XXIII C ON G R E S O N A C I O N A L

AMH

DE

H I D R U LI C A

AMH

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

APLICACIN DE LA TEORA DE VALORES EXTREMOS EN EL ANLISIS DE EVENTOS

HIDROMETEOROLGICOS
Avils Ramrez Mayela Edna1, Gonzlez Garca Isaac1, Meda Guardiola Ana2 y
Silva Casarn Rodolfo1
1

Instituto de Ingeniera, Universidad Nacional Autnoma de Mxico. Circuito Escolar S/N, Edificio 5,
Ciudad Universitaria, Del. Coyoacn, Mxico D.F., Mxico. C.P. 04510
2
Facultad de Ciencias, Universidad Nacional Autnoma de Mxico. Circuito Exterior S/N, Ciudad Universitaria,
Del. Coyoacn, Mxico D.F., Mxico. C.P. 04510
mavilesr@iingen.unam.mx, igonzalezg@iingen.unam.mx, ana.meda@ciencias.unam.mx, rsilvac@iingen.unam.mx
Introduccin
El constante inters por la preservacin de los recursos
naturales y culturales, as como el desarrollo de los recursos
econmicos de las zonas costeras, ha impulsado la realizacin
de diversos tipos de anlisis de riesgos en dichas zonas, ya que
stas se encuentran amenazadas por una amplia gama de
fenmenos
naturales
tales
como
los
eventos
hidrometeorolgicos. En la actualidad, son sujeto de estudio y
anlisis diversos tipos de riesgo costero, en particular el riesgo
de inundacin y erosin, resultado directo de la ocurrencia de
fenmenos como la sobreelevacin por marea y el impacto del
viento, especialmente aquellos considerados como extremos
debido al alto impacto que tienen en la sociedad y la
economa.
Este estudio se realiza mediante la aplicacin de la Teora de
Valores Extremos, la cual es una parte de la probabilidad que
se utiliza para la estimacin de la distribucin de los valores
mximos de una muestra. Esta teora surge de la necesidad de
modelar aquellas observaciones que se separan mucho de la
media, y que tienen poca probabilidad de ocurrencia. Es decir,
se concentra en responder preguntas probabilsticas y
estadsticas sobre valores muy altos o muy bajos en los datos.
Esto se puede analizar de manera univariada, es decir,
estudiando cada variable por separado, o multivariada, ya que
existe una gran variedad de situaciones concernientes con
eventos extremos que tienen un inherente carcter
multivariado.
Como ya se mencion, en el contexto oceanogrfico, se tiene
un especial inters en la evaluacin del riesgo asociado con
fenmenos hidrometeorolgicos extremos, que son, con
frecuencia, consecuencia de un cmulo de eventos extremos
actuando conjuntamente por diversos componentes fsicos y/o
espaciales y como resultado se tiene asociada una estructura
de dependencia.
El anlisis multivariado de eventos extremos constituye un
sobresaliente tema de estudio en distintos campos de
aplicacin en los ltimos aos. Los estudios realizados han
sido comnmente abordados bajo modelos bivariados. Entre
los primeros trabajos en el anlisis bivariado de valores
extremos se encuentran los de Galambos (1987), Resnick
(1987), Kotz and Nadarajah (2000), Coles (2001), Reiss and
Thomas (2001), entre otros. En la literatura ms reciente se
tiene a Beirlant et al. (2004), De Haan and Ferreira (2006) y
Resnick (2007). Por otro lado, existen diversas alternativas
equivalentes para caracterizar la estructura de dependencia;

por ejemplo, se puede trabajar con la densidad espectral,

Beirlant (2004); la funcin de dependencia de Pickands, Coles
(2001), Tawn (1988), Rakonczai (2009), Zhao (2012);
Cpulas, Rakonczai (2009), Dupuis y Jones (2006); series de
tiempo, Katz (2002), entre otras.

