Materiał przygotowany z pomocą AI

Treść tego wpisu została wygenerowana z wykorzystaniem sztucznej inteligencji i nie została jeszcze zweryfikowana merytorycznie.

Badanie jednorodności ciągów hydrologicznych

Jednorodność jest standardowym założeniem analizy częstości w hydrologii — bez niej dopasowanie rozkładów teoretycznych i wyznaczanie kwantyli projektowych prowadzi do błędnych oszacowań. Opracowanie przedstawia siedem testów statystycznych jednorodności (cztery parametryczne, trzy nieparametryczne) i ich komplementarne czułości. Metodyka KZGW (2017) wymaga, by ciąg używany do analizy częstości był jednorodny i co najmniej 30-letni, ale spośród omawianych testów wskazuje wyłącznie test Manna-Kendalla; pozostałe testy (Pettitt, SNHT, Buishand, von Neumann, Mann-Whitney) pochodzą z literatury międzynarodowej i są stosowane uzupełniająco.

Testy parametryczne i nieparametryczne

Testy parametryczne zakładają, że dane pochodzą z rozkładu o znanej postacji (np. normalnego) i operują na jego parametrach (np. średniej, wariancji). Są mocniejsze statystycznie, ale pod warunkiem, że ich założenia są spełnione. Testy nieparametryczne nie wymagają założenia o konkretnym rozkładzie danych. Są bardziej uniwersalne i odporne na wartości odstające oraz małe prób, ale mają mniejszą moc.

Moc testu

Moc testu to prawdopodobieństwo, że test poprawnie odrzuci hipotezę zerową, jeśli jest ona fałszywa. Lub prościej - oznacza to, że przy spełnionych założeniach jest większa szansa na wykrycie niejednorodności w próbie.

1. Czym jest jednorodność ciągu hydrologicznego

Ciąg hydrologiczny (np. rocznych maksimów przepływów lub dobowych sum opadów) uznaje się za jednorodny, gdy spełnione są dwa warunki:

1. Wszystkie wyrazy ciągu $x_1,x_2,\dots ,x_n$ są realizacjami zmiennych losowych o tym samym rozkładzie prawdopodobieństwa.
2. Zmienne te są wzajemnie niezależne.

Oba warunki razem definiują silną stacjonarność — najsurowszą formę stacjonarności w szeregach czasowych. Jednorodność jest standardowym założeniem przy dopasowywaniu rozkładów teoretycznych (Pearson III, GEV, log-normalny itp.) i wyznaczaniu kwantyli projektowych. Jej naruszenie prowadzi do błędnych oszacowań przepływów miarodajnych.

Stacjonarność szeregów czasowych

Pisząc o stacjonarności, należy pamiętać o tym, że może być ona słaba lub silna. O słabej stacjonarności mówimy wtedy, gdy wartości średniej i wariancji nie ulegają zmianie. Silna stacjonarność wymaga tego, żeby parametry rozkładu, z którego generowane są zmienne losowe nie ulegały zmianie w czasie.

Metodyka KZGW (2017)

Dokument Aktualizacja metodyki obliczania przepływów i opadów maksymalnych… (KZGW, Warszawa 2017) wymaga, by ciąg używany do analizy częstości miał długość $N\ge 30$ lat i był jednorodny. Spośród testów jednorodności omawianych w niniejszym wpisie metodyka wskazuje test Manna-Kendalla. Pozostałe testy (Pettitt, SNHT, Buishand, von Neumann, Mann-Whitney) nie są częścią metodyki KZGW i pochodzą z literatury międzynarodowej; mogą być stosowane uzupełniająco. W monografii IMGW-PIB Metody obliczania SNQ (2022), która cytuje prace Buishanda (1981, 1982, 1984) w bibliografii.

Przyczyny niejednorodności

Niejednorodność ciągów hydrologicznych najczęściej wynika z:

• Antropopresji: zmiany użytkowania zlewni (urbanizacja, wylesianie, pobór wód), regulacje koryt, budowa zbiorników retencyjnych.
• Zmian klimatycznych: przesunięcie reżimu opadowego, zmiany temperatury wpływające na gospodarkę śnieżną.
• Zmian i błędów pomiarowych oraz technicznych: zmiana metody obserwacji, przeniesienie lub modyfikacja stacji, błędy w zestawieniach archiwalnych.

Ponadto, warto dodać, że niejednorodności ciągów pomiarowyc możemy podzielić na 2 główne grupu:

• Statystyczne, gdzie mamy doczynienia np. z istnieniem trendu w zbiorze danych
• Genetyczne, które dalej możemy podzielić na:
  • Aprioryczne, będące wynikiem zmiany genezy zjawiska, np. zmian dominującego typu wezbrań z roztopowego na deszczowy
  • Pomiarowe (eksperymentu), wynikające np. z opisanych wcześniej zmian warunków pomiaru
  • Czasowe, ujawianijące się np. po również wspomnianej wyżej budowie zbiornika retencyjnego w trakcie prowadzenia obserwacji. Jest to najczęściej występujący rodzaj niejednorodności genetycznej.

