]
curve di possibilità pluviometrica
2.4
tr=50 anni
tr=100 anni
2.3 tr=200 anni
a 50
2.2 a 100
a 200
2.1
2
1.9
1.8
1.7
1.6
tr = 500 anni
1.5 h(,500) > h(200)
tr = 200 anni
1.4
1 10 tp[h] 100
49
R. Rigon
Wednesday, April 10, 13
60. Analisi dei massimi di precipitazione
Le curve di possibilità pluviometrica sono parallele
tra loro nel piano bilogaritmico
log(prec) [mm]
curve di possibilità pluviometrica
2.4
tr=50 anni
tr=100 anni
2.3 tr=200 anni
a 50
2.2 a 100
a 200
2.1
2
1.9
1.8 tr = 500 anni
1.7
tr = 200 anni
1.6
1.5 Invece h(,500) < h(200) !!!!
1.4
1 10 tp[h] 100
50
R. Rigon
Wednesday, April 10, 13
61. 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
h a
P [H < h; a, b] = e e b
⇥<h<⇥
b è un parametro di forma, a un parametro di posizione (la moda)
51
R. Rigon
Wednesday, April 10, 13
62. Analisi dei massimi di precipitazione
Distribuzione di Gumbel
52
R. Rigon
Wednesday, April 10, 13
63. Analisi dei massimi di precipitazione
Distribuzione di Gumbel
53
R. Rigon
Wednesday, April 10, 13
64. Analisi dei massimi di precipitazione
Distribuzione di Gumbel
La media della distribuzione e data da:
E[X] = b + a
dove:
0.57721566490153228606
è la costante di Eulero-Mascheroni:
54
R. Rigon
Wednesday, April 10, 13
65. Analisi dei massimi di precipitazione
Distribuzione di Gumbel
La moda:
La mediana:
a b log(log(2))
La varianza :
2
V ar(X) = b 2
6
55
R. Rigon
Wednesday, April 10, 13
66. Analisi dei massimi di precipitazione
Distribuzione di Gumbel
La forma standard della distribuzione (rispetto alla quale si trovano tabulate
le grandezze significative) è
Rispetto alla forma standard:
56
R. Rigon
Wednesday, April 10, 13
67. Stima dei parametri
Metodi di adattamento dei parametri
relativi alla distribuzione di Gumbel ma con validità generale
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
R. Rigon
Wednesday, April 10, 13
68. Stima dei parametri
Metodi di adattamento dei parametri
relativi alla distribuzione di Gumbel ma con validità generale
Il metodo dei momenti consiste nell’uguagliare i momenti del campione con i
momenti della popolazione. Siano, ad esempio
µH
2
H
La media e la varianza e
(t)
MH
il momento t-esimo del CAMPIONE
58
R. Rigon
Wednesday, April 10, 13
69. Stima dei parametri
Metodi di adattamento dei parametri
relativi alla distribuzione di Gumbel ma con validità generale
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:
⇥
MH [1; ] = EH [h] = h pdfH (h; ) dh
⇥
⇥
MH [t; ] = (h EH [h]) pdfH (h; ) dh t > 1
t
⇥
59
R. Rigon
Wednesday, April 10, 13
70. Stima dei parametri
Metodi di adattamento dei parametri
relativi alla distribuzione di Gumbel ma con validità generale
⇥
MH [t; ] = (h EH [h])t pdfH (h; ) dh t > 1
⇥
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
R. Rigon
Wednesday, April 10, 13
71. Stima dei parametri
Metodi di adattamento dei parametri
relativi alla distribuzione di Gumbel ma con validità generale
Il metodo dei momenti applicato alla curva di Gumbel consiste allora nel
porre:
MH [1; a, b] = µH
MH [2; a, b] = ⇥H
2
o:
b + a = µH
2 2
b 6 = ⇤H
2
61
R. Rigon
Wednesday, April 10, 13
72. Stima dei parametri
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
R. Rigon
Wednesday, April 10, 13
73. Stima dei parametri
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
R. Rigon
Wednesday, April 10, 13
74. Stima dei parametri
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:
64
R. Rigon
Wednesday, April 10, 13
75. Stima dei parametri
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 Questa è la “prior”,
(assegnate le la distribuzione a
misure), l’evidenza priori dei parametri
65
R. Rigon
Wednesday, April 10, 13
76. Stima dei parametri
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
R. Rigon
Wednesday, April 10, 13
77. Stima dei parametri
Il metodo della massima verosimiglianza
(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Il metodo della massima verosimiglianza assume che i parametri più affidabili
siano i più probabili, quelli corrispondenti ai massimi, alla moda, della
distribuzione
Nel caso della figura, a*.