Teora de valores extremos univariada

En la Teora de Valores Extremos de una variable existen dos
formas diferentes de catalogar a una observacin o variable
como extremo. Una de ellas es el modelo de Mximos por
bloque (o Block Maxima), y la otra es utilizando el modelo de
Picos o excedentes sobre un umbral POT, por sus siglas en
ingls (Peaks Over Thresholds). El modelo de mximos por
bloque consiste en registrar el mayor valor en un intervalo
dado de tiempo, por ejemplo un ao o mes. Mientras que en el
Modelo POT se registran todos aquellos valores que se
encuentren por encima de un nivel o umbral dado. Un anlisis
detallado de esta metodologa se puede encontrar en
Embrechts et al. (1997) y en Coles (2001).
Primer mtodo: Mximos por Bloque
En el mtodo de mximos por bloque se considera al mximo
valor de una sucesin de variables aleatorias independientes e
idnticamente distribuidas
con funcin de
distribucin comn , denotado por
. El Teorema de
Fisher-Tippet y Gnedenko (Embrechts, 1997) nos dice que si
existen constantes
y
y alguna funcin de
distribucin no degenerada tales que
(1)
cuando
entonces

para todos los puntos donde

es del siguiente tipo:

es continua,
,

para

(2)

y
,

(3)

para
. A
se le conoce como la Distribucin
Generalizada de Valores Extremos (DGVE). Al parmetro
se le llama parmetro de forma, mientras que a
y
de
localizacin y escala, respectivamente. A la DGVE con
parmetros
y
se le conoce como DGVE estndar.
El parmetro
es llamado parmetro de forma ya que
determina la clase de distribucin que representa la DGVE
como sigue: para
, se dice que la distribucin es de tipo
Frchet, si
se dice que es de tipo Weibull, y si
se

XXIII C ON G R E S O N A C I O N A L

AMH

dice que la distribucin es de tipo Gumbel. A estas

distribuciones se les conoce como distribuciones de valores
extremos (DVE). Los tres tipos de lmite tienen
comportamientos muy diferentes, correspondientes a las
diferentes formas de comportamiento de la cola de la
distribucin
de . Esto puede precisarse considerando el
comportamiento de la distribucin lmite en su punto final
derecho
, es decir en
.
Para la distribucin Weibull,
es finito, mientras que para
las distribuciones Frchet y Gumbel
. Adems, la
densidad de
decae exponencialmente para la distribucin
Gumbel y de manera polinmica para la distribucin Frchet.
De ello se desprende que, en la aplicacin, las tres familias
dan muy distintas representaciones de la conducta de los
valores extremos, por ejemplo las estimaciones de cuantiles en
los niveles de retorno son agresivamente diferentes
dependiendo de la eleccin de la familia o de la estimacin del
parmetro de forma. (Coles 2001).
El Teorema de Fisher-Tippet y Gnedenko, aunque no
garantiza la existencia del lmite, nos proporciona la nica
forma de la distribucin lmite no degenerada para mximos
normalizados bajo el modelo de mximos por bloque en caso
de existir dicho lmite. Si el lmite en (1) se cumple con alguna
de las expresiones en (2) o (3) para una funcin de
distribucin , se dice que esa distribucin pertenece al
dominio de atraccin de la DGVE y se denota por
.
Segundo Mtodo: Picos sobre un umbral
Por otro lado, el mtodo en el que se consideran como valores
extremos a aquellos que sobrepasen un cierto nivel o umbral
dado, es el de picos sobre un umbral o POT.
Se dice que es una excedencia sobre si
. En ese caso
al valor
se le conoce como el exceso de sobre .
Para este modelo se hace uso de la funcin de distribucin de
los excesos (
. Definimos a la funcin de distribucin de
los excesos sobre por la probabilidad condicional
. (4)
Esta funcin tambin es llamada la funcin de distribucin de
excesos condicional, pues reduce el espacio muestral a
aquellas variables que sobrepasan el nivel .
La distribucin relacionada con el modelo de picos sobre un
umbral es la Distribucin Generalizada de Pareto (DGP) la
cual se define como
(5)
para

cuando

; y para
(6)

para

DE

H I D R U LI C A

AMH

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

Observemos que si queremos dar la expresin en trminos de

las excedencias, basta con evaluar las expresiones (5) y (6)
considerando que
, es decir, evaluando en
.
As como el Teorema de Fisher-Tippet y Gnedenko relaciona
al modelo de mximos por bloque con la DGVE, otro de los
principales teoremas dentro de la teora de valores extremos es
el propuesto por Pickands, Balkema y de Haan (McNeil 2005)
el cual relaciona al modelo de picos sobre un umbral a la
DGP. El teorema dice que si la funcin de distribucin
, entonces la DGP es la distribucin lmite de

los excesos cuando el umbral tiende a

. Es decir, si
la funcin de distribucin de los excesos sobre entonces

es
(7)

si y slo si
. Este resultado es la base para la
aproximacin de la distribucin de los excesos sobre umbrales
suficientemente altos mediante la DGP. El teorema nos da
bases tericas para esperar que si elegimos un umbral
adecuado, las observaciones que se encuentren por encima
mostrarn un comportamiento tipo Pareto.
Se conocen varias propiedades de la DGP, una de ellas es
sobre su funcin media de excesos que se define como
.

