Professional Documents
Culture Documents
CLIMATOLOGÍA I
Semestre 2017-1
Unidad IV
Modelos para la predicción probabilística del
evento meteorológico
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
• Atributo o propiedad atmosférica: cada atributo atmosférico (elemento) es homogéneo en sí mismo pero
heterogéneo con los demás. Habrá tantos conjuntos a analizar estadísticamente como atributos se
seleccionen. Tal selección estará en función de la importancia de los mismos sobre la actividad humana y de
su posibilidad, instrumental o económica, de ser registrada o medida.
• Unidad de medida
• Sitio de medición
• Momento o lapso de medición generado bajo unas mismas condiciones de registro o experimentación. El
criterio climatológico básico de homogeneidad consiste en que las mediciones deben realizarse bajo las
mismas relaciones astronómicas Tierra – Sol.
Comportamiento aleatorio
Variable aleatoria
Discreta Continua
Comportamientos no aleatorios
Comportamientos no aleatorios
Componente
determinista
Componente
(conocimiento Fenómeno
aleatorio
de la climático
(incertidumbre)
ocurrencia del
fenómeno)
I. Si n1 y n2 son ≤20:
3. Se hace el conteo del número de rachas (rm) o carreras. Habrá una racha,
cuando haya uno o más valores sucesivos con signos de la misma clase. Luego,
los resultados son:
Número de datos: n
Número de datos por encima de la mediana = n1(+)
Número de datos por debajo de la mediana = n2(-)
Numero de rachas en la muestra
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Identificación de la aleatoriedad en las series climatológicas
Aleatoria
Tendencia/ Oscilación
ciclos Límite inferior Límite superior
2,5 97,5
(n1 y n2) Limite inferior Limite superior (n1/n2) Limite inferior Limite superior
3/6 2 8 11/11 7 17
3/7 2 8 11/12 7 18
3/8 2 8 11/13 7 19
4/5 2 9 11/14 8 19
4/6 2 9 11/15 8 20 En la tabla están los 2 límites de la región de
4/7 2 10 11/16 8 20
4/8 3 10 12/12 7 19 aceptación para el nivel de significación de 0,05
4/9 3 10 12/13 8 19
5/5 2 10 12/14 8 20 (o sea: aceptamos que cuando los sucesos ocurren
5/6 3 10 12/15 8 20
5/7 3 11 12/16 9 21 en un 5% de las veces o menos, se deben a
5/8 3 11 12/17 9 21
5/9 3 12 13/13 8 20 factores ajenos al azar). Para emplear la
5/10 3 12 13/14 9 20
6/6 3 11 13/15 9 21 mencionada tabla se requiere solamente del
6/7 3 12 13/16 9 23
6/8 3 12 13/17 10 22 número de datos que están por encima y que están
6/9 4 13 13/18 10 22
6/10 4 13 14/14 9 21 por debajo del valor mediano.
6/11 4 13 14/15 9 22
7/7 3 13 14/16 10 22
7/8 4 13 14/17 10 23
7/9 4 14 14/18 10 23 El límite superior (rs) de la región de aceptación
7/10 5 14 14/19 11 23
7/11 5 14 15/15 10 22 seria el número de rachas asociado al percentil
7/12 5 14 15/16 10 23
8/8 4 14 15/17 11 23 97,5 y el límite inferior (ri), está relacionado al
8/9 5 14 15/18 11 24
8/10 5 15 15/19 11 24
percentil 2,5. Si rm estuviera en o fuera de los
8/11
8/12
6
6
16
16
15/20
16/16
12
11
25
23
límites indicados no se aceptaría la Ho, es decir, la
8/13
9/9
6
5
16
15
16/17
16/18
11
11
24
25
serie presentaría algún tipo de sistematicidad.
9/10 5 16 16/19 12 25
9/11 6 16 16/20 12 25
9/12 6 16 17/17 11 25
9/13 6 17 17/18 12 25
9/14 7 17 17/19 12 26
10/10 6 16 17/20 13 26
10/11 6 17 18/18 12 26
10/12 7 17 18/19 13 27
10/13 7 18 18/20 13 27
10/14 7 18 19/19 13 27
10/15 7 18 19/20 13 27
20/20 14 28
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Identificación de la aleatoriedad en las series climatológicas
La distribución normal de rachas (Nr) tendrá por parámetros a Mr y Sr, los cuales se
estiman mediante:
2 ∗ n1 ∗ n2
Mr = +1
n1 + n2
2 ∗ n1 ∗ n2 ∗ [ 2 ∗ n1 ∗ n2 − n1 − n2 ]
Varr = Sr 2 =
n1 + n2 2 ∗ (n1 + n2 − 1)
II. Si n1=n2 y son >20, entonces para calcular los parámetros se utilizaría:
Mr = n1+1
(rm − Mr )
Zr =
Sr
Si α 5% Zr = ± 1,96
Ho ∈ [rinferior; rsuperior]
(N1,N2)\u 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
(2,3) 0,200 0,500 0,900 1,000
(2,4) 0,133 0,400 0,800 1,000
(2,5) 0,095 0,333 0,714 1,000
(2,6) 0,071 0,286 0,643 1,000
(2,7) 0,056 0,250 0,583 1,000
(2,8) 0,044 0,222 0,533 1,000
(2,9) 0,036 0,200 0,491 1,000
(2,10) 0,030 0,182 0,455 1,000
(5,5) 0,008 0,040 0,167 0,357 0,643 0,833 0,960 0,992 1,000
(5,6) 0,004 0,024 0,110 0,262 0,522 0,738 0,911 0,976 0,998 1,000
(5,7) 0,003 0,015 0,076 0,197 0,424 0,652 0,854 0,955 0,992 1,000
(5.8) 0,002 0,010 0,054 0,152 0,347 0,576 0,793 0,929 0,984 1,000
(5,9) 0,001 0,007 0,039 0,119 0,287 0,510 0,734 0,902 0,972 1,000
(5,10) 0,001 0,005 0,029 0,095 0,239 0,455 0,678 0,874 0,958 1,000
(6,6) 0,002 0,013 0,067 0,175 0,392 0,608 0,825 0,933 0,987 0,998 1,000
(6,7) 0,001 0,008 0,043 0,121 0,296 0,500 0,733 0,879 0,966 0,992 0,999 1,000
(6,8) 0,001 0,005 0,028 0,086 0,226 0,413 0,646 0,821 0,937 0,984 0,998 1,000
(6,9) 0,000 0,003 0,019 0,063 0,175 0,343 0,566 0,762 0,902 0,972 0,994 1,000
