Documente Academic
Documente Profesional
Documente Cultură
10 de diciembre de 2014
version- 0.10
3
Elaborado por: Ins Snchez R.
______________________________________
Revisado por : Franklyn Ruiz
Xavier Corredor
VoBo.______________________________________
Bogot D.C., Noviembre de 2014
Contents
Contents
1 Introduccin
I Manual operativo
8
9
19
22
II Manual terico
33
34
34
36
59
60
60
64
65
65
66
67
67
68
6 Jaziku - Clima
6.1. Informacin calculada por Jaziku . . . . . . . . . . . . . . . . .
6.2. Anlisis compuesto y Tablas de contingencia . . . . . . . . . . .
6.3. Construccin e interpretacin de la Tabla de contingencia . . .
71
71
71
72
CONTENTS
6.3.1.
6.3.2.
6.3.3.
6.3.4.
6.3.5.
Correlacin lineal . . . . . . . . . . . . . .
Prueba de bondad de ajuste 2 . . . . . . .
Coeficiente V de Cramer . . . . . . . . . .
Ao anlogo . . . . . . . . . . . . . . . . .
Anlisis de riesgos . . . . . . . . . . . . . .
6.3.5.1. Distribucin hipergeomtrica . . .
6.3.5.2. Metodologa del anlisis de riesgos
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
74
74
75
76
77
77
79
7 Jaziku - Pronstico
7.1. Pronstico operativo mensual de prediccin climtica de los posibles escenarios de impacto, en la variable dependiente debido
a fases del fenmeno de la variable independiente . . . . . . . .
82
8 Jaziku - Mapas
8.1. Acerca de la interpolacin en Jaziku y la generacin de mapas .
8.2. Jaziku y el mtodo Kriging ordinario . . . . . . . . . . . . . . .
8.2.0.3. Elipse de bsqueda y vecinos de interpolacin
8.3. Acerca de los mapas con categoras por estacin . . . . . . . .
84
84
85
86
86
87
IIIApndices
88
10 Apndices
10.1. Acerca de las resoluciones posibles de anlisis en Jaziku
10.2. Acerca del contenido de las carpetas maps generadas
software . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3. Script: sisdhim2jaziku . . . . . . . . . . . . . . . . . . .
10.4. Ejemplo de aplicacin . . . . . . . . . . . . . . . . . . .
Bibliografa
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
por el
. . . .
. . . .
. . . .
82
89
89
91
93
93
97
Captulo 1
Introduccin
De acuerdo con el compromiso IDEAM por promover y orientar la investigacin cientfica sobre el pronstico del tiempo y el clima "Jaziku" es un
programa diseado para evaluar las teleconexiones entre las variables meteorolgicas con los principales ndices de la variabilidad climtica que afectan el
clima en Colombia.
Jaziku, sigue la metodologa de anlisis de compuesto propuesto por la
Universidad - Corporacin para la Investigacin Atmosfrica (UCAR)), Administracin Nacional Ocenica y Atmosfrica (NOAA) y EE.UU. Departamento
de Comercio (DOC) [3][3, 8][3, 8, 47][3, 8, 47] y puede producir escenarios de
probabilidad bajo los cuales se espera que la precipitacin o cualquier otra
variable en los sitios de mayor afectacin o reas especficas interpoladas se
comporten, en funcin de los valores de probabilidad estimados para cada uno
de los fenmenos de variabilidad del clima y de la historia climatolgica en relacin al valor promedio (o acumulado) mensual, bimensual,trimestral, decadal,
quincenal o quinquenal. Tales escenarios se han convertido en una herramienta
poderosa para la toma de decisiones del servicio meteorolgico nacional.
Parte I
Manual operativo
Captulo 2
2.1.
Runfile
El runfile.csv es un archivo en formato de texto plano (.csv) cuyas separaciones se dan por punto y coma ; y las separaciones decimales se dan por
punto . . Este archivo de corrida y es indispensable y proporciona las opciones
de corrida y la informacin a utilizar para toda la corrida del software. Est
dividido as:
data_analysis; <enable, disable> [Habilita o deshabilita la corrida del modulo de anlisis exploratorio de datos (ver 5)]
climate_process; <enable, disable> [Puede ser deshabilitado para correr
unicamente el modulo de Anlisis de Datos. Siempre obligatorio para
correr Forecasting, habilita el proceso de Corrida del mdulo clima (ver
3.4)]
forecast_proces; <enable,disable> [Habilita o deshabilita el proceso de generacin pronstico (ver 7)]
## GENERAL OPTIONS
analysis_interval; <5days, 10days, 15days, monthly, bimonthly,trimonthly>
[Resolucin temporal de anlisis, note que los resultados posibles depende
de la resolucin de las series ingresadas, ver Fig.2.1 ]
*) Anlisis de tipo mensual-mensual: para cuando variable independiente y dependiente son mensuales, de esta manera Jaziku arroja resultados iguales
a los de su versin 0.1 (por trimestres, nica opcin valida para las variables independientes ONI1, ONI2 y CAR).
*) Anlisis de tipo mensual diario: para cuando la serie de la variable independiente es mensual, pero la serie de la variable dependiente es dada en
valores diarios. En este tipo de corrida el usuario puede obtener resultados cada 5 das (10 15 das) de afectacin de la variable meteorolgica
analizada, en funcin del comportamiento promedio de la variable independiente (para el mes), que en realidad se espera o no sea un ndice
del fenmeno de variabilidad climtica. Esta es una opcin de corrida
bastante til, sobre todo porque muchos de los ndices aceptados por el
software no son actualizados si no cada mes.
*) Anlisis de tipo diario-diario: para cuando las series de variable dependiente
e independiente son ambas dadas en la escala diaria. En este caso, la
metodologa de anlisis compuesto arroja resultados ms precisos de la
afectacin de la variable dependiente, puesto que se tendr en cuenta a
10
class_category_analysis; <3,7>[Numero de categoras para el anlisis compuesto.Para un valor 3, Jaziku realiza en todos sus mdulos un anlisis
basado en tres categoras de la variable independiente y de la dependiente,
para 7 utiliza entonces una mayor subdivisin y detalle]
11
12
(_,/,, ,). Aplica para ttulos de grficas, tabla de contingencia y ttulos de mapas . Ejemplo: categories_labels_var_I;LaNina;Neutro;ElNino
-{en este caso la condicin por debajo de lo normal de la VarIndp ser
etiquetada con el nombre LaNina, dentro de lo normal con el nombre
Neutro y por encima de lo normal ElNino}]
relevant_climate_categories_var_I; <all,Onecategory,Twocategory> [Label de la categora de anlisis de preferencia de de la variable dependiente
y de acuerdo a la seleccin de anlisis entre 3 y 7 categoras]
## VAR D OPTIONS; [Opciones generales para las series de la
variable dependiente]
type_var_D; [En maysculas, convencin de la variable dependiente (ver
2.2), Ejemplo: Runoff (m3/s)]
mode_calculation_series_D; <default,accumulate,mean> [Manera para
calcular las series de tiempo de las variables dependientes para la generacin de los productos de todos los mdulos del software. En la opcin por
defecto se utilizan las opciones indicadas en la Tabla. 4.1 y ver Seccin
4.1 ]
limit_var_D; [Limites inferior y superior para la verificacin de la variable
dependiente]
*) ;<none> [Hace que no verifique los valores posibles para la variable dependiente (no recomendado)]
*) ;<default> [El programa verifica los valores posibles para la variable dependiente utilizando las reglas de la Tabla 4.1]
*) ;<##> [Para cuando se desea dar un valor particular o se usa una variable
no pre-definida en el programa (ver 2.2)]
threshold_below_var_D ;[Umbrales de la variable dependiente, que da
lugar a la categora por debajo de lo normal y por encima de lo normal]
*) ;<default> [Para una corrida a 3 categoras, hace que el programa utilice los
percentiles 33 y 66 de las series en el periodo procesado o los respectivos
para el ao anlogo cuando se ha habilitado la opcin analog_year . Si
se trata de una corrida a 7 categoras utiliza los percentiles 11, 22, 33,
66, 77 y 88 de igual manera]
*) ;<P##> [Hace que el programa utilice los percentiles seleccionados, por
ejemplo al colocar P25;P75, es utilizado el percentil 25 para categorizar
los valores por debajo de lo normal y el percentil 75 para los valores por
encima de lo normal]
*) ;<sdn> [Hace que el programa utilice n veces (de uno hasta 3) la desviacin
estndar de la serie]
13
14
*) ;<default> [Hace que el programa utilice para nombrar las categoras, las
reglas de la Tabla 4.3. Si la variable es externa utiliza por defecto los
umbrales referidos a los percentiles 33 y 66 en una corrida a 3 categoras y los percentiles11,22,33,66,77 y 88 de la serie para una corrida a 7
categoras]
*) ;<P##> [Hace que el programa utilice los percentiles seleccionados, por
ejemplo al colocar P25;P75, es utilizado el percentil 25 para categorizar
los valores por debajo de lo normal y el percentil 75 para los valores por
encima de lo normal]
*) ;<sdn> [Hace que el programa utilice n veces (de 1 hasta 3) la desviacin
estndar de la serie]
*) ;<##> [Valores numricos, enteros o decimales (separados por;)ingresados
por el usuario bajo sus propios criterios]
*) ;<# %> [Valores en porcentaje (separados por ;)ingresados por el usuario
bajo sus propios criterios,este nuevo umbral es calculado con base al 100 %
de la medida de los valores en la resolucin de la variable independiente]
*) ;<p50##> [Hace que el programa utilice valores sumados/restados respecto al percentil 50 de la serie de tiempo calculada por Jaziku para el
anlisis compuesto(separados por ;). Esto valores son ingresados por el
usuario bajo sus propios criterios.Ejemplo: p50+8;p50-8]
## FORECAST OPTIONS; [Opciones generales para la generacin
del pronostico asociado]
forecast_date; <##, trimester> [Fecha de pronstico, si el anlisis se hace
a nivel mensual (monthly) utilice nmeros de 1 a 12, Ej: para el mes de
Marzo 3. Si el anlisis se hace a nivel bimensual (bimonthly) utilice las
iniciales del bimestre, Ej: para el bimestre Julio-Agosto JA. Si el anlisis
se hace a nivel trimestral (trimonthly) utilice las iniciales de los tres meses
Ej: para Enero-Febrero-Marzo EFM. Si el anlisis se hace a nivel diario
(15 days 10 days 5days ) utilice las referencias del apndice 9.1 (utilice
caracteres numricos)]
# (3 categories)
# (7 categories)
forecast_var_I_lag_#; <;;##;##;##;;> <##;##;##;##;##;##;##>[Existen tres opciones de pronostico, uno basado en un anlisis compuesto para
3 categoras y con probabilidades de ocurrencia de alguna de las fases del
fenmeno para tres categoras, este es denominado 3x3, para esto ubique
los valores tal cual como se indica en la primera opcin. Para un pronostico 7x7, esto es utilizando los resultados del anlisis compuesto a 7
categoras y con la probabilidad de ocurrencia de las 7 categoras de las
15
#################### MAPS
## MAPS OPTIONS; [Opciones para la elaboracin de mapas]
maps; <all, climate, forecasting, correlation> [Habilita o deshabilita la generacin de mapas.Con la opcin all pueden obtenerse los mapas de los
mdulos climate y forecasting, pero adems y separados por comas se
pueden obtener combinaciones. Ejemplo: maps; forecasting, correlation
en este caso se obtendrn los mapas del modulo forecasting y de las correlaciones y no los del modulo clima}]
marks_stations; <enable,disable> [Habilita o deshabilita las marcas de la
ubicacin de las estaciones en lo mapas generados por Jaziku]
overlapping ;<default, average, minimum,maximum,neither> [Establece la
manera de operar de Jazik cuando dos o ms puntos comparten el mismo
espacio basado en el tamao de rejilla 3 .En este caso el software por
defecto saca el promedio de los dos valores, tambin se le pueden dar las
opciones del mximo o el mnimo entre los dos y con neither eliminar los
dos (o ms) puntos]
shape_boundary; <default, disable, enable> [Con enable elimina las interpolaciones fuera de limite del mapa , con las opciones por defecto y
disable no realiza tal recorte. La calidad del recorte depende del valor de
grid_resolution, a menor resolucin de rejilla mejor calidad pero mayor
tiempo computacional 3 ]
####################;GRIDS LIST;[Opciones para
la generacin de la rejilla para la interpolacin]
grid; <Nombre regin, Nombre pas> [Nombre de mapas. Para cuando
el usuario decide utilizar una rejilla interna, hay dos opciones: solo el
3
16
17
Departamento
Departamento
Amazonas
Colombia
Quindio
Antioquia
Cordoba
Risaralda
Arauca
Cundinamarca
San_Andres
Atlantico
Guainia
Santander
Bolivar
Guaviare
Sucre
Boyaca
Huila
Tolima
Caldas
La_Guajira
Valle_del_Cauca
Caqueta
Magdalena
Vaupes
Casanare
Meta
Vichada
Cauca
Narino
Putumayo
Providencia
Narino
Putumayo
pas (Ejemplo: grid; Colombia -{en este caso se utiliza la rejilla para
toda Colombia}) o un departamento interno de Colombia, se deben utilizar los nombres tal cual de la lista mostrada en la Tabla 2.1(Ejemplo:
grid;Cundinamarca; Colombia -{en este caso se utiliza la rejilla interna
para Cundinamarca}].
