TFM

ANLISIS ESTADSTICO
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
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.
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.
2.1.1 PRECIPITACIN DIARIA

La serie de precipitacin diaria presenta una elevada cantidad de das con precipitacin nula o
con valores reducidos de sta y una baja frecuencia de observaciones de precipitacin elevada.
Su distribucin puede contemplarse en los grficos mostrados en la Figura 3.
Figura 3. Histrogramas de frecuencia de precipitacin
En la Figura 4 se muestra el diagrama de cajas de la serie clasificado por mes. Modificando el

rango del eje de ordenadas se puede apreciar ms claramente la estacionalidad en el
3
comportamiento de la precipitacin (grfico derecha): primaveras y otoos lluviosos y veranos

e inviernos secos.
Figura 4. Diagramas de caja de la precipitacin diaria clasificada por mes
Los principales resmenes descriptivos de la serie de precipitacin se muestran en la Tabla 1.

Mes 1 2 3 4 5 6 7 8 9 10 11 12
Media 4.12 2.72 3.19 5.67 5.84 4.36 3.58 3.66 5.17 6.91 6.97 5.39
Desv tip 10.91 8.26 9.31 11.11 11.55 10.53 10.42 10.38 12.9 15.78 19.52 13.68
q50 0 0 0 0 0 0 0 0 0 0 0 0
q75 3 1.8 1.5 5.85 6 3.7 1 2 3 4.8 4.97 4
q90 12.96 8.47 9 21.16 18.21 14 11.8 11 17.18 23.98 20 17.58
Asimetra 4.59 6.85 5.18 2.67 3.16 4.77 6.42 5.6 3.73 3.21 7.11 4.74
Kurtosis 26.2 61.7 34.8 7.71 12.31 34.46 69.1 47.31 16.03 11.42 81.01 33.65
Frecuencia
0.34 0.30 0.29 0.41 0.45 0.36 0.26 0.28 0.32 0.35 0.36 0.34
P>=1mm
Tabla 1. Resmenes descriptivos de la serie de precipitacin diaria de Griz
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
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
Tabla 2. Resmenes descriptivos de la serie de Griz de precipitacin de un mnimo de 1 mm diario
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.
Figura 5. Histograma de la serie de precipitaciones mximas diarias anuales.
5
2.1.2 DATOS ATMOSFRICOS

Para el desarrollo del trabajo se ha dispuesto de una serie de datos atmosfricos de los puntos
(2O, 42N), (0, 42N), (2O, 40N) y (0, 40N) de la malla de la base de datos atmosfricos
ERA40, Uppala et al. (2005). Dicha base de datos, desarrollada por el European Centre for
Medium-Range Weather Forecasts (ECMWF), consiste en un re-anlisis de los parmetros
atmosfricos registrados en el periodo comprendido entre el 1 de septiembre de 1957 y el 31
de agosto del 2002 representados espacialmente en una malla. Para el presente trabajo estos
datos representan la realidad atmosfrica.
El ECMWF es un organismo
intergubernamental independiente formado
por 34 estados. Se encarga tanto de desarrollar
42N
investigaciones acerca del clima como de
realizar predicciones para los estados
miembros. El re-anlisis de los datos se realiza
40N
sobre observaciones pasadas para crear bases
de datos globales que describan de la manera
ms precisa posible la historia reciente de la
atmsfera, la superficie terrestre y los ocanos.
En la Figura 6 se muestra la ubicacin del
2O 0
refugio de Griz as como de los 4 puntos de la
Figura 6. Ubicacin de la estacin de Griz (punto negro) malla ERA40 empleados.
y de los puntos de la malla ERA40 (puntos rojos)
Para construir el modelo operativo objeto del
presente trabajo se ha trabajado con variables (y niveles geopotenciales) que ayudan en el
pronstico operativo de la precipitacin. Concretamente se ha trabajado con datos de punto
de roco, humedad especfica, presin, altura geopotencial, divergencia, vorticidad relativa y
diferencia de temperatura en superficie y para distintos niveles de presin: 850 hPa (1500
msnm), 700 hPa, 500 hPa (5000 msnm) y 300 hPa (10000 msnm).
La nomenclatura empleada para citar a las variables atmosfricas se puede localizar en el
anejo A2.
Del punto ms cercano al refugio de Griz (0, 42N) se ha dispuesto de datos de vorticidad
relativa, divergencia, humedad especfica, diferencia de temperatura entre niveles, punto de
roco, presin y altura geopotencial. Para los otros tres restantes puntos de la malla ERA40,
notoriamente distantes de Griz, se ha utilizado nicamente datos de presin y altura
geopotencial que pueden ayudar a representar la situacin de altas presiones o la presencia de
borrascas.
2.1.3 BASE DE DATOS GLOBAL

Finalmente se ha dispuesto de una base de datos que incluye la variable precipitacin diaria en
Griz y 17 variables atmosfricas de 3 puntos de la malla ERA40 (en total 62 variables
atmosfricas). Adicionalmente se han definido los trminos seno y coseno respecto del da del
ao para expresar mediante armnicos el comportamiento estacional de fenmeno, as como
6
variables booleanas para describir la ocurrencia de precipitacin tanto del da en cuestin

como en das previos. Teniendo en cuentas las columnas para indicar la fecha la base de datos
se corresponde con una matriz de 7.701 filas y 81 columnas (ms de 600.000 datos).
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
2.2.2 METODOLOGA PARA CONSTRUCCIN DE MODELOS

La seleccin de modelos establece la consideracin de que los trminos incluidos en el
predictor lineal sean significativos. Cuando se dispone de k covariables el nmero de modelos
distintos que pueden construirse es 2k, por ello se requiere un procedimiento de bsqueda de
modelos ptimos que evite la revisin de todos los posibles. Para la construccin de modelos
ptimos se ha empleado la tcnica stepwise.
Dicha tcnica es un procedimiento automtico para la seleccin de modelos en casos en que
hay un nmero elevado de posibles variables predictoras. En el presente trabajo el
procedimiento del stepwise se ha realizado mediante la aproximacin llamada forward
selection y con el criterio Akaike Information Criterion (AIC), basado en la verosimilitud. Se ha
partido de un modelo sencillo y en cada iteracin se aade una variable y se comprueba si ha
mejorado o empeorado el AIC. De esta forma se va iterando hasta encontrar el modelo que
minimiza el AIC. En ltima fase de la modelizacin se realiza una simplificacin de trminos no
significativos a nivel 0.05.
Se han comparado modelos a partir de las herramientas de control de calidad de sus
prestaciones para representar las caractersticas de la respuesta.
En los modelos de ocurrencia se ha comprobado la reproduccin de la frecuencia observada,
por meses, as como qu valor (o valores) umbral de probabilidad de precipitacin optimizan la
correcta clasificacin de ocurrencia de precipitacin, es decir, predicen una mayor cantidad de
ocurrencia en das que realmente llueve y de no ocurrencia en das que realmente no llueve.
Para los modelos de cantidad se ha valorado el ajuste del valor medio por parte de los valores
estimados para cada da. Por otra parte, mediante simulacin del sub-modelo se ha
comprobado el grado de reproduccin de los percentiles, verificando el nivel hasta que el que
el modelo es adecuado y su capacidad para generar valores extremos.
El funcionamiento operativo del modelo global, incluyendo los sub-modelos de ocurrencia y
cantidad, se ha valorado mediante simulacin, controlando tambin el grado de reproduccin
de los percentiles observados, as como la adecuada proyeccin de precipitaciones acumuladas
mensuales y anuales, de proporcin de ocurrencia as como de perodos sin precipitacin.
Los programas y funciones desarrollados para las distintas fases del trabajo, construccin de
las bases de datos, anlisis exploratorio, construccin y crtica de modelos, simulacin de los
mismos, se ha implementado en el software estadstico R, https://www.r-project.org/.
Se han usado distintas libreras de R, entre ellas r-commander, as como las funciones glm, step
y otras asociadas a las distintas fases de la modelizacin. Toda la programacin empleada para
el desarrollo del presente trabajo puede consultarse en el anejo A1.
8
3 MODELOS DE OCURRENCIA
Para desarrollar los modelos de ocurrencia se ha procedido de la siguiente manera: En primer

lugar se ha caracterizado la precipitacin usando nicamente informacin asociada a la fecha y
a la persistencia representada slo por la informacin de la serie de lluvia (ocurrencia de
precipitacin en el da y en das previos). Corresponde a un tipo de modelo sencillo que
reflejar la necesidad de representar el ciclo anual as como la persistencia del fenmeno.
En segundo lugar se han construido modelos aadiendo informacin atmosfrica.
Posteriormente se ha comprobado cuanto mejoran estos segundos respecto a los primeros.
3.1 MODELOS DE OCURRENCIA SIN VARIABLES ATMOSFRICAS