---

2. Trend a jednorodność — kluczowe rozróżnienie

Pojęcie	Charakter zmiany	Narzędzie diagnostyczne
Trend monotoniczny	Stopniowy, ciągły wzrost lub spadek wartości centralnej	Test Manna-Kendalla
Punkt zmiany (step change)	Nagła skokowa zmiana wartości centralnej (lub wariancji)	Testy Pettitt, SNHT, Buishand
Niejednorodność ogólna	Dowolna zmiana rozkładu (w tym wariancji)	Test von Neumanna

Obecność trendu implikuje niejednorodność, lecz niejednorodność niekoniecznie oznacza trend — może to być np. nagła zmiana reżimu hydrologicznego po wybudowaniu zbiornika. Zaleca się stosowanie obu klas testów łącznie.

---

3. Test Manna-Kendalla

Opis

Test zaproponowany przez Manna (1945) i opracowany przez Kendalla (1975) jest nieparametrycznym testem opartym na rangach, wykrywającym monotoniczny trend w szeregu czasowym. Nie wymaga założeń o rozkładzie zmiennej, ale zakłada niezależność obserwacji.

Hipotezy

$H_0:\text{w szeregu nie występuje trend}$ $H_1:\text{w szeregu występuje trend (jedno- lub dwustronny)}$

Statystyka testowa

$S={\sum }_{i=1}^{n-1}{\sum }_{j=i+1}^n\text{sgn}(x_{\text{max},j}-x_{\text{max},i})$

gdzie $\text{sgn}(\cdot )$ przyjmuje wartości $+1$, $0$ lub $-1$.

$\mathrm{sgn}(x)=\{\begin{array}{ll}1& \text{jesˊli }x>0\\ 0& \text{jesˊli }x=0\\ -1& \text{jesˊli }x<0\end{array}$

Wariancja statystyki $S$ z poprawką na remisy (grupy jednakowych wartości):

$\text{Var}(S)=\frac{1}{18}\left[n(n-1)(2n+5)-{\sum }_{p=1}^g{t}_p(t_p-1)(2t_p+5)\right]$

gdzie $g$ — liczba grup remisów, $t_p$ — liczebność $p$-tej grupy.

Standaryzowana statystyka testowa (asymptotycznie $N(0,1)$ dla $n\ge 8$; dla małych $n$ dostępne są dokładne tablice):

$Z_{MK}=\frac{S-\mathrm{sgn}(S)}{\sqrt{\text{Var}(S)}}$

co rozwija się do trzech przypadków: dla $S>0$ licznik wynosi $S-1$, dla $S=0$ statystyka $Z_{MK}=0$, a dla $S<0$ licznik wynosi $S+1$.

Notacja w metodyce KZGW

Krajowa metodyka (KZGW) podaje uproszczony wzór ważny wyłącznie dla ciągów bez remisów (powtarzahąych się elementów): ${\sigma }_S=\sqrt{\frac{1}{18}N(N-1)(2N+5)},U=\frac{S-\mathrm{sgn}(S)}{{\sigma }_S}$ Postać ogólna powyżej redukuje się do tej formy, gdy liczba grup remisów $g=0$ (suma poprawkowa znika).

Hipotezę $H_0$ odrzucamy, gdy $|Z_{MK}|>z_{\alpha /2}$ (test dwustronny) lub $Z_{MK}>z_{\alpha }$ / $Z_{MK}<-z_{\alpha }$ (test jednostronny). Dla $\alpha =0,05$: $z_{0,025}=1,96$.

Ograniczenia

• Autokorelacja dodatnia ( spotykana w rocznych szeregach hydrologicznych) powoduje, że wzór na Var$(S)$ dla niezależnych obserwacji zaniża rzeczywistą wariancję statystyki, co zawyża $|Z_{MK}|$ i zwiększa błąd I rodzaju. Zaleca się test na autokorelację przed zastosowaniem MK lub korektę według Hamed & Rao (1998).
• Minimalna zalecana długość ciągu: $n\ge 8$ (dla asymptotyki normalnej); praktycznie $n\ge 30$.

Wariant sekwencyjny (Mann-Kendall-Sneyers)

Sekwencyjna wersja testu (Sneyers, 1990), oznaczana też MKS, pozwala dodatkowo zlokalizować przybliżony moment zmiany trendu — czego zwykły test MK nie robi. Wyznacza się dwie standaryzowane serie narastające.