<Nombre rea> [Para cuando el usuario decide utilizar una rejilla externa,
el nombre de la regin o rea particular debe coincidir con el nombre
de los archivos .shp y extensiones (.dbf ,.prj,.sbn,.sbx,.shx) dentro de la
carpeta especificada en el shape_path, Ejemplo: grid; CuencaPrincipal
-{aqu se utiliza la rejilla externa para el shape CuencaPrincipal.shp}]
18
19
2.2.
Entrada de datos.
Jaziku ha sido diseado para que el usuario incluya en dos archivos los
datos correspondientes a las series de tiempo de valores diarios, mensuales, bimensuales y trimestrales de la variable independiente y dependiente. Dichos
archivos corresponden a extensiones .txt (plain text document), la Fig.2.4 presenta dos ejemplos de series, no olvide que el valor estndar para datos perdidos
20
Figura 2.4: Ejemplo de formato de datos de entrada, debe ser en formato txt.
(Izq) Mensual, (der) Diario.
o no medidos es NAN (99999 y -99999), que la entrada se puede dar en valores mensuales o diarios y que Jaziku acepta como delimitadores de espacio
los siguientes caracteres: comillas (), tabulacin ("\ t ) o punto y coma (";
"). El software es capaz de aceptar series incompletas en el ltimo y primer
ao, pero recibe las series y las rellena con valores nulos, si al menos cuenta
los valores correspondientes los meses de diciembre,noviembre, enero y febrero,
respectivamente.
Para correr Jaziku existen convenciones asociadas a las series de las variables
dependientes e independientes.
Para la variable dependiente son:
PPT(Precipitacin)
NDPPT (Nmero de das con lluvia)
TMIN (Temperatura mnima)
TMAX (Temperatura mxima)
TEMP (Temperatura media)
PATM (Presin atmosfrica)
RUNOFF (Escorrenta, caudal)
HR (Humedad relativa)
Para la variable independiente son:
21
Captulo 3
Se espera que en las tres fases siguientes Jaziku genere cuatro carpetas,
una asociada al modulo de anlisis inicial de datos Jaziku - Data AnalysisHomogeneity, otra para el modulo Jaziku - clima y finalmente una asociada
al esquema Jaziku - pronstico , que son guardadas en el mismo directorio
de donde se corre el programa y en donde se espera se encuentre ubicado el
archivo de inicio runfile (ver Fig.3.5).
En el anlisis inicial de datos, de acuerdo al modo de clculo seleccionado por el usuario (acumulado o media, ver seccin Runfile) Jaziku evala:
la tendencia de las series,los datos atpicos, se elabora la climatologa multianual de la variable y se presentan los resultados de pruebas parametricas de anlisis de homogeneidad. De esta manera es creada la carpeta Jaziku_Data_Analysis_Homogeneity, all a su vez se ubican dos subdirectorios EDA- y Homogeneity, que por un lado guarda las carpetas Descriptive_Statistic, Distribution_Test, Outliers, Anomaly,Climatology y Correlation con los resultados asociados al anlisis inicial de las series de tiempo,
as como los resultados de Homogeneity que involucran el test MWW (MannWitney-Wilconxon), test-L, test -t y las curvas de masas (para la variable precipitacin )
22
23
24
En la carpeta Distribution_Test se presentan los diagramas de dispersin de las series (solo posible para un numero superior a 5 y no mayor a
15 series de tiempo), los resultados del test de shapiro-wilks y los histogramas de frecuencia de cada serie de la variable dependiente.En el directorio
Graphs_Inspection_of_Series, el usuario puede encontrar grficas y tablas
.csv de la climatologa promedio mensual multianual y la climatologa promedio multianual de la series de acuerdo a la resolucin de anlisis seleccionada
por el usuario siempre con valores de variacin de acuerdo a su valor mximo
y mnimo.
Finalmente en la carpeta Outliers, Jaziku arroja los diagramas de cajas
y bigotes para las series de la variable dependiente y la lista de datos atpicos
en funcin de las categoras de la variable independiente1 y de la resolucin
general de corrida (ver2.1 ). Esta categorizacion de de los atpicos, se hace de
manera independiente para cada valor atpico encontrado, primero se calcula la
1 Aqu
25
26
Distribution_Test
Anomaly
Correlation
dependiente e independiente
shapiro-wilks e histogramas de
frecuencia
procesar
histograma de frecuencia
independiente)
serie dependiente vs la
variable dependiente) y
Autocorrelogramas (de la
Descriptive_Statistic y Graph_for_VarDep
Modo de calculo
Productos
Directorio
Homogeneity
Outliers
Modo de calculo
de la variable dependiente.
(Mann-Witney-Wilconxon),
la resolucin de anlisis.
Ttest MWW
de la variable independiente
de las series tal cual como fueron ingresadas por el usuario, para el
resolucin de anlisis.
acumulado, debe estar seguro que los datos mensuales son a su vez
de acuerdo a la resolucin de
multianual, climatologa
Productos
Climatologa promedio mensual
Directorio
Climatology
29
Otros estadsticos de inters son calculados por Jaziku en esta etapa, como
la correlacin lineal de las series por trimestres (quinquena, dcadas quincenas), la correlacin y el test chi cuadrado de la tabla de contingencia. Finalmente y por medio de la distribucin hipergeomtrica, un anlisis de riesgos es
elaborado.
Posterior al desarrollo de los escenarios mas probables de afectacin (climatologa), Jaziku utiliza los valores de probabilidad del fenmeno representado
por la variable independiente y por medio de una combinacin lineal de los
valores de la tabla de contingencia, genera un pronstico de afectacin de la
variable dependiente, en funcin de los valores pronosticados por la variable
independiente
Como ya se dijo, los resultados arrojados por el software, son guardados en
una carpeta con el mismo nombre del archivo runfile (ver 2). Los resultados
del modulo clima, se incluyen en una carpeta llamada Jaziku-climate, esta
carpeta guarda a su vez una carpeta llamada maps y la carpeta stations
que incluye otras carpetas cuyo nombre coincide con el de las estaciones incluidas en la lista de estaciones (ver 2). La carpeta maps, por rezagos guarda los
archivos .csv, que son utilizados para la generacin de mapas deterministicos
(solo para corridas a 7 categorias) y probabilisticos interpolados en funcin de
las categoras: por encima, por debajo y dentro de lo normal (o sus correspondiente para 7 categoras) de la variable independiente (ver Fig.10.2). Cada una
de las carpetas asociadas a cada estacin guarda a su vez las series de tiempo
construidas por trimestres (mes, bimestre, quinquena, dcadas quincenas) para los valores promedio de la variable dependiente e independiente,las grficas
asociadas a estas tablas de contingencia en la carpeta graphics; estas grficas
son diagramas de barras en mosaico por rezagos o de manera independiente
por trimestre (mes, bimestre, quinquina, dcadas quincenas,ver Fig.3.5).
Sin lugar a dudas el resultado mas importante que arroja el software son las
tablas de resultados. En estas tablas se presentan por rezagos los valores de los
estadsticos calculados por el software, as como la tabla de contingencia. Esta
tabla se considera de gran utilidad porque en una sola fila es posible encontrar
30
31
F y G: Umbrales usados para calcular las tablas de contingencia de acuerdo a las categoras por encima, por debajo y dentro de lo normal, de la
variable dependiente.
H y I:Umbrales usados para calcular las tablas de contingencia de acuerdo
a las categoras por encima, por debajo y dentro de lo normal, de la
variable independiente.
J: Valores de la tabla de contingencia en frecuencias empricas, para cuando se analiza la categora por debajo de lo normal de la variable independiente. El primer valor corresponde a la categora por debajo de lo
normal de la variable dependiente, el segundo a la categora dentro de
lo normal de la variable dependiente y el tercero para la categora por
encima de lo normal.