(6,10) 0,000 0,002 0,013 0,047 0,137 0,288 0,497 0,706 0,864 0,958 0,990 1,000
(7,7) 0,001 0,004 0,025 0,078 0,209 0,383 0,617 0,791 0,922 0,975 0,996 0,999 1,000
(7,8) 0,000 0,002 0,015 0,051 0,149 0,296 0,514 0,704 0,867 0,949 0,988 0,998 1,000 1,000
(7,9) 0,000 0,001 0,010 0,035 0,108 0,231 0,427 0,622 0,806 0,916 0,975 0,994 0,999 1,000
(7,10) 0,000 0,001 0,006 0,024 0,080 0,182 0,355 0,549 0,743 0,879 0,957 0,990 0,998 1,000
(8,8) 0,000 0,001 0,009 0,032 0,100 0,214 0,405 0,595 0,786 0,900 0,968 0,991 0,999 1,000 1,000
(8,9) 0,000 0,001 0,005 0,020 0,069 0,157 0,319 0,500 0,702 0,843 0,939 0,980 0,996 0,999 1,000 1,000
(8,10) 0,000 0,000 0,003 0,013 0,048 0,117 0,251 0,419 0,621 0,782 0,903 0,964 0,990 0,998 1,000 1,000
(9,9) 0,000 0,000 0,003 0,012 0,044 0,109 0,238 0,399 0,601 0,762 0,891 0,956 0,988 0,997 1,000 1,000 1,000
(9,10) 0,000 0,000 0,002 0,008 0,029 0,077 0,179 0,319 0,510 0,681 0,834 0,923 0,974 0,992 0,999 1,000 1,000 1,000
(10,10) 0,000 0,000 0,001 0,004 0,019 0,051 0,128 0,242 0,414 0,586 0,758 0,872 0,949 0,981 0,996 0,999 1,000 1,000 1,000
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Identificación de la aleatoriedad en las series climatológicas
AÑO Anual
1970 1915,3
1971 1091,2
1972 1297,1
1973 930,3
1974 1357,8
1975 1214,9
1976 1464,3
1977 1450,8
1978 1337,2
1979 1980,9
1980 1847,8
1981 1895,2
1982 1430,1
1983 1417,0
1984 1453,6
1985 1804,2
1986 1216,3
1987 1428,5
1988 1564,8
1989 1362,4
1990 1855,2
1991 1360,4
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Identificación de la aleatoriedad en las series climatológicas
Anual
AÑO Anual
ordenada Signos
1970 1915,3 1980,9 +
1971 1091,2 1915,3 -
1972 1297,1 1895,2 -
1973 930,3 1855,2 -
1974 1357,8 1847,8 -
1975 1214,9 1804,2 -
1976 1464,3 1564,8 +
1977 1450,8 1464,3 + Aleatoria
1978 1337,2 1453,6 -
1979 1980,9 1450,8 +
1980 1847,8 1430,1 +
1981 1895,2 1428,5 + Tendencia/ Oscilación
1982 1430,1 1417,0 + ciclos Límite inferior Límite superior
1983 1417,0 1362,4 - 2,5 97,5
1984 1453,6 1360,4 + 7 rachas 12 rachas 17 rachas
1985 1804,2 1357,8 +
1986 1216,3 1337,2 - Hipótesis nula (Ho): los signos + y – se suceden al azar
1987 1428,5 1297,1 - Hipótesis alterna (Hi): los signos + y – no ocurren aleatoriamente
1988 1564,8 1216,3 +
1989 1362,4 1214,9 -
Como el numero de rachas (rm) pertenece al intervalo [7; 17] se acepta
1990 1855,2 1091,2 +
1991 1360,4 930,3 -
la hipótesis nula, la serie climática es aleatoria.
Mediana: 1429,3 rm = 12
n1= 11
n2 = 11
n total = 22
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
y = f(x)
En un plano de dos dimensiones se puede graficar esa relación por una línea, la cual
estará constituida por infinitos puntos cuyas coordenadas generales son [x; f(x)]
La (fdp) siempre es positiva; la integral definida entre límite inferior y límite superior es igual a 1:
La probabilidad de que X tome un valor en el intervalo [a,b] es el área bajo la curva de la función
de densidad en ese intervalo o lo que es lo mismo, la integral definida en dicho intervalo. La
gráfica f(x) se conoce como curva de densidad.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
2
1 𝑥 2
2
𝑥 𝑑𝑥 = =1
0 2 2 0
x
FX x = FX x − FX(a)
a
Donde FX(a) = 0, si a es el valor mínimo que puede tomar la variable x
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
fdaX = área bajo el fdpX = probabilidad que X < x = percentil asociado a un valor
de X = proporción de datos por debajo de un especifico valor de X = integral
definida de una fdpX = FX (x). Usaremos, indistintamente, de acuerdo a las
características del problema planteado, cualquiera de estos significados.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
La integral definida
b
f x dx
a
Los valores numéricos a y b, se denominan extremos o límites de integración
La integra definida tiene la propiedad de generar el área exacta bajo la curva entre
dos puntos, a y b, por lo tanto se puede afirmar que:
b
A= f x dx
a
La integral definida
b
A= [f x − g x ]dx
a
b b
A=F x − G(x)
a a
A = F b − F a − [G b − G a ]
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
La integral definida
a
f x dx = 0
a
𝑏 𝑎
f x dx = − f x dx
a 𝑏
𝑏 𝑐 𝑏
f x dx = f x dx + f x dx
a 𝑏 𝑐
a≤c≤b
b b b
[K f x ± g x ]dx = K f x dx ± g(x) dx =
a a a
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
La integral definida
1 dx = x + K ex dx = ex + K
1
c dx = cx + K dx = ln(x) + K
x
x2 ax
x dx = + K ax dx = +K
2 ln(a)
x n+1 x −n+1
xn dx = +K x −n dx = +K
n+1 −n + 1
Con la condición de que n sea distinto a –1 Con la condición de que n sea distinto a 1
n 𝑛+1 n 𝑛+𝑚
x1/n dx = x 𝑛 +K x m/n dx = x 𝑛 +K
n+1 n+m
Con la condición de que n sea distinto a –1 Con la condición de que n sea distinto a –m
K es una constante numérico real. Al momento de resolver una integral definida, se utilizan las
relaciones mostradas anteriormente pero no se toma en consideración a la constante K.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