En el presente apartado se explica el desarrollo realizado para la seleccin de un modelo de
ocurrencia de precipitacin a partir nicamente del da del ao y de la ocurrencia de
precipitacin de das anteriores.
La informacin del da del ao se introduce al modelo a
MODELO AIC
partir de los diferentes armnicos. La ocurrencia (previa) de
1 8689.4 precipitacin es una variable booleana que toma valor 1
1 optimizado 8682.2 cuando la precipitacin del da (previo) es igual o superior a
2 8635.6 1 mm y 0 en caso contrario.
2 optimizado 8620.9 Se ha generado inicialmente un modelo considerando
3 8611.5 nicamente los armnicos y la ocurrencia del da previo.
3 optimizado 8583.3 Posteriormente se han desarrollado diferentes modelos
aadiendo sucesivamente la ocurrencia de un da previo
4 8578.3
extra hasta un total de 6 das previos. Cada uno de los
4 optimizado 8539.4 modelos se ha optimizado de manera automtica usando la
5 8555.6 tcnica stepwise y de forma manual eliminando aquellos
5 optimizado 8547.3 trminos que no son significativos a nivel 0.05.
6 8535.9 En la Tabla 3 se muestra el AIC de cada uno de los modelos
6 optimizado 8552.8 generados. En el anejo A3 se muestra el resumen grfico
para cada uno de los modelos donde adems se incorpora la
Tabla 3. Relacin de modelos de composicin de la expresin lineal de cada modelo.
ocurrencia sin informacin
atmosfrica y AIC correspondiente Como se puede comprobar la informacin que aporta la
ocurrencia de un da previo adicional siempre mejora el AIC
del modelo respecto al previo hasta el modelo que considera la ocurrencia de 5 das previos. A
partir de ste el AIC del modelo optimizado no se rebaja. Por este motivo se ha considerado el
modelo 5 optimizado como el ms adecuado del presente apartado.
En las figuras que se muestran a continuacin se representa la probabilidad de precipitacin
(de por lo menos 1 mm) ajustada por los distintos modelos. En la Figura 7 (izda) se muestra las
predicciones del modelo 1 optimizado; en l pueden observarse dos curvas: la superior que
indica la probabilidad de precipitacin si en el da previo llueve y la inferior que indica la
probabilidad de precipitacin si el da previo no llueve.
9
En la Figura 7 (dcha) se muestra el grfico para el modelo 2 optimizado y en la Figura 8 para el

5 optimizado. En cada uno de ellos aparecen 2n curvas, siendo n el nmero de das previos que
intervienen en el modelo. Para el caso del modelo 2 optimizado se presentan 4 curvas que de
arriba abajo son: probabilidad de precipitacin en un da t0 si llueve el da t0-1 y no en el da t0-
2, probabilidad si llueven los dos das previos, probabilidad si solo llueve el da t0-2 y
probabilidad si no llueve ningn da.
Figura 7. Prediccin del modelo optimizado 1 y del modelo optimizado 2 de ocurrencia sin variables atmosfricas
Figura 8. Prediccin del modelo optimizado 5 de ocurrencia sin variables atmosfricas
Un grfico de un modelo que representara idealmente la realidad debera mostrar puntos en

y=1 para aquellos das en que lloviera y puntos en y=0 para aquellos das que no lloviera. Como
esto no es posible, los modelos que describen mejor la realidad no presentarn
10
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.
3.2 MODELOS DE OCURRENCIA CON VARIABLES ATMOSFRICAS

Se ha creado un modelo de la misma familia que los explicados en el apartado previo pero
teniendo en cuenta todas las variables atmosfricas descritas en la seccin 2.
El procedimiento para obtener el modelo ha sido el siguiente: se ha partido de un modelo
sencillo que solo consideraba harmnicos y ocurrencia y mediante la herramienta stepwise se
ha obtenido un modelo optimizado aadiendo variables al modelo sencillo y teniendo como
mximo un modelo que consideraba todas las variables; en general sobreparametrizado. Del
resultado obtenido con el stepwise se han desechado aquellos trminos no significativos.
El AIC del modelo optimizado es 7416.4. La composicin de la expresin lineal del modelo as
como su resumen se pueden consultar en el anejo A3. Como primer punto del presente
apartado destacar que los modelos con informacin de variables atmosfricas generan unas
predicciones ms ajustadas a las observadas; el AIC del modelo con informacin atmosfrica es
11
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
Un resultado a sealar es que en un modelo como el obtenido (con informacin atmosfrica)

nicamente considera significativo la ocurrencia del da previo. A diferencia de lo que ocurra
en los modelos sin variables atmosfricas, la ocurrencia de dos das previos ya no es
significativa. Puede interpretarse que esa informacin era un proxy de la informacin incluida
en las variables atmosfricas, que representan la situacin sinptica que explica la
precipitacin.
Como se puede ver en el grfico de la Figura 10, el modelo de ocurrencia con variables
atmosfricas presenta un elevado nmero de das en los que la probabilidad ajustada es
prcticamente 0, es decir, se asegura que no existir precipitacin. Asimismo el modelo
tambin presenta algunos das en los que prcticamente se asegura que se producir un
evento de por lo menos 1 mm. Como en los modelos sin variables atmosfricas, el presente
modelo de ocurrencia ajusta bien en promedio el patrn de precipitacin observada (ver
Figura 11).
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.
3.3 CRTICA DE LOS MODELOS DE OCURRENCIA

Un parmetro interesante para la crtica de los modelos de ocurrencia es conocer para qu
valor umbral de probabilidad de precipitacin se maximiza la proporcin de das con
precipitacin (o no) correctamente predichos y qu valor toma dicha proporcin.
En los grficos de la Figura 12 se muestra la proporcin de das bien clasificados en funcin del
umbral de probabilidad de precipitacin considerado (a la izquierda se muestra la curva para el
modelos de ocurrencia sin variables atmosfricas y a la derecha la curva para el modelo de
ocurrencia con variables atmosfricas).
El modelo sin variables atmosfricas presenta su mayor proporcin de clasificacin correcta
(0.72) para una probabilidad umbral de 0.52. El modelo con variables atmosfricas presenta un
porcentaje de das correctamente clasificados algo mayor (0.76) y se da para un valor umbral
de probabilidad de 0.53.
De todos modos, tal y como puede comprobarse en la Figura 13 que es una ampliacin de la
Figura 12, existe un rango de umbrales aproximadamente entre 0.3 y 0.6 donde el valor de la
proporcin de das correctamente predichos es bastante constante y toma un valor entorno a
0.7 para los modelos sin variables atmosfricas y a 0.75 para los modelos que incorporan
informacin atmosfrica.
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.
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
Como se puede apreciar en la Tabla 4, en el rango de valores umbrales de probabilidad donde

se optimiza la proporcin de clasificacin correcta (entre 0.3 y 0.6) se encuentra tambin el
14
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
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
Figura 16. Curvas ROC para el modelo de ocurrencia con variables atmosfricas segn la estacin del ao
17
4 MODELOS DE CANTIDAD
La simulacin de la cantidad de precipitacin ocurrida es ms compleja que la simulacin de la

simple ocurrencia (variable continua frente a variable discreta), por lo tanto se ha optado por
ajustar nicamente modelos que contengan informacin de las variables atmosfricas para la
creacin de modelos de cantidad de precipitacin.
Como ya se ha comentado previamente los modelos de cantidad han sido considerados del
tipo GLM con distribucin gamma ya que como se mencion en el apartado 2.1.1 la sub-serie
de precipitacin que considera aquellos das con por lo menos 1 mm de precipitacin se ajusta
razonablemente bien a una distribucin de dicho tipo.
4.1 MODELO AJUSTADO