K: Valores de la tabla de contingencia en frecuencias empricas, para
cuando se analiza la categora por dentro de lo normal de la variable
independiente. El primer valor corresponde a la categora por debajo de
lo normal de la variable dependiente, el segundo a la categora dentro de
lo normal de la variable dependiente y el tercero para la categora por
encima de lo normal.
L: Valores de la tabla de contingencia en frecuencias empricas, para cuando se analiza la categora por encima de lo normal de la variable independiente. El primer valor corresponde a la categora por debajo de lo
normal de la variable dependiente, el segundo a la categora dentro de
lo normal de la variable dependiente y el tercero para la categora por
encima de lo normal.
M,N y P: los mismos valores de las columnas agrupadas en J,K, y L, pero
en valores de porcentaje.
Q,R y S: Anlisis de riesgos para cada uno de los 9 valores de la tabla de
contingencia.
P,Q y R: Valor del estadstico Chi cuadrado,valor critico contra el cual
es evaluado a un 95 % de confianza y seleccin de valores significativos
en funcin del contraste de los dos valores anteriores (yes significativo,
no no significativas)
T: Correlacin de la tabla de contingencia, calculada con el estadstico V
de Cramer.
32
Parte II
Manual terico
33
Captulo 4
4.1.
Variable Dependiente
34
Abreviacin
PPT
NDPPT
TEMP,
TMIN,
TMAX
PATM
AHR
RUNOFF
Variable
Precipitacin
Numero de
das con
lluvia
Temperatura
del aire
(media,
Mxima y
Mnima
Diaria))
Presin
% HR
Caudal
m3/s
mb
mm
Unidades
0<=Runoff<=3000
0 %<=AHR<=100 %
400 mb <=PATM<=1100 mb
15C<=TEMP,TMIN,TMAX<=50C
0 mm<=PPT<=3500mm
Rango de variacin
Promedio
sin nulos
Promedio
sin nulos
Promedio
sin nulos
Promedio
sin nulos
Promedio
sin nulos
Promedio
sin nulos
Modo de
Calculo
P33-P66
P33-P66
P33-P66
-1C y 1C
P33-P66
90 % y 110 %
Umbrales por
defecto para 3
categoras
No aplica
No aplica
No aplica
No aplica
Cuadro 4.1: Tipo de calculo, rango de validez y unidades tpicas en las cuales
la variable dependiente debe ser incluida en Jaziku
36
4.2.
Variable Independiente
37
Anomala
[Anom-C]
Anomala
estandarizada [Std
ONI2
SOI
Anomala
[Anom-m/s]
Anomala
[Anom-m/s]
Anomala
[Anom-m/s]
[C]
W850c
W850e
SST3
Anom]
Anomala
Estandarizada [Std
W850w
W200
Anom]
Anomala
Estandarizada [Std
Anom]
Anomala
[Anom-C]
ONI1
SOI_TROUP
Unidades
ndice
-15.1<=W850e
<=15.1
-21<=W850c
<=21
-7.5<=W850w
<=7.5
-7.5<=W200
<=7.5
-35<=ONI
<=35[7]
-7<=SOI <=7
-5<=ONI <=5
-5<=ONI <=5
Rango de
variacin
http://www.cpc.ncep.noaa.gov/
data/indices/wpac850
http://www.cpc.ncep.noaa.gov/
data/indices/wpac850
http://www.cpc.ncep.noaa.gov/
data/indices/wpac850
http://www.cpc.ncep.noaa.gov/
data/indices/zwnd200
http://www.cpc.ncep.noaa.gov/
climate/current/soihtm1.shtml
http://www.bom.gov.au/
data/indices/soi
http://www.cpc.ncep.noaa.gov/
ensostuff/ensoyears.shtml
products/analysis_monitoring/
http://www.cpc.ncep.noaa.gov/
1971-2000_climo.shtml
ensostuff/ensoyears_
products/analysis_monitoring/
http://www.cpc.ncep.noaa.gov/
Fuente
La Nia: Cuando
es menor o igual a
p33
El Nio: cuando es
menor p33
El Nio: cuando es
menor p33
El Nio: cuando es
menor al p33
El Nio: Cuando
es menor al p33*
El Nio: cuando es
menor a -8 [7]
El nio: Cuando es
mayor o igual a
p66
La Nia: cuando
es mayor p66
La Nia: cuando
es mayor p66
La Nia: cuando
es mayor al p66
La Nia: Cuando
es mayor al p66*
La Nia: cuando
es mayor a 8 [7]
La Nia: cuando
es mayor a 0.9*
[56]
-0.5 [56]
El Nio: cuando es
menor a -0.9*
El Nio: cuando es
mayor o igual a 0.5
El Nio: cuando es
mayor o igual a
0.5[46]
Condicin por
debajo de lo
normal
La Nia: cuando
es menor o igual a
La Nia: cuando
es menor o igual a
-0.5[46]
Condicin por
encima de lo
normal
Unidades
[C]
[C]
Anomala
[Anom-C]
Anomala
Anomala
[Anom-C]
Anomala
[Anom-C]
Anomala
Estandarizada [Std
Anom]
Anomala
estandarizada [Std
Anom]
ndice
SST4
SST12
ASST3
ASST3.4
ASST4
ASST12
OLR
NAO
-11.9<=NAO
<=11.9
-5.2<=OLR
<=5.2
-10<=ASST12
<=10
-3<=ASST4
<=3
-5.6<=ASST3.4
<=5.6
-7<=ASST3
<=7
-60<=SST12
<=60
-60<=SST4
<=60
variacin
Rango de
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/olr
https:
//climatedataguide.
ucar.edu/sites/
default/files/
climate_index_files/
nao_station_monthly.
txt
Fuente
Cuando es menor
a -1*
El Nio cuando es
menor a -0.1*
Cuando es mayor a
1*
La Nia cuando es
mayor a 0.2*
El nio: Cuando es
mayor a 0.4 la
desviacin
estndar (sd)[46]
la desviacin
estndar (sd)[46]
-0.4 la desviacin
estndar (sd)[46]
La Nia: Cuando
es menor a -0.4 la
desviacin
estndar (sd)[46]
El nio: Cuando es
mayor o igual a 0.4
estndar (sd)[46]
estndar (sd)[46]
La Nia: Cuando
es menor o igual a
El nio: Cuando es
mayor a 0.4 la
desviacin
El nio: Cuando es
mayor a 0.4 la
desviacin
estndar (sd)[46]
El nio: Cuando es
mayor o igual a
p66[46]
El nio: Cuando es
mayor o igual a
p66[46]
debajo de lo
normal
Condicin por
La Nia: Cuando
es menor a -0.4 la
desviacin
La Nia: Cuando
es menor a -0.4 la
desviacin
estndar (sd)[46]
La Nia: Cuando
es menor o igual a
p33[46]
La Nia: Cuando
es menor o igual a
p33[46]
encima de lo
normal
Condicin por
30 mb Wind Shear
[m/s]
Anomaly
[Anom-C]
QBO
CAR
[ %]
MEI
ARH
Unidades
ndice
Fuente
-100<=ARH
<=100
Tomado de Montealegre
(2009,[46])
http:
//www.cpc.ncep.noaa.
gov/data/indices/
qbo.u30.index
-1.3 <=CAR<=
http://www.esrl.
1.3
noaa.gov/psd/data/
correlation/CAR.data
13<=AREA_WHWP
http://www.esrl.
<=14
noaa.gov/psd/data/
correlation/whwp.
data
-4<=MEI <=4
http://www.esrl.
noaa.gov/psd/enso/
mei/table.html
-40<=QBO <=40
Rango de
variacin
Cuando es menor
al p33
El Nio: cuando es
mayor al p66
Cuando es menor
al p33
Cuando es menor
a p33[46]
Cuando es menor
a -4*
Condicin por
encima de lo
normal
Cuando es mayor
al p66
La Nia: cuando
es menor al p33
Cuando es mayor
al p66
Cuando es mayor a
p66[46]
Cuando es mayor a
4*
Condicin por
debajo de lo
normal
40
Anomala
[Anom-C]
Anomala
ONI2
SOI
SOI_TROUP
Anomala
[Anom-C]
ONI1
Anomala
Estandarizada [Std
Anom]
estandarizada [Std
Anom]
Unidades
ndice
-35<=ONI
<=35[7]
-7<=SOI <=7
-5<=ONI <=5
-5<=ONI <=5
Rango de
variacin
climate/current/soihtm1.shtml
http://www.bom.gov.au/
data/indices/soi
http://www.cpc.ncep.noaa.gov/
http://www.cpc.ncep.
noaa.gov/products/
analysis_monitoring/
ensostuff/ensoyears_
1971-2000_climo.
shtml
http://www.cpc.ncep.
noaa.gov/products/
analysis_monitoring/
ensostuff/ensoyears.
shtml
Fuente
Wa:1.62>SOI =>1
Normal:*1>SOI>*-1
Wb:-1=>SOI>1.62
Mb:-1.62=>SOI>-2.86
Sb:SOI<=-2.86
Categoras
42
(4.1)
Anomala
Anomala
[Anom-C]
Anomala
[Anom-C]
ASST4
ASST12
-10<=ASST12
<=10
-3<=ASST4
<=3
-5.6<=ASST3.4
<=5.6
<=7
ASST3.4
-7<=ASST3
Anomala
[Anom-C]
ASST3
Rango de
variacin
Unidades
ndice
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
http:
//www.cpc.ncep.noaa.
gov/data/indices/
sstoi.indices
Fuente
Categoras
44
45
(4.2)
(4.3)
Donde SLP es el la presin a nivel de superficie. Luego el valor de estandarizado de la anomala en Tahit SLP y la desviacin estndar en Darwin
(Standard Deviation Darwin) son dados como:
StandardizedT ahiti = (ActualT ahiti(SLP ) M eanT ahiti(SLP ))
StandardDeviationDarwin = SQRT (SU M M AT ION (1)/N )
(4.4)
(4.5)
(4.6)
46
Figura 4.1: ndice de oscilacin del sur, formulas SOI-Troup y SOI, note que
la variabilidad es muy similar. Bandas de +/-8 que determinan las fases El
Nio/La Nia del ndice SOI-Troup.