y = mx + b
f(x) = mx
f(x) = 5x x es una variable aleatoria y continua
• Media aritmética: b
E x = x f x dx
a
x
Donde la x = 0,5, ya que está asociado
• Mediana: x= f x dx
a
al percentil 50
• Covarianza:
COV (x,y) = E{[x – E(x)] * [y – E(y)]}
COV (x,y) = E(xy) – E(x) * E(y)
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
Calculo de probabilidades:
x
Px<x = f x dx
0
Recordando que el resultado obtenido debe ser
multiplicado por 100.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
2
1
2 1
2 1 2 2
0 2 x dx 4 x 0 4
2.- Determinar la media aritmética de x
x
1 1 2 2 1 4
E ( x) 0 2 x x dx 2 0 x dx
2 2
1,333
3
0 3
6
Cada valor de x está ponderado por su fdp, por lo tanto E(x) es mayor que 1, y define la mitad
del intervalo de la variable x
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a probabilidades
1, 33
0
1
2
1 2
x dx x
4
1, 33
0
1,33
4
0,44
~
2
x
~ ~
1 1 2 ~
x 1,41
x x
0 2 x dx 4 x 0 4
0,50
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Calculo integral aplicado a las probabilidades
Para recordar:
n
ax ay = ax+y am/n = am
x
ax y = axy ab = ax bx
ax a x ax
y = ax−y = x = ax b−x b ≠ 0
a b b
x x x
1 ab = a b
a−x = x
a
x
x a a
1 = x
a−1 = 𝑏 𝑏
a
a1/n = n
a
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
1 1 x−Mx 2
−2 Sx
fX x = ∗ e
Sx 2π
Abreviadamente, representaremos a la distribución normal como N [Mx; VarX], donde VarX es
la varianza poblacional, la cual se obtiene elevando al cuadrado a la desviación típica de la
población.
Además, no existe una única distribución normal, sino una familia de distribuciones con una
forma común, diferenciadas por los valores de su media y su varianza. De entre todas ellas, la
más utilizada es la distribución normal estándar, que corresponde a una distribución de media 0
y varianza 1. Así, la expresión que define su densidad se puede obtener de la Ecuación general,
resultando:
1 1 x−Mx 2
−
fX x = ∗ e 2 Sx
Sx 2π
1. Jaque Bera:
Ho: la serie posee distribución normal
Hi: la serie no posee distribución normal
El coeficiente de kurtosis mide el nivel
de la picudez de la curva, el cual nos da
la forma de la dispersión de los datos
A2 (K − 3)2 alrededor de la media aritmética.
JB = N + • Platicúrtica: curva achatada
6 24 • Mesocúrtica: curva intermedia
• Leptocúrtica: curva puntiaguda
La siguiente tabla es utilizada para determinar los valores tabulados para la prueba de Jaque Bera y de Chi Cuadrado
Valores de X2 Para Probabilidades Seleccionadas
Probabilidades
(o areas bajo la curva de la distribucion x2 arriba de los valores dados de x2)
0,90 0,70 0,50 0,30 0,20 0,10 0,05 0,02 0,01
D Valores de X2
1 0,016 0,148 0,455 1,074 1,642 2,706 3,841 5,412 6,635
2 0,211 0,713 1,386 2,408 3,219 4,605 5,991 7,824 9,210
3 0,584 1,424 2,366 3,665 4,642 6,251 7,815 9,837 11,345
4 1,064 2,195 3,357 4,878 5,989 7,779 9,488 11,668 13,227
5 1,610 3,000 4,351 6,064 7,289 9,236 11,070 13,388 15,086
6 2,204 3,828 5,348 7,231 8,558 10,645 12,592 15,033 16,812
7 2,833 4,671 6,346 8,383 9,803 12,017 14,067 16,622 18,475
8 3,490 5,527 7,344 9,524 11,030 13,362 15,507 18,168 20,090
9 4,168 6,393 8,343 10,656 12,242 14,684 16,919 19,679 21,666
10 4,865 7,267 9,342 11,781 13,442 15,987 18,307 21,161 23,209
11 5,578 8,148 10,341 12,899 14,631 17,275 19,675 22,618 24,725
12 6,304 9,034 11,340 14,011 15,812 18,549 21,026 24,054 26,217
13 7,042 9,926 12,340 15,119 16,985 19,812 22,362 25,472 27,688
14 7,790 10,821 13,339 16,222 18,151 21,064 23,685 26,873 29,141
15 8,547 11,721 14,339 17,322 19,311 22,307 24,996 28,259 30,578
16 9,312 12,624 15,338 18,418 20,465 23,542 26,296 29,633 32,000
17 10,085 13,531 16,338 19,511 21,615 24,769 27,587 30,995 33,409
18 10,865 14,440 17,338 20,601 22,760 25,989 28,869 33,346 34,805
19 11,651 15,352 18,338 21,689 23,900 27,204 30,144 33,687 36,191
20 12,443 16,266 19,337 22,775 25,038 28,412 31,410 35,020 37,566
21 13,240 17,182 20,337 23,858 26,171 29,615 32,671 36,343 38,932
22 14,041 18,101 21,337 24,939 27,301 30,813 33,924 37,659 40,289
23 14,848 19,021 22,337 26,018 28,429 32,007 35,172 38,968 41,638
24 15,659 19,943 23,337 27,096 29,553 33,196 36,415 40,270 42,980
25 16,473 20,867 24,337 28,172 30,675 34,382 37,652 41,566 44,314
26 17,292 21,792 25,336 29,246 31,795 35,563 38,885 42,856 45,642
27 18,114 22,719 26,336 30,319 32,912 36,741 40,113 44,140 46,963
28 18,939 23,647 27,336 31,391 34,027 37,916 41,337 45,419 48,278
29 19,768 24,577 28,336 32,461 35,139 39,087 42,557 46,693 49,588
30 20,599 25,508 29,336 35,530 36,250 40,256 43,773 47,962 50,892 35
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
A
Tc =
6
6
N
es el error estándar
N
(xi −x)3
A es el coeficiente de asimetría A = ; Si A es positivo, existe asimétrica
N−1 ∗S3
hacia la derecha, y si es negativa, existe asimétrica hacia la izquierda.
