Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Documentos relacionados
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

CAPÍTULO 4 MARCO TEÓRICO

Medidas de Variabilidad

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

Introducción a la Física. Medidas y Errores

Tema 6. Estadística descriptiva bivariable con variables numéricas

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

CLAVE - Laboratorio 1: Introducción

16/02/2015. Ángel Serrano Sánchez de León

Un estimado de intervalo o intervalo de confianza ( IC

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN

Relaciones entre variables

Figura 1

Estimación de incertidumbres en calibración de Osciladores

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1

Tema 1.3_A La media y la desviación estándar

Inferencia en Regresión Lineal Simple

Ejercicios y Talleres. puedes enviarlos a

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística

CAPÍTULO IV. IV.1 Correlación de los resultados experimentales

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3

ANEXO A: Método de Interpolación de Cokriging Colocado

Control de la exactitud posicional por medio de tolerancias

Estadísticos muéstrales

Hidrología superficial

Problemas donde intervienen dos o más variables numéricas

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Slide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I

MEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y

Descripción de una variable

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Pronósticos. Humberto R. Álvarez A., Ph. D.

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza

Tema 1: Análisis de datos unidimensionales

SEMANA 13. CLASE 14. MARTES 20/09/16

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Organización y resumen de datos cuantitativos

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN

CÁLCULO DEL BALANCE Y PÉRDIDAS DE ENERGIA EN CHILECTRA

CAPÍTULO II Métodos experimentales

1.- Objetivo Alcance Metodología...3

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

Estadística Unidimensional: SOLUCIONES

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

2 Dos tipos de parámetros estadísticos

ESTADÍSTICA UNIDIMENSIONAL

Estimación no lineal del estado y los parámetros

ESTADÍSTICA (GRUPO 12)

Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )

Mª Dolores del Campo Maldonado. Tel: :

SEGUNDA PARTE RENTAS FINANCIERAS

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.

DISTRIBUCIONES BIDIMENSIONALES

17/02/2015. Ángel Serrano Sánchez de León

Métodos Estadísticos de la Ingeniería Tema 3: Medidas Estadísticas Grupo B

EXPERIMENTACIÓN COMERCIAL(I)

1. Notación y tabulación

PRUEBAS DE SIGNIFICACIÓN DE MEDIAS Y SUS DIFERENCIAS 1. La Significación de Medias en Muestras Grandes

Tema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.

ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.

) para toda permutación (p p 1 p

EJERCICIOS RESUELTOS TEMA 2

5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.

Para construir un diagrama de tallo y hoja seguimos los siguientes pasos:

Enlaces de las Series de Salarios. Metodología

T. 9 El modelo de regresión lineal

Un ejemplo de Análisis Factorial de Correspondencias

IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR

Prueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A

2. Tratamiento de errores

DATOS AGRUPADOS POR INTERVALOS DE CLASE

Prueba de Evaluación Continua

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

Guía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología

ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN ARROCERA EN EL ECUADOR

Medidas de Tendencia Central y de Variabilidad

REGRESION LINEAL SIMPLE

Enfoque de la dominancia para el análisis de la evolución de la pobreza entre 1988 y 2004

Aspectos fundamentales en el análisis de asociación

Estadística Descriptiva Análisis de Datos

SISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.

ÍNDICE. 1. Evolución de los precios de la tierra en la C. Valenciana. 2. Principales resultados de los precios de la tierra del año 2017

Laboratorio de Bases Físicas del Medio Ambiente

Dpto. Física y Mecánica

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

COMPARACIÓN DE TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO SOBRE VÍDEO COMPRIMIDO CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO

Transcripción:

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco... A- ApA. Estadístcos... A- ApA. Aplcacón en superfce y alttud... A-4