En esta ultima expresin SUMMATION(3) es la suma de ((Standardized
Tahit - Standardized Darwin) ** 2), para que finalmente la ecuacin del ndice
SOI sea:
SOI = (StandardizedT ahiti StandardizedDarwin)/M SD
(4.9)
Para determinar los umbrales que definen las categoras El Nio/La Nia,
en la Fig.4.1, se muestra la serie de los ndices SOI y SOI-Troup. Para este
ltimo es conocido que valores de +/-8 son los adecuados para determinar las
categoras. Puede verse que la variabilidad de los ndices prcticamente idntica,
cambiando como es de esperarse por el orden de magnitud. De acuerdo a esto
se infiere a partir del rango de variacin del ndice SOI-Troup (-35,35) y el
del ndice SOI (-3.6 ,3.6), los valores de los umbrales utilizados por defecto en
Jaziku deben ser -0.9 y 0.9 respectivamente.
ndice de la oscilacin del sur - SOI Troup: En Jaziku la versin del ndice
SOITroup, se corresponde con la utilizada por la Oficina de Meteorologa del Gobierno Australiano [7], es calculado utilizando las diferencias
de presin entre Tahit y Darwin, de tal manera que valores negativos
inferiores a -8 a menudo indican episodios de El Nio (y lo contrario para
La Nia), los que suelen ir acompaados de calentamiento sostenido de
la parte central y oriental del Pacfico tropical y una disminucin en la
intensidad de los vientos alisios del Pacfico [7]. El ndice SOITroup es la
anomala estandarizada de la diferencia de presin media al nivel del mar
entre Tahit y Darwin, sigue la siguiente frmula:
SOI = 10
(4.10)
47
Donde Pdiff = (Presin media al nivel del mar en Tahit para el mes) (Presin media a nivel del mar para el mes en Darwin) Pdiffav = Promedio de
largo plazo de pdiff para el mes en cuestin SD (pdiff) = Desviacin estndar
a largo plazo de Pdiff para el mes en cuestin.
Aqu los valores promedio mensual multianual y los valores de las desviaciones estndar son calculadas referidos al perodo 1933 a 1992. La multiplicacin
por 10 es una convencin [7], sin embargo con esta operacin matemtica el
SOI flucta entre -35 a aproximadamente 35 y permite adems que el valor del
ndice pueda ser citado como un nmero entero.
El clculo del IOS es de resolucin mensual, sus valores diarios o semanales
no transmiten mucha informacin til sobre el estado actual del clima [7] y
en particular pueden variar marcadamente debido a los patrones diarios del
tiempo, por lo que en consecuencia no son aconsejables para estudios con fines
climatolgicos [7].
ndice Multivariado del ENSO(MEI): Es un complejo ndice diseado
por KlausWolter (1987[69]) de NOAA-CIRES Climate Diagnostics Center (CDC), para reconocer el fenmeno de El Nio- Oscilacin del Sur,
ENSO. Este ndice emplea como componentes principales las seis variables: temperatura de la superficie del mar, temperatura del aire, presin
atmosfrica al nivel del mar, nubosidad, componente zonal del viento y
componente meridional del viento.
Los datos de estas variables son publicadas en ICOADS (Internacional comprehensive Ocean Atmosphere Data Set, (anteriormente, COAD). Los sitios de
ubicacin de donde provienen los datos de las variables utilizadas en el MEI son
sealados por Wolter y Timlin (1998[69]) en la Fig.4.2 . Segn Wolter (1987[69])
y Wolter & Timlin (1993[1]) el ndice MEI sera un promedio ponderado de los
rasgos del ENSO de las variables empleadas en su clculo, y es obtenido mensualmente para los dos meses precedentes. Por la metodologa empleada, el MEI
es el primer componente principal no rotado, de las seis variables utilizadas.
Mediante la normalizacin con el perodo de referencia 1950-93, el ndice MEI
se hace comparable con otros ndices ENSO. El MEI es una media mvil de dos
meses: as, el primer valor del ao es el promedio de diciembre del ao anterior
y enero; el segundo, de enero y febrero,...,hasta noviembre y diciembre del ao
siguiente. En este caso ndices con signos positivos representan la fase caliente
del ENSO (El Nio) y los negativos del MEI, la fase fra (La Nia) (Tomado
de [24]).
En la Fig.4.2 :
P+ y P-, representan la diferencia entre la presin al nivel del mar en los
sitios ms occidental y oriental del Pacifico ecuatorial, respectivamente.
U, la anomala de la componente zonal del viento.
V+ y V-, la anomala de la componente meridional del viento (viento del
sur, positivo, viento del norte, negativo).
48
49
50
51
Figura 4.4: Regiones el Nio (Graphical depiction of the four Nio regions). Tomado de: http://www.cpc.ncep.noaa.gov /products/ analysis_monitoring /ensostuff/nino_ regions. shtml
52
a +/- 8 como limites del ndice IOS para determinar una fase El Nio/La
53
Anomala de velocidad zonal del viento en 850 mb: Entre los ndices que
representan la anomala de la circulacin de Walker producida por el fenmeno ENOS (Bjerknes, 1969 [9]), esta la anomala en 850-mb de los
vientos alisios que representa el comportamiento cerca de la superficie, a
diferencia de la anomala zonal de los vientos a 200-mb en el Ecuador, que
representa el comportamiento de la alta troposfera4 , encontr que anomalas del viento a 850 mb en la regin comprendida por las coordenadas
5 S5 N, 120170 E del pacifico oeste, inducen anomalas de la TSM
en la region El Nio 3 por hasta cuatro meses de rezago, mientras que
mientras que las mximas correlaciones entre las anomalas del viento zonal del Pacfico oriental (region entre 5S5N, 150100W) y las anomalas
de la TSM en la region el Nio3 se da para cero meses de rezago, con lo
que el autor pudo concluir que la relacin principal entre las anomalas
en los vientos del oeste del Pacfico y las anomalas de TSM Nino-3 indica
que el Pacfico occidental es una regin importante para la inicializacin
de el fenmeno de El Nio [68].
Con el objetivo de que el usuario pueda tener la posibilidad de utilizar el
software para explorar la relacin entre la anomala zonal del viento en cualquier
regin del Pacifico tropical en Jaziku son incluidas las series de la anomala del
viento a 850mb de las tres zonas 5 , listadas a continuacin y referidas a la
climatologa entre 1979-1995 [13]:
Pacifico oeste (135E-180W) 5N-5S
Pacifico central (175W-140W) 5N-5S
Pacifico este (135W-120W) 5N-5S
Las categoras por debajo y por encima de lo normal de esta variable, por
defecto son definidas por los percentiles 33 y 66 de la serie (respectivamente).
Para estudios de caso ms especficos, se recomienda al usuario utilizar el ndice
Nia). No obstante, no siempre que la anomala est por encima de 0.1 (o por debajo de
-0.1), se dio una fase La Nia (o El Nio, respectivamente
4
Se ha demostrado que tales anomalas en los trpicos tienen efecto globales, ver Arkin
1979,[5])). En particular Wang (2002,[68]
5 Que
54
Figura 4.5: Series de tiempo del ndice ONI y de la anomala del viento a
200 mb (W200), en contraste con los intervalos de percentiles y desviaciones
estndar de la serie de W200, para fases El Nio /La Nia
55
otro ndice de inters puede ser el basado en la componente principal y anlisis de las
Funciones Ortogonales Empricas sobre el sector 20 -80 N, 90 W-40 E [26]
7 En abril de 2003, la estacin de Ponta Delgada dejo de operar, por ello a partir de tal
fecha son utilizados los resultados del reanlisis del NCEP / NCAR para la rejilla , puesto
que la correlacin entre las series de datos observacionales de Ponta Delgada y aquellos
construidos con NCEP / NCAR - reanlisis es de ~ 0,99 en el periodo 1948-2003 [65]
56
valores positivos del ndice NAO son tpicamente asociados con valores por encima del promedio al oeste en las latitudes medias, con sistemas meteorolgicos
ms intensos en el Atlntico Norte y buen tiempo sobre el oeste de Europa [65].
Con el objetivo de evitar que la serie este dominada por la una mayor variabilidad cada presin media mensual fue dividida por el promedio a largo plazo
de la desviacin estndar en el periodo 1865-1984 y los umbrales seleccionados
para las categoras por debajo y encima de lo normal son 1 y -1, de acuerdo al
uso que le dio Hurrell(2000, [25]) en el 12th Annual Symposium de National
Academy of Sciences (Irvine), para distinguir las fases positiva y negativa, no
obstante el usuario puede utilizar otros de su mayor preferencia.
ndice de la Oscilacin Cuasibienal: la QBO es una oscilacin de largo
plazo en el viento zonal de la baja y media estratosfera ecuatorial, con un
perodo irregular que vara entre un poco menos de dos aos (22 meses)
y hasta casi tres aos (34 meses), con una duracin media de 28 meses
[40]. Consiste en la alternancia de vientos del Este, dominantes durante
una parte del perodo, con vientos del Oeste en el resto del perodo .
La Oscilacin es detectable en casi todas las capas de la alta troposfera. Segn Camargo y Sobel (2010,[34] ), quienes utilizando el ndice de la anomala del viento a 30 mb desarrollado por The University of Berlin y disponible en : http://www. geo.fu-berlin.de/en/ met/ag/strat/ produkte/qbo/ index.html), que es un conjunto de datos construido a partir de observaciones
de radiosonda de algunas estaciones en la franja ecuatorial (Canton Island,
Gan/Maldive Islands, y Singapore), el ndice del National Oceanic and Atmospheric Administration/Climate Prediction Center (NOAA/CPC) QBO index
(disponible en http://gcmd.nasa.gov /records/GCMD_NOAA _NWS_CPC
_QBO.html) as como composiciones desde 10S a 10N de los reanlisis del
NCEP-NCAR (National Centers for Environmental PredictionNational Center for Atmospheric Research) y del European Centre for Medium-Range Weather Forecasts (ECMWF) ERA40 , en sus periodos disponibles y para las capas
de 70, 50, 30, 20, and 10 hPa, establecen que el uso de la velocidad del viento
zonal a 30hpa es apropiado para definir las fases de la QBO (tal cual como lo
dice Gray (1984a,b)), puesto que el uso de otros niveles en su estudio si bien
puede generar cambios importantes en los resultados no hay relacin estadsticamente significativa entre la actividad ciclnica y los valores del viento zonal a
otros niveles de presin. Teniendo en cuenta esto en Jaziku por defecto es usada
esta variable como independiente para la defincion de la QBO. Estos datos se
corresponden con los derivados del CDAS (Climate Data Assimilation System)
y colcados a disposicin por el NCEP/NCAR, aunque se resaltan otros estudios
de inters en los que en vez de utilizar la velocidad zonal del viento en altura, es
utilizada cizalladora del viento como lo hace Huesmann & Hitchmann (2001,[6])
quienes reportan las ventajas de utilizar un ndice espacializado, respecto a uno
de una estacin puntual. Teniendo en cuenta que la amplitud de la QBO es de
20 m/ s desde 5 hpa hasta 40 hPa pero decreciendo rpidamente a presiones
por encima 50 hPa, detectables nicamente con radiosonda a por encima de 10
57
hPa e incluso llegando a ser de 5 m/s2 en 1 hPa cerca a la estratosfera [40], los
umbrales que sirven para establecer las categoras por debajo y por encima de
lo normal de esta variable en Jaziku son de 4 m/s, que equivalen a 1/5 de la
mxima amplitud y es muy cercana a la amplitud mnima para la deteccin de
la oscilacin en la capa ms alta de la atmsfera.
