Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DE LA PRECIPITACIN
EN UN REA DE
MONTAA
Trabajo de final de mster en Ingeniera de
los Recursos Hdricos
Alumno: Daniel Hernndez Lpez
Tutor: Jess Asn Lafuente
Diciembre 2015
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA
NDICE
1 INTRODUCCIN ..........................................................................................................1
2 DATOS Y METODOLOGA............................................................................................2
2.1 DATOS............................................................................................................................ 2
2.1.1 PRECIPITACIN DIARIA .......................................................................................... 3
2.1.2 DATOS ATMOSFRICOS ......................................................................................... 6
2.1.3 BASE DE DATOS GLOBAL ....................................................................................... 6
2.2 MTODOS ...................................................................................................................... 7
2.2.1 MODELOS ESTADSTICOS ...................................................................................... 7
2.2.2 METODOLOGA PARA CONSTRUCCIN DE MODELOS .......................................... 8
3 MODELOS DE OCURRENCIA .......................................................................................9
3.1 MODELOS DE OCURRENCIA SIN VARIABLES ATMOSFRICAS ....................................... 9
3.2 MODELOS DE OCURRENCIA CON VARIABLES ATMOSFRICAS ................................... 11
3.3 CRTICA DE LOS MODELOS DE OCURRENCIA .............................................................. 13
4 MODELOS DE CANTIDAD ..........................................................................................18
4.1 MODELO AJUSTADO .................................................................................................... 18
4.2 CRTICA DEL MODELO DE CANTIDAD .......................................................................... 18
5 MODELO OPERATIVO PARA LA PRECIPITACIN DIARIA ..........................................21
6 CONCLUSIONES Y TRABAJO FUTURO .......................................................................26
7 REFERENCIAS ............................................................................................................27
ANEJOS
ANEJO A1 PROGRAMACIN EMPLEADA
ANEJO A2 INFORMACIN AUXILIAR DATOS EMPLEADOS
ANEJO A3 DATOS AUXILIARES MODELOS DE OCURRENCIA
ANEJO A4 DATOS AUXILIARES MODELO DE CANTIDAD
ANEJO A5 DATOS AUXILIARES MODELO OPERATIVO
i
NDICE DE FIGURAS
Figura 1. Fotografa de la estacin meteorolgica y el refugio de Griz. Fuente:
http://www.alberguesyrefugiosdearagon.com/........................................................................... 2
Figura 2. Plano de ubicacin del refugio de Griz (crculo rojo en el centro de la imagen).
Fuente: Serie rster MTN25 del IGN. ............................................................................................ 3
Figura 3. Histrogramas de frecuencia de precipitacin ................................................................ 3
Figura 4. Diagramas de caja de la precipitacin diaria clasificada por mes .................................. 4
Figura 5. Histograma de la serie de precipitaciones mximas diarias anuales. ............................ 5
Figura 6. Ubicacin de la estacin de Griz (punto negro) y de los puntos de la malla ERA40
(puntos rojos) ................................................................................................................................ 6
Figura 7. Prediccin del modelo optimizado 1 y del modelo optimizado 2 de ocurrencia sin
variables atmosfricas................................................................................................................. 10
Figura 8. Prediccin del modelo optimizado 5 de ocurrencia sin variables atmosfricas .......... 10
Figura 9. Frecuencia mensual de precipitacin (como mnimo 1 mm diario) observada y
predichas por lo modelos de ocurrencia sin variables atmosfricas. ......................................... 11
Figura 10. Prediccin del modelo optimizado de ocurrencia con variables atmosfricas .......... 12
Figura 11. Frecuencia de precipitacin (como mnimo 1 mm diario) observada y predichas por
el modelo de ocurrencia con variables atmosfricas, discriminada por meses. ........................ 13
Figura 12. Proporcin de das correctamente clasificados en funcin del valor de probabilidad
de precipitacin. Izda. modelo sin variables atmosfricas, dcha. modelo con variables
atmosfricas. ............................................................................................................................... 14
Figura 13. Proporcin de das con precipitacin correctamente clasificados en funcin del valor
de probabilidad de precipitacin (izquierda modelo sin variables atmosfricas, derecha modelo
con variables atmosfricas), ampliacin del rango de valores umbrales con mxima proporcin
de clasificacin ............................................................................................................................ 14
Figura 14. Curvas ROC para los modelos de ocurrencia de memoria 5 y sin variables
atmosfricas. ............................................................................................................................... 15
Figura 15. Proporcin de das correctamente clasificados en funcin del valor de probabilidad
de precipitacin para el modelo de ocurrencia con variables atmosfricas segn estacin. .... 16
Figura 16. Curvas ROC para el modelo de ocurrencia con variables atmosfricas segn la
estacin del ao .......................................................................................................................... 17
Figura 18. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y
del exceso de precipitacin observado ....................................................................................... 19
Figura 19. Comparacin de los percentiles de las simulaciones de precipitacin del modelo
operativo y de los percentiles de precipitacin observada ........................................................ 21
ii
NDICE DE TABLAS
Tabla 1. Resmenes descriptivos de la serie de precipitacin diaria de Griz ............................. 4
Tabla 2. Resmenes descriptivos de la serie de Griz de precipitacin de un mnimo de 1 mm
diario ............................................................................................................................................. 5
Tabla 3. Relacin de modelos de ocurrencia sin informacin atmosfrica y AIC correspondiente
....................................................................................................................................................... 9
Tabla 4. Umbrales de probabilidad de precipitacin, proporcin de das correctamente
clasificados por el modelo y proporcin de das con previsin de precipitacin por el modelo 14
Tabla 5. Percentiles de la serie de lluvia observada as como percentiles 0.05 y 0.95 obtenidos
mediante simulacin para cada percentil ................................................................................... 22
Tabla 6. Nmero de das del periodo analizado por mes, nmero de das bien centrados por
el modelo y proporcin de das bien centrados.......................................................................... 23
Tabla 7. Precipitacin promedio mensual observada y simulada as como los errores absoluto y
relativo ........................................................................................................................................ 23
Tabla 8. Precipitacin anual observada y simulada as como los errores absoluto y relativo
entre valor observado y valor simulado...................................................................................... 24
Tabla 9. Ocurrencia de precipitacin observada y simulada clasificada por meses ................... 24
iii
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
1 INTRODUCCIN
El presente trabajo tiene como objetivo obtener un modelo estadstico que trate de
representar la precipitacin diaria acaecida en un observatorio de una zona montaosa del
Pirineo aragons. Concretamente se tratar de describir la precipitacin ocurrida en el refugio
de montaa de Griz (2.200 msnm), que cuenta con un observatorio meteorolgico.
Para abordar el objetivo se emplear, adems de la serie de precipitacin diaria de Griz, datos
atmosfricos del periodo analizado procedente del reanlisis ERA40, Uppala et al. (2005). La
modelizacin se abordar mediante la construccin de dos sub-modelos para la precipitacin
diaria, lnea iniciada por Stern y Coe (1984), incluyendo informacin atmosfrica a partir del
ajuste de modelos de regresin, Wilks (1998), Kim et al (2012). Se usarn tcnicas de regresin
logstica para tratar de representar por un lado la ocurrencia o no de precipitacin y por otro
lado modelos de tipo regresin con distribucin de error asimtrica para la cantidad de lluvia
precipitada.
Entre las principales utilidades prcticas que ofrece un modelo de simulacin de precipitacin
diaria se pueden destacar su proyeccin, mediante simulacin de escenarios de precipitacin
con distintos fines (para contrastar hiptesis de cambio climtico, para la gestin de riesgos
asociados a fuertes precipitaciones o a sequas). Como referencias de utilidad de modelos
estadsticos de simulacin de precipitacin en el mbito de la Hidrologa se puede destacar
Piani et al (2010). Chen et al (2012) utilizan un procedimiento de downscalingestadstico de la
precipitacin diaria, calibrado a partir de los datos del reanlisis NCEP/NCAR, para generar
series en condiciones de cambio climtico que sirven como input en modelos hidrolgicos y
que a su vez permiten analizar el impacto del cambio sobre las escorrentas en la cuenca del
ro Yangts.
En los siguientes apartados de la presente memoria se incluye en primer lugar una
presentacin de las bases de datos as como de la metodologa empleada. En la seccin 3 se
muestran los modelos de ocurrencia generados mientras que la seccin 4 se dedica a los
modelos de cantidad de precipitacin. En la seccin 5 se presenta el modelo operativo que
combina la ocurrencia y la cantidad. En la seccin 6 se citan las conclusiones obtenidas as
como posibles lneas de trabajo a seguir en futuros estudios. La memoria se complementa con
5 anejos, el primero de los cuales muestra las funciones y programacin desarrollada en
lenguaje R , mientras que los restantes presentan grficos y tablas complementarios para la
seccin del mismo nmero.