D Valores de t
1 0,158 0,510 1,000 1,963 3,078 6,314 12,706 31,821 63,657
2 0,142 0,445 0,816 1,386 1,886 2,920 4,303 6,925 9,925
3 0,137 0,424 0,765 1,250 1,638 2,353 3,182 4,541 5,841
4 0,134 0,414 0,741 1,190 1,533 2,132 2,776 3,747 4,604
5 0,132 0,408 0,727 1,156 1,476 2,015 2,571 3,365 4,032
6 0,131 0,404 0,718 1,134 1,440 1,943 2,447 3,143 3,707
7 0,130 0,402 0,711 1,119 1,415 1,895 2,365 2,998 3,499
8 0,130 0,399 0,706 1,108 1,397 1,860 2,306 2,896 3,355
9 0,129 0,398 0,703 1,100 1,383 1,833 2,262 2,821 3,250
10 0,129 0,397 0,700 1,093 1,372 1,812 2,228 2,764 3,169
11 0,129 0,396 0,697 1,088 1,363 1,796 2,201 2,718 3,106
12 0,128 0,395 0,695 1,083 1,356 1,782 2,179 2,681 3,055
13 0,128 0,394 0,694 1,079 1,350 1,771 2,160 2,650 3,012
14 0,128 0,393 0,692 1,076 1,345 1,761 2,145 2,624 2,977
15 0,128 0,393 0,691 1,074 1,341 1,753 2,131 2,602 2,947
16 0,128 0,392 0,690 1,071 1,337 1,746 2,120 2,583 2,921
17 0,128 0,392 0,689 1,069 1,333 1,740 2,110 2,567 2,898
18 0,127 0,392 0,688 1,067 1,330 1,734 2,101 2,552 2,878
19 0,127 0,391 0,688 1,066 1,328 1,729 2,093 2,539 2,861
20 0,127 0,391 0,687 1,064 1,325 1,725 2,086 2,528 2,845
21 0,127 0,391 0,686 1,063 1,323 1,721 2,080 2,518 2,831
22 0,127 0,390 0,686 1,061 1,321 1,717 2,074 2,508 2,819
23 0,127 0,390 0,685 1,060 1,319 1,714 2,069 2,500 2,807
24 0,127 0,390 0,685 1,059 1,318 1,711 2,064 2,492 2,797
25 0,127 0,390 0,684 1,058 1,316 1,708 2,060 2,485 2,787
26 0,127 0,390 0,684 1,058 1,315 1,706 2,056 2,479 2,779
27 0,127 0,389 0,684 1,057 1,314 1,703 2,052 2,473 2,771
28 0,127 0,389 0,683 1,056 1,313 1,701 2,048 2,467 2,763
29 0,127 0,398 0,683 1,055 1,311 1,699 2,045 2,462 2,756
30 0,127 0,389 0,683 1,055 1,310 1,697 2,042 2,457 2,750
40 0,126 0,388 0,681 1,050 1,303 1,684 2,021 2,423 2,704
60 0,126 0,387 0,679 1,046 1,296 1,671 2,000 2,390 2,660
120 0,126 0,386 0,677 1,041 1,289 1,658 1,980 2,358 2,617
0,126 0,385 0,674 1,036 1,282 1,645 1,960 2,326 2,576
Esta tabla está tomada de la tabla III de Fisher y Yates, Statistical Tables for Biological, Agricultural, and Medical
Research, editado por Oliver & Boyd Ltd., Edimburgo,con autorización de los autores y editores
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
4. Shapiro y Wilk:
A2
W=
N S2
W es el coeficiente de Shapiro y Wilk, N es el tamaño muestral y S2 es la varianza poblacional
Wt = n y α = 5%
i\n 2 3 4 5 6 7 8 9 10
i\n 11 12 13 14 15 16 17 18 19 20
1 0,5601 0,5475 0,5359 0,5251 0,515 0,5056 0,4968 0,4886 0,4808 0,4734
2 0,3315 0,3325 0,3325 0,3318 0,3306 0,329 0,3273 0,3253 0,3232 0,3211
3 0,2260 0,2347 0,2412 0,2495 0,2495 0,2521 0,254 0,2553 0,2561 0,2565
4 0,1429 0,1586 0,1707 0,1802 0,1878 0,1988 0,1988 0,2027 0,2059 0,2085
5 0,0695 0,0922 0,1099 0,1240 0,1353 0,1447 0,1524 0,1587 0,1641 0,1686
6 0,0000 0,0303 0,0539 0,0727 0,088 0,1005 0,1109 0,1197 0,1271 0,1334
7 0,0000 0,024 0,0433 0,0593 0,0725 0,0873 0,0932 0,1013
8 0,0000 0,0196 0,0359 0,0496 0,0612 0,0711
9 0,0000 0,0163 0,0303 0,0422
10 0,0000 0,0140
i\n 21 22 23 24 25 26 27 28 29 30
1 0,4643 0,4590 0,4542 0,4493 0,4450 0,4407 0,4366 0,4328 0,4291 0,4254
2 0,3185 0,3156 0,3126 0,3098 0,3069 0,3043 0,3018 0,2992 0,2968 0,2944
3 0,2578 0,2571 0,2563 0,2554 0,2543 0,2533 0,2522 0,2510 0,2499 0,2487
4 0,2119 0,2131 0,2139 0,2145 0,2148 0,2151 0,2152 0,2151 0,2150 0,2148
5 0,1736 0,1764 0,1787 0,1807 0,1822 0,1836 0,1848 0,1857 0,1864 0,1870
6 0,1399 0,1443 0,1480 0,1512 0,1539 0,1563 0,1584 0,1601 0,1616 0,1630
7 0,1092 0,1150 0,1201 0,1245 0,1283 0,1316 0,1346 0,1372 0,1395 0,1415
8 0,0804 0,0878 0,0941 0,0997 0,1046 0,1089 0,1128 0,1162 0,1192 0,1219
9 0,0530 0,0618 0,0696 0,0764 0,0823 0,0876 0,0923 0,0965 0,1002 0,1036