Temperatura del Mar Caribe:El ndice CAR es el nico que no hace referencia a una regin extra-tropical del mar Caribe y que se representa
directamente la variacin de una variable de la superficie del mar. Este
ndice corresponde a las series de tiempo de las anomalas de la temperatura superficial del mar Caribe en la regin mostrada en la Fig.4.6.
Los datos son obtenidos del conjunto de datos del COADS entre 1951 y
1991, y de 1991-1951 del NCEP (disponible en http://www.esrl.noaa.gov/
psd/data/climateindices /list/#CAR). El ndice se construye de la media
suavizada por tres meses. Para efectos prcticos, se ha encontrado que
este ndice es pronosticado cada mes mediante un modelo inverso lineal
8
(ver http://www.esrl. noaa.gov/psd /forecasts/sstlim /forcar.html) con
resultados aceptables cada 3 meses (ver Fig.4.6)
58
Figura 4.6: Ubicacin de la zona tomada para la deduccin del ndice CAR
(izq) y evaluacin de los pronsticos de este ndice (der) . Tomados de http://
www.esrl.noaa.gov/ psd/data/ climateindices/ list/#CAR
59
al norte del ecuador. Intercalado entre Norte y Sur Amrica y entre la zona
tropical del Pacfico Norte y el Ocano Atlntico. Segn (Wang & Enfield,2006
) la WHWP es el segundo cuerpo ms grande de agua ms caliente en la tierra
y alberga el segundo centro mas importante de calentamiento adiabtico de
los trpicos durante el verano boreal (Wang y Enfield 2003) . Wang y Enfield
2003 propusieron varios ndices, para determinar la variabilidad de la WHWP
como anomalas de la temperatura superficial del mar, no obstante con base en
un anlisis de las componentes del mar Nor-Pacifico este (ENP) y del mas de
las Intra-americas (IAS), as como que en el largo plazo las fluctuaciones del
ciclo estacional de su rea son comparables con la variacin anual , definieron
que el ndice seria calculado como la anomala del rea dividida por el rea
climatolgica.
Este ndice no es pronosticado, pero su actualizacin se encuentra disponible
en: http://www.esrl.noaa.gov/psd/data/climateindices/list/.
Dipolo Amaznico:ndice de meso-escala creado por Montealegre (2009
[46])con base en el contraste de humedad observado en dos puntos de la
selva Amaznica al nivel de la media Troposfera (dipolo del Amazonas),
se trata del promedio de humedad en el Amazonas a 500hPa, regin 2
N 73 W y 6 S 68 W, provenientes del reanlisis NCEP/NCAR
versin 1.
4.3.
En Jaziku el usuario puede utilizar los shapes pre-determinados para la generacin de mapas. Estos shapes estn divididos en departamentos y la plantilla
para toda Colombia. Cuando se desee utilizar los shapes de departamentos, el
usuario debe incluir en el comando grids (ver 2), del archivo de corrida la
palabra correspondiente al departamento de la lista de la Tabla 2.1, para la
plantilla pre-determinada para todo Colombia, el software espera la palabra
colombia. En caso de que el usuario desee otro shape diferente a los ya incluidos en el software debe tener en cuenta las indicaciones para la ubicacin de
los archivos (ver 2), as como debe asegurarse que su proyeccin sea geogrficaWGS84.
Captulo 5
61
Examen de la distribucin de cada variable (para todos los tipos de variable) y verificacin de las condiciones de normalidad (nicamente para
variables continuas).
Calculo de los coeficientes de correlacin entre las variables
Deteccin de valores atpicos
Exploracin de relaciones de no-linealidad entre las diferentes variables,
mediante el uso de diagramas de dispersin
Conteo de los valores perdidos de cada variable y examen del efecto que
tiene el sesgo introducido por los sistemas de sustitucin simples, tales
como la sustitucin por media o por mediana. Pruebas de hiptesis de
algunas muestras realizadas de la misma poblacin.
As como otras que involucran el uso de mtodos multivariantes, como el anlisis factorial y el anlisis de componentes principales, para la deteccin de
estructuras lineales en los datos [14]
Para generar una metodologa que permita al usuario reconocer las caractersticas de las series trabajadas, en los resultados del modulo de Anlisis de
datos se presentan en primera instancia la estadstica primaria de cada una,
en tablas y en grficos de variacin en funcin del nmero de estaciones. Las
formulas implementadas de estos estadsticos son mostradas en la Tabla 5.1 1 :
(5.8)
Donde xi son los valores ordenados de la variables (siendo x1 el mas pequeo), los valores de ai son constantes generadas a partir de las medias, varianzas
y covarianzas de una muestra de tamao n con distribucin normal. En este
test la hiptesis nula es que los datos no provienen de una distribucin normal,
1 http://docs.scipy.org/doc/scipy/reference/stats.html
62
Formula
n
x=
Mediana [15]
1X
xi
n i=1
(5.1)
(5.2)
1
x(n+2) + x(n+2)+1 /2(even)
2
(5.3)
Sin incluir valores perdidos Donde
P(050) el percentil 50, xi es el dato de
la serie de tiempo y n el tamao de la
muestra
P050 =
Varianza [15]
s2 =
2
n
X
(xi x)
n1
i=1
Desviacin estndar
[15]
Tamao de muestra
Coeficiente de
variacin
Sesgo[14]
(5.4)
s=
s2
(5.5)
s
x
(5.6)
1
n1
Pn
i=1 (xi
s3
x)3
(5.7)
63
64
5.2.
Castro y Carvajal (2010, [38]), en el articulo Anlisis de Tendencia y Homogeneidad de Series Climatolgicas, presentan algunas de las pruebas paramtricas y no paramtricas ms utilizadas de anlisis cuantitativo para comprobar
la homogeneidad (o estacionariedad) de series en climatologa, as como para
detectar cambios en la varianza y en la media. Tomando como referente este
trabajo a continuacin se presenta el marco terico que siguen los resultados
arrojados por Jaziku del anlisis de homogeneidad de las series de tiempo de
la variable dependiente.
Es importante resaltar que para determinar si la serie hidro-climatolgica
es homognea en media, mediana y varianza, el procedimiento general propone
la comparacin de subconjuntos de la informacin [38], en la mayora de los
casos se recomienda dividir la serie original en dos partes iguales de tal forma
que se puedan aplicar los test estadsticos de comparacin para determinar si
vienen de la misma poblacin (Maidment, 1993 [42]). En Jaziku esta divisin
65
por la mitad es por defecto y es realizada para la serie de tiempo tal cual como
es ingresada (sea en resolucin mensual o diaria) en el periodo comn con la
variable independiente.
5.2.1.
X1 X2
n11 +
1
n2
i1/2
(5.9)
5.2.2.
Para comprobar que una serie es estable en media es de uso comn el uso
de la prueba de hiptesis de Mann, Witney y Wilconxon (1945 y 1947 [14]),
esta popularidad se debe a que tiene propiedades estadsticas deseables, como
por ejemplo que sea basada en un estadstico de prueba de distribucin libre
y asintticamente normal [54]. Segn Castro y Carvajal (2010, [10]), es una de
las pruebas no paramtricas ms poderosas y constituye la alternativa ms til
ante e Test t, cuando la medicin en la investigacin es ms vaga que la escala
de intervalo. Sus caractersticas generales son:
Sean dos series de datos X1 , X2 , ......, Xn y Y1 , Y2 , ......, Yn , que se suponen
independientes y con distribuciones continuas Fx y Gx , respectivamente, la
hiptesis a contrastar es:
[Ho : Gy (x) = Fx (x)] vs. [Ha : Gy (x) = Fx (x 4)] ;
5 Adaptado
6 Lo
Donde4 =
6 0, 4 > 0, 4 < 0
(5.11)
66
n
X
Rj
(5.12)
j=1
(5.13)
DondewN es el percentil de nivel N de la distribucin exacta del estadstico de prueba W bajo Ho la dada (Randles y Wolfe, 1979 [13]). Bajo los cuatro
supuestos anteriores la prueba de hiptesis de Mann, Witney y Wilconxon tiene
un nivel de significancia exactamente igual a N = 0,5, independientemente
de la forma de la distribucin de Fx [66].
5.2.3.
Prueba de Levene se utiliza para probar si k muestras tienen varianzas iguales. Si se demuestra que las varianzas son igualesse denomina homogeneidad de
varianza. Algunas pruebas estadsticas, por ejemplo, el anlisis de la varianza,
se supone que las varianzas son iguales en todos los grupos o muestras, por
ello la prueba de Levene se puede utilizar para verificar esa suposicin. El test
de Levene es una alternativa a la prueba de Bartlett y el test F, porque es
menos sensible a desviaciones de la normalidad. Es utilizada en casos donde se
sospecha que los datos no proceden en realidad de una distribucin normal[2].
Este test se define como:
Ho : s21 = s22 = ..... = s2k vs. Ha : s21 6= s22 6= ..... 6= s2k
(5.14)
(5.15)
5.2.4.
67
5.3.
Periodograma
68
de cambios en la varianza de la serie, que se explican adems de la estacionalidad por las perturbaciones producidas por los fenmenos de variabilidad
climtica estudiados y representados por la variable independiente.
El estimador de la funcin de densidad espectral es el propuesto por Blackman y Tukey (1958), que sigue la expresin:
S =
m1
X
Wm (k)x (k)e2if k
(5.16)
k=(m1)
|k|
m
(5.17)
5.4.
Wavelet analysis
El anlisis Wavelet ("de Onditas", por su traduccin al espaol), se ha convertido en una herramienta comn para analizar las variaciones de la potencia
espectral de series de tiempo [64], de acuerdo a Liu et al.(2007,[39]) el Anlisis
Wavelet exhibe mayores ventajas que el anlisis de Fourier clsico (mostrado
en las salidas de periodograma de Jaziku), porque este no solo representa el
anlisis de frecuencias de una serie de tiempo , sino tambin sus cambios en el
tiempo, que es especialmente til cuando la seal es no estacionaria7 , lo cual
es mas tpico cuando se trabaja con series de tiempo climatolgicas [35].
7 Esto significa que estn compuestas por una variedad de regmenes frecuencias que
pueden ser localizados en el tiempo [35].