Dla wyrazu $x_i$ niech $m_i$ oznacza liczbę wcześniejszych wyrazów mniejszych od niego, a $S_k$ — sumę narastającą:

$m_i=\#\{j<i:x_j<x_i\},S_k={\sum }_{i=1}^k{m}_i,k=1,\dots ,n$

Wartość oczekiwana i wariancja przy hipotezie o braku trendu:

$E(S_k)=\frac{k(k-1)}{4},\mathrm{Var}(S_k)=\frac{k(k-1)(2k+5)}{72}$

Seria progresywna (od początku ciągu):

$u(t_k)=\frac{S_k-E(S_k)}{\sqrt{\mathrm{Var}(S_k)}}$

Serię wsteczną $u^{\prime }(t_k)$ wyznacza się tą samą procedurą na ciągu odwróconym $x_n,\dots ,x_1$, a następnie odwraca kolejność wyników i zmienia ich znak. Przecięcie $u(t)$ i $u^{\prime }(t)$ wskazuje przybliżony rok początku zmiany. W klasycznym ujęciu graficznym zmianę uznaje się za istotną (poziom $0,05$), gdy w otoczeniu przecięcia któraś z serii trwale przekracza $\pm z_{\alpha /2}=\pm 1,96$ — sam chwilowy wyskok ścieżki nie wystarcza. Maksimum silnie skorelowanej ścieżki $u(t)$ przebija ten próg pod $H_0$ znacznie częściej niż w 5% przypadków (problem wielokrotnych porównań), dlatego o istotności samego trendu najbezpieczniej rozstrzyga zwykły MK. Jego statystyka $Z$ jest przy tym tożsama z ostatnią wartością serii progresywnej $u(t_n)$ (bez poprawki na ciągłość) — co daje zarazem wygodną kontrolę implementacji i naturalny, pojedynczy test istotności.

Miejsce MKS wśród testów

MKS należy do rodziny Manna-Kendalla i łączy wykrycie trendu z jego lokalizacją w czasie — inaczej niż sam MK (nie wskazuje punktu) i inaczej niż testy Pettitt/SNHT/Buishand ze szkoły międzynarodowej. Bywa stosowany w polskiej praktyce hydrologicznej do oceny jednorodności ciągów przepływów maksymalnych. Praktyczną implementację w Pythonie pokazuje Badanie jednorodności przepływów w Pythonie.

---

4. Test Pettitt

Opis

Nieparametryczny test zaproponowany przez Pettitt (1979), oparty na statystyce Manna-Whitneya. Wykrywa pojedynczy punkt zmiany wartości centralnej (mediany) bez zakładania rozkładu zmiennej. Szczególnie czuły na zmiany zachodzące w środku szeregu; mało czuły na zmiany na początku i końcu szeregu — pod tym względem komplementarny do testu SNHT.

Hipotezy

$H_0:\text{brak punktu zmiany wartosˊci centralnej (jednorodnosˊcˊ)}$ $H_1:\text{istnieje punkt zmiany }\hat{K}\text{ (zmiana wartosˊci centralnej)}$

Statystyka testowa

$U_k=2{\sum }_{i=1}^k{r}_i-k(n+1),k=1,\dots ,n$

gdzie $r_i$ — ranga $i$-tej obserwacji w całej próbie. Postać przez rangi jest algebraicznie równoważna oryginalnej postaci Pettitt (1979), zapisanej przez funkcję znaku $\text{sgn}(\cdot )$.

$\hat{K}=\arg {\max }_k|U_k|,K_{stat}={\max }_k|U_k|$

Prawdopodobieństwo testowe (aproksymacja)

$p\approx 2\exp \left(\frac{-6K_{stat}^2}{n^3+n^2}\right)$

Aproksymacja jest dobra dla $p\le 0,5$. Hipotezę $H_0$ odrzucamy, gdy $p<\alpha$.

Szacowany punkt zmiany: rok (indeks) odpowiadający $\hat{K}$.

Właściwości

• Nieparametryczny — odporny na wartości skrajne.
• Wskazuje punkt zmiany $\hat{K}$.
• Wrażliwy na autokorelację w szeregu.
• Zakłada dokładnie jeden punkt zmiany.

---

5. Standard Normal Homogeneity Test (SNHT)

Opis

Parametryczny test Alexanderssona (1986), opracowany pierwotnie do homogenizacji klimatologicznych rekordów opadowych. Zakłada normalność danych. Szczególnie czuły na zmiany zachodzące na początku lub końcu szeregu, komplementarny do testu Pettitt.

Model

Zakłada się, że obserwacje $x_i\sim N(\mu ,{\sigma }^2)$ dla $i=1,\dots ,m$ oraz $x_i\sim N(\mu +\Delta ,{\sigma }^2)$ dla $i=m+1,\dots ,n$, gdzie $\Delta$ jest skokiem średniej.

Hipotezy

$H_0:\Delta =0\text{(dane jednorodne)}$ $H_1:\Delta \ne 0\text{(istnieje punkt zmiany sˊredniej)}$

Statystyka testowa

$T_k=k{\bar{z}}_1^2+(n-k){\bar{z}}_2^2,k=1,\dots ,n-1$

$T_0={\max }_k{T}_k$

gdzie:

${\bar{z}}_1=\frac{1}{k}{\sum }_{i=1}^k\frac{x_i-\bar{x}}{s_x},{\bar{z}}_2=\frac{1}{n-k}{\sum }_{i=k+1}^n\frac{x_i-\bar{x}}{s_x}$

($s_x$ — próbkowe odchylenie standardowe całej serii, mianownik $n-1$).