67
R. Rigon
Wednesday, April 10, 13
78. Stima dei parametri
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
R. Rigon
Wednesday, April 10, 13
79. Stima dei parametri
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
R. Rigon
Wednesday, April 10, 13
80. Stima dei parametri
Il metodo della massima verosimiglianza
(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Per semplificare i calcoli dei massimi si definisce anche la funzione detta
di log-verosimiglianza:
N
log(P [{h1 , · · ·, hN }; a, b]) = log(P [hi ; a, b])
i=1
70
R. Rigon
Wednesday, April 10, 13
81. Stima dei parametri
Il metodo della massima verosimiglianza
(maximum likelihood)
relativi alla distribuzione di Gumbel ma con validità generale
Allora, i parametri della curva, che ne descrive la popolazione si possono ottenere
da:
⇥ 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.
71
R. Rigon
Wednesday, April 10, 13
83. Stima dei parametri
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
n
2
2
(⇥) = (Fi P [H < hi ; ⇥])
i=1
e nel minimizzarlo
73
R. Rigon
Wednesday, April 10, 13
84. Stima dei parametri
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
n
2
2
(⇥) = (Fi P [H < hi ; ⇥])
i=1
scarto
quadratico
e nel minimizzarlo
73
R. Rigon
Wednesday, April 10, 13
85. Stima dei parametri
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
n
2
2
(⇥) = (Fi P [H < hi ; ⇥])
i=1
scarto
ECDF
quadratico
e nel minimizzarlo
73
R. Rigon
Wednesday, April 10, 13
86. Stima dei parametri
Metodo dei minimi quadrati
Consiste nel definire lo scarto quadratico tra le misure, di ECDF, e la probabilità
di non superamento:
n
2
2
(⇥) = (Fi P [H < hi ; ⇥])
i=1
scarto
ECDF Probabilità
quadratico
e nel minimizzarlo
73
R. Rigon
Wednesday, April 10, 13
87. Stima dei parametri
Tale minimizzazione si ottiene derivando l’espressione dello scarto rispetto
agli m parametri
⇤ (⇥j )
2
=0 j =1···m
⇤⇥j
Ottenendo così le m equazioni in m incognite necessarie.
74
R. Rigon
Wednesday, April 10, 13
88. Stima dei parametri
Dopo l’applicazione dei vari metodi di adattamento ...
