Leitfaden HQ Statistik - Wasser, Klimawandel & Hochwasser
Leitfaden HQ Statistik - Wasser, Klimawandel & Hochwasser
Leitfaden HQ Statistik - Wasser, Klimawandel & Hochwasser
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
48<br />
<strong>Leitfaden</strong> - Verfahren zur Abschätzung von <strong>Hochwasser</strong>kennwerten<br />
In der Anwendung der PWM Methode werden allerdings nur Momente der Gestalt m1,r,0 oder<br />
m1,0,s mit jeweils ganzzahligem r und s verwendet, denn diese können unverzerrt durch Linearkombination<br />
der geordneten Stichprobe geschätzt werden. Setzt man etwa Mk = M1,k,0<br />
�<br />
M<br />
k<br />
1<br />
� �<br />
n<br />
� � n k<br />
i�1<br />
�n � i�<br />
�� �� � x<br />
� k �<br />
( i)<br />
�n �1�<br />
�� �� , (3.28)<br />
� k �<br />
wobei x1 � x2 � … � xn die geordnete Stichprobe ist. Da sich auf der anderen Seite Mk � für<br />
viele Verteilungen als relativ einfache Funktion der Parameter darstellen lässt, erhält man<br />
durch Gleichsetzung und Umformung der betreffenden Gleichungen sehr einfache Schätzer<br />
für die Parameter der Verteilung und damit auch für die Quantile und Wiederkehrzeiten. Der<br />
Schätzer hat zwei Vorteile gegenüber den herkömmlichen Maximum-Likelihood (ML)- und<br />
MOM-Schätzern:<br />
• Sie lassen sich in fast allen Fällen als direkte Funktion der Datenserie ausdrücken und<br />
sind somit wesentlich einfacher zu berechnen als die ML-Schätzer, die in der Regel<br />
nur iterativ gefunden werden können.<br />
• Die Daten kommen nur linear vor, während bei MOM-Verfahren zweite und dritte<br />
Potenzen verwendet werden, was zu großer Empfindlichkeit gegenüber extremen<br />
Werten führt.<br />
3.6.6 L-Momente<br />
Die Methode der linearen oder L-Momente geht in ihrer allgemein gültigen Form auf<br />
HOSKING (1990) zurück und ähnelt vom Ansatz der PWM: Wenn X eine Zufallsvariable ist<br />
und Xi:n die i-te Ordnungsstatistik aus einer Stichprobe vom Umfang n, dann definiert man<br />
r �1<br />
k<br />
1 �r �1�<br />
� r � �(<br />
�1)<br />
� E(<br />
X r �k:<br />
r )<br />
r<br />
��<br />
k �0<br />
k ��<br />
r �1<br />
(3.29)<br />
� �<br />
als das r-te L-Moment der Verteilung von X. Die L-Momente haben wie die PW-Momente<br />
gegenüber den klassischen Momenten den Vorteil kleinerer Fehler und hoher Stabilität auch<br />
für kleine Stichprobenumfänge; tatsächlich sind PW- und L-Momente insofern äquivalent, als<br />
sich die einen als Linearkombination der anderen ergeben, sodass sich die oben angesprochenen<br />
Eigenschaften der PWM etwa bei der Schätzung von Parametern und Quantilen der GEV-<br />
Verteilung direkt übertragen lassen:<br />
r�1<br />
r�1<br />
1 � r � �r � k �<br />
� r � �(<br />
�1)<br />
� � mk<br />
r<br />
��<br />
k k �� ��<br />
k ��<br />
(3.30)<br />
�0<br />
� � � �<br />
Der Vorteil der L-Momente gegenüber den PW-Momenten liegt in ihrer größeren Anschaulichkeit<br />
und leichteren Interpretierbarkeit: Die ersten vier L-Momente �1, �2, �3, �4 lassen sich<br />
wie die herkömmlichen Momente in dieser Reihenfolge zur Bewertung des Orts, der Streuung,<br />
der Schiefe (Skewness) und der Wölbung (Kurtosis) der zugrunde liegenden Verteilung<br />
verwenden. Ebenso können L-Momentenverhältnisse als dimensionslose Größen verwendet<br />
werden – dies sind neben dem L-Variationskoeffizienten (L-coefficient of variation, L-CV)<br />
die L-Skewness �3 = �3 / �4 und L- Kurtosis �4 = �4 / �2.