Szacowany punkt zmiany: $\hat{m}=\arg {\max }_k{T}_k$.

Wartości krytyczne

Rozkład $T_0$ nie ma postaci zamkniętej — wartości krytyczne wyznaczane są metodą Monte Carlo i zależą od długości szeregu $n$ oraz poziomu istotności $\alpha$. Khaliq i Ouarda (2007) podają rozszerzone tablice dla $n=10\dots 50000$ (1 mln symulacji).

Właściwości

• Parametryczny (zakłada normalność).
• Najczulszy na zmiany na początku i końcu szeregu.
• Szeroko stosowany w homogenizacji danych klimatologicznych (np. metoda HOMER, RHtests).

---

6. Test Buishand Range

Opis

Parametryczny test Buishanda (1982) oparty na kumulatywnych odchyleniach od średniej. Zakłada normalność danych. Podobnie jak test Pettitt, szczególnie czuły na zmiany w środku szeregu.

Źródła

Test nie jest opisany w metodyce KZGW (2017). Pierwotne źródło to praca Buishand T.A. (1982), Some methods for testing the homogeneity of rainfall records, Journal of Hydrology, 58(1-2), 11-27, DOI: 10.1016/0022-1694(82)90066-X. Wariant testu dla wykrycia skoku średniej został rozwinięty w Buishand (1984). W polskim piśmiennictwie hydrologicznym test jest cytowany w bibliografii monografii IMGW-PIB Metody obliczania SNQ (2022), ale nie znalazłem polskojęzycznego opracowania metodycznego, które opisywałoby go w pełni.

Hipotezy

$H_0:\text{dane jednorodne (stała sˊrednia)}$ $H_1:\text{istnieje punkt zmiany sˊredniej}$

Statystyki testowe

Kumulatywne odchylenia (standaryzowane):

$S_k^{\ast }={\sum }_{t=1}^k(x_t-\bar{x}),S_k^{\ast \ast }=\frac{S_k^{\ast }}{s_x},k=1,\dots ,n$

Cztery warianty statystyk testowych:

Wariant	Wzór	Opis
Q	$Q = \max_k	S_k^{**}
R	$R=[\max (S_k^{\ast \ast })-\min (S_k^{\ast \ast })]/\sqrt{n}$	Test rozstępu (range test)
V	$V = \max_k (	S_k^{**}
U	$U=\frac{1}{n(n+1)}{\sum }_{k=1}^{n-1}(S_k^{\ast \ast }{)}^2$	Suma kwadratów odchyleń (czuły na wszelkie odchylenia od jednorodności)

Wartości krytyczne

Wyznaczane symulacjami Monte Carlo lub z tablic Buishanda (1982); zależą od $n$ i poziomu istotności $\alpha$.

Właściwości

• Parametryczny (zakłada normalność).
• Wskazuje przybliżony punkt zmiany.
• Wariant U jest najczulszy na wszelkie odchylenia od jednorodności, w tym małe i rozłożone w czasie zmiany.

---

7. Test von Neumanna (Ratio Test)

Opis

Parametryczny test zaproponowany przez von Neumanna (1941), oparty na stosunku kolejnych różnic kwadratowych do wariancji próby. Mierzy ogólny poziom niejednorodności szeregu — nie wskazuje miejsca zmiany. Dla dokładnych wartości krytycznych zakłada normalność danych.

Statystyka testowa

$VN=\frac{{\sum }_{i=1}^{n-1}(x_i-x_{i+1}{)}^2}{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}$

Interpretacja:

• $VN\approx 2$: szereg jednorodny.
• $VN<2$: niejednorodność — skok w średniej zmniejsza zmienność między kolejnymi wartościami.
• $VN>2$: ujemna autokorelacja pierwszego rzędu (oscylacje między sąsiednimi wartościami).

Rozkład asymptotyczny (przybliżenie dla dużych $n$)

$\frac{VN-2}{{\sigma }_{VN}}\sim N(0,1),\text{gdzie}{\sigma }_{VN}^2\approx \frac{4(n-2)}{(n+1)(n-1)}$

Wartości krytyczne zależą od $n$ i $\alpha$ — wyznaczane z tablic von Neumanna (1941) lub symulacji.

Właściwości

• Parametryczny — dla dokładnych wartości krytycznych zakłada normalność danych.
• Bardzo czuły na zmiany wariancji i inne formy niejednorodności.
• Test uzupełniający — stosowany wstępnie przed testami lokalizującymi punkt zmiany.
• Nie wskazuje miejsca zmiany.

---

8. Test Mann-Whitney

Opis

Nieparametryczny dwupróbkowy test Manna-Whitneya (1947), znany też jako test Wilcoxona. W analizie jednorodności stosowany po uprzednim wskazaniu podejrzanego punktu podziału (np. z testu Pettitt lub wiedzy eksperta). Porównuje dwa podokresy szeregu.