(8)

Es decir, la esperanza o media de los excesos sobre

condicionada a las excedencias. Si una variable aleatoria
sigue una DGP, entonces su funcin media de excesos tiene la
siguiente expresin
.

(9)

El problema inicial es la eleccin de un umbral adecuado para

que la aproximacin de
puede hacerse mediante la DGP, el
cual no debe ser elegido de manera arbitraria. Sin embargo, no
existe un mtodo para estimarlo puntualmente, por lo que esta
tarea requiere de un anlisis cuidadoso, ya que de elegirse un
umbral demasiado bajo, se violara la suposicin del Teorema,
y un umbral demasiado alto, dejar muy pocas observaciones
con las cuales pueda hacerse la inferencia sobre la DGP.
Existen diversas herramientas disponibles que ayudan a elegir
un umbral adecuado, una de ellas basada en la propiedad
mencionada en (9), la cual es la grfica de medias de excesos
que consiste en los puntos de la forma
,

(10)

donde
son las
excedencias observadas
sobre , y
es el valor mximo de las
(Coles 2001).
Es decir, esta grfica relaciona a cada umbral
con la
esperanza emprica de los excesos sobre dicho umbral. Por la
propiedad de la DGP antes mencionada, sabemos que sobre un
umbral
para el cual la DGP proporcione una aproximacin
vlida a la distribucin de los excesos, la funcin media de
excesos debera comportarse de manera lineal en .

Teora de valores extremos multivariada

El estudio de eventos extremos multivariados se componen de
dos partes: el estudio de las funciones de distribucin
marginales y la estructura de dependencia. Esta distincin se
refleja tanto en la teora como en la prctica. Comnmente,
primero se realiza el correspondiente manejo de las funciones
marginales y como segundo paso, despus de la
transformacin estandarizada de las marginales a una escala
comn.
La teora multivariada de valores extremos tambin se estudia
mediante dos enfoques: el comportamiento lmite de mximos
por bloques, mtodo mediante el cual est basada la teora
clsica para caracterizar el comportamiento de extremos
multivariados; y extremos sobre un umbral, Beirlant (2004),
Joe (1994), Katz (2002).

XXIII C ON G R E S O N A C I O N A L

AMH

DE

H I D R U LI C A

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

AMH

Mximos por bloque multivariados

Modelos de Cpulas de valores extremos

Sea

) elementos en
. Si
son vectores aleatorios independientes e
idnticamente distribuidos (i.i.d) de dimensin d. Se define el
vector de mximos,

La teora clsica de Cpulas est dada por Sklar (1952) que

muestra que para una funcin de distribucin d-variada , con
funciones marginales continuas , existe una nica cpula
en el cubo unitario d-dimensional, con marginales uniformes
tal que la distribucin conjunta es la composicin de funciones

Debe observarse que estos vectores de mximos no

necesariamente corresponden a observaciones de los datos
originales.

La familia de cpulas de valores extremos (CBVE) es usada

para representar las DMVE por medio de distribuciones
marginales distribuidas uniformemente. Es posible representar
una CBVE mediante otros conceptos de dependencia, por
ejemplo, una cpula bivariada de valores extremos puede ser
escrita en trminos de la funcin de dependencia de Pickands
como

=(

(16)

La funcin de distribucin de

evaluada en

est dada por

(12)

Del mismo modo que en el caso univariado, para evitar

degeneracin de la distribucin lmite de
, se buscan
secuencias de vectores normalizantes,
y
, con
componentes
y
, j
tales que
cuando
,
(13)
para una funcin de distribucin d-dimensional
con
marginales no degeneradas y por (11), DVE. Aqu y en las
dems operaciones vectoriales se suponen componente a
componente.
Si se tiene (13), se dice que
pertenece al dominio de
atraccin del mximo de ,
es llamada una
distribucin multivariada de valores extremos (DMVE).
Cuando se estudia la estructura de dependencia, es
frecuentemente conveniente usar marginales estandarizadas,
esta eleccin es arbitraria, Tiago de Olivera (1963) y
Galambos (1978) asumen marginales Gumbel; Hann &
Resnick (1977) asumen marginales Frchet; otros ms como
Pickands (1981), Deheuvels (1983,1985) y Tawn (1988) las
asumen exponenciales, siendo estas dos ltimas las ms
utilizadas en la literatura.
De acuerdo a Pickands, para el caso bivariado, la distribucin
de
puede ser aproximada mediante una distribucin bivariada de
valores extremos, determinada por su funcin de dependencia
as como por sus marginales y
respectivamente
(14)
Donde
(15)
para
,
,
(t) es llamada la funcin de
dependencia o funcin de dependencia de Pickands, la cual es
necesariamente convexa y se aproxima al tringulo definido
por los puntos (0,1), (1,1) y (1/2,1/2).
Para el caso bivariado se han propuesto diversos modelos
paramtricos como el modelo logstico, Gumbel (1960);
asimtrico logstico, Tawn (1988); Husler & Reiss (1989);
negativo logstico, Galambos (1975); negativo logstico
asimtrico, Joe (1990); biologsitco, Smith (1990);
biologstico negativo, Coles y Tawn (1994); Coles-Tawn,
Coles y Tawn (1991); asimtrico mixto, Tawn (1988). Siendo
entre ellos, los modelos ms generales, las cpulas.