1
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
2 DATOS Y METODOLOGA
2.1 DATOS
Los datos empleados en el desarrollo del presente trabajo son:
Serie de precipitacin diaria del observatorio del refugio de Griz para el periodo
comprendido entre el 1 de agosto de 1981 y el 31 de agosto de 2002.
Datos atmosfricos diarios de diferentes variables atmosfricas de los puntos (2O,
42N), (0, 42N), (2O, 40N) y (0, 40N) de la malla de la base de datos ERA40 para
el mismo periodo de tiempo
Se describen en la siguientes sub-secciones algunas caractersticas de estas dos bases de datos.
El observatorio meteorolgico del refugio de Griz se encuentra en las coordenadas X:
4239'51,9'' N Y: 00000'58,9'' E a 2.200 metros de altitud sobre el nivel medio del mar, en el
interior del Parque Nacional de Ordesa y Monte Perdido. Su serie registrada comienza el 1 de
agosto de 1981. La precipitacin media anual en el observatorio (durante el rango citado) es
del orden de 1600 mm.
En la Figura 1 se puede observar una fotografa del observatorio meteorolgico y del refugio
de Griz. En la Figura 2 se muestra un plano topogrfico donde se puede apreciar la
localizacin de los citados refugio y observatorio.
2
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 2. Plano de ubicacin del refugio de Griz (crculo rojo en el centro de la imagen). Fuente: Serie rster
MTN25 del IGN.
3
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
El porcentaje de das en que la precipitacin diaria sea de al menos 1 mm es del orden del
33%; la probabilidad de que la lluvia sea superior a 5 mm es del orden del 22% y la
probabilidad de que la lluvia diaria sea superior a 10 mm es aproximadamente del 14%.
Aunque la distribucin presenta una fuerte variacin estacional, dado que estos porcentajes se
distinguen a lo largo del ao: por ejemplo la probabilidad promedia de que la precipitacin sea
de al menos 1 mm es del orden de 0.45 en mayo, con mximos relativos en mayo y en
noviembre, y aproximadamente 0.26 en julio.
Para analizar la precipitacin cuando se produce, sin considerar los das sin lluvia, se ha creado
una sub-serie considerando nicamente los registros de precipitacin superiores o iguales a 1
mm. Las principales variables estadsticas descriptivas de dicha sub-serie de precipitacin se
muestran en la Tabla 2. En esta sub-serie el desglose por meses tambin muestra una fuerte
variacin de la distribucin, con valor medio mximo en otoo y valor medio mnimo en
febrero.
4
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Mes 1 2 3 4 5 6 7 8 9 10 11 12
Media 12.39 9.12 11.13 13.5 13.16 12.42 13.88 13.31 16.04 18.65 19.43 16.04
Desv tip 16.04 13.12 14.68 13.76 14.36 14.75 16.72 16.3 18.54 21.35 28.7 19.7
q50 5.9 4.8 6 8 7.75 8 8 7.85 9 10 10 8.7
q75 14.7 11.22 12.05 19.15 17.15 15 18.2 15.7 20 25.6 22.2 20.5
q90 29.4 18 27 34.9 31.7 28 34.36 30.28 40.8 46 45.8 37.84
Asimetria 2.72 4.23 2.89 1.56 2.16 3.22 4 3.35 2 1.76 4.91 3
Kurtosis 8.64 21.69 10.43 2.25 5.51 16.01 27.18 17.25 4.04 2.89 37.7 14.15
En el anejo A2 se pueden consultar los diagramas de caja de la sub-serie en funcin del mes.
Tal y como se puede observar en dicho anejo la sub-serie de precipitacin 1 mm diario se
ajusta mediante una distribucin del tipo gamma. En el mismo anejo tambin se muestran la
grfica de ajuste de la sub-serie con una distribucin del tipo exponencial as como los ajustes
en funcin del mes.
Por la importancia que tienen en la gestin de los riesgos asociados a desastres naturales se ha
prestado atencin a la serie de valores de precipitacin mxima diarias anuales. En la Figura 5
se puede apreciar el histograma de la serie de lluvias mximas diarias anuales. Los percentiles
0.25, 0.5 y 0.75 de dicha serie toman los valores 67.03 mm, 84.6 mm y 100.55 mm
respectivamente, con un mximo muy destacado de 300 mm registrado en 1982.
5
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
6
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
2.2 MTODOS
2.2.1 MODELOS ESTADSTICOS
Se propone una modelizacin basada en la consideracin de dos sub-modelos:
Sub-modelo de ocurrencia. En el que se pretende cuantificar la probabilidad de
ocurrencia de una precipitacin diaria de al menos 1 mm.
Sub-modelo de cantidad. Este modelo trata de representar el comportamiento de la
cantidad de precipitacin cuando es de al menos 1 mm.
Los modelos de regresin empleados en el desarrollo del trabajo han sido del tipo modelo
lineal generalizado (GLM), Myer et al (2012). Estos modelos generalizan el modelo de
regresin de modo que se pueden considerar respuestas con distribucin continua y
asimtrica (lognormal, gamma), discreta (binomial, Poisson) o categrica (distribucin
multinomial). En un GLM se considera que la respuesta (Y) tiene una distribucin cuyo valor
esperado E[Y] depende, a travs de una funcin de enlace g(), de una expresin lineal en
covariables X1, X2, , Xk.
( []) = 0 + 1 1 + +
Adems la varianza de la respuesta Var(Y) es funcin del valor esperado y de un parmetro de
dispersin adicional .
Los modelos para la ocurrencia, que es una respuesta binaria, se han considerado como un
GLM con distribucin binomial donde se utiliza la funcin de enlace logit para forzar a que la
probabilidad se site en el rango (0,1):
( []) = () = ln = 0 + 1 1 + +
1
Los modelos de cantidad se han considerado del tipo GLM con distribucin gamma, con enlace
logartmico que asegura que el valor esperado es positivo.
( []) = ([]) = 0 + 1 1 + +
Esta distribucin gamma se complementa con un parmetro de forma que la hace
especialmente dctil para representar distribuciones con concentracin en los valores ms
prximos a 0 y otras de distribucin casi simtrica.
Finalmente, la estimacin de los parmetros de un GLM se realiza mediante mxima-
verosimilitud, lo que permite disponer de tests estadsticos para contrastar qu covariables
tienen efecto significativo.
7
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
8
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
3 MODELOS DE OCURRENCIA
9
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 7. Prediccin del modelo optimizado 1 y del modelo optimizado 2 de ocurrencia sin variables atmosfricas
10
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
comportamientos tan sistemticos como los mostrados en las grficas de la Figura 7, que
corresponden a curvas armnicas, sino comportamientos ms dispersos que permiten un
rango de probabilidades ajustadas que se acercaran ms al valor 0 o 1 como el que se muestra
en la Figura 8, donde se representan puntos de 32 curvas distintas asociadas a las 25
situaciones posibles de acuerdo con la ocurrencia de precipitacin de los 5 das previos.
En promedio todos los modelos ajustan correctamente la frecuencia de precipitacin
observada. En la grfica de la Figura 9 se muestran las frecuencias mensuales de precipitacin,
observada y predicha por los diferentes modelos y como se puede observar todos los modelos
tienen un comportamiento similar en media y parecido a la frecuencia observada.
Figura 9. Frecuencia mensual de precipitacin (como mnimo 1 mm diario) observada y predichas por lo modelos
de ocurrencia sin variables atmosfricas.
11
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
del orden de 7400, notablemente inferior al AIC del modelos que nicamente predice a partir
de las ocurrencias de das previos y del da del ao (aproximadamente 8500).
Este modelo de ocurrencia depende de, aparte de los armnicos y de la ocurrencia del da
previo, 21 parmetros atmosfricos. De los cuales 8 parmetros son relativos al punto ms
cercano (0,42N), 7 corresponden a variables del punto (2O,42N), 4 parmetros son del
punto (2O,40N) y los 2 restantes del punto (0,40N).
Los parmetros ms influyentes del modelo son la altura geopotencial a 700 hPa en el punto
(2O,42N), la ocurrencia de precipitacin previa y la altura geopotencial a 850 hPa en el punto
(2O,40N).
Figura 10. Prediccin del modelo optimizado de ocurrencia con variables atmosfricas
12
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 11. Frecuencia de precipitacin (como mnimo 1 mm diario) observada y predichas por el modelo de
ocurrencia con variables atmosfricas, discriminada por meses.
13
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 12. Proporcin de das correctamente clasificados en funcin del valor de probabilidad de precipitacin.
Izda. modelo sin variables atmosfricas, dcha. modelo con variables atmosfricas.
