Resumen

Los modelos numéricos se aplican actualmente en muchos campos para la simulación y la predicción, la explotación o la investigación. Los resultados de estos modelos suelen presentar errores sistemáticos y aleatorios. El estudio comparó los datos de temperatura de enero de 2015 de Uganda simulados mediante el modelo Weather Research and Forecast con los datos de temperatura reales observados en la estación para analizar el sesgo utilizando métodos paramétricos (el error cuadrático medio (RMSE), el error medio absoluto (MAE), el error medio (ME), la asimetría y la estimación fácil del sesgo (BES)) y no paramétricos (la prueba de signos, STM). El RMSE normalmente sobreestima el error en comparación con el MAE. El RMSE y el MAE no son sensibles a la dirección del sesgo. El ME proporciona tanto la dirección como la magnitud del sesgo, pero puede verse distorsionado por valores extremos, mientras que el BES es insensible a los valores extremos. El STM es robusto para dar la dirección del sesgo; no es sensible a los valores extremos pero no da la magnitud del sesgo. Las herramientas gráficas (como las series temporales y las curvas acumulativas) muestran el rendimiento del modelo con el tiempo. Se recomienda integrar métodos paramétricos y no paramétricos junto con métodos gráficos para un análisis completo del sesgo de un modelo numérico.

• Materias:Radiación Modelado Campos de tensión Nanohaces elásticos Termoelectromecánico
• Subjects:Radiation Modeling Strain fields Elastic nanobeams Thermoelectromechanical
• Palabras claves:sesgo, valores extremos, MAE, RMSE, dirección, error medio absoluto, datos de temperatura de estación, BES, ME, STM
• Keywords:bias, extreme values, MAE, RMSE, direction, mean absolute error, station temperature data, BES, ME, STM