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
R. Rigon
Wednesday, April 10, 13
89. Stima dei parametri
Il Test di Pearson
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
R. Rigon
Wednesday, April 10, 13
90. Test delle ipotesi
Il Test di Pearson
Il test di Pearson è un test NON parametrico e consiste:
2 - derivarne una suddivisione del dominio
77
R. Rigon
Wednesday, April 10, 13
91. Test delle ipotesi
Il Test di Pearson
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
R. Rigon
Wednesday, April 10, 13
92. Test delle ipotesi
Il Test di Pearson
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)
13
7
9
7
7
79
R. Rigon
Wednesday, April 10, 13
93. Test delle ipotesi
Il Test di Pearson
Il test di Pearson è un test NON parametrico e consiste:
6 - Valutare la funzione
dove:
P [H < h0 ] = P [H < 0]
P [H < hn+1 ] = P [H < ]
80
R. Rigon
Wednesday, April 10, 13
94. Test delle ipotesi
Il Test di Pearson
e nel caso della figura delle slides precedenti
(P [H < hj+1 ] P [H < hj ]) = 0.2
Quindi:
81
R. Rigon
Wednesday, April 10, 13
95. Test delle ipotesi
Il Test di Pearson
6 - Scegliere la coppia di parametri per cui X2 è più piccolo
Per completare il tutto
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
82
R. Rigon
Wednesday, April 10, 13
96. Le linee segnalitrici di possibilità pluviometrica
Dopo aver applicato Pearson
e ripetuto l’operazione per ognii durata
1.0
0.8
0.6
1h
3h
P[h]
6h
12h
0.4
24h
0.2
0.0
0 50 100 150
Precipitazione [mm]
83
R. Rigon
Wednesday, April 10, 13
97. Le linee segnalitrici di possibilità pluviometrica
Dopo aver applicato Pearson
e ripetuto l’operazione per ogni durata
1.0
Tr = 10 anni
0.8
0.6
1h
3h
P[h]
6h
12h
0.4
24h
0.2
h1 h3 h6 h12 h24
0.0
0 50 100 150
Precipitazione [mm]
84
R. Rigon
Wednesday, April 10, 13
98. Le linee segnalitrici di possibilità pluviometrica
Si ottengono infine per interpolazione le
Linee Segnalitrici di Possibilita' Pluviometrica
180
160
140
120
t [ore]
100
80
60
40
0 5 10 15 20 25 30 35
h [mm]
85
R. Rigon
Wednesday, April 10, 13
99. Le linee segnalitrici di possibilità pluviometrica
Si ottengono infine per interpolazione le
Linee Segnalitrici di Possibilita' Pluviometrica
160
140
120
100
h [mm]
80
60
0.5 1.0 2.0 5.0 10.0 20.0
t [ore]
86
R. Rigon
Wednesday, April 10, 13
100. Ancora sul test di Pearson
2
Il
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
R. Rigon
Wednesday, April 10, 13
101. Ancora sul test di Pearson
2
Il
from Wikipedia
La distribuzione, in effetti, è:
E la sua cumulata:
dove () è la funzione “gamma” incompleta
88
R. Rigon
Wednesday, April 10, 13
102. Ancora sul test di Pearson
La funzione gamma incompleta
La funzione Gamma
89
R. Rigon
Wednesday, April 10, 13
103. Ancora sul test di Pearson
2
Il
from Wikipedia
90
R. Rigon
Wednesday, April 10, 13
104. Ancora sul test di Pearson
2
Il
from Wikipedia
Il valore atteso della distribuzione è pari al numero di gradi di libertà
E( k) =k
La varianza è pari a due volte il numero di gradi di libertà
V ar( k) = 2k
La moda è pari a
91
R. Rigon
Wednesday, April 10, 13
105. Ancora sul test di Pearson
2
Il
from Wikipedia
2
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
92
R. Rigon
Wednesday, April 10, 13
106. Ancora sul test di Pearson
2
Il
from Wikipedia
Assumendo che la radice della variabile rappresentata nella sommatoria sia
distribuita gaussianamente, allora ci si aspetta che la variabile somma dei
2
quadrati sia distribuita secondo il con un grado di libertà pari al numero
di addendi diminuito di 1.
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.