(17)
Con

, Rakonczai (2009).

Extremos multivariados sobre un umbral

Sea
una muestra ddimensional de observaciones i.i.d. con una desconocida
distribucin conjunta
para
alguna cpula desconocida con funciones marginales
y perteneciente al dominio de atraccin de una DMVE
Tal como en el caso univariado, se busca aproximar la cola
derecha de
sobre algn vector de umbrales altos
. Por la teora univariada, para
y lo
suficientemente grande, la cola derecha de la distribucin
marginal es aproximada por una DGP. Reemplazando por
una cpula lmite de valores extremos se puede ajustar un
modelo paramtrico mediante cpulas de valores extremos
flexible y tratable.

Descripcin de los datos

Se realiz un anlisis del comportamiento del viento y el
oleaje extremo al norte de la costa de Campeche,
caracterizando la altura de ola y la velocidad del viento. Los
datos horarios empleados corresponden a los resultados del
modelo numrico hbrido WAM-HURAC, presentado por
Ruiz-Martnez et al. (2009), para el periodo del 1 de enero de
1948 al 31 de diciembre de 2010, en la celda ubicada en las
coordenadas 1925 Latitud Norte, 9145 Longitud Oeste, los
cuales forman parte del Atlas de Clima Martimo de la
Vertiente Atlntica Mexicana (Silva et al., 2008)
El anlisis se realiz utilizando un entorno de programacin
para anlisis estadstico y grfico llamado R. Es un proyecto
de software libre que puede descargarse en http://cran.rproject.org/.

Ilustracin 1. Altura de ola de 1948 a 2010.

XXIII C ON G R E S O N A C I O N A L

AMH

DE

H I D R U LI C A

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

Ilustracin 2. Velocidad de viento de 1948 a 2010.

Resultados para extremos univariados

A continuacin, se presenta el anlisis de las variables
mencionadas, altura de ola y velocidad del viento, bajo los dos
modelos univariados descritos, que consisten en el modelo de
mximos por bloque, relacionado con la DGVE por el
Teorema de Fisher-Tippet y Gnedenko, y el modelo de picos
sobre un umbral, relacionado con la DGP por el Teorema de
Pickands-Balkema-de Haan. (Coles 2001).

AMH

es la funcin de distribucin estimada, la cual se obtiene

utilizando los parmetros estimados; y
es el -simo valor
de los datos ordenados
. Otra de las
herramientas de diagnstico es la grfica de cuantiles, la cual
consiste en los puntos de la forma
, donde
es la funcin inversa de la distribucin
estimada y
y
estn dadas como se mencion
anteriormente. Si el modelo representa un buen ajuste, en
ambas grficas debera observarse que los puntos se asemejan
a una lnea diagonal (Coles 2001). Adicionalmente se
realizaron pruebas de bondad de ajuste de Kolmogorov y
Anderson Darling (NIST 2012) que avalaron el modelo como
una buena aproximacin, a un 95% de confianza.

Inferencia para la DGVE

El Teorema de Fisher-Tippet y Gnedenko provee un modelo
lmite para la distribucin del mximo valor obtenido por el
modelo de mximos por bloque. En el anlisis de fenmenos
hidrometeorolgicos es conveniente analizar los mximos
anuales, pues de tomarse bloques de menor tamao, stos se
ven afectados por la variabilidad de las condiciones que
afectan la intensidad de dichos fenmenos a lo largo del ao
con el cambio de diversos factores, como las estaciones (Coles
2001). Existen varios mtodos que son utilizados para la
estimacin de los parmetros de una distribucin a partir de
una muestra, entre ellos el mtodo de mxima verosimilitud
(Coles 2001), el cual fue utilizado para la obtencin de los
estimadores de los parmetros de la DGVE, as como los
intervalos de confianza de cada uno, los cuales se muestran en
la Tabla 1.

