Simulación de todo el rango de precipitación diaria utilizando una distribución de probabilidad híbrida

La subestimación de valores extremos es un problema ampliamente reconocido en la simulación de precipitación diaria. Los generadores de precipitación no paramétricos tienen limitaciones inherentes para representar extremos. Los generadores paramétricos pueden modelar de manera realista el espectro completo de la cantidad de precipitación a través de distribuciones compuestas. Sin embargo, el ajuste de estas distribuciones sufre de inestabilidad numérica, aprendizaje supervisado y demanda computacional. Este estudio presenta una distribución de probabilidad híbrida fácil de implementar para modelar el espectro completo de la cantidad de precipitación. La idea básica de la distribución híbrida radica en sintetizar precipitación baja a moderada mediante una distribución exponencial y precipitación extrema a través de una distribución de Pareto generalizada. Al forzar que las dos distribuciones sean continuas en el punto de unión, el umbral de la distribución de Pareto generalizada se puede aprender implícitamente de manera no supervisada. La simulación de Monte Carlo muestra que la distribución híbrida es capaz de modelar datos con colas pesadas. El rendimiento de la distribución se evalúa además utilizando 49 registros de precipitación diaria en Texas. Los resultados muestran que el modelo puede capturar tanto la masa como la cola de la cantidad de precipitación diaria. Se encuentran que los métodos de máxima bondad de ajuste y máxima verosimilitud penalizada son complementos confiables al método de máxima verosimilitud, ya que generalmente pueden proporcionar una bondad de ajuste adecuada. La distribución propuesta puede incorporarse en generadores de precipitación y modelos de escalado hacia abajo para simular de manera realista todo el rango de precipitación sin perder valores extremos.