93
R. Rigon
Wednesday, April 10, 13
107. Ancora sul test di Pearson
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
R. Rigon
Wednesday, April 10, 13
108. Ancora sul test di Pearson
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 distribuzione
95
R. Rigon
Wednesday, April 10, 13
109. Ancora sul test di Pearson
2
Il
from Wikipedia
2
Il ha importanza perchè possiamo fare due ipotesi mutuamente
esclusive. L’ipotesi zero:
che campione e popolazione abbiano la medesima distribuzione
E il suo contrario, l’ ipotesi alternativa:
che campione e popolazione NON abbiano la medesima distribuzione
96
R. Rigon
Wednesday, April 10, 13
110. Ancora sul test di Pearson
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
R. Rigon
Wednesday, April 10, 13
111. Ancora sul test di Pearson
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
R. Rigon
Wednesday, April 10, 13
112. Ancora sul test di Pearson
In pratica
Si assegna il grado di confidenza, c e si inverte la probabilità
ovvero:
99
R. Rigon
Wednesday, April 10, 13
113. Ancora sul test di Pearson
Se
Si rigetta l’ipotesi zero
Viceversa
si accetta (nel gergo statistico: non si può rigettare)
100
R. Rigon
Wednesday, April 10, 13
114. Ancora sul test di Pearson
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
R. Rigon
Wednesday, April 10, 13
115. Le precipitazioni estreme -
GEV
Michelangelo, Il diluvio, 1508-1509
Riccardo Rigon
Wednesday, April 10, 13
116. Distribuzioni dei valori estremi
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
z b
G(z) = e e a
⇥<z<⇥
a>0
103
R. Rigon
Wednesday, April 10, 13
117. Distribuzioni dei valori estremi
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:
II) Distribuzione di Frechèt
0 z b
G(z) = ( za b )
e z>b
a>0 >0
104
R. Rigon
Wednesday, April 10, 13
118. Distribuzioni dei valori estremi
A little more formal
II) Distribuzione di Frechèt
from Wikipedia
P [X < x] = e x
Media
Moda
Mediana
Varianza
105
R. Rigon
Wednesday, April 10, 13
119. Distribuzioni dei valori estremi
A little more formal
R:
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)
106
R. Rigon
Wednesday, April 10, 13
120. Distribuzioni dei valori estremi
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:
III) Distribuzione di Weibull
e [ ( z a b )] z<b
G(z) =
1 z b
>0
a>0
107
R. Rigon
Wednesday, April 10, 13
121. Distribuzioni dei valori estremi
A little more formal
from Wikipedia
III) Distribuzione di Weibull
(P. Rosin and E. Rammler, 1933)
108
R. Rigon
Wednesday, April 10, 13
122. Distribuzioni dei valori estremi
A little more formal
from Wikipedia
Quando k = 1, la distribuzione di Weibull
III) Distribuzione di Weibull si riduce alla distribuzione esponenziale.
(P. Rosin and E. Rammler, 1933)
Quando k = 3.4, la distribuzione Weibull
diventa molto simile alla distribuzione
normale.
Media
Moda
Mediana
Varianza
109
R. Rigon
Wednesday, April 10, 13
123. Distribuzioni dei valori estremi
A little more formal
R:
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)
110
R. Rigon
Wednesday, April 10, 13
124. Distribuzioni dei valori estremi
A little more formal
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 =0 la distribuzione degenera nella distribuzione di Gumbel
Per >0 la distribuzione diviene una distribuzione di Frechèt
Per <0 la distribuzione diviene una Weibull
111
R. Rigon
Wednesday, April 10, 13
125. Distribuzioni dei valori estremi
A little more formal
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
⇥<⇥<⇥
112
R. Rigon
Wednesday, April 10, 13
126. Distribuzioni dei valori estremi
A little more formal
Il teorema suddetti tuttavia può essere riformulato in funzione di una
distribuzione a tre parametri detta Generalized Extreme Values o GEV
gk = (1 k )
113
R. Rigon
Wednesday, April 10, 13
127. Distribuzioni dei valori estremi
A little more formal
R
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)
114
R. Rigon
Wednesday, April 10, 13
129. Bibliografia e Approfondimenti
•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.
116
R. Rigon
Wednesday, April 10, 13
130. •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, 2008
117
R. Rigon
Wednesday, April 10, 13
131. •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
R. Rigon
Wednesday, April 10, 13
132. • 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
R. Rigon
Wednesday, April 10, 13
133. •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
R. Rigon
Wednesday, April 10, 13