Figura 13. Proporcin de das con precipitacin correctamente clasificados en funcin del valor de probabilidad
de precipitacin (izquierda modelo sin variables atmosfricas, derecha modelo con variables atmosfricas),
ampliacin del rango de valores umbrales con mxima proporcin de clasificacin
Umbral de
0.38 0.40 0.42 0.44 0.46 0.48 0.5 0.52 0.54 0.56 0.58 0.60
probabilidad
Bien cla-
0.75 0.75 0.76 0.76 0.76 0.76 0.76 0.76 0.76 0.76 0.76 0.75
sificados
Das de
lluvia 0.38 0.36 0.34 0.32 0.30 0.29 0.27 0.25 0.24 0.22 0.21 0.19
predicha
Tabla 4. Umbrales de probabilidad de precipitacin, proporcin de das correctamente clasificados por el modelo
y proporcin de das con previsin de precipitacin por el modelo
14
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
valor que hace coincidir el promedio de das predichos como lluvia con el valor promedio real
de das con precipitacin de al menos 1 mm (aproximadamente un 33.8%).
Otro procedimiento til para detectar la capacidad clasificatoria que arroja un modelo del tipo
binomial es la curva ROC (Receiver Operating Characteristic). En dicha curva se grafica en el eje
de las ordenadas la tasa de verdaderos positivos (esto es predicciones de ocurrencia del
modelo que en realidad ocurren) y en el eje de abscisas la tasa de falsos negativos
(predicciones de ocurrencia en el modelo que en la realidad no ocurren).
Cuanto ms cercanos se encuentren los puntos de la curva al punto (0,1) del plano mejor es la
prediccin del modelo. Idealmente en este punto se tiene para cualquier umbral usado en la
clasificacin una tasa de verdaderos positivos del 100% y una tasa de falsos positivos del 0%
(es decir, todas las predicciones de ocurrencia del modelo ocurren siempre en la realidad).
Como se aprecia en las curvas mostradas en la Figura 14, el modelo con variables atmosfricas
refleja mejor el comportamiento de la ocurrencia de precipitacin (de al menos 1 mm)
observado en la realidad.
Figura 14. Curvas ROC para los modelos de ocurrencia de memoria 5 y sin variables atmosfricas.
Los mismos procedimientos de anlisis descritos en la presente seccin se han repetido pero
discriminando la precipitacin en funcin de la poca del ao. Se ha considerado la divisin
meteorolgica de estaciones:
primavera: marzo, abril y mayo
verano: junio, julio y agosto
otoo: septiembre, octubre y noviembre
invierno: diciembre, enero y febrero
15
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Estos anlisis estacionales se han realizado nicamente con el modelo que tiene en cuenta
informacin atmosfrica.
Como puede apreciarse en la Figura 15, en otoo e invierno se tiene un ligero incremento del
porcentaje de das correctamente clasificados respecto a la primavera y al verano.
Concretamente en invierno se tiene una proporcin mxima de das correctamente
clasificados de 0.78 (que se obtiene para un umbral del orden de 0.50), en otoo se clasifican
correctamente del orden del 76% de los das mientras que en primavera y en verano se
produce una clasificacin correcta mxima del orden del 75%.
En las curvas de la Figura 16, puede apreciarse el mismo comportamiento que en los grficos
de la Figura 15: un mejor comportamiento en otoo y en invierno que en primavera y verano.
De hecho en la misma Figura 16, se puede apreciar como el anlisis que contempla todo el ao
sin discriminar en estaciones presenta un comportamiento promedio.
Figura 15. Proporcin de das correctamente clasificados en funcin del valor de probabilidad de precipitacin
para el modelo de ocurrencia con variables atmosfricas segn estacin.
16
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 16. Curvas ROC para el modelo de ocurrencia con variables atmosfricas segn la estacin del ao
17
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
4 MODELOS DE CANTIDAD
18
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 17. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado
19
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
20
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Figura 18. Comparacin de los percentiles de las simulaciones de precipitacin del modelo operativo y de los
percentiles de precipitacin observada
En la Figura 19 se muestran los percentiles para cada simulacin realizada con el modelo
operativo (puntos) y el valor del percentil para la precipitacin observada (lnea roja). En cada
21
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
uno de los grficos de la Figura 19 adems se indican mediante lneas verdes aquellos valores
que dejan por debajo o encima los 50 valores mximos y los 50 valores mnimos de los
percentiles de cada simulacin.
En lneas generales el modelo simula adecuadamente el comportamiento observado hasta el
percentil 0.99 (das con lluvias entorno a 60 mm). En el percentil 0.995 (lluvias diarias del
orden de 80 mm) las predicciones del modelo aun se encuentran dentro de un rango aceptable
pero se comienza a apreciar una tendencia a sobrestimar el valor de precipitacin que hace
que a partir del percentil 0.998 las simulaciones del modelo no se puedan considerar
adecuadas. En la Tabla 5 se muestran diferentes valores de los percentiles de lluvia observada,
as como los percentiles 0.05 y 0.95 de la distribucin obtenida mediante simulacin para ese
percentil de precipitacin.
Se quiere hacer mencin en el hecho de que los valores de precipitacin que el modelo no
representa adecuadamente son valores extremos que se corresponden con valores mximos
anuales y que generalmente son los empleados para el diseo de infraestructuras as como a la
planificacin asociada a riesgos naturales.
Percentil 0.95 Percentil 0.05
Percentil Observado (mm)
simulacin (mm) simulacin (mm)
0.65 0.6 0.0 0.0
0.70 1.9 1.9 1.5
0.75 3.3 3.6 3.0
0.80 5.8 6.1 5.3
0.90 15.2 15.5 14.1
0.95 27.0 27.4 24.7
0.98 45.0 46.7 41.3
0.99 61.0 64.5 55.6
0.995 72.3 85.4 71.6
0.998 92.6 121.9 94.8
0.999 107.7 157.1 112.2
Tabla 5. Percentiles de la serie de lluvia observada as como percentiles 0.05 y 0.95 obtenidos mediante
simulacin para cada percentil
22
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Ene. Feb. Mar. Abril May. Junio Julio Ago. Sept. Oct. Nov. Dic.
Das 649 587 645 612 643 626 645 680 627 626 622 638
Cen- 596 539 589 550 587 580 588 619 565 568 562 586
trado
(%) 91.8 91.8 91.3 89.9 90.4 92.7 91.2 91.0 90.1 90.7 90.4 91.8
Tabla 6. Nmero de das del periodo analizado por mes, nmero de das bien centrados por el modelo y
proporcin de das bien centrados
Tabla 7. Precipitacin promedio mensual observada y simulada as como los errores absoluto y relativo
De forma anloga, los datos de precipitacin anual de la serie de lluvia observada se muestran
en la Tabla 8. En dicha tabla tambin se listan los valores de precipitacin anual obtenidos
mediante simulacin as como los errores absolutos y relativos entre los valores simulados y
los observados. Como puede apreciarse los errores en la estimacin de las lluvias anuales son
sensiblemente mayores que los errores asociados a la estimacin promediada de lluvia
mensual. De todos modos si nos fijamos en el valor anual promedio, el error relativo entre lo
observado y lo estimado mediante simulacin es del orden de -1.5%.
Precipitacin Precipitacin
Error absoluto
Ao anual observada anual promedio Error relativo (%)
(mm)
(mm) simulada (mm)
1982 1920.6 1639.0 -281.6 -14.7
1983 1095.7 1578.4 482.7 44.1
23
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
Precipitacin Precipitacin
Error absoluto
Ao anual observada anual promedio Error relativo (%)
(mm)
(mm) simulada (mm)
1984 1545.7 1664.9 119.2 7.7
1985 1282.9 1631.0 348.1 27.1
1986 1697.6 1534.8 -162.8 -9.6
1987 2089.6 1928.1 -161.5 -7.7
1988 2002.8 1601.3 -401.5 -20.0
1989 1640.7 1821.2 180.5 11.0
1990 1729.9 1563.7 -166.2 -9.6
1991 1339.1 1525.6 186.5 13.9
1992 1989.7 1552.5 -437.2 -22.0
1993 1675.6 1724.2 48.6 2.9
1994 1819.5 1663.0 -156.5 -8.6
1995 1930.3 1753.2 -177.1 -9.2
1996 2170.2 2011.0 -159.2 -7.3
1997 2534.2 2346.7 -187.5 -7.4
1998 1429.9 1493.7 63.8 4.5
1999 1575.7 1706.9 131.2 8.3
2000 1993.7 1954.3 -39.4 -2.0
2001 1532.5 1769.3 236.8 15.5
Promedio 1749.8 1723.1 -26.7 -1.5
Tabla 8. Precipitacin anual observada y simulada as como los errores absoluto y relativo entre valor observado
y valor simulado
Ene. Feb. Mar. Abril Ma. Jun. Julio Ago. Sep. Oct. Nov. Dic.
Ocurrencia
0.34 0.30 0.29 0.41 0.45 0.36 0.26 0.28 0.32 0.35 0.36 0.34
observada
Ocurrencia
0.35 0.29 0.29 0.43 0.44 0.36 0.27 0.26 0.33 0.36 0.33 0.34
simulada
24
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
en la mayora de das la lluvia observada se encuentra ubicada entre los percentiles 0.05 y 0.95
de la serie de lluvia producida por las simulaciones del da en cuestin.