10 0,0263 0,0368 0,0459 0,0539 0,0610 0,0672 0,0728 0,0778 0,0822 0,0862
11 0,0000 0,0122 0,0228 0,0321 0,0403 0,0476 0,0540 0,0598 0,0650 0,0697
12 0,0000 0,0107 0,0200 0,0284 0,0358 0,0424 0,0483 0,0537
13 0,0000 0,0094 0,0178 0,0253 0,0320 0,0381
14 0,0000 0,0084 0,0159 0,0227
15 0,0000 0,0076
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
i\n 31 32 33 34 35 36 37 38 39 40
1 0,4220 0,4188 0,4156 0,4127 0,4096 0,4068 0,4040 0,4015 0,3989 0,3964
2 0,2921 0,2898 0,2876 0,2854 0,2834 0,2813 0,2794 0,2774 0,2755 0,2737
3 0,2475 0,2463 0,2451 0,2439 0,2427 0,2415 0,2403 0,2391 0,2380 0,2368
4 0,2145 0,2141 0,2137 0,2132 0,2127 0,2121 0,2116 0,2110 0,2104 0,2098
5 0,1874 0,1878 0,1880 0,1882 0,1883 0,1883 0,1883 0,1881 0,1880 0,1878
6 0,1641 0,1651 0,1660 0,1667 0,1673 0,1678 0,1683 0,1686 0,1689 0,1691
7 0,1433 0,1449 0,1463 0,1475 0,1487 0,1496 0,1505 0,1513 0,1520 0,1526
8 0,1243 0,1265 0,1284 0,1301 0,1317 0,1331 0,1344 0,1356 0,1366 0,1376
9 0,1066 0,1093 0,1118 0,1140 0,1160 0,1179 0,1196 0,1211 0,1225 0,1237
10 0,0899 0,0931 0,0961 0,0988 0,1013 0,1036 0,1056 0,1075 0,1092 0,1108
11 0,0739 0,0777 0,0812 0,0844 0,0873 0,0900 0,0924 0,0947 0,0967 0,0986
12 0,0585 0,0629 0,0669 0,0706 0,0739 0,0770 0,0798 0,0824 0,0848 0,0870
13 0,0435 0,0485 0,0530 0,0572 0,0610 0,0645 0,0677 0,0706 0,0733 0,0759
14 0,0289 0,0344 0,0395 0,0441 0,0484 0,0523 0,0559 0,0592 0,0622 0,0651
15 0,0144 0,0206 0,0262 0,0314 0,0361 0,0404 0,0444 0,0481 0,0515 0,0546
16 0,0000 0,0068 0,0187 0,0187 0,0239 0,0287 0,0331 0,0372 0,0409 0,0444
17 0,0000 0,0062 0,0119 0,0172 0,0220 0,0264 0,0305 0,0343
18 0,0000 0,0057 0,0110 0,0158 0,0203 0,0244
19 0,0000 0,0053 0,0101 0,0146
20 0,0000 0,0049
i\n 41 42 43 44 45 46 47 48 49 50
1 0,3940 0,3917 0,3894 0,3872 0,3850 0,3830 0,3808 0,3789 0,3770 0,3751
2 0,2719 0,2701 0,2684 0,2667 0,2651 0,2635 0,2620 0,2604 0,2589 0,2574
3 0,2357 0,2345 0,2334 0,2323 0,2313 0,2302 0,2291 0,2281 0,2271 0,2260
4 0,2091 0,2085 0,2078 0,2072 0,2065 0,2058 0,2052 0,2045 0,2038 0,2032
5 0,1876 0,1874 0,1871 0,1868 0,1865 0,1862 0,1859 0,1855 0,1851 0,1847
6 0,1693 0,1694 0,1695 0,1695 0,1695 0,1695 0,1695 0,1693 0,1692 0,1691
7 0,1531 0,1535 0,1539 0,1542 0,1545 0,1548 0,1550 0,1551 0,1553 0,1554
8 0,1384 0,1392 0,1398 0,1405 0,1410 0,1415 0,1420 0,1423 0,1427 0,1430
9 0,1249 0,1259 0,1269 0,1278 0,1286 0,1293 0,1300 0,1306 0,1312 0,1317
10 0,1123 0,1136 0,1149 0,1160 0,1170 0,1180 0,1189 0,1197 0,1205 0,1212
11 0,1004 0,1020 0,1035 0,1049 0,1062 0,1073 0,1085 0,1095 0,1105 0,1113
12 0,0891 0,0909 0,0927 0,0943 0,0959 0,0972 0,0986 0,0998 0,1010 0,1020
13 0,0782 0,0804 0,0824 0,0842 0,0860 0,0876 0,0892 0,0906 0,0919 0,0932
14 0,0677 0,0701 0,0724 0,0745 0,0765 0,0783 0,0801 0,0817 0,0832 0,0846
15 0,0575 0,0602 0,0628 0,0651 0,0673 0,0694 0,0713 0,0731 0,0748 0,0764
16 0,0476 0,0506 0,0534 0,0560 0,0584 0,0607 0,0628 0,0648 0,0667 0,0685
17 0,0379 0,0411 0,0442 0,0471 0,0497 0,0522 0,0546 0,0568 0,0588 0,0608
18 0,0283 0,0318 0,0352 0,0383 0,0412 0,0439 0,0465 0,0489 0,0511 0,0532
19 0,0188 0,0227 0,0263 0,0296 0,0328 0,0357 0,0385 0,0411 0,0436 0,0459
20 0,0094 0,0136 0,0175 0,0211 0,0245 0,0277 0,0307 0,0355 0,0361 0,0386
21 0,0000 0,0045 0,0087 0,0126 0,0163 0,0197 0,0229 0,0259 0,0288 0,0314
22 0,0000 0,0042 0,0081 0,0118 0,0153 0,0185 0,0215 0,0244
23 0,0000 0,0039 0,0076 0,0111 0,0143 0,0174
24 0,0000 0,0037 0,0071 0,0104
25 0,0000 0,0035
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Nivel de Significacion
n 0,01 0,02 0,05 0,1 0,5 0,9 0,95 0,98 0,99
3 0,753 0,756 0,767 0,789 0,959 0,998 0,999 1,000 1,000
4 0,687 0,707 0,748 0,792 0,935 0,987 0,992 0,996 0,997
5 0,686 0,715 0,762 0,806 0,927 0,979 0,986 0,991 0,993