El modelo de cantidad se ha ajustado de la misma manera que el modelo de ocurrencia con
variables atmosfricas: partiendo de un modelo simple se han ido aadiendo variables hasta
obtener un modelo que minimizaba el valor AIC. Posteriormente en este modelo se ha
eliminado de manera manual los trminos con poca significacin. La composicin de la
expresin lineal del modelo as como su resumen se pueden consultar en el anejo A4.
Cabe mencionar que el modelo de cantidad se ha ajustado respecto a la sub-serie que
nicamente considera los das que presentan una precipitacin de al menos 1 mm (valor
umbral). La respuesta de los modelos de cantidad se ha considerado el exceso de precipitacin
respecto a este umbral.
El modelo de cantidad depende del segundo armnico, de la ocurrencia previa, de la vorticidad
a 500 hPa, del geopotencial a 500 y a 850 hPa, de la humedad especfica a 850 hPa y de la
presin superficial en el punto cercano (0E,42N); del geopotencial a 850 hPa para los puntos
restantes de la malla ERA40 y adems el geopotencial a 300 hPa para el punto (2O,40N). Los
parmetros ms influyentes del modelo corresponden a la altura geopotencial a 850 hPa en
los puntos (2O, 42N), (0O, 40N) y (2O, 40N) respectivamente.
4.2 CRTICA DEL MODELO DE CANTIDAD

Para valorar la capacidad de reproducir la cantidad de precipitacin simulada respecto a la
precipitacin observada se han realizado 1.000 simulaciones de distribuciones tipo gamma con
el mismo parmetro de forma y de escala estimados por el modelo.
La validacin del modelo se ha realizado comprobando si la precipitacin observada se
corresponde con la distribucin de las simulaciones realizadas.
En la Figura 18 se muestran los percentiles para cada simulacin realizada (puntos) y el valor
del percentil para el exceso de precipitacin observado (lnea roja). En cada uno de los grficos
de la Figura 18 adems se indican mediante lneas verdes aquellos valores que corresponden
con los percentiles 0.05 y 0.95 de las cantidades simuladas.
18
Si el valor de exceso de precipitacin observado (lneas rojas) se encuentra comprendido entre

las lneas verdes se puede considerar que el modelo de cantidad es compatible con el
comportamiento observado.
Como puede comprobarse en la Figura 18, el modelo representa adecuadamente el
comportamiento de la realidad hasta el percentil 0.98. En el percentil 0.99 se puede observar
que el modelo tiende a predecir excesos de precipitacin mayores que los observados. Por lo
tanto para lluvias asociadas a valores del orden del percentil 0.99 el modelo no es adecuado.
Figura 17. Comparacin de los percentiles de las simulaciones de cantidad de exceso lluvia y del exceso de
precipitacin observado
Tambin se ha valorado para cada da con precipitacin cmo es el comportamiento de la serie

formada por las precipitaciones generadas para ese da por las 1.000 simulaciones. Si el
modelo representa adecuadamente la realidad, el valor de precipitacin observado debera
quedar relativamente centrado entre los puntos de precipitacin simulados para ese da. Si se
consideran las percentiles 0.05 y 0.95, el modelo centra correctamente 2.279 das sobre un
total de 2.569 (88,7%). Considerando los percentiles 0.1 y 0.9, el modelo predice
correctamente 2.077 das sobre un total de 2.569 (80,8%).
19
En el anejo A4 se muestran los diagramas de caja de la precipitacin simulada para 40 das

escogidos al azar, as como su precipitacin observada. Estos diagramas de caja respaldan de
manera grfica los argumentos numricos mencionados en el pargrafo previo, ya que como
se puede observar, 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 para el da en
cuestin.
Los resultados de las simulaciones de cantidad de precipitacin tambin se han valorado
discriminando en funcin de la estacin en la que ocurre la precipitacin. En el anejo A4
pueden encontrarse grficos homlogos al mostrado en la Figura 18 pero cada una de las
cuatro estaciones.
Se quiere destacar que en la estacin de verano el modelo representa adecuadamente el
comportamiento de la cantidad de precipitacin hasta el percentil 0.99. Tambin se quiere
mencionar que en otoo y en invierno el percentil 0.25 parece quedar ligeramente
infravalorado en el modelo, aunque corresponde con valores de precipitacin poco relevantes,
as como el percentil 0.9 en otoo. Otro aspecto a destacar es que en todas las estaciones (de
hecho como en ocurre en la Figura 18) el percentil 0.99 tiende a estar sobrevalorado en las
proyecciones efectuadas por el modelo.
20
5 MODELO OPERATIVO PARA LA PRECIPITACIN DIARIA
El modelo operativo de precipitacin diaria se ha realizado integrando los sub-modelos de

ocurrencia y de cantidad. En primer lugar se realiza la simulacin de la ocurrencia mediante
una distribucin binomial considerando para cada da simulado la probabilidad de ocurrencia
arrojada con el modelo considerado.
Seguidamente se realiza el mismo tipo de simulacin que el realizado para los modelos de
cantidad pero transformando la variable exceso de precipitacin respecto 1 mm (empleada en
el modelo de cantidad) en precipitacin. Posteriormente se multiplican los resultados de la
simulacin de ocurrencia y la simulacin de cantidad y se obtienen las simulaciones del modelo
operativo para cada da.
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
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
Se ha valorado cmo es el comportamiento de la serie formada por las precipitaciones

estimadas para cada da por las 1.000 simulaciones. Si el modelo representa adecuadamente la
realidad, el valor de precipitacin observado debera quedar relativamente centrado entre los
puntos de precipitacin simulados para ese da. Si se consideran las percentiles 0.05 y 0.95, el
modelo ubica correctamente 7.250 das sobre un total de 7.600 (95,4%). Considerando los
percentiles 0.1 y 0.9, el modelo predice correctamente 6.929 das sobre un total de 7.600
(91,2%).
En la Tabla 6 se muestran la proporcin de das centrados entre los percentiles 0.1 y 0.9. Como
se puede apreciar, la proporcin de das centrados no presenta estacionalidad teniendo todos
los meses valores cercanos al promedio total.
22
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
En la Tabla 7 se muestran las precipitaciones promedio acumuladas mensuales de la serie de

lluvia observada as como el promedio de las 1000 simulaciones realizadas. Como se puede
comprobar el modelo produce unas precipitaciones mensuales que tienden a tener un error
relativo respecto a la precipitacin observada del orden del 10%. nicamente en los meses de
Junio y Febrero se tienen errores relativos superiores (15.1 y 11.8% respectivamente).
Precipitacin Precipitacin
Error absoluto
Mes promedio promedio Error relativo (%)
(mm)
observada (mm) simulada (mm)
Enero 127.1 133.8 6.7 5.3
Febrero 68.0 76.0 8 11.8
Marzo 94.0 96.0 2 2.1
Abril 169.5 162.0 -7.5 -4.4
Mayo 186.7 196.1 9.4 5.0
Junio 134.7 155.0 20.3 15.1
Julio 115.2 119.2 4 3.5
Agosto 118.0 109.3 -8.7 -7.4
Septiembre 154.2 144.2 -10 -6.5
Octubre 192.7 181.1 -11.6 -6.0
Noviembre 201.9 182.4 -19.5 -9.7
Diciembre 167.9 163.0 -4.9 -2.9
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%.
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
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
Tabla 9. Ocurrencia de precipitacin observada y simulada clasificada por meses
En la Tabla 9 se muestran los valores de proporcin de ocurrencia de la serie observada y del

promedio de las simulaciones realizadas clasificados por meses. Como puede comprobarse en
los valores de dicha tabla el modelo operativo produce simulaciones que en promedio ajustan
con errores relativos inferiores al 10% la proporcin de ocurrencia de precipitacin observada
por mes.
En el anejo A5 se muestran los histogramas de la precipitacin simulada para 30 das escogidos
al azar, as como su precipitacin observada. Estos histogramas respaldan de manera grfica
los argumentos numricos mencionados en el prrafo previo, ya que como se puede observar,
24
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
6 CONCLUSIONES Y TRABAJO FUTURO
En la presente seccin se resumen las conclusiones extradas durante el desarrollo y a partir de