Hipotezy

$H_0:\text{obie proˊby mają ten sam parametr połoz˙enia}$ $H_1:\text{parametry połoz˙enia roˊz˙nią się (przesunięcie }\Delta \ne 0\text{)}$

Statystyki testowe

Niech $n_1$ i $n_2$ — liczebności podokresów, $R_1$ i $R_2$ — sumy rang obu podokresów w połączonej próbie:

$U_1=n_1{n}_2+\frac{n_1(n_1+1)}{2}-R_1,U_2=n_1{n}_2+\frac{n_2(n_2+1)}{2}-R_2$

$U=\min (U_1,U_2)$

Aproksymacja normalna (dla $n_1,n_2\ge 10$):

$Z=\frac{U-{\mu }_U}{{\sigma }_U},{\mu }_U=\frac{n_1{n}_2}{2},{\sigma }_U=\sqrt{\frac{n_1{n}_2(n_1+n_2+1)}{12}}$

Właściwości

• Nieparametryczny — odporny na wartości skrajne.
• Wymaga wskazania punktu podziału a priori (w odróżnieniu od testów Pettitt, SNHT, Buishand).
• Autokorelacja zaburza poziom istotności — należy sprawdzić niezależność obserwacji.

---

Polska szkoła analizy jednorodności (Ozga-Zieliński, IMGW)

Sekcje 9–13 prezentują testy stosowane w polskiej metodyce IMGW. Cała procedura pochodzi z pracy Ozga-Zieliński B. (1999), Metody analizy niejednorodności ciągów pomiarowych zjawisk hydrologicznych, Wiadomości IMGW, i jest powtórzona jako Rys. I.1 w monografii IMGW-PIB Metody obliczania SNQ (2022, red. Ozga-Zieliński, Walczykiewicz). Wzory poniżej (oznaczenia I.1–I.11) odpowiadają numeracji oryginalnej monografii. IMGW dystrybuuje aplikację MAZ1 implementującą cały workflow.

9. Test Grubbsa-Becka (wykrywanie błędów grubych)

Opis

Parametryczny test do wykrywania wartości odstających w ciągu hydrologicznym, używany na początku procedury do eliminacji błędów grubych. W odróżnieniu od pozostałych testów, jest parametryczny i wymaga założenia normalności po transformacji logarytmicznej.

Założenia

Zmienna losowa $Y=\ln (X)$ podlega rozkładowi normalnemu: $Y\sim N(\mu ,{\sigma }^2)$.

Hipotezy

$H_0:\text{wszystkie elementy ciągu pochodzą z załoz˙onego rozkładu}$ $H_1:\text{w ciągu występują elementy odstające}$

Statystyka testowa

Granice przedziału ufności (na zlogarytmowanych danych):

$Y_L=\bar{y}-K\cdot s_y,Y_U=\bar{y}+K\cdot s_y$

gdzie $\bar{y}$ — średnia $y_i=\ln (x_i)$; $s_y$ — odchylenie standardowe; współczynnik $K$ (dla $\alpha =0,10$) zależny od liczebności $N$:

$K=-3,62201+6,28446N^{0,25}-2,49835N^{0,5}+0,491436N^{0,75}-0,037911N$

Elementy $y_i\notin [Y_L,Y_U]$ uznaje się za odstające — wymagają sprawdzenia pod kątem błędu grubego.

Właściwości

• Test parametryczny
• Stosowany przed testami niezależności i stacjonarności.
• Rozkłady log-normalny, Pearsona III i Weibulla dopuszczają elementy odstające — w takim przypadku nie należy ich odrzucać automatycznie, lecz zweryfikować merytorycznie.

---

10. Test serii (niezależność)

Opis

Nieparametryczny test losowości ciągu, oparty na liczbie serii symboli powyżej i poniżej mediany (test typu Walda-Wolfowitza). Bada, czy elementy ciągu są przypadkowe, czy podlegają tendencji lub cykliczności.

Hipotezy

$H_0:\text{elementy ciągu są losowe (niezalez˙ne)}$ $H_1:\text{ciąg wykazuje tendencję lub cyklicznosˊcˊ}$

Statystyka testowa

Każdemu elementowi $x_i$ przypisuje się symbol:

• $A$, jeśli $x_i<\tilde{x}$ (mediana ciągu),
• $B$, jeśli $x_i>\tilde{x}$.

Elementy $x_i=\tilde{x}$ pomijane. Statystyka $r$ — liczba serii (ciągów identycznych symboli) w powstałej sekwencji.

Wartość $r$ porównywana z wartościami krytycznymi $r_{N_1,N_2,\alpha /2}$ i $r_{N_1,N_2,1-\alpha /2}$ z tablicy rozkładu liczby serii, gdzie $N_1$ i $N_2$ — liczebności obu grup. Hipotezę $H_0$ odrzucamy, gdy:

$r\le r_{N_1,N_2,\alpha /2}\text{lub}r\ge r_{N_1,N_2,1-\alpha /2}$

Właściwości

• W pełni nieparametryczny — żadnego założenia o rozkładzie.
• Negatywny wynik kończy analizę statystyczną (ciąg uznajemy za niejednorodny).
• Wymaga ponownego wykonania testu Grubbsa-Becka, jeżeli skorygowano dane.