Ilustracin 3. Grficas de probabilidades (izquierda) y de

cuantiles (derecha) del ajuste a DGVE de la variable altura de ola.

Tabla 1. Estimadores e intervalos de confianza al 95% de la

DGVE.

Altura

Velocidad

Estimadores

Intervalos

0.33256

(0.12465 , 0.54033)

2.78268

(2.57314 , 2.99243)

0.75476

(0.57444 , 0.93522)

0.60683

(0.35321 , 0.86024)

9.99688

(9.48751 , 10.5071)

1.82127

(1.29228 , 2.35093)

En un anlisis previo, se supuso que el parmetro de forma era

igual a cero, para obtener una aproximacin de los mximos
anuales de altura de ola por una distribucin tipo Gumbel. Sin
embargo, podemos observar que el estimador para
en la
altura de ola es positivo, y adems que el intervalo de
confianza correspondiente no contiene al cero, por lo que el
ajuste a Gumbel no es un modelo adecuado en este caso.
Para verificar la bondad del ajuste se hizo uso de algunas
herramientas de diagnstico. Las grficas de probabilidad
comparan el modelo terico con las estimaciones graficando
los puntos de la forma
, donde
es un estimador de posicin de datos en una grfica propuesto
por Hosking (1995) que se calcula como
;

Ilustracin 4. Grficas de probabilidades (izquierda) y de

cuantiles (derecha) del ajuste a DGVE de la variable velocidad de
viento.

En las Ilustraciones (3) y (4) podemos ver que el modelo

representa un buen ajuste para la distribucin lmite de los
mximos anuales. Tenemos entonces que las expresiones de
las distribuciones lmite para los mximos niveles de altura
anuales
y mximas velocidades de viento anuales
estn
dadas por
(18)

(19)
Para estimar los periodos de retorno asociados a los cuantiles
de la DGVE, se invirtieron las expresiones en (18) y (19) y se
evaluaron en
para hallar el valor
para el cual
, es decir, aquel valor para el cual la
probabilidad de que el mximo valor anual lo exceda sea . A
este valor se le conoce como el nivel de retorno asociado al
periodo de retorno
aos, ya que el nivel
se
espera ser excedido en promedio una vez cada
aos.

AMH

XXIII C ON G R E S O N A C I O N A L

DE

H I D R U LI C A

AMH

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

La extrapolacin de este tipo de modelos sirve para hacer

inferencia sobre los posibles niveles que se alcanzarn en
periodos de tiempo incluso de mayor longitud que el periodo
de tiempo que comprenda a los datos analizados. De las
ecuaciones (18) y (19) se obtuvieron las expresiones de los
niveles de retorno para altura de ola
y velocidad de viento
y en la Ilustraciones (5) y (6) se muestran las grficas de
niveles de retorno de cada una de las dos variables, las cuales
relaciona los periodos de retorno con el nivel de retorno
correspondiente, en una grfica con escala logartmica en el
eje de las abscisas
(20)
(21)

Ilustracin 7. Grfica de medias de excesos de altura de ola

(izquierda) y velocidad de viento (derecha).
Tabla 2. Estimadores e intervalos de confianza al 95% de los
parmetros de la DGP.
Estimadores

Intervalos

0.74942

(0.6799 , 0.8242)

0.05732

(0.0034 , 0.1233)

0.8603

(0.6002 , 1.2200)

0.2547

(0.0172 , 0.5939)

1.6470

(1.2568 , 2.1353)

0.3989

(0.2088 , 0.6476)

724
Altura
80

Velocidad

Ilustracin 5. Grfica de niveles de retorno de altura de ola.

Ilustracin 6. Grfica de niveles de retorno de velocidad de viento.

Inferencia para la DGP

En la Ilustracin (7) observamos que la grfica sugiere que la
eleccin de un umbral de
metros para la altura de ola
y un umbral
metros sobre segundo para la velocidad de
viento, pues presenta un comportamiento aproximadamente
lineal a partir de dichos puntos. Habiendo elegido los
umbrales, se estimaron los parmetros de forma y de escala
de la DGP por mxima verosimilitud (Tabla 2). Se incluyen
los parmetros estimados con el umbral seleccionado para
anlisis previo, el cual es
, el cual fue elegido como 1.5
veces la altura de ola cuadrtica significante media (Hrms) que
es considerada como condiciones de tormenta de alta energa
y, por tanto, es tomada como el umbral que define una
tormenta (Silva R, comunicacin personal).