69
(5.18)
b,a (t) =
a
(a)1/2
Donde b denota la posicin (traslacin) y a(> 0) la escala (dilatacin) de la
ondita (wavelet); al conjunto de b,a (t) se les denomina Onditas hijas (Daughter wavelets) o simplemente Wavelets. Un factor de normalizacion de la energa (a)1/2 mantiene la energa de las wavelets a la misma energa que la
Wavelet mother[35]. La trasformacin de la seal real s(t) con respecto a la
wavelet analizada (t), puede ser definida como una integral de convolucin
tb
1
s(t)dt
(5.19)
W (b, a) =
a
(a)1/2
Donde es el complejo conjugado de [35]. La funcin s(t) puede ser formalmente reconstruida de los coeficientes de las onditas, mediante la formula:
1
1
da
tb
db
s(t) =
Wb,a
(5.20)
C
a2
a
(a)1/2
Donde
+
|()|2
C =
d < +
(5.21)
0
y es la transformada de Fourier de [35].
Existen mltiples alternativas para la seleccin de la funcin de onda base,
en el caso de Jaziku por defecto se utiliza la funcin de Morlet (la mas popular
para datos geofsicos [39][35], ver Fig.5.2), la cual consiste en una onda plana
modificada por una funcin gausiana, as[61]:
() = 1/4 ei0 e
/2
(5.22)
70
2s
(5.23)
Captulo 6
Jaziku - Clima
6.1.
6.2.
En estadstica las tablas de contingencia se emplean para registrar y analizar la relacin entre dos o ms variables, la asociacin entre dos variables
continuas est determinada por la distribucin de probabilidad conjunta. En
general esta distribucin es desconocida, y en su defecto, se sustituye por la
tabla de contingencia. Para construir esta tabla las variables continuas se dividen en categoras, la variable independiente X en M categoras y variable
dependiente Y, en N categoras.
Cada pareja de valores (xi, yi) pertenece a una y slo una de las M x N
categoras conjuntas. Luego se calculan las frecuencias empricas fij que son el
nmero de parejas que pertenecen a la categora ij. Si la asociacin entre las
dos variables es muy dbil, la poblacin de la M x N categoras conjuntas es
similar (ver Fig.6.1) En un grfico de tres dimensiones la superficie aparece
plana porque los valores de X dentro de la categora i pueden estar asociados
indistintamente con valores que pertenecen a cualquiera de las N categoras de
Y.
71
72
6.3.
73
Ind. Bajo
OB-PA
ON-PA
OA-PA
Ind. Normal
OB-PA
ON-PA
OA-PA
Ind. Alto
OB-PA
ON-PA
OA-PA
j=1
fij
(6.1)
6.3.1.
74
(6.2)
Correlacin lineal
i
i=1
i=1 i
Donde X e Y pueden intercambiar su lugar y el resultado no varia, el coeficiente
de correlacin puede arrojar valores dentro del rango 1 r 1 , donde el
signo indica el sentido de la asociacin (directa o inversa, siempre lineal); las
asociaciones ms fuertes son 1 y 1, para r = 0 se habla de falta de asociacin.
Una conclusin acerca de este resultado, se puede basar en el clculo de la
significancia estadstica de la correlacin, si se asume una distribucin normal
esta prueba de hiptesis se hace con el estadstico t para un r dado, segn[32]:
p
r (n 2)
t=
(6.4)
1 r2
Donde el numero de grados de libertad se da por n-2. En esta prueba la hiptesis
nula es que r = 0, por lo tanto la alternativa es que las variables de hecho estn
correlacionadas[32].Tpicamente esta formula es usada para evaluar la significancia tanto del coeficiente de correlacin de Pearson, como el de Sperman[16]
(Glasser & Winter, 1961[22]; Kendall, Kendall, & Smith, 1939[36]). El usuario
de Jaziku, tendr a su disposicin el valor del estadstico r y de la diferencia pvalu, para que los contraste a cualquier margen de incertidumbre, se aconseja
0.05 (95 % de confianza)
6.3.2.
75
2 = N
2 =
a X
b
X
(pij ij )2
ij
i=1 i=1
a X
b
X
(n mij )2
i=1 i=1
mij
2(a1)(b1)
(6.5)
(6.6)
La primera formulacin en trminos de probabilidades empricas y esperadas y la segunda en trminos de valores observados y esperados[44].
Pearson plante la utilizacin del estadstico 2 para analizar la independencia.La hiptesis nula a contrastar (Ho) ser la de independencia entre los
factores, siendo la hiptesis alternativa (Ha) la de dependencia entre ellos [33].
El valor calculado de 2 se compara con el valor generado por Jaziku de una
distribucin 2 para un nivel de confianza del 95 % y N-1 grados de libertad
(siendo N el numero total de trimestres (qinquenas, dcadas o quincenas) de
las series de la variable dependiente e independiente). Si el valor calculado es
mayor que el valor generado de la distribucin 2 (de Jaziku) , se rechaza la
hiptesis nula, con lo cual podemos concluir que si existe una relacin entre las
variables; por el contrario si el valor calculado es menor no se rechaza la hiptesis nula aceptando que no existe ninguna relacin entre las variables (todo a
un nivel de confianza del 95 %)1 [33].
si2 > 2
si2 2
Crit
Crit
RechazaHo(dependencia)
(6.7)
AceptaHo(independencia)
(6.8)
6.3.3.
Coeficiente V de Cramer
Medida de asociacin de las variables de entrada de una tabla de contingencia de escala nominal hxk, con h y k >2 (usualmente cuando h,k=2, se usa
el coeficiente Phi)[41], este coeficiente sigue la expresin:
s
2
(6.9)
V =
n(m 1)
1 (Lo mismo que decir que el valor numrico p valu arrojado por Jaziku debe ser menor
a 0.05 para rechazar la hiptesis nula, con lo cual podemos concluir que si existe una relacin
entre las variables y lo contrario si el valor calculado es mayor que 0.05, con lo que no se
rechaza la hiptesis nula aceptando que no existe ninguna relacin entre las variables.Ver
cdigo fuente)
76
6.3.4.
Ao anlogo
6.3.5.
6.3.5.1.
77
Anlisis de riesgos
Distribucin hipergeomtrica2
Notacin: h(x; N, n, M )
Definicin: Muchas veces en la prctica es difcil realizar pruebas con reposicin reemplazamiento. Por ejemplo, si en el control de calidad se pierde
el elemento que se prueba, pues no se puede hacer reposicin directamente. Se
plantea entonces la prueba sin reposicin, donde los elementos de la muestra
se toman todos a la vez y no individualmente donde el elemento seleccionado
no se reintegra al experimento a la muestra nuevamente.
La diferencia mas simple con la binomial es la forma de aplicar el muestreo.
En efecto, en:
Binomial: Muestreo con reemplazamiento e independencia de pruebas
ensayos.
Hipergemoetrica:Muestreo sin reemplazamiento y sin independencia entre
pruebas ensayos.
Sus aplicaciones estn en reas con uso considerable de muestreo de aceptacin, pruebas electrnicas y de aseguramiento de la calidad, fabricacin de
piezas, etc.
En la distribucin Hipergeomtrica X cantidad de resultados xitos en una
muestra aleatoria (sin reposicin) de tamao n, tomada de una poblacin de
tamao N y de la cual M satisface una caracterstica propiedad (xito) antes
del muestreo y N M no la satisface (fracaso).
Criterios propiedades que la caracterizan.
1. La poblacin N del conjunto de unidades elementos es de orden fnito,
de los cuales una parte: M "son xitos", y otra parte: N M son "fracasos".
2. Cada elemento puede ser caracterizado como xito fracaso.
3. Se obtiene una muestra aleatoria de n elementos todos a la vez (sin
reemplazamiento) y no de forma independiente. No son pruebas repetidas.
4. El tamao de la muestra aleatoria n es grande relativamente en compan
> 5%
racin con el tamao de la poblacin. Generalmente: N
5. Se busca la probabilidad dex nmero de xitos a partir de los M resultados elementos y (n x) fracasos a partir de los N2 elementos as clasificados,
al obtener una muestra aleatoria de tamao n
Planteamiento:
Supongamos un lote de N productos de los cuales:Obtenemos muestra de
n productos, todos a la vez. Interesa entonces la probabilidad de sacar x productos defectuosos (xito), o sea: p(x). Podemos hacer el siguiente raciocinio:
De
una poblacin de N elementos se pueden extraer muestras de tamao n de
N
formas diferentes (distintas muestras de tamao n ). Al extraer muesn
tras de tamao n productos, el nmero de formas de obtener x productos
2 Tomado de <http://www.virtual.unal.edu.co/ cursos/ciencias /2001065/html /un2/
distribucion_ hipergeometrica.html>
78
M
N M
y entonces
sera el nx
nx
mero de formas de obtener (n x) productos no defectuosos entre N M de
ellos.
Como es el mismo evento compuesto, entonces el nmero de formas de
seleccionar x productos defectuosos esta ligado con el nmero de formas de
obtener
x) productos
(n
no defectuosos. Luego el total de formas posibles
M
N M
sera:
x
nx
Combinando los
casos
M N M
x
nx
para x = 0, 1, 2, ...., nx M ; (n x) N M
h(x, n, M, N ) =
N
0
para cualquier otro valor
Los parmetros de la distribucin Hipergeomtrica son entonces:
N :Tamao de poblacin.
M : Nmero de elementos de N con una caracterstica propiedad especfica
(xitos).
n : Tamao de muestra aleatoria extrada.
Nota: Algunos tratadistas simbolizan esta distribucin con: h(x; N, n, M )
Caractersticas de la Distribucin Hipergeomtrica.
n
< 5 %, no se aplica el (F.C.F.) pues su valor tendera a
En la practica, si N
cero .
La funcin de distribucin acumulativa quedar definida entonces por6.11:
P (X x) = f (x, n, M, N ) =
n
X
x=0
M
x
N M
nx
N
n
(6.10)
Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad
metalmecnica, de las cuales generalmente 5 salen defectuosas. Se examina
en un da cualquiera una muestra de 5 unidades. Hallar la probabilidad de x
unidades
defectuosas.
N = 90
M
N
M
5
85
M =5
Pn
x
nx
x
5x
N M = 85
P (x) = x=0
=
N
90
n
=
5
n
5
x = 0, 1, ..., 5
que resolviendo permite definir la tabla de distribucin de probabilidad:
x
0
1
2
3
4
P(x) 0.746 0.230 0.0225 0.000812 0.00000967
79
El Nio
5
2
7
14
Neutro
8
5
10
23
La Nia
7
7
3
17
80
n
M
x
N
Dentro de lo
normal Var D/El
Nio
14
14
2
54
Dentro de lo
normal Var
D/Neutro
23
14
5
54
Dentro de lo
normal Var D/La
Nia
17
14
7
54
Por encima
Var D/El Nio
Por encima
Var D/Neutro
n
M
x
N
14
20
5
54
23
20
8
54
Por encima
Var D/La
Nia
17
20
7
54
para futuros pronsticos. En este caso claramente n=17, M=20 y N=54. La Tablas 6.3,6.4 y 6.5, presentan los parmetros de la distribucin hipergeomtrica
para cada uno de los valores de la Tabla 6.2 .