---

11. Test współczynnika autokorelacji (korelacja wewnętrzna)

Opis

Test sprawdzający wewnętrzne skorelowanie kolejnych elementów ciągu pomiarowego. W polskim workflow uzupełnia test serii — niezależność „chwilowa” (losowość) nie wyklucza autokorelacji liniowej.

Statystyka testowa

Współczynnik autokorelacji z przesunięciem $k$:

$r_k=\frac{c_k}{c_0},c_k=\frac{1}{N}{\sum }_{i=1}^{N-k}(x_i-\bar{x})(x_{i+k}-\bar{x})$

Nieobciążony estymator dla $k=1$:

${\hat{r}}_{k=1}=\frac{N+1}{N-4}{r}_{k=1}$

Granice przedziału ufności:

$r_d=\frac{-1\pm t_{\alpha /2}\cdot \sqrt{N-2}}{N-1}$

gdzie $t_{\alpha /2}$ — kwantyl rozkładu $N(0,1)$ dla poziomu istotności $\alpha$.

Hipotezę $H_0$ o braku autokorelacji odrzucamy, gdy ${\hat{r}}_{k=1}\le r_{d,\text{dolna}}$ lub ${\hat{r}}_{k=1}\ge r_{d,\text{goˊrna}}$.

Właściwości

• Wykonywany po teście serii.
• Wykrywa zależność liniową, która umyka testowi serii (np. ciąg z dryftem nadal może mieć losowy układ wokół mediany).
• W polskiej praktyce testowane jest zwykle $k=1$; dla wyższych opóźnień można rozszerzyć analizę na cały korelogram.

---

12. Test sumy rang Kruskala-Wallisa (stacjonarność rozkładu)

Opis

Nieparametryczny test stacjonarności: bada, czy kolejne podciągi (np. dekady, podokresy wyznaczone z analizy wizualnej lub historii zlewni) pochodzą z tego samego rozkładu. Zastępuje funkcję, którą w literaturze międzynarodowej pełnią testy Pettitt/SNHT — z tą różnicą, że wymaga wskazania punktu podziału a priori (podobnie jak test Mann-Whitneya).

Hipotezy

$H_0:\text{wszystkie }k\text{ podciągoˊw pochodzi z tego samego rozkładu (stacjonarnosˊcˊ)}$ $H_1:\text{co najmniej dwa podciągi roˊz˙nią się rozkładem}$

Statystyka testowa

Ciąg dzielimy na $k$ podciągów (każdy $N_i>5$). Wszystkim $N=\sum N_i$ elementom nadajemy rangi $1,\dots ,N$ (rangi remisów uśredniane). $T_i$ — suma rang w $i$-tym podciągu.

${\chi }^2=\frac{12}{N(N+1)}{\sum }_{i=1}^k\frac{T_i^2}{N_i}-3(N+1)$

Statystyka ma asymptotycznie rozkład ${\chi }^2$ o $k-1$ stopniach swobody. Hipotezę $H_0$ odrzucamy, gdy ${\chi }^2\ge {\chi }_{\alpha ,k-1}^2$.

Dla dużej liczby remisów stosuje się poprawkę:

${\chi }_c^2=\frac{{\chi }^2}{c},c=1-\frac{1}{N^3-N}{\sum }_{j=1}^m{S}_j,S_j=s_j^3-s_j$

gdzie $s_j$ — liczba elementów o tej samej wartości w $j$-tej grupie remisów.

Właściwości

• Nieparametryczny, oparty wyłącznie na rangach.
• Wymaga $apriori$ wskazania punktów podziału — nie lokalizuje ich samodzielnie (w odróżnieniu od Pettitta/SNHT/Buishanda).

---

13. Test korelacji rangowej Spearmana (trend średniej i wariancji)

Opis

Nieparametryczny odpowiednik testu Manna-Kendalla. Występuje w dwóch wariantach: dla trendu wartości średniej (wariant podstawowy) i dla trendu wariancji (na przekształconym ciągu). Stosowany jako uzupełnienie testu Kruskala-Wallisa.

Wariant 1 — trend wartości średniej

Każdemu elementowi przypisuje się dwie rangi:

• $x_i$ — ranga w ciągu chronologicznym ($1,2,\dots ,N$),
• $y_i$ — ranga w ciągu uporządkowanym niemalejąco.

Współczynnik korelacji rangowej Spearmana (postać równoważna klasycznej $r_s=1-6\sum d_i^2/(N^3-N)$ przy braku remisów):

$r_s=\frac{{\sum }_{i=1}^N{x}_i^2+{\sum }_{i=1}^N{y}_i^2-{\sum }_{i=1}^N{d}_i^2}{2\sqrt{\sum x_i^2\cdot \sum y_i^2}},d_i=x_i-y_i$

przy czym bez remisów $\sum x_i^2=\sum y_i^2=(N^3-N)/12$.