25
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
26
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA - MEMORIA
Daniel Hernndez Lpez
La metodologa podra aplicarse a cualquier observatorio que cuente con una serie de
observaciones de precipitacin de suficiente longitud y calidad.
Las principales lneas a desarrollar en el futuro a partir del trabajo realizado son:
Integracin de un modelo de extremos para la simulacin de eventos de muy baja
frecuencia. Como ya se ha comentado en algn punto de dicho trabajo, dichos eventos
son muy importantes para la adecuada gestin de los riesgos asociados a desastres
naturales.
Desarrollo de un modelo estadstico basado en el nuevo reanlisis ERA-Interim, que
permitira incluir informacin hasta 2014.
7 REFERENCIAS
Chen, H., Xu, C. Y., &Guo, S. (2012). Comparison and evaluation of multiple GCMs, statistical
downscaling and hydrological models in the study of climate change impacts on runoff. Journal
of hydrology, 434, 36-45.
Kim, Y., Katz, R. W., Rajagopalan, B., Podest, G. P., Furrer, E. M. (2012). Reducing
overdispersion in stochastic weather generators using a generalized linear modeling
approach.Climateresearch, 53(1), 13.
Myers, R. H., Montgomery, D. C., Vining, G. G., & Robinson, T. J. (2012).Generalized linear
models: with applications in engineering and the sciences (Vol. 791). John Wiley & Sons.
Piani, C., Weedon, G. P., Best, M., Gomes, S. M., Viterbo, P., Hagemann, S., &Haerter, J. O.
(2010). Statistical bias correction of global simulated daily precipitation and temperature for
the application of hydrological models.Journal of Hydrology, 395(3), 199-215.
R Core Team (2013). R: A language and environment for statisticalcomputing. R Foundation for
Statistical Computing, Vienna, Austria.URL http://www.R-project.org/.
Stern, R. D., Coe, R. (1984). A model fitting analysis of daily rainfall data.Journal of the Royal
Statistical Society. Series A (General), 1-34.
Uppala, S. M., Kllberg, P. W., Simmons, A. J., Andrae, U., Bechtold, V., Fiorino, M., et
al..(2005). The ERA40 reanalysis. Quarterly Journal of the Royal Meteorological Society,
131(612), 2961-3012.
Wilks, D. S. (1998).Multisite generalization of a daily stochastic precipitation generation model.
Journal of Hydrology, 210(1), 178-191.
27
ANEJO A1 PROGRAMACIN EMPLEADA
NDICE
1 INTRODUCCIN ............................................................................................................... 1
2 DESCRIPCIN DE DATOS ................................................................................................. 1
3 SUB-MODELOS DE OCURRENCIA .................................................................................... 3
3.1 SIN VARIABLES ATMOSFRICAS........................................................................................... 3
3.2 CON VARIABLES ATMOSFRICAS....................................................................................... 10
4 SUB-MODELO DE CANTIDAD ......................................................................................... 14
5 MODELO OPERATIVO .................................................................................................... 18
i
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
1 INTRODUCCIN
2 DESCRIPCIN DE DATOS
1
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
2
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
3 SUB-MODELOS DE OCURRENCIA
3
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
4
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
5
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
summary(mosva1)
AIC(mosva1)
mosva1op<- step(mosva1)
summary(mosva1op)
AIC(mosva1op)
mosva1op2<-glm(formula = ocurrencia ~ ocurrencia.previa + s1 + c1 + s2 +
s3 + c3 + ocurrencia.previa:c1, family = binomial(logit),
data = Goriz_sva)
summary(mosva1op2)
AIC(mosva1op2)
mosva2 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa , family=binomial(logit),
data=Goriz_sva)
summary(mosva2)
AIC(mosva2)
mosva2op<- step(mosva2)
summary(mosva2op)
AIC(mosva2op)
mosva2op2<-glm(formula = ocurrencia ~ ocurrencia.previa + s1 + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 + ocurrencia.previa:c1 +
ocurrencia.previa:ocurrencia.previa.2, family = binomial(logit),
data = Goriz_sva)
summary(mosva2op2)
mosva3 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa+ ocurrencia.previa.3
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa.3+ocurrencia.previa*ocurrencia.
previa.3 , family=binomial(logit), data=Goriz_sva)
summary(mosva3)
AIC(mosva3)
mosva3op<- step(mosva3)
summary(mosva3op)
AIC(mosva3op)
mosva3op2<-glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 +
6
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
ocurrencia.previa:c1 + ocurrencia.previa:ocurrencia.previa.2 +
s1:ocurrencia.previa.3 , family = binomial(logit),
data = Goriz_sva)
summary(mosva3op2)
mosva4 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.3 *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.4
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa.3+ocurrencia.previa*ocurrencia.
previa.3+ocurrencia.previa.2*ocurrencia.previa+ocurrencia.previa*ocurrencia.previa.4+ocurre
ncia.previa.2*ocurrencia.previa.4+ocurrencia.previa.3*ocurrencia.previa.4 ,
family=binomial(logit), data=Goriz_sva)
summary(mosva4)
AIC(mosva4)
mosva4op<- step(mosva4)
summary(mosva4op)
AIC(mosva4op)
mosva4op2<-glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 +
ocurrencia.previa.4 + ocurrencia.previa:c1 + s1:ocurrencia.previa.3 +
c1:ocurrencia.previa.4 + ocurrencia.previa:ocurrencia.previa.2,
family = binomial(logit), data = Goriz_sva)
summary(mosva4op2)
mosva5 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.3 *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.4
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.5
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa.3+ocurrencia.previa*ocurrencia.
previa.3+ocurrencia.previa.2*ocurrencia.previa+ocurrencia.previa*ocurrencia.previa.4+ocurre
ncia.previa.2*ocurrencia.previa.4+ocurrencia.previa.3*ocurrencia.previa.4+ocurrencia.previa*
ocurrencia.previa.5+ocurrencia.previa.2*ocurrencia.previa.5+ocurrencia.previa.3*ocurrencia.p
revia.5+ocurrencia.previa.4*ocurrencia.previa.5 , family=binomial(logit), data=Goriz_sva)
summary(mosva5)
AIC(mosva5)
mosva5op<- step(mosva5)
summary(mosva5op)
AIC(mosva5op)
mosva5op2<-glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 +
7
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
ocurrencia.previa.5 + ocurrencia.previa:c1 +
s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2
, family = binomial(logit),
data = Goriz_sva)
summary(mosva5op2)
mosva6 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.3 *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.4
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.5 *(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.6
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa.3+ocurrencia.previa*ocurrencia.
previa.3+ocurrencia.previa.2*ocurrencia.previa+ocurrencia.previa*ocurrencia.previa.4+ocurre
ncia.previa.2*ocurrencia.previa.4+ocurrencia.previa.3*ocurrencia.previa.4+ocurrencia.previa*
ocurrencia.previa.5+ocurrencia.previa.2*ocurrencia.previa.5+ocurrencia.previa.3*ocurrencia.p
revia.5+ocurrencia.previa.4*ocurrencia.previa.5+ocurrencia.previa*ocurrencia.previa.6+ocurre
ncia.previa.2*ocurrencia.previa.6+ocurrencia.previa.3*ocurrencia.previa.6+ocurrencia.previa.
4*ocurrencia.previa.6+ocurrencia.previa.5*ocurrencia.previa.6 , family=binomial(logit),
data=Goriz_sva)
summary(mosva6)
AIC(mosva6)
mosva6op<- step(mosva6)
summary(mosva6op)
AIC(mosva6op)
mosva6op2<-glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 +
c3 + ocurrencia.previa.2 + ocurrencia.previa.5 +
ocurrencia.previa:c1 + s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2 ,
family = binomial(logit), data = Goriz_sva)
summary(mosva6op2)
mosva7 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.2
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.3 *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.4
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.5 *(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.6
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.7
*(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.2*ocurrencia.previa.3+ocurrencia.previa*ocurrencia.
previa.3+ocurrencia.previa.2*ocurrencia.previa+ocurrencia.previa*ocurrencia.previa.4+ocurre
ncia.previa.2*ocurrencia.previa.4+ocurrencia.previa.3*ocurrencia.previa.4+ocurrencia.previa*
ocurrencia.previa.5+ocurrencia.previa.2*ocurrencia.previa.5+ocurrencia.previa.3*ocurrencia.p
revia.5+ocurrencia.previa.4*ocurrencia.previa.5+ocurrencia.previa*ocurrencia.previa.6+ocurre
ncia.previa.2*ocurrencia.previa.6+ocurrencia.previa.3*ocurrencia.previa.6+ocurrencia.previa.
