View full document (in Spanish) [PDF 4.60 MB] - PreventionWeb
View full document (in Spanish) [PDF 4.60 MB] - PreventionWeb
View full document (in Spanish) [PDF 4.60 MB] - PreventionWeb
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Figura 52<br />
nal. Si la curva es roja se refiere a los pronósticos realizados<br />
por el modelo a la categoría “bajo lo normal” y si es de color<br />
azul se refiere a los pronósticos realizados por el modelo<br />
en la categoría “Sobre la normal”, lo mas adecuado es<br />
que ambas curvas se encuentren por encima de la diagonal<br />
y aproximándose al vértice superior izquierdo.<br />
6. Segundo paso, aunque los <strong>in</strong>dicadores estadísticos son<br />
una referencia técnica, se deben entender por completo<br />
sus significados. El primer coeficiente de Pearson’s 1 y el de<br />
Spearman 2 <strong>in</strong>dican el grado de asociación que poseen los<br />
valores observados con los valores pronosticados y deberán<br />
aproximarse a 1, mientras más alto sean éstos valores<br />
más favorable serán los resultados (no es bueno obtener<br />
valores próximos a -1). (Figura 53)<br />
Figura 53<br />
El error cuadrado medio (Mean squared error) y la raíz del<br />
error del cuadrado medio (Root mean squared error) tienen<br />
el mismo significado: representan la suma de desviaciones<br />
existente entre los valores observados y los valores pronosticados,<br />
es decir, el error que existe para que los valores<br />
pronosticados traten de alcanzar al valor observado. En forma<br />
práctica, si los valores observados y los pronosticados<br />
son similares o casi iguales, significa que el error va ser casi<br />
nulo o cero, por lo tanto también su raíz cuadrada.<br />
Se debe considerar que este <strong>in</strong>dicador es muy relativo, no<br />
es lo mismo encontrar una diferencia entre ambos valores<br />
(observados y pronosticados) en una zona lluviosa que en<br />
una zona seca, por ejemplo:<br />
Precipitación Precipitación Error Observaciones<br />
pronosticada Observada<br />
430 mm/mes 380 mm/mes 50 mm Zona lluviosa<br />
10 mm/mes 0.0 mm/mes 10 mm Zona Seca<br />
C A P I T U L O II<br />
7. Los demás valores hacen referencia a las medidas categóricas,<br />
es decir al grado de acierto del modelo con los<br />
datos históricos.<br />
Hit Score: es el porcentaje de aciertos del modelo en relación<br />
al total de pronósticos realizados de toda la serie<br />
histórica.<br />
Lo óptimo es contar con un valor cercano a 100% el cual<br />
<strong>in</strong>dicara un modelo perfecto.<br />
Hit Skill Score: es el <strong>in</strong>dicador de evaluación de la destreza<br />
del modelo, porcentaje de veces que el resultado corresponde<br />
a una casualidad. Lo óptimo es tener un valor cercano<br />
a ±100% el cual <strong>in</strong>dicaría un modelo perfecto.<br />
LEPS score (L<strong>in</strong>ear Error <strong>in</strong> Probability Space): que calcula<br />
un resultado def<strong>in</strong>ido utilizando una tabla que muestra<br />
diferentes resultados de aciertos, dependiendo de la categoría<br />
observada y de las anteriores probabilidades de las<br />
categorías. La distribución de probabilidades es transformada<br />
a una función de probabilidad acumulada. (Figura 54)<br />
Gerrity score: calcula un resultado def<strong>in</strong>ido utilizando una<br />
tabla de resultados alternativa a aquella utilizada para los<br />
resultados LEPS. (Figura 55)<br />
Figura 55<br />
1. Randall E et al. A beg<strong>in</strong>ner’s guide to structural equation model<strong>in</strong>g<br />
pg. 38.<br />
2. William H. Press. Numerical recipes: the art of scientific comput<strong>in</strong>g<br />
pg. 349.<br />
CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN DEL FENÓMENO DE EL NIÑO - CIIFEN 25