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Ap.A Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco ApA. Estadístcos Hasta la actualdad no se ha desarrollado nngún protocolo de evaluacón para estos modelos, sendo una tarea pendente y necesara. La mayoría de estudos centífcos se decantan por una evaluacón de los resultados cualtatva, y en aquellos dónde se cuantfca el análss optan por el uso de estadístcos smples como el error cuadrátco medo, el error absoluto medo o el sesgo. Algunos trabajos donde se plantean y utlzan dstntos estadístcos para la evaluacón de WP son Wllmott (98), Pelke (984), Wllmott et al. (985), Stauffer y Seaman (990), Cox et al. (998), Stenger (000). Para la valdacón presentada se ha optado por utlzar el error cuadrátco medo (RMSE), el error absoluto medo (MAE), el error absoluto medo normalzado (MAE) y el sesgo (BIAS) defndos por Pelke (984) y Stauffer y Seaman (990). Éstos estadístcos permten medr la precsón de la smulacón. Por precsón se entende el promedo del grado de correspondenca entre pares ndvduales de valores pronostcados y valores observados. Por valores observados se entende aquellos obtendos en estacones de medda meteorológcas. Para el cálculo de la precsón se utlza el error medo cuadrátco, defndo como (Pelke, 984): RMSE ( φ φ ) (7.) donde φ φ es el valor pronostcado para la celda es el valor observado para la celda es el número de valores analzados El error medo cuadrátco nos da la medda de las dferencas en promedo entre los valores pronostcados y los observados. Otro estadístco que nos descrbe una nformacón smlar es el error absoluto medo defndo como (Stauffer y Seaman, 990): MAE φ φ (7.) Para tener en cuenta el peso del error respecto al valor de la varable medda se normalza el error absoluto, tenendo el error absoluto medo normalzado (Stauffer y Seaman, 990): MAE φ φ φ (7.3) A-

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Por últmo, el sesgo (BIAS) nos proporcona nformacón sobre la tendenca del modelo a sobreestmar o subestmar una varable, nos cuantfca el error sstemátco del modelo. Pelke (984) defne el BIAS según: BIAS ( φ φ ) (7.4) Así, para la comparacón de varables escalares de meddas de estacones se han calculado el RMSE, MAE, MAE, BIAS para cada hora, tenendo así una evolucón temporal del error y poder analzar con detalle el comportamento del modelo durante toda la smulacón. Para el caso del vento se puede utlzar tambén una varacón del RMSE tenendo en cuenta las dos componentes del msmo. Así se defne el error cuadrátco medo del vector horzontal del vento como (Pelke, 984): RMSVE ( u u ) + ( v v) n (7.5) donde u u v v es el valor pronostcado para la celda de la componente u del vento es el valor observado para la celda de la componente u del vento es el valor pronostcado para la celda de la componente v del vento es el valor observado para la celda de la componente v del vento es el número de valores analzados Por últmo comentar el caso partcular de la dreccón del vento. Al tratarse de una varable cíclca se deben calcular los estadístcos con precaucón. Una manera es utlzar el RMSVE para tener una magntud de la correccón del vector. Para analzar por separado la dreccón se ha calculado en algunos casos el RMSE. Entonces se utlza la dferenca entre dreccón smulada y dreccón observada mínma, ya que se pueden tener dos valores, uno postvo y otro negatvo. Al trabajar con el valor mínmo, los resultados al promedar los estadístcos no nclurán una desvacón por método de cálculo que no represente la dferenca real entre las meddas. Así el RMSE de la dreccón se calculará como: RMSE dr D ; D ( d d, d d ) mn (7.6) donde d d es la dreccón del vento horzontal pronostcada para la celda es la dreccón del vento horzontal observada para la celda es el número de valores analzados Cuando se ha calculado el BIAS de la dreccón del vento se ha aplcado la sguente formulacón: BIAS dr D ; D d d s (d d ) < (d d ) (7.7) D d d s (d d ) > (d d ) A-