Statystyka testowa:

$t=r_s\sqrt{\frac{N-2}{1-r_s^2}},N\ge 10$

ma rozkład $t$-Studenta o $N-2$ stopniach swobody. Hipotezę $H_0$ (brak trendu) odrzucamy, gdy $|t|\ge t_{\alpha }$.

W przypadku dużej liczby remisów stosuje się poprawkę w sumie kwadratów rang ciągu niemalejącego:

${\sum }_{i=1}^N{y}_i^2=\frac{N^3-N}{12}-{\sum }_{j=1}^k{T}_{y_j},T_{y_j}=\frac{l_j^3-l_j}{12}$

gdzie $l_j$ — liczba elementów o tej samej wartości w $j$-tej grupie remisów.

Wariant 2 — trend wariancji

Ciąg $X$ przekształca się w nowy ciąg $Z$:

$Z_i=(X_i-\bar{x}{)}^2,i=1,2,\dots ,N$

i powtarza całą procedurę Wariantu 1 na ciągu $Z$. Wynik $|t|\ge t_{\alpha }$ wskazuje istotny trend wariancji.

Właściwości

• Dwa testy w jednym schemacie — pozwalają wykryć osobno niejednorodność w wartości centralnej i w rozproszeniu.
• Test wariancji jest funkcjonalnym odpowiednikiem testu von Neumanna.

---

14. Porównanie testów

Test	Typ zmiany	Czułość przestrzenna	Rozkład	Wskazuje punkt	Parametryczny
Pettitt	skok w średniej	środek szeregu (słaby na końcach)	brak	TAK	NIE
SNHT	skok w średniej	początek/koniec (słaby w środku)	normalność	TAK	TAK
Buishand Q/R	skok w średniej	środek szeregu	normalność	przybliżony	TAK
Buishand U	wszelkie odchylenia od jednorodności	cały szereg	normalność	nie	TAK
von Neumann	ogólna niejednorodność	cały szereg	normalność	NIE	TAK
Mann-Kendall	trend monotoniczny	—	brak	NIE	NIE
Mann-Kendall-Sneyers	trend + moment zmiany	—	brak	TAK	NIE
Mann-Whitney	skok w zadanym punkcie	—	brak	(wymaga wskazania)	NIE
Grubbs-Beck	wartości odstające (błędy grube)	cały szereg	log-normalność	NIE	TAK
Test serii	niezależność / losowość	cały szereg	brak	NIE	NIE
Autokorelacja $r_k$	korelacja wewnętrzna	cały szereg	brak	NIE	NIE
Kruskal-Wallis	stacjonarność rozkładu	podział a priori	brak	(wymaga wskazania)	NIE
Spearman ρ (średnia)	trend wartości średniej	—	brak	NIE	NIE
Spearman ρ (wariancja)	trend wariancji	—	brak	NIE	NIE

Zalecane podejście: Stosowanie co najmniej dwóch-trzech testów łącznie, z uwzględnieniem ich komplementarnych czułości. Zgodność wyników zwiększa wiarygodność wniosków; rozbieżności wymagają dodatkowej analizy (np. wykresy kumulatywne CUSUM).

---

15. Procedura badania jednorodności

Wariant A — (Ozga-Zieliński 1999 / IMGW-PIB 2022)

Pełna procedura z monografii IMGW-PIB Metody obliczania SNQ (2022):

Etap I — analiza GENETYCZNA (jakościowa, przed statystyczną):

1. Analiza niejednorodności apriorycznej (historia zlewni, geneza zjawiska).
2. Wizualna ocena ciągu pomiarowego.
3. Analiza niejednorodności pomiarowej (zmiany metody, stacji).
4. Analiza niejednorodności czasowej (zbiorniki, regulacje, urbanizacja).

Etap II — analiza STATYSTYCZNA (sekwencyjna):

5. Test Grubbsa-Becka — wykrywanie błędów grubych.
6. Test serii — niezależność. Negatywny wynik kończy procedurę.
7. Test współczynnika autokorelacji $r_k$ — korelacja wewnętrzna.
8. Test sumy rang Kruskala-Wallisa — stacjonarność rozkładu.
9. Test współczynnika Spearmana — trend wartości średniej.
10. Test współczynnika Spearmana (na ciągu $Z_i$) — trend wariancji.

Wariant B

1. Wstępna inspekcja wizualna: wykres szeregu czasowego, wykres pudełkowy dla podokresów, suma kumulatywna (CUSUM).
2. Ocena niezależności: autokorelogram (ACF) lub test Ljunga-Boxa.
3. Test von Neumanna — szybki test ogólnej niejednorodności.
4. Test Manna-Kendalla — weryfikacja braku trendu monotonicznego.
5. Testy lokalizujące punkt zmiany (Pettitt, SNHT, Buishand) — przy sygnale z kroków 3-4 lub wiedzy o historii zlewni.
6. Weryfikacja fizyczna: interpretacja punktu zmiany w kontekście historii zlewni, zmian użytkowania terenu, modernizacji stacji.
7. Decyzja: kontynuacja analizy (ciąg jednorodny), korekta historyczna (homogenizacja) lub skrócenie ciągu do okresu jednorodnego.