los resultados del presente trabajo. El objetivo del trabajo ha sido obtener un modelo que sea
capaz de representar la precipitacin ocurrida en una zona montaosa del Pirineo Aragons.
Dicho modelo se ha construido a partir de dos sub-modelos: uno de ocurrencia y otro de
cantidad.
Las principales conclusiones para el sub-modelo de ocurrencia son:
El sub-modelos de ocurrencia considera como variables predictoras la estacionalidad
(mediante armnicos), la ocurrencia del da previo y 21 parmetros atmosfricos. De
ellos, 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).
El sub-modelo de ocurrencia creado llega a producir una correcta clasificacin de los
das en funcin la ocurrencia real de precipitacin del orden del 75%; llegando a ser
del orden del 78% en los meses de invierno.
Las principales conclusiones del sub-modelo de cantidad son
El sub-modelo de cantidad seleccionado depende del segundo armnico seno, de la
ocurrencia previa, de la vorticidad, del geopotencial a 500 y a 850 hPa, de la humedad
especfica a 850 hPa y de la presin superficial en el punto cercano (0E,42N).
Tambin depende del geopotencial a 850 hPa para los puntos restantes de la malla
ERA40 y adems del geopotencial a 300 hPa para el punto (2E,40N).
Los parmetros ms influyentes del modelo son la altura geopotencial a 850 hPa en
los puntos (2O, 42N), (0O, 40N) y (2O, 40N) respectivamente.
Las simulaciones del modelo de cantidad producen unos resultados coherentes con la
realidad observada hasta valores de lluvia del percentil 0.98 (aproximadamente 70 mm
de precipitacin).
Como conclusiones del modelo operativo que integra la ocurrencia y la cantidad de
precipitacin se pueden citar las siguientes:
Se ha obtenido un modelo operativo para la precipitacin diaria en una zona
montaosa del Pirineo aragons que simula adecuadamente la precipitacin diaria
observada. Con dicho modelo se pueden generar series de precipitacin que
representen de manera adecuada la realidad observada para prcticamente todos los
valores de precipitacin (hasta el percentil 0.99).
El modelo operativo permite generar precipitacin diaria en las condiciones dadas por
un nmero limitado de variables atmosfricas, que pueden ser proporcionadas bien
por un reanlisis, por una herramienta de prediccin atmosfrica o por un modelo de
circulacin general, dependiendo del objetivo que se plantee.
26
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
1 INTRODUCCIN
Se presenta en este anejo el cdigo empleado para el desarrollo del trabajo.
2 DESCRIPCIN DE DATOS
#Para obtener una descriptive general de la precip diaria

summary(serie$precip)
boxplot(serie$precip)
#Para tabular la frecuencia (numero) de das con al menos 1mm
table(serie$precip>=1)
#Para hacer una descriptiva por meses
tapply(serie$precip , serie$month, mean , na.rm=T)
tapply(serie$precip , serie$month, sd, na.rm=T )
boxplot( split(serie$precip , serie$month))
tapply(serie$precip , serie$month, quantile, c(0.5, 0.75, 0.9),na.rm=T))
#La libreriamoments permite generar facilmente las medidas de forma
library(moments)
skewness(serie$precip, na.rm=T)
kurtosis(serie$precip, na.rm=T)-3
#Para hacer una descriptiva por meses y que salga facil de convertir en tabla
auxiliar.serie<- serie$precip
auxiliar.grupo<- serie$month
for(i in 1:1) { #for herramental para que aparezcan los resultados consecutivos
auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, mean , na.rm=T)
cat('Mes', names(auxiliar.vector), sep='&', fill=T)
cat('Media' , round(auxiliar.vector, digits=2), sep='&', fill=T)
auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, sd , na.rm=T)
cat('Desv tip' , round(auxiliar.vector, digits=2), sep='&', fill=T)
auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, quantile, 0.5 , na.rm=T)
cat('q50' , round(auxiliar.vector, digits=2), sep='&', fill=T)
1

auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, skewness, na.rm=T)
cat('Asimetria' , round(auxiliar.vector, digits=2), sep='&', fill=T)
auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, kurtosis, na.rm=T) -3
cat('Kurtosis' , round(auxiliar.vector, digits=2), sep='&', fill=T)
} #fin for herramental
#Para partir la ventana de salidas graficas en 4 subventanas
par(mfrow=c(2,2))
plot(tapply(serie$precip , serie$month, mean ,na.rm=T))
plot(tapply(serie$precip , serie$month, sd,na.rm=T))
plot(tapply(serie$precip , serie$month, quantile, c(0.5),na.rm=T), ylim=c(0, 30), xlab='',
ylab='mm')
lines(tapply(serie$precip , serie$month, quantile, c(0.75),na.rm=T), col=2)
lines(tapply(serie$precip , serie$month, quantile, c(0.9),na.rm=T), col=3)
plot(tapply(serie$precip>=1 , serie$month, mean , na.rm=T), main= 'Relative frequency
precip>=1mm')
#Para distinguir la descriptive de la cantidad cuando es al menos 1mm
marcador<- (series$precip>=1)
plot(tapply(serie$precip[marcador] , serie$month[marcador], mean ))
plot(tapply(serie$precip[marcador] , serie$month[marcador], sd ))
2
3 SUB-MODELOS DE OCURRENCIA
3.1 SIN VARIABLES ATMOSFRICAS

Goriz_sva <- read.table("G:/MASTER/TFM/Goriz.precip.txt", header=TRUE,
sep="", na.strings="NA", dec=".", strip.white=TRUE)
library(relimp, pos=17)
showData(Goriz_sva, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80,
maxheight=30)
Goriz_sva <- within(Goriz_sva, {
a.d00w42o <- NULL
a.e00w42o <- NULL
a.r00w42q <- NULL
a.r00w42s <- NULL
a.r00w42t <- NULL
a.t00w42Dot <- NULL
})
maxheight=30)
d00w42o <- NULL
d00w42q <- NULL
d00w42s <- NULL
d00w42t <- NULL
e00w42o <- NULL
})
g00w40o <- NULL
g00w40q <- NULL
g00w40s <- NULL
g00w40t <- NULL
g00w42o <- NULL
g00w42q <- NULL
g00w42s <- NULL
g00w42t <- NULL
3
g02w40o <- NULL

g02w40q <- NULL
g02w40s <- NULL
g02w40t <- NULL
g02w42o <- NULL
g02w42q <- NULL
g02w42s <- NULL
g02w42t <- NULL
})
p00w40l <- NULL
p00w42l <- NULL
p02w40l <- NULL
p02w42l <- NULL
r00w42q <- NULL
r00w42s <- NULL
r00w42t <- NULL
t00w42Dlt <- NULL
t00w42Doq <- NULL
t00w42Dot <- NULL
})
z.d00w42o <- NULL
z.d00w42q <- NULL
z.d00w42s <- NULL
z.g00w40o <- NULL
z.g00w40q <- NULL
z.g00w40s <- NULL
z.g00w40t <- NULL
z.g00w42o <- NULL
z.g00w42q <- NULL
z.g00w42s <- NULL
z.g00w42t <- NULL
4
z.g02w40o <- NULL

z.g02w40q <- NULL
z.g02w40s <- NULL
z.g02w40t <- NULL
z.g02w42o <- NULL
z.g02w42q <- NULL
z.g02w42s <- NULL
z.g02w42t <- NULL
z.p00w40l <- NULL
z.p00w42l <- NULL
z.p02w40l <- NULL
z.p02w42l <- NULL
z.t00w42Dlt <- NULL
z.t00w42Doq <- NULL
})
maxheight=30)
clave <- NULL
})
Goriz_sva$ocurrencia.previa.3 <- c(NA,
Goriz_sva$ocurrencia.previa.2[1:(length(Goriz_sva$ocurrencia.previa.2)-1)])
maxheight=30)
attach(Goriz_sva)
mosva1 <- glm(ocurrencia ~ocurrencia.previa *(s1+c1+s2+c2+s3+c3) , family=binomial(logit),
data=Goriz_sva)
5
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)
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)
*(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)
summary(mosva3op)
AIC(mosva3op)
mosva3op2<-glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 +
6
ocurrencia.previa:c1 + ocurrencia.previa:ocurrencia.previa.2 +
s1:ocurrencia.previa.3 , family = binomial(logit),
data = Goriz_sva)
summary(mosva3op2)
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.3 *(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.4
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)
summary(mosva4op)
AIC(mosva4op)
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)
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.5
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)
summary(mosva5op)
AIC(mosva5op)
7
ocurrencia.previa.5 + ocurrencia.previa:c1 +
s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2
, family = binomial(logit),
data = Goriz_sva)
summary(mosva5op2)
*(s1+c1+s2+c2+s3+c3)+ ocurrencia.previa.5 *(s1+c1+s2+c2+s3+c3)+ocurrencia.previa.6
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)
summary(mosva6op)
AIC(mosva6op)
c3 + ocurrencia.previa.2 + ocurrencia.previa.5 +
ocurrencia.previa:c1 + s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2 ,
summary(mosva6op2)
*(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
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
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)
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)')
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)
auxiliar.marcador<-
via.3)
auxiliar.marcador<-
via.3)&!is.na(ocurrencia.previa.4)
9
auxiliar.marcador<-
auxiliar.marcador<-
tapply( predict(mosva5op2, type='response')[auxiliar.marcador],
list(month[auxiliar.marcador]), mean, na.rm=T)
attach(Goriz_sva)
auxiliar.marcador<-
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)
3.2 CON VARIABLES ATMOSFRICAS

setwd("G:/MASTER/TFM")
Goriz.variables.atm<- read.table(file='Goriz.precip.txt', header=T, dec='.')
attach(Goriz.variables.atm)
showData(Goriz.variables.atm, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80,
maxheight=30)
auxiliar.glm.base<- glm(ocurrencia ~ s1+c1+s2+c2 + ocurrencia.previa, family=binomial(logit) ,
data=na.omit(Goriz.variables.atm[, 8:80] ))
10
auxiliar.glm.lleno<- glm(ocurrencia ~ . , family=binomial(logit)