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco donde d d es la dreccón del vento horzontal pronostcada para la celda es la dreccón del vento horzontal observada para la celda es el número de valores analzados Un BIAS postvo mplca que la tendenca del modelo es a smular vectores del vento a la zquerda de las observacones, y vceversa cuando es negatvo. Por últmo, comentar que para los estadístcos de la dreccón del vento, éstos sólo se calculan para velocdades superores a 0.5 m/s. Complementando la nformacón que aportan estos estadístcos se ha calculado tambén un índce que aporta nformacón sobre el comportamento del modelo al comparar los resultados con observacones. El índce de ajuste (IOA, ndex of agreement) se calcula como: IOA ( P O ) (7.8) ( P Omean + O Omean ) donde es el número de observacones P son los valores pronostcados O son los valores observados O mean es la meda de las observacones. Para la aplcacón de estos estadístcos en mallas de trabajo se utlzan dos métodos: verfcacón celda-celda y verfcacón celda-punto (Pelke, 984). La verfcacón celda a celda consste en comparar el resultado del pronóstco con el análss para la msma hora. La ventaja que conlleva éste método es la sencllez en la computacón, ya que, todos los puntos de los valores observados y pronostcados concden espacalmente. Sn embargo, algunos autores, Stenger (000) y Whte et al. (999), han constatado la tendenca de esta metodología en producr un sesgo a favor de los resultados de los domnos con resolucones menores. Stenger (000) constata éste hecho al analzar el RMSE celda-celda para una malla de 36 km de resolucón frente al domno andado en ella de km; aplcando esta metodología para la malla de 36 km se tenen RMSE nferores que para la de km, cuando al realzar comparacones con meddas puntuales queda claro el mejor comportamento de los resultados de km. La otra metodología utlzada, y altamente extendda, es la verfcacón celda-punto. En esta se comparan observacones puntuales con los valores de las celdas donde se stúan las observacones. En éste caso no se analzan todos los puntos del domno, sólo se centra en los puntos donde hay observacón. Esta metodología supone que los dos valores son comparables, aunque la observacón es un valor temporal y espacalmente puntual, a dferenca del resultado pronostcado, que es un valor temporal y espacalmente promedado. La problemátca que se plantea al analzar la caldad de las smulacones con un análss estadístco es que aunque los estadístcos presenten un mal comportamento los A-3

Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco resultados de la smulacón sean buenos pero con un decalaje temporal en la predccón de los fenómenos dentro el domno. Para ntentar detectar estos casos se comparan puntualmente la evolucón de las varables en algunas estacones sgnfcatvas. Para la verfcacón del modelo se ha utlzado la metodología celda-punto. Se comparan los resultados del modelo con las observacones. Para comparar con las observacones se escogen los datos del modelo correspondentes a la celda más próxma a la localzacón de la observacón. o se ha realzado nnguna nterpolacón con los datos del modelo para ajustarse al punto específco de la observacón. ApA. Aplcacón en superfce y alttud Para la valdacón de los resultados en superfce se han calculado en algunos casos el RMSE y el BIAS de la temperatura y la velocdad del vento a y 0 m respectvamente, mentras que para la dreccón del vento se ha calculado el BIAS a 0 m. En otros casos se ha optado por evaluar el RMSVE del vector vento a 0 m. Tambén se han realzado comparacones con radosondeos, que han permtdo evaluar el comportamento del modelo en alttud. Para esto se ha optado por subdvdr la troposfera en tres capas, consderando que es más nteresante poder cuantfcar el comportamento del modelo en las dstntas capas con un comportamento partcular de la troposfera. Así, se ha defndo una prmera capa concdendo con la capa fronterza en algunos casos que abarca desde la superfce a 00 m s.n.t. La sguente capa comprende entre 00 a 5000 m s.n.m, comprendendo la atmósfera lbre hasta la meda troposfera, y la tercera entre 5000 a 0000 m s.n.m comprendendo el resto hasta la troposfera alta. Para cada capa se ha evaluado el RMSE, MAE, MAE y BIAS de la temperatura del are, la velocdad del vento y la dreccón del vento. A-4