147

Una vez hechas las estimaciones, se procedi a realizar el

diagnstico de ajuste para cada modelo, utilizando las
herramientas grficas descritas, las cuales son la grfica de
probabilidades y la grfica de cuantiles (Ilustraciones 8, 9 y
10). Adicionalmente, se hicieron pruebas de bondad de ajuste
de Kolmogorov y Anderson Darling, las cuales rechazaron el
modelo con un umbral
y avalaron los otros dos modelos
como buenas aproximaciones, a un 95% de confianza.

Ilustracin 8. Grficas de probabilidades (derecha) y de cuantiles

(izquierda) del ajuste a DGP para altura de ola con u=1m.

Ilustracin 9. Grficas de probabilidades (izquierda) y de

cuantiles (derecha) del ajuste a DGP para altura de ola con
u=2.5m.

AMH

XXIII C ON G R E S O N A C I O N A L

DE

H I D R U LI C A

AMH

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

datos dadas por la aproximacin

(1995).

propuesta por Hosking

Ilustracin 10. Grficas de probabilidades (izquierda) y de

cuantiles (derecha) del ajuste a DGP para velocidad de viento con
u=9m/s.

Observamos en las grficas de diagnstico del ajuste con un

umbral
, en la Ilustracin 8, que el modelo estimado
para la altura de ola con dicho umbral parece no dar una buena
aproximacin, ya que presenta valores que se alejan
demasiado de la recta diagonal. Por otro lado, las grficas de
ajuste para la altura de ola con umbral
(Ilustracin 9),
presentan una mejor similitud con la recta diagonal tanto en
las grficas de probabilidades como en la grfica de cuantiles,
dando evidencia de que se trata de un mejor modelo. Por otro
lado, las grficas de diagnstico para la velocidad de viento
con
(Ilustracin 10) presentan semejanza con la recta
diagonal, lo cual indica que se trata de un buen ajuste.
Tenemos entonces que las expresiones de las distribuciones
lmite
para las distribuciones de excedencias de altura de
ola sobre
y
para la distribucin de excedencias de
velocidades de viento sobre
estn dadas por
(22)
(23)
Los niveles de retorno en el modelo de picos sobre un umbral
se tratan de manera ligeramente diferente a la forma usada en
el modelo de mximos por bloque. Si queremos dar los
periodos de retorno en una unidad de tiempo, en este caso en
aos, supongamos que buscamos un nivel
que se espera
sea excedido una vez cada aos. Si tenemos una cantidad
de excedencias observadas durante un ao, entonces el nivel
buscado es aquel que se exceda en promedio una vez cada
excedencias observadas, o bien que la probabilidad de
que una excedencia sobrepase el nivel
sea
.
Como la base comprende de 1948 a 2010 se consideraron 63
aos para la estimacin de
, donde
es el
nmero de excedencias de cada variable. Invirtiendo la
expresin de la DGP y evaluando en dicha probabilidad
llegamos a las expresiones de los niveles de retorno asociados
a un periodo de retorno de aos para altura de ola
y para
velocidad de viento .

Ilustracin 11. Grfica de niveles de retorno de altura de ola con

un umbral u=2.5m.

Ilustracin 12. Grfica de niveles de retorno de velocidad de

viento con un umbral u=9m/s.

Resultados para extremos bivariados

Para el ajuste de los modelos paramtricos bivariados, se
procedi a formar una muestra conjunta con los mximos
anuales de la altura de ola y la velocidad de viento.
Como consideracin inicial se efectu una prueba de hiptesis
con la finalidad de descartar la independencia de las variables.
El valor del estadstico de Cramer-von Mises que se obtuvo
fue 0.33073, con un p-value de 0.0004995, en base a ello se
tuvo evidencia suficiente para rechazar la hiptesis nula de
independencia. Posteriormente, se emplearon mtodos de
estimacin de mxima verosimilitud en la estimacin los
correspondientes parmetros particulares de los modelos
bivariados. Mediante el criterio de informacin de Akaike
AIC y pruebas de bondad de ajuste se discrimin entre los
distintos modelos ajustados, y se propusieron como buenos
ajustes para los eventos extremos bivariados de altura de ola y
velocidad de viento los modelos Husler-Reiss y el negativo
logstico por los resultados obtenidos en dichas pruebas.
Tabla 3. Ajuste del modelo bivariado Husler-Reiss.