---

16. Narzędzia obliczeniowe

• R: pakiet trend — funkcje pettitt.test(), snh.test(), br.test() (Buishand range), mk.test()
• Python: pyHomogeneity (Pettitt, SNHT, Buishand Q/R/V/U), pymannkendall (MK z wariantami sezonowymi i zmodyfikowanymi)
• Excel/XLSTAT: moduł Homogeneity Tests (Pettitt, SNHT, Buishand, von Neumann)

---

Literatura

• Alexandersson, H. (1986). A homogeneity test applied to precipitation data. Journal of Climatology, 6(6), 661-675. DOI: 10.1002/joc.3370060607
• Buishand, T.A. (1982). Some methods for testing the homogeneity of rainfall records. Journal of Hydrology, 58(1-2), 11-27. DOI: 10.1016/0022-1694(82)90066-X
• Buishand, T.A. (1984). Tests for detecting a shift in the mean of hydrological time series. Journal of Hydrology, 73(1-2), 51-69. DOI: 10.1016/0022-1694(84)90032-5
• Grubbs, F.E., Beck, G. (1972). Extension of sample sizes and percentage points for significance tests of outlying observations. Technometrics, 14(4), 847-854. DOI: 10.1080/00401706.1972.10488981
• Hamed, K.H., Rao, A.R. (1998). A modified Mann-Kendall trend test for autocorrelated data. Journal of Hydrology, 204(1-4), 182-196. DOI: 10.1016/S0022-1694(97)00125-X
• Kendall, M.G. (1975). Rank Correlation Methods (4. wyd.). Charles Griffin, London. ISBN 0-85264-199-0. Internet Archive
• Khaliq, M.N., Ouarda, T.B.M.J. (2007). On the critical values of the standard normal homogeneity test (SNHT). International Journal of Climatology, 27(5), 681-687. DOI: 10.1002/joc.1438
• Mann, H.B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245-259. DOI: 10.2307/1907187
• Mann, H.B., Whitney, D.R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50-60. DOI: 10.1214/aoms/1177730491
• Pettitt, A.N. (1979). A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(2), 126-135. DOI: 10.2307/2346729
• Rutkowska, A., Młocek, W. (2024/25). Zastosowanie metod statystycznych w hydrologii i meteorologii. Materiały wykładowe. Katedra Zastosowań Matematyki, Uniwersytet Rolniczy w Krakowie.
• Sneyers, R. (1990). On the statistical analysis of series of observations. WMO Technical Note No. 143, WMO No. 415, World Meteorological Organization, Geneva, 192 pp. Biblioteka WMO
• von Neumann, J. (1941). Distribution of the ratio of the mean square successive difference to the variance. The Annals of Mathematical Statistics, 12(4), 367-395. DOI: 10.1214/aoms/1177731677
• KZGW (2017). Aktualizacja metodyki obliczania przepływów i opadów maksymalnych o określonym prawdopodobieństwie przewyższenia dla zlewni kontrolowanych i niekontrolowanych oraz identyfikacji modeli transformacji opadu w odpływ. Krajowy Zarząd Gospodarki Wodnej, Warszawa. PDF
• IMGW-PIB (2022). Metody obliczania przepływu średniego niskiego SNQ. Monografia IMGW-PIB, red. B. Ozga-Zieliński, T. Walczykiewicz. Warszawa. (Procedura analizy jednorodności i wzory I.1–I.11). PDF
• Ozga-Zieliński, B. (1999). Metody analizy niejednorodności ciągów pomiarowych zjawisk hydrologicznych. Wiadomości IMGW. (Cytowane w bibliografii IMGW-PIB 2022).
• Ozga-Zieliński, B. (1987). Badanie statystycznej niejednorodności ciągów pomiarowych. Gospodarka Wodna, 10. (Cytowane w bibliografii IMGW-PIB 2022).

Zobacz także

• Statystyka — indeks metod statystycznych w hydrologii
• Badanie jednorodności przepływów w Pythonie — praktyczna implementacja tych testów w Pythonie (ręcznie i biblioteką) na rzeczywistych danych IMGW z trzech wodowskazów Kamiennej
• Rozkłady prawdopodobieństwa w analizie opadów i przepływów — rodziny rozkładów dla analizy częstości po wykazaniu jednorodności
• Hydrologia — domena zastosowań
• trend (CRAN) — pakiet R z testami Pettitt, SNHT, Buishand, Mann-Kendall
• pyHomogeneity (PyPI) — pakiet Python z testami Pettitt, SNHT, Buishand
• pymannkendall (PyPI) — pakiet Python z Mann-Kendall i jego wariantami sezonowymi/skorygowanymi