4*ocurrencia.previa.6+ocurrencia.previa.5*ocurrencia.previa.6+ocurrencia.previa*ocurrencia.
previa.7+ocurrencia.previa.2*ocurrencia.previa.7+ocurrencia.previa.3*ocurrencia.previa.7+oc
8
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
urrencia.previa.4*ocurrencia.previa.7+ocurrencia.previa.5*ocurrencia.previa.7+ocurrencia.pre
via.6*ocurrencia.previa.7 , family=binomial(logit), data=Goriz_sva)
summary(mosva7)
AIC(mosva7)
mosva7op<- step(mosva7)
summary(mosva7op)
AIC(mosva7op)
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)&!is.na(ocurrencia.previa.4)&!is.na(ocurrencia.previa.5)
plot(day.year[auxiliar.marcador] , predict(mosva6op,
type='response')[auxiliar.marcador],ylim=c(0,1), xlab='da', ylab='P(precip>1mm)')
showData(Goriz_sva, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80,
maxheight=30)
plot(tapply(ocurrencia, list(month), mean, na.rm=T),type='b',xlab='mes',ylab='frecuencia de
precipitacion',lty=2,col=1)
legend(7.5,0.455,legend=c('Observada','Modelo 1 optimizado','Modelo 2 optimizado','Modelo
3 optimizado','Modelo 4 optimizado','Modelo 5
optimizado'),lty=c(2,1,1,1,1,1),col=c(1,2,3,4,5,6))
auxiliar.marcador<- !is.na(ocurrencia.previa)&!is.na(ocurrencia)
lines(tapply(predict(mosva1op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T),type='b',col=2,add=TRUE)
auxiliar.marcador<- !is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)
lines(tapply(predict(mosva2op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T),type='b',col=3,add=TRUE)
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)
lines(tapply(predict(mosva3op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T),type='b',col=4,add=TRUE)
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)&!is.na(ocurrencia.previa.4)
lines(tapply(predict(mosva4op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T),type='b',col=5,add=TRUE)
9
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)&!is.na(ocurrencia.previa.4)&!is.na(ocurrencia.previa.5)
lines(tapply(predict(mosva5op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T),type='b',col=6,add=TRUE)
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)&!is.na(ocurrencia.previa.4)&!is.na(ocurrencia.previa.5)
tapply( predict(mosva5op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T)
attach(Goriz_sva)
auxiliar.marcador<-
!is.na(ocurrencia.previa)&!is.na(ocurrencia)&!is.na(ocurrencia.previa.2)&!is.na(ocurrencia.pre
via.3)&!is.na(ocurrencia.previa.4)&!is.na(ocurrencia.previa.5)
auxiliar.modelo<- mosva5op2
auxiliar.data.frame <- Goriz_sva[auxiliar.marcador,]
auxiliar.clasificado<- predict(auxiliar.modelo, type='response')[auxiliar.marcador]
auxiliar.umbral<- 0.5
table(auxiliar.data.frame$ocurrencia[auxiliar.marcador], auxiliar.clasificado>=auxiliar.umbral)
mean((auxiliar.clasificado>=auxiliar.umbral)==auxiliar.data.frame$ocurrencia[auxiliar.marcado
r])
#Clasificacion correcta para distintos umbrales
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta')
for(i in 1:900) points(i/1000,
mean((auxiliar.clasificado>=(i/1000))==auxiliar.data.frame$ocurrencia))
length(auxiliar.clasificado)
10
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
11
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
12
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
13
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
pred.2 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[verano1],auxiliar.data.frame$ocurrencia[ver
ano2])
perf.2 <- performance(pred.2,"tpr","fpr")
plot(perf.2, add=T, col=3)
pred.3 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[otono1],auxiliar.data.frame$ocurrencia[oton
o2])
perf.3 <- performance(pred.3,"tpr","fpr")
plot(perf.3, add=T, col=4)
pred.4 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[invierno1],auxiliar.data.frame$ocurrencia[inv
ierno2])
perf.4 <- performance(pred.4,"tpr","fpr")
plot(perf.4, add=T, col=5)
4 SUB-MODELO DE CANTIDAD
setwd("G:/MASTER/TFM")
Goriz.variables.atm<- read.table(file='Goriz.precip.txt', header=T, dec='.')
attach(Goriz.variables.atm)
serie.1mm <- Goriz.variables.atm[ (Goriz.variables.atm$precip>=1), ]
hist(serie.1mm$precip)
#la cantidad minima registrada es 1mm por construccin de la base de datos.
#conviene considerar como respuesta el exceso sobre este umbral
serie.1mm$exceso <- serie.1mm$precip-0.99
#Modelo con solo armonicos
auxiliar.glm.cantidad.base<- glm(exceso ~ s1+c1+s2+c2, data=na.omit(serie.1mm[, 8:81]) ,
family=Gamma(log))
#Modelo resultado de un stepwise
auxiliar.glm.cantidad.lleno<- glm(exceso ~ . , data=na.omit(serie.1mm[, 8:81]) ,
family=Gamma(log))
auxiliar.glm.cantidad.step<- step(auxiliar.glm.cantidad.base, scope=
list(upper=formula(auxiliar.glm.cantidad.lleno)), direction='both', data=na.omit(serie.1mm[,
8:81]) )
library(relimp, pos=18)
14
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
15
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
16
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
for (i in 1:1000){
dia.simulado[i]<-auxiliar.data.frame.simulacion[j,i]
}
auxiliar.1<-quantile(dia.simulado , 0.1)
auxiliar.2<-quantile(dia.simulado , 0.9)
if
((auxiliar.data.frame.simulacion[j,1004]>=auxiliar.1)&(auxiliar.data.frame.simulacion[j,1004]<=
auxiliar.2)){marcador<-marcador+1}
}
marcador
dia.simulado<-1:1000
marcador<-0
for (j in 1:length(auxiliar.ajustados)){
for (i in 1:1000){
dia.simulado[i]<-auxiliar.data.frame.simulacion[j,i]
}
auxiliar.1<-quantile(dia.simulado , 0.05)
auxiliar.2<-quantile(dia.simulado , 0.95)
if
((auxiliar.data.frame.simulacion[j,1004]>=auxiliar.1)&(auxiliar.data.frame.simulacion[j,1004]<=
auxiliar.2)){marcador<-marcador+1}
}
marcador
x2 <- as.integer(runif(20, 0, 2569))
par(mfrow=c(4,5))
dia.simulado<-1:1000
for (j in x2){
for (i in 1:1000){
dia.simulado[i]<-auxiliar.data.frame.simulacion[j,i]
}
auxiliar.1<-quantile(dia.simulado, 0.05)
auxiliar.2<-quantile(dia.simulado, 0.95)
Boxplot(dia.simulado,id.method='none',ylab=j)
points(1,auxiliar.data.frame.simulacion[j,1004],col=2)
17
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
abline(h=auxiliar.1 ,col=3)
abline(h=auxiliar.2 ,col=3)
}
5 MODELO OPERATIVO
setwd("G:/MASTER/TFM")
Goriz.variables.atm<- read.table(file='Goriz.precip.txt', header=T, dec='.')