6 0,713 0,743 0,788 0,826 0,927 0,974 0,981 0,986 0,989
7 0,730 0,760 0,803 0,838 0,928 0,972 0,979 0,985 0,988
8 0,749 0,778 0,818 0,851 0,932 0,972 0,978 0,984 0,987
9 0,764 0,791 0,829 0,859 0,935 0,972 0,978 0,984 0,986
10 0,781 0,806 0,842 0,869 0,938 0,972 0,978 0,983 0,986
11 0,792 0,817 0,850 0,876 0,940 0,973 0,979 0,984 0,986
12 0,805 0,828 0,859 0,883 0,943 0,973 0,979 0,984 0,986
13 0,814 0,837 0,866 0,889 0,945 0,974 0,979 0,984 0,986
14 0,825 0,846 0,874 0,895 0,947 0,975 0,980 0,984 0,986
15 0,835 0,855 0,881 0,901 0,950 0,975 0,980 0,984 0,987
16 0,844 0,863 0,887 0,906 0,952 0,976 0,981 0,985 0,987
17 0,851 0,869 0,892 0,910 0,954 0,977 0,981 0,985 0,987
18 0,858 0,874 0,897 0,914 0,956 0,978 0,982 0,986 0,988
19 0,863 0,879 0,901 0,917 0,957 0,978 0,982 0,986 0,988
20 0,868 0,884 0,905 0,920 0,959 0,979 0,983 0,986 0,988
21 0,873 0,888 0,908 0,923 0,960 0,980 0,983 0,987 0,989
22 0,878 0,892 0,911 0,926 0,961 0,980 0,984 0,987 0,989
23 0,881 0,895 0,914 0,928 0,962 0,981 0,984 0,987 0,989
24 0,884 0,898 0,916 0,930 0,963 0,981 0,984 0,987 0,989
25 0,888 0,901 0,918 0,931 0,964 0,981 0,985 0,988 0,989
26 0,891 0,904 0,920 0,933 0,965 0,982 0,985 0,988 0,989
27 0,894 0,906 0,923 0,935 0,965 0,982 0,985 0,988 0,990
28 0,986 0,908 0,924 0,936 0,966 0,982 0,985 0,988 0,990
29 0,898 0,910 0,926 0,937 0,966 0,982 0,985 0,988 0,990
30 0,900 0,912 0,927 0,939 0,967 0,983 0,985 0,988 0,990
31 0,902 0,914 0,929 0,940 0,967 0,983 0,986 0,988 0,990
32 0,904 0,915 0,930 0,941 0,968 0,983 0,986 0,988 0,990
33 0,906 0,917 0,931 0,942 0,968 0,983 0,986 0,989 0,990
34 0,908 0,919 0,933 0,943 0,969 0,983 0,986 0,989 0,990
35 0,910 0,920 0,934 0,944 0,969 0,984 0,986 0,989 0,990
36 0,912 0,922 0,935 0,945 0,970 0,984 0,986 0,989 0,990
37 0,914 0,924 0,936 0,946 0,970 0,984 0,987 0,989 0,990
38 0,916 0,925 0,938 0,947 0,971 0,984 0,987 0,989 0,990
39 0,917 0,927 0,939 0,948 0,971 0,984 0,987 0,989 0,991
40 0,919 0,928 0,940 0,949 0,972 0,985 0,987 0,989 0,991
41 0,920 0,929 0,941 0,950 0,972 0,985 0,987 0,989 0,991
42 0,922 0,930 0,942 0,951 0,972 0,985 0,987 0,989 0,991
43 0,923 0,932 0,943 0,951 0,973 0,985 0,987 0,990 0,991
44 0,924 0,933 0,944 0,952 0,973 0,985 0,987 0,990 0,991
45 0,926 0,934 0,945 0,953 0,973 0,985 0,988 0,990 0,991
46 0,927 0,935 0,945 0,953 0,974 0,985 0,988 0,990 0,991
47 0,928 0,936 0,946 0,954 0,974 0,985 0,988 0,990 0,991
48 0,929 0,937 0,947 0,954 0,974 0,985 0,988 0,990 0,991
49 0,929 0,937 0,947 0,955 0,974 0,985 0,988 0,990 0,991
50 0,930 0,938 0,947 0,955 0,974 0,985 0,988 0,990 0,991
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Identificación de la aleatoriedad en las series climatológicas
Anual
AÑO Anual Diferencias Coeficiente A
ordenada
1970 1915,3 1980,9 1050,6 0,459 482,2254 A2
1971 1091,2 1915,3 824,1 0,3156 260,08596 Wc =
1972 1297,1 1895,2 680,3 0,2571 174,90513 N ∗ S2
1973 930,3 1855,2 638,9 0,2131 136,14959
1974 1357,8 1847,8 550,7 0,1764 97,14348
1975 1214,9 1804,2 467 0,1443 67,3881 1581871,17
Wc = = 0,930
1976
1977
1464,3
1450,8
1564,8
1464,3
207
103,9
0,115
0,0878
23,805
9,12242
22 ∗ 77340,5
1978 1337,2 1453,6 91,2 0,0618 5,63616
1979 1980,9 1450,8 33,8 0,0368 1,24384
1980 1847,8 1430,1 1,6 0,0122 0,01952
1981 1895,2 1428,5 Ho: la serie se ajusta a una distribución normal
1982 1430,1 1417,0 A 1257,7 Hi: la serie no se ajusta a una distribución
1983 1417,0 1362,4 A2 1581871,2
1984 1453,6 1360,4 normal
1985 1804,2 1357,8
1986
1987
1216,3
1428,5
1337,2
1297,1
Wt, con α = 5% = 0,911
1988 1564,8 1216,3
1989 1362,4 1214,9 Como Wc es mayor que Wt, se acepa la hipótesis
1990 1855,2 1091,2
1991 1360,4 930,3
nula, la serie se ajusta a una distribución normal
Mx = 1485,2 con base al criterio aplicado.
