Resumen

La modelización de la lluvia es significativa para fines de predicción y pronóstico en agricultura, derivados climáticos, hidrología, y preparación para riesgos y desastres. Normalmente se utilizan dos modelos para modelar el proceso de lluvia como un proceso dependiente en cadena que representa la ocurrencia e intensidad de la lluvia. Estos dos modelos ayudan a comprender las características físicas y la dinámica del proceso de lluvia. Sin embargo, los datos de lluvia tienen inflación de ceros y muestran sobre dispersión, lo cual siempre es subestimado por dichos modelos. En este estudio hemos modelado simultáneamente los dos procesos como un proceso de Poisson compuesto. Los eventos de lluvia se modelan como un proceso de Poisson mientras que la intensidad de cada evento de lluvia se distribuye Gamma. Minimizamos la sobre dispersión introduciendo el parámetro de dispersión en el modelo implementado a través de distribuciones Tweedie. Los datos de lluvia simulados a partir del modelo muestran un parecido con los datos reales

• Materias:Modelar datos Estimadores sesgados Muestreo doble sintético Razón de verosimilitud empírica Diseño adaptativo bayesiano
• Subjects:Modeling data Biased estimators Synthetic double sampling Empirical likelihood ratio Bayesian adaptive design
• Palabras claves:Modelado; Lluvia; Proceso; Intensidad; Sobredispersión; Pronóstico
• Keywords:Modeling; Rainfall; Process; Intensity; Overdispersion; Forecasting