attach(Goriz.variables.atm)
serie.1mm <- Goriz.variables.atm[ (Goriz.variables.atm$precip>=1), ]
serie.1mm$exceso <- serie.1mm$precip-0.99
MOCVA1op<-glm(formula = ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
p02w42l + e00w42o + z.g02w42q + a.r00w42t + z.g02w42s + g02w42t +
g02w42s + z.t00w42Dlt + z.p00w40l + g02w42o +
s3 + z.t00w42Doq + r00w42s + g02w40o + z.g02w40o + z.p02w42l +
c3 + t00w42Doq + z.g02w40t + g02w40t + clave + z.g00w40t +
z.g00w42q + z.g00w42o , family = binomial(logit),
data = na.omit(Goriz.variables.atm[, 8:80]))
summary(MOCVA1op)
n.simulaciones<- 1000
auxiliar.data.frame=na.omit(Goriz.variables.atm[, 8:80])
auxiliar.ajustados1<- predict(MOCVA1op, type='response')
n.casos<- length(auxiliar.ajustados1)
auxiliar.data.frame.simulacion1<- as.data.frame(matrix( ncol=n.simulaciones, nrow=n.casos))
for(i.simulacion in 1:n.simulaciones) {
auxiliar.data.frame.simulacion1[ , i.simulacion] <- rbinom(n.casos , 1,prob=auxiliar.ajustados1)
} #fin for i.simulacion
MCCVA3<- glm(exceso ~ s2 + clave + a.r00w42q + ocurrencia.previa +
g00w40o + g02w42o + z.g00w42o + e00w42o + g00w42q +
z.g02w40o + g02w40t , data=na.omit(serie.1mm[, 8:81]) , family=Gamma(log))
summary(MCCVA3)
auxiliar.data.frame<- na.omit(Goriz.variables.atm[, 1:80])
auxiliar.ajustados2<- predict(MCCVA3, type='response', newdata=auxiliar.data.frame)
auxiliar.data.frame.simulacion2<- as.data.frame(matrix( ncol=n.simulaciones, nrow=n.casos))
18
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
auxiliar.forma<- 1/summary(MCCVA3)$dispersion
auxiliar.tasa<- auxiliar.forma/auxiliar.ajustados2 #parmetro de escala (donde se sita la
media)
for(i.simulacion in 1:n.simulaciones) {
auxiliar.data.frame.simulacion2[ , i.simulacion] <- rgamma(n.casos , shape=auxiliar.forma ,
rate=auxiliar.tasa)+0.99
} #finfori.simulacion
simulacion.modelo.op<-auxiliar.data.frame.simulacion1*auxiliar.data.frame.simulacion2
auxiliar.data.frame<- na.omit(Goriz.variables.atm[, 1:80])
simulacion.modelo.op$year<- auxiliar.data.frame$year
simulacion.modelo.op$month<- auxiliar.data.frame$month
simulacion.modelo.op$day.year<- auxiliar.data.frame$day.year
simulacion.modelo.op$precip<- auxiliar.data.frame$precip
#se compara el valor observado de la respuesta entre las simulaciones,
par(mfrow=c(4,3))
vector.auxiliar<-as.data.frame(matrix( ncol=11, nrow=3))
cuantiles.interes<- c(0.65,0.7,0.75,0.8, 0.9, 0.95,0.98,0.99,0.995,0.998,0.999)
marcador<-1
for(i.cuantiles in cuantiles.interes) {
auxiliar.cuantiles.simulados<-apply(simulacion.modelo.op[, c(1:n.simulaciones)], 2, quantile,
i.cuantiles)
auxiliar.cuantiles.observados<- quantile(simulacion.modelo.op$precip , i.cuantiles)
auxiliar.1<-quantile(auxiliar.cuantiles.simulados , 0.05)
auxiliar.2<-quantile(auxiliar.cuantiles.simulados , 0.95)
plot(c(1:n.simulaciones), auxiliar.cuantiles.simulados, ylim=c(min(auxiliar.cuantiles.simulados,
auxiliar.cuantiles.observados), max(auxiliar.cuantiles.simulados, auxiliar.cuantiles.observados))
, ylab='mm', xlab='simulaciones')
title(main=paste('q' , i.cuantiles, ' Observado en rojo'))
abline(h=auxiliar.1 ,col=3)
abline(h=auxiliar.2 ,col=3)
abline(h=auxiliar.cuantiles.observados ,col=2)
vector.auxiliar[1,marcador]<-auxiliar.cuantiles.observados
vector.auxiliar[2,marcador]<-auxiliar.2
vector.auxiliar[3,marcador]<-auxiliar.1
19
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
marcador<-marcador+1
}
#finfori.cuantiles
#Se cuantifica cuantos das simulados caen dentro de un determinado percentil en la
distribucin de simulaciones
auxiliar.mes<-simulacion.modelo.op[simulacion.modelo.op$month==12,]
nrow(auxiliar.mes)
dia.simulado<-1:1000
marcador<-0
for (j in 1:nrow(auxiliar.mes)){
for (i in 1:1000){
dia.simulado[i]<-auxiliar.mes[j,i]
}
auxiliar.1<-quantile(dia.simulado , 0.10)
auxiliar.2<-quantile(dia.simulado , 0.90)
if ((auxiliar.mes[j,1004]>=auxiliar.1)&(auxiliar.mes[j,1004]<=auxiliar.2)){marcador<-
marcador+1}
}
marcador
#Se dibujan boxplots de das al azar y se compara con la precipitacin observada
x2 <- as.integer(runif(15, 0, 7600))
par(mfrow=c(3,5))
dia.simulado<-1:1000
for (j in x2){
for (i in 1:1000){
dia.simulado[i]<-simulacion.modelo.op[j,i]
}
auxiliar.1<-quantile(dia.simulado, 0.05)
auxiliar.2<-quantile(dia.simulado, 0.95)
Boxplot(dia.simulado,id.method='none',ylab=j)
points(1,simulacion.modelo.op[j,1004],col=2)
abline(h=auxiliar.1 ,col=3)
abline(h=auxiliar.2 ,col=3)
20
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A1
Daniel Hernndez Lpez
tapply(simulacion.modelo.op$precip,simulacion.modelo.op$year,sum)
#Se calculan las precipitaciones anuales promedio simuladas
vector.auxiliar<-as.data.frame(matrix( ncol=1, nrow=20))
for (i in 1982:2001){
auxiliar.mes<-simulacion.modelo.op[simulacion.modelo.op$year==i,]
sumatorio.mes<-apply(auxiliar.mes[,c(1:1000)],2,sum)
vector.auxiliar[i-1981,1]<-mean(sumatorio.mes)
}
#Se calcula la ocurrencia promedio de precipitacion simulada por mes
vector.auxiliar.1<-as.data.frame(matrix( ncol=1, nrow=1000))
vector.auxiliar.2<-as.data.frame(matrix( ncol=1, nrow=12))
for (i in 1:12){
auxiliar.mes<-simulacion.modelo.op[simulacion.modelo.op$month==i,]
for (k in 1:1000){
marcador<-0
for (j in 1:nrow(auxiliar.mes)){
if (auxiliar.mes[j,k]>0.99) {marcador<-marcador+1}
}
vector.auxiliar.1[k,1]<-marcador/nrow(auxiliar.mes)
}
vector.auxiliar.2[i]<-apply(vector.auxiliar.1,2,mean)
}
21
ANEJO A2 INFORMACIN AUXILIAR DATOS EMPLEADOS
NDICE
1 INTRODUCCIN ............................................................................................................... 1
2 SERIE DE PRECIPITACIN DIARIA DE A LO SUMO 1 MM ................................................. 1
3 DATOS ATMOSFRICOS ................................................................................................... 4
NDICE DE FIGURAS
Figura 1: Diagrama de cajas de la serie de precipitacin diaria de a lo sumo 1 mm segn mes ........1
Figura 2: Grfica de ajuste de la serie de precipitacin de 1 mm a una distribucin del tipo
gamma ................................................................................................................................................. 2
Figura 3: Grfica de ajuste de la serie de precipitacin de 1 mm a una distribucin del tipo
exponencial ......................................................................................................................................... 2
NDICE DE TABLAS
Tabla 1: Codificacin de variables atmosfricas ................................................................................. 4
Tabla 2: Codificacin de niveles de medida ........................................................................................ 4
Tabla 3: Codificacin de la diferencia entre niveles de medida ..........................................................4
i
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A2
Daniel Hernndez Lpez
1 INTRODUCCIN
En el presente anejo se muestran las figuras, tablas y explicaciones adicionales al contenido del
captulo 2 de la memoria del presente trabajo.
1
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A2
Daniel Hernndez Lpez
Figura 2: Grfica de ajuste de la serie de precipitacin de 1 mm a una distribucin del tipo gamma
Figura 3: Grfica de ajuste de la serie de precipitacin de 1 mm a una distribucin del tipo exponencial
2
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A2
Daniel Hernndez Lpez
3
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A2
Daniel Hernndez Lpez
3 DATOS ATMOSFRICOS
Para el caso de la diferencia de temperarura entre niveles el nivel, dicha diferencia se codifica
de la siguiente forma:
Cdigo Diferencia entre niveles
Dlo Superfcie - 850 hPa
Dlt Superfcie - 300 hPa
Doq 850 hPa - 500 hPa
Dot 850 hPa - 300 hPa
Tabla 3: Codificacin de la diferencia entre niveles de medida
4
ANEJO A3 DATOS AUXILIARES MODELOS DE OCURRENCIA
NDICE
1 INTRODUCCIN ............................................................................................................... 1
2 RESMENES MODELOS DE OCURRENCIA SIN VARIABLES ATMOSFRICAS .................... 1
1.1 MODELO 1 ........................................................................................................................... 1
1.2 MODELO 1 OPTIMIZADO ..................................................................................................... 2
1.3 MODELO 2 ........................................................................................................................... 3
1.4 MODELO 2 OPTIMIZADO ..................................................................................................... 4
1.5 MODELO 3 ........................................................................................................................... 5
1.6 MODELO 3 OPTIMIZADO ..................................................................................................... 6
1.7 MODELO 4 ........................................................................................................................... 7
1.8 MODELO 4 OPTIMIZADO ...................................................................................................10
1.9 MODELO 5 .........................................................................................................................11
1.10 MODELO 5 OPTIMIZADO ...................................................................................................14
1.11 MODELO 6 .........................................................................................................................15
1.12 MODELO 6 OPTIMIZADO ...................................................................................................17
3 RESUMEN MODELO DE OCURRENCIA CON VARIABLES ATMOSFRICAS .................... 19
i
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1 INTRODUCCIN
1.1 MODELO 1
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3), family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4397 -0.7303 -0.6514 0.9972 1.8778
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.30509 0.03457 -37.747 < 2e-16 ***
ocurrencia.previa 1.62100 0.05331 30.410 < 2e-16 ***
s1 0.05715 0.04877 1.172 0.24124
c1 -0.13383 0.04901 -2.731 0.00632 **
s2 -0.20510 0.04878 -4.205 2.62e-05 ***
c2 -0.07022 0.04901 -1.433 0.15193
s3 0.12994 0.04915 2.644 0.00820 **
c3 0.10758 0.04858 2.215 0.02678 *
ocurrencia.previa:s1 0.07244 0.07486 0.968 0.33319
ocurrencia.previa:c1 0.32368 0.07580 4.270 1.95e-05 ***
ocurrencia.previa:s2 0.01726 0.07552 0.229 0.81917
ocurrencia.previa:c2 0.01665 0.07491 0.222 0.82406
ocurrencia.previa:s3 -0.05966 0.07475 -0.798 0.42475
ocurrencia.previa:c3 -0.03402 0.07565 -0.450 0.65290
1
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 9764.4 on 7632 degrees of freedom
Residual deviance: 8661.4 on 7619 degrees of freedom
(68 observations deleted due to missingness)
AIC: 8689.4
2
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1.3 MODELO 2
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3) + ocurrencia.previa.2 * (s1 + c1 + s2 + c2 +
s3 + c3) + ocurrencia.previa.2 * ocurrencia.previa, family = binomial(logit),
data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4769 -0.7547 -0.6202 0.9959 1.9248
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.411610 0.040347 -34.987 < 2e-16 ***
ocurrencia.previa 1.795537 0.074612 24.065 < 2e-16 ***
s1 0.036258 0.053196 0.682 0.495504
c1 -0.149343 0.053588 -2.787 0.005322 **
s2 -0.185837 0.053370 -3.482 0.000498 ***
c2 -0.092179 0.053443 -1.725 0.084563 .