,data=na.omit(Goriz.variables.atm[, 8:80] ))
auxiliar.glm.step<- step(auxiliar.glm.base, scope= list(upper=formula(auxiliar.glm.lleno)),
direction='both', data=na.omit(Goriz.variables.atm[, 8:80] ))
AIC(auxiliar.glm.lleno)
AIC(auxiliar.glm.step)
summary(auxiliar.glm.step)
MOCVA1<- glm(ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
p02w42l + e00w42o + z.g02w42q + a.r00w42t + z.g02w42s + g02w42t +
z.p02w40l + 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 + z.g00w40o , family=binomial(logit)
,data=na.omit(Goriz.variables.atm[, 8:80] ))
AIC(auxiliar.glm.step)
AIC(MOCVA1)
summary(MOCVA1)
MOCVA1op<-glm(formula = ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
g02w42s + z.t00w42Dlt + z.p00w40l + g02w42o +
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)
auxiliar.marcador<-na.omit(Goriz.variables.atm)
plot(auxiliar.marcador$day.year , predict(MOCVA1op, type='response'),ylim=c(0,1), xlab='day',
ylab='P(precip>1mm)')
tapply(ocurrencia, list(month), mean, na.rm=T)
tapply( predict(MOCVA1, type='response'), list(auxiliar.marcador$month), mean, na.rm=T)
auxiliar.modelo<- MOCVA1op
auxiliar.data.frame <- na.omit(Goriz.variables.atm[, 8:80] )
auxiliar.data.frame$month<-auxiliar.marcador$month
auxiliar.clasificado<- predict(auxiliar.modelo, type='response')
11
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta')

mean((auxiliar.clasificado>=(i/1000))==auxiliar.data.frame$ocurrencia))
auxiliar.clasificado$month<-auxiliar.marcador$month
par(mfrow=c(2,2))
primavera1<-
auxiliar.clasificado$month==3|auxiliar.clasificado$month==4|auxiliar.clasificado$month==5
primavera2<-
auxiliar.data.frame$month==3|auxiliar.data.frame$month==4|auxiliar.data.frame$month==5
verano1<-
verano2<-
auxiliar.data.frame$month==6|auxiliar.data.frame$month==7|auxiliar.data.frame$month==8
otono1<-
otono2<-
auxiliar.data.frame$month==9|auxiliar.data.frame$month==10|auxiliar.data.frame$month==
11
invierno1<-
invierno2<-
auxiliar.data.frame$month==12|auxiliar.data.frame$month==1|auxiliar.data.frame$month==
2
#Clasificacion correcta para distintos umbrales
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta',main='primavera')
mean((auxiliar.clasificado$auxiliar.clasificado[primavera1]>=(i/1000))==auxiliar.data.frame$oc
urrencia[primavera2]))
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta',main='verano')
mean((auxiliar.clasificado$auxiliar.clasificado[verano1]>=(i/1000))==auxiliar.data.frame$ocurr
encia[verano2]))
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta',main='otoo')
mean((auxiliar.clasificado$auxiliar.clasificado[otono1]>=(i/1000))==auxiliar.data.frame$ocurre
ncia[otono2]))
plot(0:1, 0:1, type='n', ylim=c(0,1), xlab='Umbral', ylab='Prop clasif correcta',main='invierno')
12

mean((auxiliar.clasificado$auxiliar.clasificado[invierno1]>=(i/1000))==auxiliar.data.frame$ocur
rencia[invierno2]))
table(auxiliar.data.frame$ocurrencia[primavera2],
auxiliar.clasificado$auxiliar.clasificado[primavera1]>=auxiliar.umbral)
mean((auxiliar.clasificado$auxiliar.clasificado[primavera1]>=auxiliar.umbral)==auxiliar.data.fra
me$ocurrencia[primavera2])
table(auxiliar.data.frame$ocurrencia[verano2],
auxiliar.clasificado$auxiliar.clasificado[verano1]>=auxiliar.umbral)
mean((auxiliar.clasificado$auxiliar.clasificado[verano1]>=auxiliar.umbral)==auxiliar.data.frame
$ocurrencia[verano2])
table(auxiliar.data.frame$ocurrencia[otono2],
auxiliar.clasificado$auxiliar.clasificado[otono1]>=auxiliar.umbral)
mean((auxiliar.clasificado$auxiliar.clasificado[otono1]>=auxiliar.umbral)==auxiliar.data.frame$
ocurrencia[otono2])
table(auxiliar.data.frame$ocurrencia[invierno2],
auxiliar.clasificado$auxiliar.clasificado[invierno1]>=auxiliar.umbral)
mean((auxiliar.clasificado$auxiliar.clasificado[invierno1]>=auxiliar.umbral)==auxiliar.data.fram
e$ocurrencia[invierno2])
library(ROCR)
pred<- prediction(auxiliar.clasificado$auxiliar.clasificado,auxiliar.data.frame$ocurrencia)
perf<- performance(pred,"tpr","fpr")
plot(perf)
legend(0.77,0.22,legend=c('total','primavera','verano','otoo','invierno'),lty=c(1,1,1,1,1),col=c(
1,2,3,4,5))
abline(c(0,1))
pred.1 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[primavera1],auxiliar.data.frame$ocurrencia[
primavera2])
perf.1 <- performance(pred.1,"tpr","fpr")
plot(perf.1, add=T, col=2)
13
pred.2 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[verano1],auxiliar.data.frame$ocurrencia[ver
ano2])
pred.3 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[otono1],auxiliar.data.frame$ocurrencia[oton
o2])
pred.4 <-
prediction(auxiliar.clasificado$auxiliar.clasificado[invierno1],auxiliar.data.frame$ocurrencia[inv
ierno2])
4 SUB-MODELO DE CANTIDAD
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]) )
14
showData(serie.1mm, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80,

maxheight=30)
summary(auxiliar.glm.cantidad.step)
MCCVA1<- glm(exceso ~ s2 + c2 + clave + a.r00w42q + ocurrencia.previa +
z.p02w40l + g00w40o + g02w42o + z.g00w42o + e00w42o + g00w42q +
z.g02w40o + z.p02w42l + c3 + a.t00w42Dot + g02w40t +
z.g02w40t + p00w42l , data=na.omit(serie.1mm[, 8:81]) , family=Gamma(log))
summary(MCCVA1)
summary(auxiliar.glm.cantidad.step)
MCCVA2<- glm(exceso ~ s2 + c2 + clave + a.r00w42q + ocurrencia.previa +
g00w40o + g02w42o + z.g00w42o + e00w42o + g00w42q +
z.g02w40o + z.p02w42l + c3 + g02w40t + z.g02w40t +
p00w42l , data=na.omit(serie.1mm[, 8:81]) , family=Gamma(log))
summary(MCCVA2)
MCCVA3<- glm(exceso ~ s2 + clave + a.r00w42q + ocurrencia.previa +

z.g02w40o + g02w40t , data=na.omit(serie.1mm[, 8:81]) , family=Gamma(log))
summary(MCCVA3)
anova(MCCVA3, test='F')
#Para valorar los residuos estandarizados (atpicos), influencia (distancia de Cook)
par(mfrow=c(2,2))
plot(MCCVA3)
#se simulan 1000 trayectorias
n.simulaciones<- 1000
auxiliar.ajustados<- predict(MCCVA3, type='response')
n.casos<- length(auxiliar.ajustados)
auxiliar.data.frame.simulacion<- as.data.frame(matrix( ncol=n.simulaciones, nrow=n.casos))
auxiliar.forma<- 1/summary(MCCVA2)$dispersion
auxiliar.tasa<- auxiliar.forma/auxiliar.ajustados #parmetro de escala (donde se sita la media)
for(i.simulacion in 1:n.simulaciones) {
auxiliar.data.frame.simulacion[ , i.simulacion] <- rgamma(n.casos , shape=auxiliar.forma ,
rate=auxiliar.tasa)
15
} #fin for i.simulacion

