1,720,990 research outputs found
Dipendenza della stima dei parametri dei modelli a cluster di Neyman-Scott dalla scala di aggregazione: primi risultati
No full textEfficiency of model selection criteria in flood frequency analysis
No full textThe estimation of high flood quantiles requires the extrapolation of the probability distributions far beyond the usual sample length, involving high estimation uncertainties. The choice of the probability law, traditionally based on the hypothesis testing, is critical to this point.
In this study the efficiency of different model selection criteria, seldom applied in flood frequency analysis, is investigated. The efficiency of each criterion in identifying the probability distribution of the hydrological extremes is evaluated by numerical simulations for different parent distributions, coefficients of variation and skewness, and sample sizes.
The compared model selection procedures are the Akaike Information Criterion (AIC), the Bayesian Information Criterion (BIC), the Anderson Darling Criterion (ADC) recently discussed by Di Baldassarre et al. (2008) and Sample Quantile Criterion (SQC), recently proposed by the authors (Calenda et al., 2009).
The SQC is based on the principle of maximising the probability density of the elements of the sample that are considered relevant to the problem, and takes into account both the accuracy and the uncertainty of the estimate. Since the stress is mainly on extreme events, the SQC involves upper-tail probabilities, where the effect of the model assumption is more critical. The proposed index is equal to the sum of logarithms of the inverse of the sample probability density of the observed quantiles . The definition of this index is based on the principle that the more centred is the sample value Qi in respect to its density distribution (accuracy of the estimate) and the less spread is this distribution (uncertainty of the estimate), the greater is the probability density of the sample quantile. Thus, lower values of the index indicate a better performance of the distribution law. This criterion can operate the selection of the optimum distribution among competing probability models that are estimated using different samples. The need to select an optimum distribution among various models, calibrated using different samples, was prompted by the complex behaviour observed in flood samples, that can be ascribed to different identifiable processes contributing to the generation of the data series
Un commento sulla memoria “Towards a Nonlinear geophysical theory of floods in river networks: an overview of 20 years of progress”
No full textStima del coefficiente di afflusso nei problemi di dimensionamento delle fognature pluviali
No full textAtti dei Seminari di San Cassiano (28-31 marzo 1995) e Sorrento (11-14 maggio 1996), Calenda G. et al.(a cura di), CSDU, Milano
Sono ancora a rischio d’inondazione i beni storico-artistici di Roma? L’informazione fornita dalle piene storiche. Resilienza delle Città d’Arte alle catastrofi Idrogeologiche: Successi e Insuccessi dell’Esperienza Italiana
No full textReview of Calenda, G. Un Universo Aperto. La cosmologia di Parmenide e la struttura della Terra (2017)
Full text linkReview of Calenda, G. Un Universo Aperto. La cosmologia di Parmenide e la struttura della Terra (2017
Sample Quantile Criterion: un criterio per la selezione dei modelli probabilstici
No full textIl Sample Quantile Criterion è stato recentemente proposto nell’ambito del problema di scelta della distribuzione di probabilità da adottare per rappresentare il comportamento in probabilità delle portate di piena con elevato tempo di ritorno. Tale criterio è stato sviluppato con il duplice obiettivo di poter confrontare modelli stimati a partire da campioni differenti e di poter utilizzare ai fini della scelta solamente gli elementi del campione ritenuti rilevanti ai fini della stima.
Nel presente lavoro viene valutata l’efficienza del Sample Quantile Criterion nell’identificare la distribuzione originaria dei campioni, tramite simulazioni numeriche Monte Carlo. Il Sample Quantile Criterion viene quindi confrontato con alcuni criteri di selezione dei modelli già noti in letteratura, l’Akaike Information Criterion, il Bayesian Information Criterion e l’Anderson-Darling Criterion. L’analisi svolta evidenza la capacità del criterio di tenere conto dell’accuratezza e dell’incertezza della stima
- …