s3 0.096229 0.053743 1.791 0.073365 .
c3 0.095969 0.052988 1.811 0.070121 .
ocurrencia.previa.2 0.459847 0.079911 5.755 8.69e-09 ***
ocurrencia.previa:s1 0.059559 0.079887 0.746 0.455949
ocurrencia.previa:c1 0.280946 0.080500 3.490 0.000483 ***
ocurrencia.previa:s2 0.003402 0.080081 0.042 0.966117
ocurrencia.previa:c2 -0.019284 0.080257 -0.240 0.810118
ocurrencia.previa:s3 -0.073359 0.079521 -0.923 0.356259
ocurrencia.previa:c3 -0.033395 0.080548 -0.415 0.678433
s1:ocurrencia.previa.2 0.062546 0.080977 0.772 0.439885
c1:ocurrencia.previa.2 0.111329 0.081770 1.361 0.173361
s2:ocurrencia.previa.2 -0.024079 0.081217 -0.296 0.766867
c2:ocurrencia.previa.2 0.084486 0.081113 1.042 0.297602
s3:ocurrencia.previa.2 0.091079 0.080456 1.132 0.257615
c3:ocurrencia.previa.2 0.014050 0.081655 0.172 0.863387
ocurrencia.previa:ocurrencia.previa.2 -0.587649 0.114554 -5.130 2.90e-07 ***
3
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 9723.7 on 7599 degrees of freedom
Residual deviance: 8591.6 on 7578 degrees of freedom
(101 observations deleted due to missingness)
AIC: 8635.6
4
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1.5 MODELO 3
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3) + ocurrencia.previa.2 * (s1 + c1 + s2 + c2 +
s3 + c3) + ocurrencia.previa.2 * ocurrencia.previa + ocurrencia.previa.3 *
(s1 + c1 + s2 + c2 + s3 + c3) + ocurrencia.previa.2 * ocurrencia.previa.3 +
ocurrencia.previa * ocurrencia.previa.3, family = binomial(logit),
data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.5432 -0.7540 -0.6188 1.0061 1.9714
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.421778 0.044541 -31.921 < 2e-16 ***
ocurrencia.previa 1.784942 0.081227 21.975 < 2e-16 ***
s1 0.001254 0.056383 0.022 0.982260
c1 -0.173947 0.056663 -3.070 0.002142 **
s2 -0.169220 0.056617 -2.989 0.002800 **
c2 -0.104523 0.056432 -1.852 0.063998 .
s3 0.099180 0.056830 1.745 0.080951 .
c3 0.088033 0.056077 1.570 0.116448
ocurrencia.previa.2 0.415116 0.104136 3.986 6.71e-05 ***
ocurrencia.previa.3 0.062634 0.092594 0.676 0.498763
ocurrencia.previa:s1 0.054933 0.080146 0.685 0.493087
ocurrencia.previa:c1 0.272476 0.080796 3.372 0.000745 ***
ocurrencia.previa:s2 -0.001185 0.080602 -0.015 0.988273
ocurrencia.previa:c2 -0.014019 0.080551 -0.174 0.861833
ocurrencia.previa:s3 -0.078347 0.079872 -0.981 0.326641
ocurrencia.previa:c3 -0.039622 0.080764 -0.491 0.623720
s1:ocurrencia.previa.2 0.005273 0.086373 0.061 0.951321
5
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
6
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1.7 MODELO 4
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3) + ocurrencia.previa.2 * (s1 + c1 + s2 + c2 +
s3 + c3) + ocurrencia.previa.3 * (s1 + c1 + s2 + c2 + s3 +
c3) + ocurrencia.previa.4 * (s1 + c1 + s2 + c2 + s3 + c3) +
ocurrencia.previa.2 * ocurrencia.previa.3 + ocurrencia.previa *
ocurrencia.previa.3 + ocurrencia.previa.2 * ocurrencia.previa +
ocurrencia.previa * ocurrencia.previa.4 + ocurrencia.previa.2 *
ocurrencia.previa.4 + ocurrencia.previa.3 * ocurrencia.previa.4,
family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.5620 -0.7522 -0.6216 1.0032 1.9986
Coefficients:
Estimate Std. Error z value Pr(>|z|)
7
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
8
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
(Intercept) ***
ocurrencia.previa ***
s1
c1 ***
s2 **
c2
s3
c3
ocurrencia.previa.2 ***
ocurrencia.previa.3
ocurrencia.previa.4 *
ocurrencia.previa:s1
ocurrencia.previa:c1 ***
ocurrencia.previa:s2
ocurrencia.previa:c2
ocurrencia.previa:s3
ocurrencia.previa:c3
s1:ocurrencia.previa.2
c1:ocurrencia.previa.2
s2:ocurrencia.previa.2
c2:ocurrencia.previa.2
s3:ocurrencia.previa.2
c3:ocurrencia.previa.2
s1:ocurrencia.previa.3 .
9
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
c1:ocurrencia.previa.3
s2:ocurrencia.previa.3
c2:ocurrencia.previa.3
s3:ocurrencia.previa.3
c3:ocurrencia.previa.3
s1:ocurrencia.previa.4
c1:ocurrencia.previa.4
s2:ocurrencia.previa.4
c2:ocurrencia.previa.4 *
s3:ocurrencia.previa.4
c3:ocurrencia.previa.4
ocurrencia.previa.2:ocurrencia.previa.3
ocurrencia.previa:ocurrencia.previa.3
ocurrencia.previa:ocurrencia.previa.2 ***
ocurrencia.previa:ocurrencia.previa.4
ocurrencia.previa.2:ocurrencia.previa.4
ocurrencia.previa.3:ocurrencia.previa.4
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 9645.4 on 7535 degrees of freedom
Residual deviance: 8496.3 on 7495 degrees of freedom
(165 observations deleted due to missingness)
AIC: 8578.3
10
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1.9 MODELO 5
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3) + ocurrencia.previa.2 * (s1 + c1 + s2 + c2 +
s3 + c3) + ocurrencia.previa.3 * (s1 + c1 + s2 + c2 + s3 +
c3) + ocurrencia.previa.4 * (s1 + c1 + s2 + c2 + s3 + c3) +
ocurrencia.previa.5 * (s1 + c1 + s2 + c2 + s3 + c3) + ocurrencia.previa.2 *
ocurrencia.previa.3 + ocurrencia.previa * ocurrencia.previa.3 +
ocurrencia.previa.2 * ocurrencia.previa + ocurrencia.previa *
ocurrencia.previa.4 + ocurrencia.previa.2 * ocurrencia.previa.4 +
11
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
12
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
13
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
14
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
1.11 MODELO 6
Call:
glm(formula = ocurrencia ~ ocurrencia.previa * (s1 + c1 + s2 +
c2 + s3 + c3) + ocurrencia.previa.2 * (s1 + c1 + s2 + c2 +
s3 + c3) + ocurrencia.previa.3 * (s1 + c1 + s2 + c2 + s3 +
c3) + ocurrencia.previa.4 * (s1 + c1 + s2 + c2 + s3 + c3) +
ocurrencia.previa.5 * (s1 + c1 + s2 + c2 + s3 + c3) + ocurrencia.previa.6 *
(s1 + c1 + s2 + c2 + s3 + c3) + ocurrencia.previa.2 * ocurrencia.previa.3 +
ocurrencia.previa * ocurrencia.previa.3 + ocurrencia.previa.2 *
ocurrencia.previa + ocurrencia.previa * ocurrencia.previa.4 +
ocurrencia.previa.2 * ocurrencia.previa.4 + ocurrencia.previa.3 *
ocurrencia.previa.4 + ocurrencia.previa * ocurrencia.previa.5 +
ocurrencia.previa.2 * ocurrencia.previa.5 + ocurrencia.previa.3 *
ocurrencia.previa.5 + ocurrencia.previa.4 * ocurrencia.previa.5 +
ocurrencia.previa * ocurrencia.previa.6 + ocurrencia.previa.2 *
ocurrencia.previa.6 + ocurrencia.previa.3 * ocurrencia.previa.6 +
ocurrencia.previa.4 * ocurrencia.previa.6 + ocurrencia.previa.5 *
ocurrencia.previa.6, family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.7234 -0.7599 -0.6125 1.0043 2.0657
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.500840 0.057680 -26.020 < 2e-16 ***
ocurrencia.previa 1.865499 0.095795 19.474 < 2e-16 ***
s1 0.025145 0.065477 0.384 0.700960
c1 -0.200948 0.065149 -3.084 0.002039 **
s2 -0.228467 0.066218 -3.450 0.000560 ***
c2 -0.091566 0.064417 -1.421 0.155180
s3 0.066653 0.065345 1.020 0.307723
c3 0.101454 0.064839 1.565 0.117655
ocurrencia.previa.2 0.395730 0.119823 3.303 0.000958 ***
ocurrencia.previa.3 -0.016838 0.128189 -0.131 0.895496
15
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
16
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
17
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2,
family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.5222 -0.7480 -0.6407 1.0062 1.9666
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.44025 0.04391 -32.801 < 2e-16 ***
ocurrencia.previa 1.78962 0.07486 23.907 < 2e-16 ***
c1 -0.11675 0.04891 -2.387 0.0170 *
s2 -0.19169 0.03763 -5.094 3.50e-07 ***
c3 0.08460 0.03759 2.251 0.0244 *
ocurrencia.previa.2 0.45265 0.07982 5.671 1.42e-08 ***
ocurrencia.previa.5 0.10029 0.05570 1.801 0.0718 .