auxiliar.data.frame<- na.omit(serie.1mm[, 1:81])
auxiliar.data.frame.simulacion$year<- auxiliar.data.frame$year
auxiliar.data.frame.simulacion$month<- auxiliar.data.frame$month
auxiliar.data.frame.simulacion$day.year<- auxiliar.data.frame$day.year
auxiliar.data.frame.simulacion$exceso<- auxiliar.data.frame$exceso
datos<-na.omit(serie.1mm[, 1:81])
datos2<-na.omit(serie.1mm[, 8:81])
#se compara el valor observado de la respuesta entre las simulaciones,
#Cuando el modelo es correcto, la respuesta debera ser un valor cualquiera entre los valores
simulados
auxiliar.cuantiles.simulados<- apply(auxiliar.data.frame.simulacion[, c(1:1000)], 2, quantile,
c(0.25, 0.5, 0.75) )
boxplot(auxiliar.data.frame.simulacion$exceso)
abline(h= auxiliar.cuantiles.simulados)
par(mfrow=c(3,2))
cuantiles.interes<- c(0.25, 0.5, 0.9, 0.95,0.98,0.99)
for(i.cuantiles in cuantiles.interes) {
auxiliar.cuantiles.simulados<-apply(auxiliar.data.frame.simulacion[, c(1:1000)], 2, quantile,
i.cuantiles)
auxiliar.cuantiles.observados<- quantile(auxiliar.data.frame.simulacion$exceso , i.cuantiles)
auxiliar.1<-quantile(auxiliar.cuantiles.simulados , 0.05)
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.cuantiles.observados ,col=2)
} #finfori.cuantiles
dia.simulado<-1:1000
marcador<-0
for (j in 1:length(auxiliar.ajustados)){
16
for (i in 1:1000){
dia.simulado[i]<-auxiliar.data.frame.simulacion[j,i]
}
auxiliar.1<-quantile(dia.simulado , 0.1)
if
((auxiliar.data.frame.simulacion[j,1004]>=auxiliar.1)&(auxiliar.data.frame.simulacion[j,1004]<=
auxiliar.2)){marcador<-marcador+1}
}
marcador
marcador<-0
for (j in 1:length(auxiliar.ajustados)){
for (i in 1:1000){
}
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))
for (j in x2){
for (i in 1:1000){
}
auxiliar.1<-quantile(dia.simulado, 0.05)
Boxplot(dia.simulado,id.method='none',ylab=j)
points(1,auxiliar.data.frame.simulacion[j,1004],col=2)
17
}
5 MODELO OPERATIVO
serie.1mm <- Goriz.variables.atm[ (Goriz.variables.atm$precip>=1), ]
serie.1mm$exceso <- serie.1mm$precip-0.99
MOCVA1op<-glm(formula = ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
g02w42s + z.t00w42Dlt + z.p00w40l + g02w42o +
c3 + t00w42Doq + z.g02w40t + g02w40t + clave + z.g00w40t +
z.g00w42q + z.g00w42o , family = binomial(logit),
data = na.omit(Goriz.variables.atm[, 8:80]))
summary(MOCVA1op)
n.simulaciones<- 1000
auxiliar.data.frame=na.omit(Goriz.variables.atm[, 8:80])
auxiliar.ajustados1<- predict(MOCVA1op, type='response')
n.casos<- length(auxiliar.ajustados1)
auxiliar.data.frame.simulacion1<- as.data.frame(matrix( ncol=n.simulaciones, nrow=n.casos))
auxiliar.data.frame.simulacion1[ , i.simulacion] <- rbinom(n.casos , 1,prob=auxiliar.ajustados1)
} #fin for i.simulacion
MCCVA3<- glm(exceso ~ s2 + clave + a.r00w42q + ocurrencia.previa +
z.g02w40o + g02w40t , data=na.omit(serie.1mm[, 8:81]) , family=Gamma(log))
summary(MCCVA3)
auxiliar.data.frame<- na.omit(Goriz.variables.atm[, 1:80])
auxiliar.ajustados2<- predict(MCCVA3, type='response', newdata=auxiliar.data.frame)
auxiliar.data.frame.simulacion2<- as.data.frame(matrix( ncol=n.simulaciones, nrow=n.casos))
18
auxiliar.forma<- 1/summary(MCCVA3)$dispersion
auxiliar.tasa<- auxiliar.forma/auxiliar.ajustados2 #parmetro de escala (donde se sita la
media)
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$precip , i.cuantiles)
plot(c(1:n.simulaciones), auxiliar.cuantiles.simulados, ylim=c(min(auxiliar.cuantiles.simulados,
auxiliar.cuantiles.observados), max(auxiliar.cuantiles.simulados, auxiliar.cuantiles.observados))
, ylab='mm', xlab='simulaciones')
title(main=paste('q' , i.cuantiles, ' Observado en rojo'))
abline(h=auxiliar.cuantiles.observados ,col=2)
vector.auxiliar[1,marcador]<-auxiliar.cuantiles.observados
vector.auxiliar[2,marcador]<-auxiliar.2
vector.auxiliar[3,marcador]<-auxiliar.1
19
marcador<-marcador+1
}
#finfori.cuantiles
#Se cuantifica cuantos das simulados caen dentro de un determinado percentil en la
distribucin de simulaciones
auxiliar.mes<-simulacion.modelo.op[simulacion.modelo.op$month==12,]
nrow(auxiliar.mes)
marcador<-0
for (j in 1:nrow(auxiliar.mes)){
for (i in 1:1000){
dia.simulado[i]<-auxiliar.mes[j,i]
}
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))
for (j in x2){
for (i in 1:1000){
dia.simulado[i]<-simulacion.modelo.op[j,i]
}
Boxplot(dia.simulado,id.method='none',ylab=j)
points(1,simulacion.modelo.op[j,1004],col=2)
20
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
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.
2 SERIE DE PRECIPITACIN DIARIA DE A LO SUMO 1 MM
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
Figura 3: Grfica de ajuste de la serie de precipitacin de 1 mm a una distribucin del tipo exponencial
2
3
3 DATOS ATMOSFRICOS
La nomenclatura de las variables atmosfricas empleadas sigue la siguiente codificacin:

bXXwYYc
Donde b representa el tipo de variable:
Cdigo Variable
d Punto de roco
e Humedad especfica
p Presin
g Altura geopotencial
d Divergencia
r Vorticidad relativa
t Diferencia de temperatura entre niveles
Tabla 1: Codificacin de variables atmosfricas
XX representa la longitud en grados e YY la latitud tambin en grados. La letra c representa el

nivel de donde procede el valor de la variable:
Cdigo Nivel
l Superfcie
o 850 hPa
s 700 hPa
q 500 hPa
t 300 hPa
Tabla 2: Codificacin de niveles de medida
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
Existen dos singularidades en la codificacin de las variables atmosfricas. Algunos datos

presentan el prefijo z sobre la codificacin recin explicada; este prefijo indica que en la
variable en cuestin se ha eliminado el sesgo en la media y en la desviacin tpica y de esta
forma se refleja bien el efecto de la altura. Cuando el prefijo es una a esto indica que se corrige
la media pero no la desviacin tpica.
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
1.5 MODELO 3 ........................................................................................................................... 5
1.7 MODELO 4 ........................................................................................................................... 7
1.8 MODELO 4 OPTIMIZADO ...................................................................................................10
1.9 MODELO 5 .........................................................................................................................11
1.11 MODELO 6 .........................................................................................................................15
3 RESUMEN MODELO DE OCURRENCIA CON VARIABLES ATMOSFRICAS .................... 19
i
1 INTRODUCCIN
En el presente anejo se muestran contenidos adicionales al contenido del captulo 3 de la

memoria del presente trabajo.
2 RESMENES MODELOS DE OCURRENCIA SIN VARIABLES

ATMOSFRICAS
Los modelos se nombran en funcin de la cantidad de das de memoria respecta a la

ocurrencia de precipitacin. Asimismo el modelo 1 nicamente tiene en cuenta la ocurrencia
del da previo y el modelo 2 tiene en cuenta la ocurrencia de los dos das previos.
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: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
---
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
1.2 MODELO 1 OPTIMIZADO