S2 = 77340,5
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
FX (x) = FZ (z)
Por lo tanto:
P [X<x] = P [Z<z]
P [X < 600mm] = P[Z<z]
b) P (z ≤ a)
a−Mx
P [X ≤ a] = FX (x) = FZ (z) z=
Sx
El resultado de Z se busca en la tabla
Por ejemplo:
P [100 ≤ x ≤ 1100]
P [–1,38 ≤ x ≤ 1,06]
a = z1 + z2 = 0,7685
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
Por ejemplo:
P [a ≤ x ≤ b]
P [1100 ≤ x ≤ 1300]
(se tipifican y buscan en tabla)
a=b–a
Para ello se utiliza un papel grafico especial, con él también se puede determinar si
la serie sigue, o no, una distribución normal:
100 m
Fm =
n+1
Fm percentil asociado al dato de orden m [%]
m orden/posición del dato
n tamaño muestral
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
Cada punto en el papel gráfico, tiene por coordenadas generales [Fm; Pa].
Ploteando los pares de valores de la muestra se genera un diagrama de dispersión,
en el cual se trazara una recta de mejor ajuste por el método de los mínimos
cuadrados. Esa recta de ajuste representa a la fda del modelo Normal
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PP 159 170 207 244 272 333 343 405 427 445 518 519 527 570 731 849
Fm 6 12 18 24 29 35 41 47 53 59 65 71 76 82 88 94
z -1,56 -1,19 -0,93 -0,72 -0,54 -0,38 -0,22 -0,07 0,07 0,22 0,38 0,54 0,72 0,93 1,19 1,56
Los valores de z (área bajo la curva) se determinan mediante las tablas (área de la
parte menor y área de la parte mayor) o mediante el papel grafico especial. Luego,
la recta de regresión será:
y = a + bx
y = 419,94 + 219,57x
PPanual = 420 + 220z
Los dos puntos anteriores [-1,5; 91mm] y [1,5; 750mm] se plotean, y se traza una
línea recta entre ellos. Si luego de trazar la recta, se cumple que los puntos se
agrupan en las proximidades de la recta ascendente, la serie climática es normal.
Luego, de la recta dibujada se extraen los parámetros Mx y Sx, del siguiente modo:
En el papel gráfico, los valores asociados a esos percentiles son: 740mm y 90mm.
Reemplazando esas magnitudes en la formula general de Z:
Sx +z = xi − Mx
Sx −z = xi − Mx
Periodo de retorno
Y´ = 969.6+140.9 (z)
r = 0.96
N=13
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
Año Junio
1981 46,9 - N(+) = 15
1982 92,7 + N(-) = 15
1983 108,6 + rm = 17
1984 78,5 -
1985 27,5 - Hipótesis nula (Ho): los signos + y – se suceden al azar
1986 53,6 - Hipótesis alterna (Hi): los signos + y – no ocurren aleatoriamente
1987 130,2 +
1988 69 -
1989 242,8 +
Como el numero de rachas (rm) pertenece al intervalo [10; 22] se
1990 64,1 - acepta la hipótesis nula, la serie climática es aleatoria.
1991 162 +
1992 66,2 -
1993 148,5 +
1994 151 +
1995 99,3 +
Aleatoria
1996 129,8 +
1997 125,3 +
1998 143,9 +
1999 159,3 + Tendencia/ Oscilación
Año
2000 Junio
69,3 - ciclos Límite inferior Límite superior
1981
2001 46,9
84,2 +- 2,5 97,5
1982
2002 92,7
67,3 +- 10 rachas 17 rachas 22 rachas
1983
2003 108,6
92,7 +
+
1984
2004 78,5
88,7 --
1985
2005 27,5
77,3 --
1986
2006 53,6
133,2 +-
1987
2007 130,2
43,6 +-
1988
2008 69
89,6 +-
1989
2009 242,8
85,5 +-
1990
2010 64,1
30,2 --
1991 162 +
1992
Mdx 66,2
89,2 -
1993 148,5 +
1994 151 +
1995 99,3 +
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
y = a + bx
y = 98,69 + 48,75x
PPjunio = 99,69 + 48,75z
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
El modelo probabilístico Gaussiano
300
250
Precipitación (mm)
200
150
100
50
0
-1,8 -1,2 -0,6 0 0,6 1,2 1,8
z
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico lognormal
Resumiendo, si los Ln de los datos están normalmente distribuidos, los datos están
lognormalmente distribuidos. Genéricamente, si X es una variable aleatoria Normal,
Y será una variable aleatoria lognormal.