ocurrencia.previa:c1 0.29785 0.07599 3.919 8.87e-05 ***
s1:ocurrencia.previa.3 0.19363 0.06204 3.121 0.0018 **
ocurrencia.previa:ocurrencia.previa.2 -0.57143 0.11448 -4.991 5.99e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 9645.6 on 7532 degrees of freedom
Residual deviance: 8532.8 on 7523 degrees of freedom
(168 observations deleted due to missingness)
AIC: 8552.8
18
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
Call:
glm(formula = ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
p02w42l + e00w42o + z.g02w42q + a.r00w42t + z.g02w42s + g02w42t +
g02w42s + z.t00w42Dlt + z.p00w40l + g02w42o + s3 + z.t00w42Doq +
r00w42s + g02w40o + z.g02w40o + z.p02w42l + c3 + t00w42Doq +
z.g02w40t + g02w40t + clave + z.g00w40t + z.g00w42q + z.g00w42o,
family = binomial(logit), data = na.omit(Goriz.variables.atm[,
8:80]))
Deviance Residuals:
Min 1Q Median 3Q Max
-2.4568 -0.7349 -0.4235 0.8177 2.8742
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.979e+02 5.421e+01 -3.652 0.000261 ***
s1 7.980e-01 1.056e-01 7.557 4.14e-14 ***
s2 -2.553e-01 4.798e-02 -5.321 1.03e-07 ***
c2 -2.177e-01 5.795e-02 -3.757 0.000172 ***
ocurrencia.previa 6.672e-01 6.954e-02 9.594 < 2e-16 ***
p02w42l 2.109e-03 5.203e-04 4.053 5.06e-05 ***
e00w42o 1.577e+02 2.518e+01 6.264 3.76e-10 ***
z.g02w42q -3.102e+00 4.888e-01 -6.347 2.20e-10 ***
a.r00w42t -3.466e+03 7.043e+02 -4.921 8.63e-07 ***
z.g02w42s 6.231e+00 5.185e-01 12.018 < 2e-16 ***
g02w42t 1.116e-03 2.139e-04 5.219 1.80e-07 ***
g02w42s -4.673e-03 7.548e-04 -6.191 5.98e-10 ***
z.t00w42Dlt 2.473e-01 4.971e-02 4.975 6.54e-07 ***
z.p00w40l 4.978e-01 1.616e-01 3.080 0.002068 **
g02w42o -6.478e-03 1.001e-03 -6.470 9.79e-11 ***
s3 1.581e-01 4.339e-02 3.643 0.000270 ***
z.t00w42Doq 8.116e-01 2.973e-01 2.730 0.006338 **
19
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A3
Daniel Hernndez Lpez
20
ANEJO A4 DATOS AUXILIARES MODELO DE CANTIDAD
NDICE
1 INTRODUCCIN ............................................................................................................... 1
2 CRTICA MODELO DE CANTIDAD ..................................................................................... 1
3 RESUMEN SUB-MODELO DE CANTIDAD ......................................................................... 2
4 DIAGRAMAS DE PRECIPITACIN SIMULADA Y PRECIPITACIN OBSERVADA ................. 3
5 COMPARACIN PERCENTILES SIMULADO.OBSERVADO POR ESTACIONES .................... 4
5.1 PRIMAVERA ......................................................................................................................... 4
5.2 VERANO ............................................................................................................................... 5
5.3 OTOO ................................................................................................................................ 6
5.4 INVIERNO............................................................................................................................. 7
NDICE DE FIGURAS
Figura 1. Grficos de comportamiento de los residuos estandarizados y de influencia de los
datos en la prediccin del modelo (distancia de Cook) ...................................................................... 1
Figura 2. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 40 das
escogidos al azar ................................................................................................................................. 3
Figura 3. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del
exceso de precipitacin observado en primavera .............................................................................. 4
Figura 4. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del
exceso de precipitacin observado en verano.................................................................................... 5
Figura 5. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del
exceso de precipitacin observado en otoo ..................................................................................... 6
Figura 6. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del
exceso de precipitacin observado en invierno.................................................................................. 7
i
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
1 INTRODUCCIN
Figura 1. Grficos de comportamiento de los residuos estandarizados y de influencia de los datos en la prediccin
del modelo (distancia de Cook)
1
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
Call:
glm(formula = exceso ~ s2 + clave + a.r00w42q + ocurrencia.previa +
g00w40o + g02w42o + z.g00w42o + e00w42o + g00w42q + z.g02w40o +
g02w40t, family = Gamma(log), data = na.omit(serie.1mm[,
8:81]))
Deviance Residuals:
Min 1Q Median 3Q Max
-3.6235 -1.2140 -0.4343 0.3288 3.8320
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.459e+01 7.803e+00 -5.715 1.23e-08 ***
s2 -1.818e-01 3.365e-02 -5.402 7.18e-08 ***
clave 5.957e-05 1.089e-05 5.468 5.00e-08 ***
a.r00w42q -3.549e+03 7.559e+02 -4.695 2.81e-06 ***
ocurrencia.previa 1.411e-01 5.363e-02 2.630 0.00859 **
g00w40o 2.045e-03 1.867e-04 10.954 < 2e-16 ***
g02w42o -1.821e-03 1.201e-04 -15.168 < 2e-16 ***
z.g00w42o 9.146e-01 1.156e-01 7.914 3.67e-15 ***
e00w42o 5.634e+01 1.807e+01 3.119 0.00184 **
g00w42q -3.698e-04 8.881e-05 -4.164 3.24e-05 ***
z.g02w40o -1.051e+00 1.119e-01 -9.395 < 2e-16 ***
g02w40t 2.206e-04 4.341e-05 5.082 4.01e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for Gamma family taken to be 1.32781)
Null deviance: 5084.3 on 2568 degrees of freedom
Residual deviance: 4323.5 on 2557 degrees of freedom
AIC: 17484
2
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
Figura 2. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 40 das escogidos al azar
3
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
5.1 PRIMAVERA
Figura 3. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado en primavera
4
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
5.2 VERANO
Figura 4. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado en verano
5
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
5.3 OTOO
Figura 5. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado en otoo
6
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A4
Daniel Hernndez Lpez
5.4 INVIERNO
Figura 6. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado en invierno
7
ANEJO A5 DATOS AUXILIARES MODELO OPERATIVO
NDICE
1 INTRODUCCIN ............................................................................................................... 1
2 DIAGRAMAS COMPARATIVOS LLUVIA SIMULADA-OBSERVADA .................................... 1
NDICE DE FIGURAS
Figura 1. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 30 das
escogidos al azar ................................................................................................................................. 1
i
ANLISIS ESTADSTICO DE LA PRECIPITACIN EN UN REA DE MONTAA ANEJO A5
Daniel Hernndez Lpez
1 INTRODUCCIN
Figura 1. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 30 das escogidos al azar