Call:
glm(formula = ocurrencia ~ ocurrencia.previa + s1 + c1 + s2 +
s3 + c3 + ocurrencia.previa:c1, family = binomial(logit),
data = Goriz_sva)
Deviance Residuals:
-1.4409 -0.6976 -0.6580 1.0023 1.8732
Coefficients:
(Intercept) -1.30490 0.03454 -37.776 < 2e-16 ***
s1 0.08719 0.03710 2.350 0.01877 *
c1 -0.13245 0.04848 -2.732 0.00630 **
s2 -0.19752 0.03722 -5.307 1.12e-07 ***
s3 0.10248 0.03699 2.771 0.00559 **
c3 0.09698 0.03717 2.609 0.00907 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8682.2
2
1.3 MODELO 2
Call:
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:
-1.4769 -0.7547 -0.6202 0.9959 1.9248
Coefficients:
(Intercept) -1.411610 0.040347 -34.987 < 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:c1 0.280946 0.080500 3.490 0.000483 ***
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
ocurrencia.previa:ocurrencia.previa.2 -0.587649 0.114554 -5.130 2.90e-07 ***
3
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8635.6

Call:
glm(formula = ocurrencia ~ ocurrencia.previa + s1 + c1 + s2 +
s3 + c3 + ocurrencia.previa.2 + ocurrencia.previa:c1 + ocurrencia.previa:ocurrencia.previa.2,
Deviance Residuals:
-1.4722 -0.7631 -0.6348 1.0040 1.9150
Coefficients:
(Intercept) -1.41060 0.04028 -35.017 < 2e-16 ***
s1 0.08324 0.03727 2.233 0.02553 *
c1 -0.12254 0.04876 -2.513 0.01197 *
s2 -0.19073 0.03742 -5.098 3.44e-07 ***
s3 0.09784 0.03713 2.635 0.00842 **
c3 0.09379 0.03733 2.512 0.01199 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
4

AIC: 8620.9
1.5 MODELO 3
Call:
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:
-1.5432 -0.7540 -0.6188 1.0061 1.9714
Coefficients:
(Intercept) -1.421778 0.044541 -31.921 < 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.3 0.062634 0.092594 0.676 0.498763
5

s1:ocurrencia.previa.3 0.172040 0.083639 2.057 0.039693 *
c1:ocurrencia.previa.3 0.147114 0.085162 1.727 0.084084 .
ocurrencia.previa.2:ocurrencia.previa.3 0.011960 0.124354 0.096 0.923383
ocurrencia.previa:ocurrencia.previa.3 -0.014576 0.124393 -0.117 0.906719
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8611.5

Call:
glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 + s3 +
c3 + ocurrencia.previa.2 + ocurrencia.previa:c1 + ocurrencia.previa:ocurrencia.previa.2 +
s1:ocurrencia.previa.3, family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
-1.4974 -0.7578 -0.6334 0.9968 1.9435
Coefficients:
(Intercept) -1.40967 0.04035 -34.936 < 2e-16 ***
6

c1 -0.11915 0.04884 -2.439 0.01471 *
s2 -0.19220 0.03746 -5.131 2.89e-07 ***
s3 0.10315 0.03723 2.771 0.00559 **
c3 0.08875 0.03750 2.367 0.01794 *
s1:ocurrencia.previa.3 0.19720 0.06188 3.187 0.00144 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8583.3
1.7 MODELO 4
Call:
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,
Deviance Residuals:
-1.5620 -0.7522 -0.6216 1.0032 1.9986
Coefficients:
7
(Intercept) -1.4713126 0.0493370 -29.822 < 2e-16

ocurrencia.previa 1.8119972 0.0862113 21.018 < 2e-16
s1 -0.0162381 0.0601086 -0.270 0.787048
c1 -0.1963059 0.0595959 -3.294 0.000988
s2 -0.1640604 0.0601665 -2.727 0.006396
c2 -0.0613975 0.0595340 -1.031 0.302399
s3 0.0768124 0.0600932 1.278 0.201171
c3 0.0817252 0.0593708 1.377 0.168660
ocurrencia.previa:c1 0.2703210 0.0812039 3.329 0.000872
c2:ocurrencia.previa.4 -0.1698434 0.0844094 -2.012 0.044205
8

ocurrencia.previa:ocurrencia.previa.3 0.0402932 0.1319221 0.305 0.760037
ocurrencia.previa:ocurrencia.previa.2 -0.5611398 0.1229209 -4.565 4.99e-06
ocurrencia.previa.2:ocurrencia.previa.4 -0.0952982 0.1335208 -0.714 0.475393
(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:c2
ocurrencia.previa:c3
s1:ocurrencia.previa.2
c1:ocurrencia.previa.2
s1:ocurrencia.previa.3 .
9
c2:ocurrencia.previa.4 *
ocurrencia.previa.2:ocurrencia.previa.3
ocurrencia.previa:ocurrencia.previa.3
ocurrencia.previa:ocurrencia.previa.2 ***
ocurrencia.previa:ocurrencia.previa.4
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8578.3

Call:
c3 + ocurrencia.previa.2 + ocurrencia.previa.4 + ocurrencia.previa:c1 +
s1:ocurrencia.previa.3 + c1:ocurrencia.previa.4 + ocurrencia.previa:ocurrencia.previa.2,
Deviance Residuals:
10
-1.5525 -0.7504 -0.6278 1.0044 1.9669

Coefficients:
(Intercept) -1.44331 0.04357 -33.129 < 2e-16 ***
c1 -0.16650 0.05518 -3.017 0.002549 **
s2 -0.19187 0.03777 -5.081 3.76e-07 ***
s3 0.10325 0.03743 2.758 0.005814 **
c3 0.08563 0.03762 2.276 0.022828 *
ocurrencia.previa.4 0.12620 0.05626 2.243 0.024889 *
c1:ocurrencia.previa.4 0.16292 0.07893 2.064 0.039004 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8539.4
1.9 MODELO 5
Call:
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
ocurrencia.previa.3 * ocurrencia.previa.4 + ocurrencia.previa *

ocurrencia.previa.3 * ocurrencia.previa.5 + ocurrencia.previa.4 *
ocurrencia.previa.5, family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
-1.6379 -0.7569 -0.6152 0.9992 2.0717
Coefficients:
(Intercept) -1.496813 0.053686 -27.881 < 2e-16 ***
s1 0.006562 0.062977 0.104 0.917017
c1 -0.209453 0.062596 -3.346 0.000819 ***
s2 -0.204751 0.063391 -3.230 0.001238 **
c2 -0.076390 0.062188 -1.228 0.219311
s3 0.075786 0.062962 1.204 0.228715
c3 0.077938 0.062310 1.251 0.211000
ocurrencia.previa.3 -0.043276 0.124294 -0.348 0.727708
ocurrencia.previa:c1 0.261644 0.081491 3.211 0.001324 **
12
s1:ocurrencia.previa.3 0.155847 0.089252 1.746 0.080787 .

c2:ocurrencia.previa.4 -0.194633 0.090063 -2.161 0.030689 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
13

AIC: 8555.6

Call:
c3 + ocurrencia.previa.2 + ocurrencia.previa.5 + ocurrencia.previa:c1 +
s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2,
Deviance Residuals:
-1.5236 -0.7536 -0.6356 0.9981 1.9510
Coefficients:
(Intercept) -1.43487 0.04394 -32.652 < 2e-16 ***
c1 -0.11499 0.04893 -2.350 0.01877 *
s2 -0.19008 0.03765 -5.048 4.46e-07 ***
s3 0.10184 0.03736 2.726 0.00642 **
c3 0.08478 0.03759 2.255 0.02411 *
ocurrencia.previa.5 0.09217 0.05582 1.651 0.09869 .
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8547.3
14
1.11 MODELO 6
Call:
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 * ocurrencia.previa.4 +
ocurrencia.previa.4 + ocurrencia.previa * ocurrencia.previa.5 +
ocurrencia.previa.6, family = binomial(logit), data = Goriz_sva)
Deviance Residuals:
-1.7234 -0.7599 -0.6125 1.0043 2.0657
Coefficients:
(Intercept) -1.500840 0.057680 -26.020 < 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

ocurrencia.previa:c1 0.264750 0.081750 3.239 0.001201 **
c2:ocurrencia.previa.4 -0.191767 0.090373 -2.122 0.033841 *
16

c3:ocurrencia.previa.6 -0.145919 0.085810 -1.700 0.089039 .
ocurrencia.previa.2:ocurrencia.previa.6 0.252028 0.137080 1.839 0.065981 .
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8535.9