81
(6.12)
Captulo 7
Jaziku - Pronstico
7.1.
El objetivo es realizar el pronstico de, dada una fase de la variable independiente (como por ejemplo El fenmeno ENOS) la variable dependiente
se vea afectada. En el caso del fenmeno ENOS, esto es posible si se tienen
en cuenta los pronsticos de ocurrencia para cada fase de la oscilacin que
es realizado por el IRI (International Research Institute for Climate and Society) y que corresponden a un anlisis de la distribucin de acontecimientos
histricos ponderado por el centro de prediccin climtica en la regin El Nio 3.4, en funcin de las previsiones de temperatura superficial del mar, que
estn disponibles en su pgina web : http//portal.iri.columbia.edu/ en el link
Enso Forecast y que son actualizados cada mes. La Ec. 7.1, permiten hallar la
probabilidad de que dadas las probabilidades de que en el prximo periodo el
fenmeno El Nio La oscilacin del sur, se d una fase El Nio, La Nia o
Neutro (o el El Nio/La Nia fuerte - dbil - moderado, para 7 categoras),
la variable dependiente en la locacin de inters sea afectada por disminucin,
aumento o tendencia a la normalidad en su rgimen.
P (B) =
n
X
P (Ai )P (B pAi )
(7.1)
i=1
En las Ecs. 7.1 P (B) hace referencia a la probabilidad de que la variable dependiente caiga en una de las categoras (Above, Below o Normal/Above debil...moderado..fuerte,
etc) P (Ai ) a la probabilidad de ocurrencia del fenmeno y P (B pAi )a la probabilidad
condicional histrica de ocurrencia de una de las categoras de la variable dependiente
dadas las de la variable independiente.Aqu el indice i va desde 1 hasta n, donde n
puede ser 3 o 7 dependiendo el tipo de anlisis.
Para presentar los resultados de la Ec. 7.1, se pueden utilizar distintos tipos
de grficos, particularmente la NOAA [3], recomienda el uso de diagramas cir82
83
Captulo 8
Jaziku - Mapas
8.1.
84
85
8.2.
n
X
i Z(xi )
(8.1)
i=1
En donde los i representan los pesos o ponderaciones de los valores originales. Dichos pesos se calculan en funcin de la distancia entre los puntos
muestreados y el punto donde se va a hacer la correspondiente prediccin. La
suma de los pesos debe ser igual a uno para que la esperanza del predictor sea
igual a la esperanza de la variable. Esto ltimo se conoce como el requisito de
insesgamiento[55].
Se dice que un predictor Z*(x0) es el mejor porque los pesos se obtienen de
tal manera que minimicen la varianza del error de prediccin. Esta ltima es la
caracterstica distintiva de los mtodos kriging, ya que existen otros mtodos
de interpolacin como el de distancias inversas o el poligonal, que no garantizan
varianza mnima de prediccin por lo cual los pesos que minimizan el error de
prediccin se determinan mediante la funcin de epigramatario. Encontrando
los pesos se calcula la prediccin en el punto xo. De forma anloga se procede
para cada punto donde se quiera hacer prediccin.
No obstante, el epigramatario experimental solo puede ser calculado para
algunas distancias promedios particulares. Por ello se hace necesario que el
ajuste de modelos generalicen lo observado en el epigramatario experimental a
cualquier distancia. En Samper y Carrera (1990, [60]) se presenta una discusin
respecto a las caractersticas y condiciones que stos deben cumplir, en Jaziku
se encuentran disponibles los que corresponden a modelos acotados (esfrico,
exponencial, gaussiano) los cuales se caracterizan porque la covarianza de los
incrementos es finita, por lo cual son ampliamente usados cuando hay evidencia
de que presentan buen ajuste [55] 3 . Los parmetros comunes a cada modelo
son:
1 Basado
en [55]
palabra kriging (expresin anglosajona) procede del nombre del gelogo sudafricano
D. G. Krige, cuyos trabajos en la prediccin de reservas de oro, realizados en la dcada del
cincuenta, suelen considerarse como pioneros en los mtodos de interpolacin espacial
3 El usuario a travs de esquemas de validacin cruzada puede corroborar para cada
variable cual es el mejor modelo de ajuste
2 La
86
No siempre el proceso del cual provienen los datos de la variable a interpolar corresponde con un fenmeno isotrpico, razn por la cual no todas las
direcciones para la bsqueda de vecinos que participen en la interpolacin de
un punto dado pueden tener el mismo peso para la bsqueda.
Es usual que en la sistematizacin del mtodo de kriging se incluya una
elipse de bsqueda de vecinos y una cota mxima para los vecinos involucrados
en la interpolacin de cada punto en la rejilla. Principalmente esta elipse es
definida por los radios en las direcciones X y Y, pueden ser definidos, pero
por defecto corresponden al nmero ms grande entre el ancho y largo de la
rejilla dada por el usuario y tiene la forma de circulo. La elipse representa la
forma espacial en la las vecindades del punto a interpolar son involucradas en
el proceso, no obstante cuando el usuario cree que la variable est muy bien
muestreada y que las variaciones no son significativas conforme aumenta el
nmero de datos al interior de la elipse, puede acotar el numero de observaciones
involucradas en la interpolacin tipo kriging, con un valor superior a 0 y no
mayor al nmero total de observaciones, que es el valor tomado por defecto [55]
.
8.3.
Captulo 9
87
Parte III
Apndices
88
Captulo 10
Apndices
10.1.
Para las distintas resoluciones de anlisis, Jaziku implementara la metodologa de anlisis compuesto para la quinquina (5 das), dcada (10 das),
quincena (15 das), mes, bimestre y trimestre, que inician por la fecha de la
Fig.10.1 . En efecto es reducido o aumentado el tamao de la ultima quinquina,
dcada o quincena de cada mes, puesto que lo meses no siempre tienen 30 das
nicamente
89
90
10.2.
91
92
Los archivos guardados en la carpeta maps de los resultados de los mdulos de clima y pronstico de Jaziku, siguen el formato mostrado en la Fig.
10.2. En cualquier caso las columnas A,B,C y D, corresponden a el cdigo de
la estacin, nombre de la estacin y ubicacin geogrfica, conforme la informacin incluida por el usuario al inicio del proceso (ver seccin 2.2). Cuando la
tabla proviene del mdulo Jaziku - clima, las columnas E,F y G, corresponden
a los valores en porcentaje de la tabla de contingencia, para la fase del fenmeno, el trimestre (quinquina, dcada o quincena) y el rezago indicado en la
direccin absoluta del archivo. En cambio para cuando los resultados provienen
del mdulo de pronostico, las columnas E,F y G, corresponden al pronostico
de la variable dependiente segn las probabilidades de la variable dependiente,
resultado de la combinacin lineal mostrada en la seccin 7.1
La columna ndice (H) se calcula segn el ciclo IF de la Fig.10.3 y la columna
suma (I) que es la suma de cada uno de los valores por debajo, por encima
y dentro de lo normal (fuerte, dbil y moderado para 7 categoras) bajo la
categora respectiva de la variable independiente, siempre debe ser 100. Los
mapas resultado de la interpolacin tipo Kriging se basan en la columna H y
en la columna E.
10.3.
93
Script: sisdhim2jaziku
sisdhim2jaziku es un script que hace parte de Jaziku pero que corre de manera independiente que convierte los datos crudos que provienen del Sisdhim
del formato tr5 (el formato que contiene cabeceras por cada estacin) al formato Jaziku por cada estacin y por cada variable, adems de crear el runfile
automticamente con las estaciones procesadas. Cada estacin es convertida
y escrita en un archivo con su correspondiente cdigo y nombre, llena fechas
vacas y salto de aos.
Para correrlo, primero tener instalada esta la versin 0.7 o superior, abrir
una consola y ubicarse dentro de la ruta del archivo del sisdhim y ejecutar:
sisdhim2jaziku archivoSisdhim
10.4.
Ejemplo de aplicacin
94
95
*)3x3: En este ejemplo se da a conocer las ventajas de utilizar un pronostico y anlisis compuesto a 3 categoras. Aqu se han activado los mdulos clima y
96
Bibliografa
[1]
4.2
[2]
NIST/SEMATECH
e-Handbook
of
Statistical
Methods,.
http://www.itl.nist.gov/div898/handbook/,
date].
Julio
de
2012
[http://www.itl.nist.gov/div898/handbook/prc/section2/prc213.htm].Citado
en Jul 1 de 2012.(En lnea). 5.1, 5.2.3, 5.2.3, 5.2.3
[3]
[4]
National Climatic Data Center -and NOAA. Outgoing Longwave Radiation OLR. http://www.ncdc.noaa.gov/teleconnections/enso/indicators/olr
Citado en Ene de 2013.En lnea, 2013. 4.2
[5]
[6]
Huesmann A.S and Hitchmann M.H. The stratospheric quasi bienal oscillation in the ncep reanalyses climatological structures. Journal of Geophysical Research, (106):859 874, 2001. 4.2
[7]
Australian Government.
Bureau of Meteorology.
lihttp://www.bom.gov.au/climate/glossary/soi.shtml Citado
de 2013.En lnea, 2013. 4.2, 4.5, 4.2, 4.2
en
autraEne
[8]
[9]
[10] Castro
Lina
M.&
Carvajal
Escobar
Yesid.
Anlisis
de
tendencia
y
homogeneidad
de
series
climatolgicas.
Ingeniera de Recursos Naturales y del Ambiente,
97
BIBLIOGRAFA
98
2010,http://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=231116434002.
Citado en Jun 1 de 2011.(En lnea). 5.2.2
[11] Climate
Prediction
Center.
Climate
Predicion
Center.
http://www.cpc.ncep.noaa.gov/products/analysis-monitoring/ensostuff/
Citado en Ene de 2013.En lnea. 4.2
[12] Climate
Prediction
Center.
Climate
Predicion
Center.
http://www.cpc.ncep.noaa.gov/data/indices/ Citado en Ene de 2013.En
lnea, 2013. 4.2, 2
[13] Climate Prediction Center.
Climate Prediction Center.