(24)

Parmetros

localizacin forma escala dependencia

(25)
Para la grfica de niveles de retorno se procede de manera
similar al modelo de mximos por bloque, graficando los
periodos de retorno (en aos) contra los niveles de retorno
asociados con escala logartmica en el eje de las abscisas.
Adicionalmente se incluyen las posiciones estimadas de los

2.8106

0.2163 0.7666

10.1848

0.3787 1.9701

AIC

445.819

Desviacin

431.819

2.4063

XXIII C ON G R E S O N A C I O N A L

AMH

DE

H I D R U LI C A

AMH

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

Ilustracin 13. Grficos de bondad de ajuste para el modelo

Husler-Reiss.

Ilustracin 14. Grficos de bondad de ajuste para el modelo

negativo logstico.

La expresin paramtrica del modelo negativo logstico es

La expresin paramtrica del modelo Husler Reiss es

, (26)

(29)

con

con

(30)
(27)
(28)
Tabla 4. Ajuste del modelo bivariado negativo logstico
Parmetros

localizacin forma escala dependencia

H

2.8018

0.2322 0.7567

10.176

0.3947 1.9468

AIC

446.8938

Desviacin

432.8938

1.7212

(31)

Conclusiones
La Teora de Valores Extremos puede ayudar a mejorar las
medidas preventivas ante sucesos que causan consecuencias
extremas gravosas, brindando informacin que permita
mejorar la cuantificacin de los riesgos hidrometeorolgicos
para la optimizacin de toma de decisiones, gestin de reas
susceptibles a este tipo de riesgos y llevar una adecuada
modelacin de los agentes externos y erradicar en lo posible
las incertidumbres inherentes a la modelacin de los
fenmenos naturales; en ingeniera martima, el xito en el
diseo de estructuras depende esencialmente de la adecuada
seleccin de las condiciones ambientales a las que puede verse
sometida garantizando que dicho elemento no llegue a los
estados lmites de falla a lo largo de su vida til.
En el anlisis de los datos especficos se obtuvieron
expresiones para las distribuciones lmite que describen el

AMH

XXIII C ON G R E S O N A C I O N A L

DE

H I D R U LI C A

PUERTO VALLARTA, JALISCO, MXICO, OCTUBRE 2014

comportamiento aproximado de los valores mximos de la

muestra en cuestin. De ellos se pudieron obtener las
estimaciones de los cuantiles con los que se calcularon los
niveles de retorno, los cuales representan una herramienta de
suma utilidad en la planificacin y diseo de estructuras que
requieren de un conocimiento del comportamiento a largo
plazo de fenmenos de tipo hidrometeorolgico.
Adicionalmente, se obtuvieron las expresiones de
distribuciones lmite que describen el comportamiento de los
valores mximos de ambas variables tomadas de forma
conjunta y que estn ligadas intrnsecamente en la
caracterizacin del oleaje, esto en busca de tener estimaciones
que permitan estudiar de forma ms completa el fenmeno
hidrometeorolgico en cuestin.
Una de las instituciones que realiza ms contribuciones en
evaluacin de riesgos hidrometeorolgicos en Mxico es el
Centro Nacional de Desastres (CENAPRED) (Silva 2012),
que ha publicado guas y directrices para la construccin de
atlas de riesgos, para el cual un factor importante es el
conocimiento, o en este caso estimacin de las probabilidades
de que se presenten eventos potencialmente dainos. Una
mejor estimacin de la probabilidad de ocurrencia de un
evento potencialmente daino a largo plazo, o con largos
periodos de retorno, puede servir para una mejor evaluacin
del riesgo.
Se espera que la metodologa presentada en este trabajo
impulse el desarrollo y el uso de herramientas tericas
recientes y sofisticadas para obtener mejores anlisis y
evaluaciones de modelos basados en valores extremos para la
prevencin y toma de decisiones en materia de riesgo
hidrometeorolgico, ya que en anlisis menos rigurosos se
corre el riesgo de llegar a estimaciones menos adecuadas o
suposiciones sobre parmetros muy sensibles como el
parmetro de forma que figura en ambos mtodos (mximos
por bloque y picos sobre umbral), el cual determina
comportamientos muy distintos en la cola de las distribuciones
de los fenmenos analizados.