Call:
glm(formula = ocurrencia ~ ocurrencia.previa + c1 + s2 + c3 +
ocurrencia.previa.2 + ocurrencia.previa.5 + ocurrencia.previa:c1 +
17
s1:ocurrencia.previa.3 + ocurrencia.previa:ocurrencia.previa.2,
Deviance Residuals:
-1.5222 -0.7480 -0.6407 1.0062 1.9666
Coefficients:
(Intercept) -1.44025 0.04391 -32.801 < 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 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 8552.8
18
3 RESUMEN MODELO DE OCURRENCIA CON VARIABLES

ATMOSFRICAS
Call:
glm(formula = ocurrencia ~ s1 + s2 + c2 + ocurrencia.previa +
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:
-2.4568 -0.7349 -0.4235 0.8177 2.8742
Coefficients:
(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
r00w42s -4.263e+03 1.438e+03 -2.965 0.003025 **

g02w40o 6.082e-03 6.735e-04 9.029 < 2e-16 ***
z.g02w40o -2.382e+00 3.409e-01 -6.988 2.78e-12 ***
z.p02w42l -1.344e+00 2.640e-01 -5.090 3.57e-07 ***
c3 1.485e-01 4.440e-02 3.344 0.000826 ***
t00w42Doq -2.835e-01 9.000e-02 -3.150 0.001630 **
z.g02w40t -1.407e+00 3.049e-01 -4.614 3.95e-06 ***
g02w40t 6.103e-04 2.273e-04 2.685 0.007244 **
clave -3.136e-05 1.359e-05 -2.308 0.021004 *
z.g00w40t 6.095e-01 2.304e-01 2.645 0.008169 **
z.g00w42q -8.790e-01 3.253e-01 -2.702 0.006892 **
z.g00w42o 8.466e-01 3.530e-01 2.398 0.016483 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC: 7416.4
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
exceso de precipitacin observado en verano.................................................................................... 5
exceso de precipitacin observado en otoo ..................................................................................... 6
exceso de precipitacin observado en invierno.................................................................................. 7
i
1 INTRODUCCIN
En el presente anejo se muestran contenidos adicionales al contenido del captulo 4 de la

memoria del presente trabajo.
2 CRTICA MODELO DE CANTIDAD
Los grficos mostrados en la izquierda de la Figura 1 no indican la presencia de errores

alarmantes. De hecho el promedio de los errores mostrados en la grfica superior izquierda se
acerca al valor 0. La grfica superior derecha muestra que la mayor parte de los puntos se
encuentran sobre la recta y=x, por lo tanto la hiptesis de linealidad parece razonable. Por
ltimo la grfica mostrada en el cuadrante inferior derecha de la Figura 1 no muestra la
existencia de ningn dato atpico.
Figura 1. Grficos de comportamiento de los residuos estandarizados y de influencia de los datos en la prediccin
del modelo (distancia de Cook)
1
3 RESUMEN SUB-MODELO DE CANTIDAD
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:
-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)
AIC: 17484
2
4 DIAGRAMAS DE PRECIPITACIN SIMULADA Y PRECIPITACIN

OBSERVADA
En verde percentiles 5 y 95, en rojo precipitacin observadas.
Figura 2. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 40 das escogidos al azar
3
5 COMPARACIN PERCENTILES SIMULADO.OBSERVADO POR

ESTACIONES
5.1 PRIMAVERA
precipitacin observado en primavera
4
5.2 VERANO
precipitacin observado en verano
5
5.3 OTOO
precipitacin observado en otoo
6
5.4 INVIERNO
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
1 INTRODUCCIN
Se muestran en el presente anejo contenidos auxiliares a la seccin 5 de la memoria.
2 DIAGRAMAS COMPARATIVOS LLUVIA SIMULADA-OBSERVADA
Figura 1. Dispersin de precipitaciones diarias simuladas y precipitacin observada en 30 das escogidos al azar

TFM

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

TFM

Caricato da

Copyright:

Formati disponibili

ANLISIS ESTADSTICO

Figura 1. Fotografa de la estacin meteorolgica y el refugio de Griz. Fuente:

2.1.1 PRECIPITACIN DIARIA

Figura 3. Histrogramas de frecuencia de precipitacin

En la Figura 4 se muestra el diagrama de cajas de la serie clasificado por mes. Modificando el

comportamiento de la precipitacin (grfico derecha): primaveras y otoos lluviosos y veranos

Figura 4. Diagramas de caja de la precipitacin diaria clasificada por mes

Los principales resmenes descriptivos de la serie de precipitacin se muestran en la Tabla 1.

Tabla 1. Resmenes descriptivos de la serie de precipitacin diaria de Griz

Tabla 2. Resmenes descriptivos de la serie de Griz de precipitacin de un mnimo de 1 mm diario

Figura 5. Histograma de la serie de precipitaciones mximas diarias anuales.

2.1.2 DATOS ATMOSFRICOS

2.1.3 BASE DE DATOS GLOBAL

variables booleanas para describir la ocurrencia de precipitacin tanto del da en cuestin

2.2.2 METODOLOGA PARA CONSTRUCCIN DE MODELOS

Para desarrollar los modelos de ocurrencia se ha procedido de la siguiente manera: En primer

3.1 MODELOS DE OCURRENCIA SIN VARIABLES ATMOSFRICAS

En la Figura 7 (dcha) se muestra el grfico para el modelo 2 optimizado y en la Figura 8 para el

Figura 8. Prediccin del modelo optimizado 5 de ocurrencia sin variables atmosfricas

Un grfico de un modelo que representara idealmente la realidad debera mostrar puntos en

3.2 MODELOS DE OCURRENCIA CON VARIABLES ATMOSFRICAS

Un resultado a sealar es que en un modelo como el obtenido (con informacin atmosfrica)

3.3 CRTICA DE LOS MODELOS DE OCURRENCIA

Como se puede apreciar en la Tabla 4, en el rango de valores umbrales de probabilidad donde

La simulacin de la cantidad de precipitacin ocurrida es ms compleja que la simulacin de la

4.1 MODELO AJUSTADO

4.2 CRTICA DEL MODELO DE CANTIDAD

Si el valor de exceso de precipitacin observado (lneas rojas) se encuentra comprendido entre

Tambin se ha valorado para cada da con precipitacin cmo es el comportamiento de la serie

En el anejo A4 se muestran los diagramas de caja de la precipitacin simulada para 40 das

5 MODELO OPERATIVO PARA LA PRECIPITACIN DIARIA

El modelo operativo de precipitacin diaria se ha realizado integrando los sub-modelos de

Se ha valorado cmo es el comportamiento de la serie formada por las precipitaciones

En la Tabla 7 se muestran las precipitaciones promedio acumuladas mensuales de la serie de

Tabla 9. Ocurrencia de precipitacin observada y simulada clasificada por meses

En la Tabla 9 se muestran los valores de proporcin de ocurrencia de la serie observada y del

6 CONCLUSIONES Y TRABAJO FUTURO

En la presente seccin se resumen las conclusiones extradas durante el desarrollo y a partir de

Se presenta en este anejo el cdigo empleado para el desarrollo del trabajo.

#Para obtener una descriptive general de la precip diaria

auxiliar.vector<- tapply(auxiliar.serie, auxiliar.grupo, quantile, 0.9 , na.rm=T)

3.1 SIN VARIABLES ATMOSFRICAS

g02w40o <- NULL

z.g02w40o <- NULL

3.2 CON VARIABLES ATMOSFRICAS

auxiliar.glm.lleno<- glm(ocurrencia ~ . , family=binomial(logit)

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,

showData(serie.1mm, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80,

MCCVA3<- glm(exceso ~ s2 + clave + a.r00w42q + ocurrencia.previa +

} #fin for i.simulacion

2 SERIE DE PRECIPITACIN DIARIA DE A LO SUMO 1 MM

Figura 1: Diagrama de cajas de la serie de precipitacin diaria de a lo sumo 1 mm segn mes

La nomenclatura de las variables atmosfricas empleadas sigue la siguiente codificacin:

XX representa la longitud en grados e YY la latitud tambin en grados. La letra c representa el

Existen dos singularidades en la codificacin de las variables atmosfricas. Algunos datos

En el presente anejo se muestran contenidos adicionales al contenido del captulo 3 de la

2 RESMENES MODELOS DE OCURRENCIA SIN VARIABLES

Los modelos se nombran en funcin de la cantidad de das de memoria respecta a la

1.2 MODELO 1 OPTIMIZADO

1.4 MODELO 2 OPTIMIZADO

(101 observations deleted due to missingness)

c1:ocurrencia.previa.2 0.052020 0.087176 0.597 0.550692

1.6 MODELO 3 OPTIMIZADO