/ftp.cpc.ncep.noaa.gov/wd52dg/data/indices/Readme.index.html Citado
en Ene de 2013.En lnea, 2013. 4.2, 4.2
[14] Daniel S. Wilks. Statistical Methods in the Atmospheric Sciences. United
States of America: Academic Press, ISSN 0127519653, san diego edition,
1995. 5.1, 5.1, 5.1, 5.1, 5.1, 5.2.2
[15] D.R. Helsel & R.M. Hirsch. Techniques of Water-Resources Investigations
of the United States Geological Survey Book 4, Hydrologic Analysis and
Interpretation. Statistical Methods in Water Resources. 2002. 5.1, 5.1, 5.1
[16] B.D. Zumbo & R.H. Williams D.W. Zimmerman. Bias in Estimation and
Hypothesis Testing of Correlation. Psicolgica, 24:133158, 2003. 6.3.1
[17] Earth System Research Laboratory & National Oceanic and
Atmospheric Administration.
Direccin Nacional de Servicios
Acadmicos
Virtuales
Seminario
de
Investigacin.
http://www.esrl.noaa.gov/psd/enso/mei.ext/rank.ext.html (En linea),
2011. 4.2
[18] Environmental Modeling Center.
Environmental Modeling Center.
http://www.emc.ncep.noaa.gov/research/cmb/sst-analysis/ Citado en Ene
de 2013.En lnea, 2013. 4.2
[19] Eric J. Alfaro & F. Javier Soley. Uso de una Tabla de contingencia para
Aplicaciones Climticas. Physical Oceanography Division, Atlantic Oceanographic and Meteorological Laboratory, National Oceanic and Atmospheric Administration,, 2003. 6.1, 6.2
[20] M. Ghil et al. Advanced spectral methods for climatic time series. Reviews
of Geophysics, 40(1):141, 2002. 5.3
[21] D.H Freeman. (Citado por Ato & Lpez (1996)) Applied Categorical Data
Analysis. Marcel Dekker, NY-USA, 1987. 6.3.2
[22] & Winter Glasser, G.J. (Citado por Zimmerman et al (2003)). Critical
values of the coefficient of rank correlation for testing the hypothesis of
independence. Biometrika, (48):444448, 1961. 6.3.1
BIBLIOGRAFA
99
BIBLIOGRAFA
100
[36] Kendall Kendall, M.G. (Citado por Zimmerman et al (2003)). The distribution of Spearmans coefficient of rank correlation in a universe in which
all rankings occur an equal number of times. Biometrika, (30):251273,
1939. 6.3.1
[37] G.E Len Aristizbal. CONTROL DE CALIDAD AUTOMTICO DE
DATOS METEOROLOGICOS: IDEAM - 2007. Instituto de hidrologa,
meteorologa y estudios ambientales, IDEAM - Subdireccin de Meteorologa, page 51, 2007. 4.1
[38] Lina M. Castro & Yesid Carvajal Escobar. ANLISIS DE TENDENCIA Y HOMOGENEIDAD DE SERIES CLIMATOLGICAS. Revista
EIDENAR, 9, December 2009. 5.2, 5
[39] YONGGANG LIU, X. SAN LIANG, and ROBERT H. WEISBERG. Rectification of the bias in the wavelet power spectrum. JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY, 24, 2007. 5.4, 5.4
[40] T. J. Dunkerton K. Hamilton P. H. Haynes Reynolds R.W. W. J. Randel
J. R. Holton M. J. Alexander 7 I. Hirota T. Horinouchi D. B. A. Jones
J. S. Kinnersley C. Marquardt K. Sato M. P. Baldwin, L. J. Gray and
M. Takahashi. The Quasi - Bienal Oscillation. Reviews of Geophysics,
(39):179 229, 2001. 4.2
[41] M.A. Snchez Ramos. Uso metodolgico de las tablas de contingencia en
la ciencia poltica. Espacios pblicos, 8(16):6084, 2005. 6.3.3, 6.3.3
[42] D. Maidment. Handbook of Hydrology. McGRAW HILL, United States of
America., 1993. 5.2
[43] Mamdouh Refaat. Data Preparation for Data Mining Using Sas. Elsevier
Science & Technology, 9780123735775, 2006. 5.1
[44] Manuel Ato Garcia & Juan Jos Lpez Garca. Anlisis Estadstico para
datos categricos. Editorial Sntesis S.A., 1996. 6.3.2, 6.3.2
[45] meteorologa y estudios ambientales Ministerio de medio ambiente, vivienda y desarrollo territorial & Instituto de hidrologa. Atlas Climatolgico
de Colombia. IDEAM, 2005. 4.1
[46] J.E Montealegre Bocanegra. Estudio de la variabilidad climtica de la
precipitacin en Colombia asociada a procesos ocenicos y atmosfricos
de meso y gran escala: Informe final de las actividades desarrolladas en
el marco del contrato de prestacin de servicios No IDEAM 022 - 2009.
Instituto de hidrologa, meteorologa y estudios ambientales, IDEAM - Subdireccin de Meteorologa, page 54, 2009. 4.2, 4.2, 4.2, 4.3, 4.4, 4.2, 4.2,
4.2
BIBLIOGRAFA
101
[47] M. B. Richman Montroy, D.L. Observed Nonlinearities of Monthly Teleconnections between Tropical Pacific Sea Surface Temperature Anomalies
and Central and Eastern North American Precipitation. Journal of Climate, 11:1812 1835, 1998. 1
[48] M.R. Risk. Cartas sobre Estadstica de la Revista Argentina de Bioingeniera. ISBN 987-43-6130-1. Universidad Tecnolgica Nacional, 2003.
6.3.1
[49] Muthuvel Celliah and Philip Arkin. Large - scale Interannual Variability of
monthly outgoing longwave Radiation Anomalies over the global tropics.
Journal of Climate, (5):371 389, 1992. 4.2
[50] M. Signoret-Poillon y R. Garduo-Lpez N. Snchez-Santilln. La Oscilacin del Atlntico Norte: un fenmeno que incide en la variabilidad
climtica de Mxico. INGENIERA Investigacin y Tecnologa, 2:8595,
2006. 4.2
[51] NOAA(National Oceanic and Atmospheric Administration).
Extended
Reconstructed
Sea
Surface
Temperature
(ersst.v3b).
http://www.ncdc.noaa.gov/ersst// Citado en Ene de 2013.En lnea,
2013. 4.2
[52] Person K. On the criterion that a given system of deviation from the
probable in the case of a correlated system of varibale is such that it can
be reasonable, supposed that have arisen from random sampling. Phylosophical Magazine, 50(5):157175, 1900. 6.3.2
[53] Petitgas P. (Citado por Giraldo Henao (2002)).Geostatistics and Their
Applications to Fisheries Survey Data: Computers and Fisheries Research.
Chapman-Hall, 20 edition, 1996. 8.1
[54] & Carvajal E. Yesid. Puertas O. Olga L. Incidencia de El Nio-Oscilacin
del Sur en la precipitacin y la temperatura del aire en Colombia, utilizando el Climate Explorer. INGENIERA & DESARROLLO, (23):104
118. 5.2.2
[55] R. Giraldo Henao. Introduccin a la Geoestadstica: Teora y Aplicacin.
Simposio Nacional de Estadstica Ponencia: Libro, 1 edition, 2002. 8.1,
8.2, 1, 8.2.0.3
[56] A. Rayner T. M. Smith D. C. Stokes Reynolds, R.W. and W. Wang. An
improved in situ and satellite sst analysis for climate. Journal of Climate,
(15):1609 1625, 2002. 4.2, 4.2
[57] R.W. Reynolds. A real-time global sea surface temperature analysis. Journal of Climate, (1):75 86, 1988. 4.2
[58] R.W. Reynolds and D. C. Marsico. An improved real-time global sea
surface temperature analysis. Journal of Climate, (6):114 119, 1993. 4.2
BIBLIOGRAFA
102
[59] R.W. Reynolds and T. M. Smith. Improved global sea surface temperature
analyses. Journal of Climate, (7):929 948, 1994. 4.2
[60] Samper, F.J. & J. Carrera. (Citado por Giraldo Henao (2002)). Geoestadstica Aplicaciones a la Hidrogeologa Subterrnea. Universitat Politcnica de Catalunya-Centro Internacional de Mtodos Numricos en Ingeniera, 1 edition, 1990. 8.2
[61] Tobias Setz and ETH Zurich. Wavelet analysis on stochastic time series a
visual introduction with an examination of long term financial time series.
Masters thesis, Swiss Federal Institute of Technology, 2011. 5.4, 5.4
[62] R.W. Reynolds Thomas C. Peterson Smith, T.M. and Jay Lawrimore.
Improvements to NOAAs Historical Merged Land-Ocean Surface Temperature Analysis (1880-2006). Journal of Climate, (21):2283 2296, 2008.
4.2
[63] Christopher Torrence and Gilbert P. Compo. A practical guide to wavelet
analysis. Bulletin of the American Meteorological Society, 79, January
1998. 5.3
[64] Christopher Torrence and Gilbert P. Compo. A practical guide to wavelet
analysis. Bulletin of the American Meteorological Society, 79, January
1998. 5.4, 5.4
[65] UCAR.
Ucar
Climate
Guide
Ucar.
http://climatedataguide.ucar.edu/es/guidance/hurrell-north-atlanticoscillation-nao-index-station-based Citado en Ene de 2013.En lnea, 2013.
7, 4.2
[66] Alberto Luceo. Vasquez. Metodos estadisticos para medir, describir y
controlar la variabilidad. Number 54810237502. Publicaciones de la Universidad de Cantabria, Espaa, 2004. 5.2.2
[67] Alberto Luceo. Vasquez. Metodos estadisticos para medir, describir y controlar la variabilidad. Universidad de Cantabria, Espaa ,
isbn:54810237502 edition, 2004. 7.1
[68] CHUNZAI WANG. Atmospheric Circulation Cells Associated with the El
Nino - Southern Oscillation. Journal of Climate, (15):399 419, 2002. 4.2,
4.2, 4, 5
[69] K. Wolter. (Citado por Guevara Daz (2008)). The Southern Oscillation in
surface circulation and climate over the tropical Atlantic, Eastern Pacific,
and Indian Oceans as captured by cluster analysis. Journal of Applied
Meteorology, (26):540 558, 1987. 4.2
[70] T. M. Smith Xue, Y. and R. W. Reynolds. Interdecadal changes of 30yr SST normals during 1871-2000. Journal of Climate, (16):1601 1612,
2003. 4.2
BIBLIOGRAFA
103
[71] Zbigniew W. Kundzewicz and Alice Robson. WORLD CLIMATE PROGRAMME WATER DETECTING TREND AND OTHER CHANGES IN
HYDROLOGICAL DATA, volume WCDMP-45. World Climate Program
- Water, WMO/UNESCO, Geneva. 5.1