Normal Lognormal
X es una variable aleatoria normalmente Y es una variable aleatoria
distribuida lognormalmente distribuida
X puede tomar cualquier valor en R Y puede tomar valores en R+
Si y = 1, x = 0
Si y > 1, x > 0
Si y ∈ (0; 1), x<0
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico lognormal
La grafica de fY(y) indica que se trata de una fdp con asimetría positiva. Por ello el
modelo lognormal se ha utilizado en la predicción de fenómenos con esa clase de
sesgo, como son los casos de diversas variables climatológicas de carácter diario,
semanal, mensual, cantidades relacionadas con las magnitudes inmediatas
anteriores. Por ejemplo, se conviene en que la precipitación en un día cualquiera
está condicionada por la precipitación del día anterior. Así mismo, se ha aplicado el
modelo LN en montos anuales con fuerte asimetría positiva.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico lognormal
Lny − LnY
z=
Sx
Lny − LnY x − Mx
z= =
Sx Sx
Md X = X = Ln Md Y = Ln Y
A nivel práctico, el cálculo de probabilidades en una variable aleatoria distribuida
lognormalmente puede reducirse a extraer de una tabla de valores las soluciones
pedidas, porque FZ (z) está tabulada, ordinariamente, como magnitudes de la
distribución acumulativa o acumulada normal.
Supóngase que la lluvia mensual sigue una distribución lognormal, con asimetría
positiva y media muestral (My) = 14,0 mm y desviación típica (Sy) = 17,1mm
Sy
Cvy = = 1,22
My
Sx = 0,9116mm2 = 0,9548mm
VarX
−
Y = My e 2 = 8,8752mm
Var X = Ln[(Cvy)2 + 1]
Var X = Ln[(0,4667)2 + 1] = 0,1970
Sx = 0,4439
Var x
−
Y= y e 2
0,1970
−
Y = 420 e 2 = 380,60mm
Por lo tanto, FY (600) = FZ(1,023) = 0,8461 Habrá una probabilidad del 85% de que se
presenten precipitaciones menores o iguales a 600mm en cualquier año.
Años 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
PP 19 12 62 30 1 5 10 11 1 1 17 10 11 26 25 2 1 15 1 42 1 3
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico lognormal
PP 1 1 1 1 1 1 2 3 5 10 10 11 11 12 15 17 19 25 26 30 42 62
m 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Perc 4 9 13 17 22 26 30 35 39 43 48 52 57 61 65 70 74 78 83 87 91 96
PP 1 1 1 1 1 1 2 3 5 10 10
Rango 1 2 3 4 5 6 7 8 9 10 11
Percentil 4 9 13 17 22 26 30 35 39 44 48
z -1,70 -1,36 -1,13 -0,94 -0,78 -0,64 -0,51 -0,39 -0,28 -0,16 -0,05
PP 11 11 12 15 17 19 25 26 30 42 62
Rango 12 13 14 15 16 17 18 19 20 21 22
Percentil 52 56 61 65 70 74 78 82 87 91 96
z 0,05 0,16 0,28 0,39 0,51 0,64 0,78 0,94 1,13 1,36 1,70
Si la sucesión de datos muestrales son los valores máximos extraídos de otras series
con distribución normal o lognormal, entonces, a esa sucesión de datos máximos se
le puede ajustar un modelo probabilístico doble exponencial, denominado
Distribución de Valores Extremos Tipo I o Distribución Gumbel, cuya función de
distribución acumulada es:
−a(x−u)
FX x = e−e
En base a la relación existente entre la formula y la nación de probabilidad tenemos
que:
−a(x−u)
FX (x) = P [X < x] = e−e
Sx Sw
u = mx − mw a=
Sw Sx
Gm 1,282
u = mx − a=
a Sx
Por lo tanto:
−w
FX (x) = e−e = FW w
En definitiva:
P [X < x] = Fx(x) = Fw (w)
P [X < x] = Fw (w)
−w
P [X < x] = e−e ∗ 100
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico de los valores extremos máximos
Por ejemplo, supóngase que se tiene una serie de deficiencias hídricas máxima
mensuales [mm]:
Año 1 2 3 4 5 6 7
Déficit 219 188 197 157 164 170 165
22,15
u = 180 − 0,4773 = 167,92mm
0,8749
0,8749
a= = 0,0395
22,15
Dónde:
w = a (x – u)
w = 0,0395 (180 – 167.92) = 0,4772
−w −0,4772
P [DEF < 180mm] = FW(0,4772) = e−e = e−e
P [DEF < 180mm] = 0,5377 * 100
Por lo tanto, hay una probabilidad del 54% que las deficiencias hídricas máximas
mensuales sean inferiores o iguales a 180mm en un año cualquiera.
Para trazar la grafica se asocian a la variable climática (x) con la variable reducida
(w), ya que ambas se relacionan linealmente:
Año 1 2 3 4 5 6 7
Déficit 219 188 197 157 164 170 165
Def ord 219 197 188 170 165 164 157
Orden, r 1 2 3 4 5 6 7
probX, % 12,5 25,0 37,5 50,0 62,5 75,5 87,5
fdaX, % 87,5 75,0 62,5 50,0 37,5 25,0 12,5
w’ 2,01 1,25 0,76 0,37 0,02 -0,33 -0,73
Ejercicio:
A partir de la siguiente serie de déficit hídrico (mm) anuales para la estación Toro
Negro, 1972-1992 (Ejercicio 19 problemario)
Años DEF
1972 208 Mx: 267,57mm
1973 298 Sx: 24,19mm
1974 277
1975 288 Luego, se buscan en tabla los siguientes parámetros (n= 21)
1976 251
1977 280
mw: 0,5252
1978 290 sw: 1,0696
1979 252
1980 300
1981 244
Sx
1982 257
u = mx − mw = 255,69
1983
1984
271
299
Sw
1985 265
1986 268
1987 247 Sw
1988 288 a= = 0,0442
1989 257 Sx
1990 251
1991 236
1992 292
Los parámetros serán EXmaxI [255,69; 0,0442]
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico de los valores extremos máximos
A partir de la siguiente serie de déficit hídrico (mm) anuales para la estación Toro
Negro, 1972-1992 (Ejercicio 19 problemario)
−w
FX x = e−e = FW(w)
w = a (x – u)
w = 0,0442 (300 – 255,69)
w = 1,9585
Hay una probabilidad del 87% que las deficiencias hídricas máximas mensuales
sean menores a 300mm en un año cualquiera.
Unidad IV. Modelos para la predicción probabilística del evento meteorológico
Modelo probabilístico de los valores extremos máximos