AMH

http://cran.rproject.org/web/packages/ismev/ismev.pdf. 200914-07.
GILLI M., KLLEZI E. An Application of Extreme Value
Theory for Measuring Risk. Department of Econometrics,
University of Geneva and FAME, Geneva, Switzerland,
febrero 2003, 24 pp.
HOSKING J. R.., WALLIS J.R. Water resources research. A
comparison of unbiased and plotting-position estimators of L
moments. Vol. 31, No. 8. Agosto 1995, pp. 2019-2025.
JOE, H. Multivariate Extreme-Value Distributions with
applications to environmental data, The Canadian Journal of
Statistics, Vol. 22, No. 1, 1994, pp. 47-64.
JOE, H., SMITH, R., y WEISSMAN, I. Bivariate threshold
methods for extremes, Journal of the Royal Statistical Society,
Vol. 54, No. 1, 1992, pp. 171-183.
KATZ, R., PARLANGE, M., y NAVEAU, P., Statistics of
extremes in hydrology, Advances in Water Resources, Vol. 25,
2002, pp. 1287-1304.
McNEIL, A., FREY, R., y EMBRECHTS, P. Quantitative
Risk Management: concepts, techniques, and tools Princeton
University Press, 2005, 529 pp.
NIST/SEMATECH e-Handbook of Statistical Methods. [en
lnea]. Abril 2012. [citado en agosto de 2014]. Disponible en
http://www.itl.nist.gov/div898/handbook/.
PFAFF B., MCNEIL A. J., STEPHENSON A. Package evir
(Version 1.7) [en lnea]. Extreme Values in R. Febrero 2013
[citado en agosto de 2014] Disponible en: http://cran.rproject.org/web/packages/evir/evir.pdf.
RAKONCZAI, P., On modelling and prediction of
multivariate extremes with applications to environmental
data. Tesis de licenciatura en ciencias matemticas, Suecia,
2009, 109 pp.

Referencias

REISS R., THOMAS M. Statistical Analysis of Extreme

Values: with Applications to Insurance, Finance Hydrology
and Other Fields. Tercera edicin. Birkhuser Verlag,
Germany 2007, 511 pp.

BEIRLANT, J., GOEGEBEUR, J., SEGERS and TEUGELS,

J., Statistics of extremes: Theory and Applications, West
Sussex, England, John Wiley & Sons. 2004, 485 pp.

RIBATET M. The POT Package (Version 1.1-3) [en lnea].

Febrero de 2013 [citado en agosto de 2014] Disponible en:
http://benz.nchu.edu.tw/ _nmyc/POT.pdf.

BORTOT, P., GAETAN, C., Multivariate extremes,

dipartimento di Scienze Statistiche, Bologna, Italy
CEBRAIN, A., DENUIT, M., y LAMBERT, P., Analysis of
bivariate tail dependence using extreme value copulas: An
application to the SOA medical large claims database,
Extremes, Vol. 3, 2000, pp. 311-329.
COLES, STUART. An Introduction to statistical modeling of
extremes values Department of Mathematics. University of
Bristol: Springer Series in Statistics, 2001, 209 pp.

RUIZ-MARTNEZ G., SILVA R., PREZ D., POSADA G.,

BAUTISTA E. Modelo hbrido para la caracterizacin del
oleaje. Ingeniera hidrulica en Mxico. Vol. XXIV, nm 3,
julio-septiembre de 2009, pp 5-22.

DUPUIS, DJ., y JONES, BL. Multivariate Extreme value

theory and its usefulness in understanding risk, North
American Actuarial Journal, Vol. 10, No. 4, 2006, pp. 1-27.
EMBRECHTS P., KPPELBERG C., MIKOSCH T.
Modelling Extremal Events for Insurance and Finance.
Springer-Verlag 1997, 644 pp.
GILLELAND E. Package ismev (Version 1.39) [en lnea].
Febrero 2013 [citado en agosto de 2014]. Disponible en:

SILVA R., MENDOZA E., ESCUDERO M., POSADA G.,

ARGANIS M. Characterization Of Risks In Coastal Zones: A
Review. Instituto de Ingeniera, Universidad Nacional
Autnoma de Mxico. Instituto EPOMEX, Universidad
Autnoma de Campeche, 2012. 24 pp.
SILVA, R., RUIZ, G., POSADA, G., PREZ, D., RIVILLAS,
G., ESPINAL, J., MENDOZA, E. Atlas de Clima Martimo de
la Vertiente Atlntica Mexicana. Instituto de Ingeniera,
Universidad Nacional Autnoma de Mxico, 2008.
TAWN, J., Bivariate extreme value theory: models and
estimation, Biometrika,Vol. 75, nm. 3, 1988, pp. 397-415.
ZHAO, Z., On parametric modelling of bivariate extreme
value dsitribution. Tesis de maestra, Suecia, 2012, 40 pp.