Manual de usuario de AMEVA - IHCantabriaihameva.ihcantabria.com/wp-content/uploads/2013/07/... ·...

MANUAL DE USUARIO – AMEVA V1.3.2

Manual de usuario v1.3.2

AMEVA

Análisis Matemático y Estadístico de

Variables Medioambientales

IH Cantabria, 2013

OC

MANUAL DE USUARIO AMEVA V1.3.2

ÍNDICE

1. Introducción .................................................................. 1

2. ¿Qué es AMEVA? ............................................................ 1

3. Acceso a AMEVA ............................................................ 1

4. Uso de AMEVA ............................................................... 3

5. Máximos temporales ...................................................... 4

6. Duraciones/Persistencias ................................................ 5

7. Estadística descriptiva. AEVA. .......................................... 8

8. Tabla de ocurrencia ...................................................... 15

9. Ajuste de distribuciones ................................................ 17

10. Función generalizada de valores extremos. GEV .............. 22

11. POT, Pareto-Poisson ..................................................... 26

12. Modelo Heterocedástico ................................................ 30

13. Clasificación ................................................................ 34

14. Calibración .................................................................. 37

15. Ameva Workspace ....................................................... 46

16. Referencias. ................................................................ 49

Índice de figuras

Figura 1. AMEVA ventana principal ................................................ 2

Figura 2. Ventana principal ‘Temporary Maximum’. ......................... 4

Figura 3. Ventana con máximos anuales ‘Temporary Maximum’. ....... 5

Figura 4. Ventana ‘durationtime’ ................................................... 6

Figura 5. Ventana ‘durationtime’ ................................................... 6

Figura 6. Ventana ‘durationtime’ start. .......................................... 7

Figura 7. Ventana ‘durationtime’ resultado. .................................... 7

Figura 8. Iniciar la Estadística descriptiva. ..................................... 8

Figura 9. Vista esquemática de AEVA. ........................................... 8

Figura 10. Ventana ‘Análisis estadístico de variables medioambientales’ ...................................................................... 9

Figura 11. Ventana ‘AevaData’ Simple. .......................................... 9

Figura 12. Ventana ‘AevaData’ Advanced. .................................... 10

Figura 13. Ventana ‘AEVA’. ........................................................ 11

Figura 14. Ventana ‘AevaSettings’. ............................................. 12

Figura 15. Ventana ‘Create folder’ .............................................. 12

Figura 16. Ventana si la ejecución es correcta. ............................. 13

Figura 17. Carpeta de resultados de AEVA. .................................. 14

Figura 18. Lista de ficheros de resultados. ................................... 14

Figura 19. Lista de figuras una vez realizado el análisis estadístico. 15

Figura 20. Ventana ‘ocurrencetable’ ............................................ 16


Figura 21. Ventana ‘ocurrencetable’ X vs. Y. ................................ 16

Figura 22. Ventana ‘ocurrencetable’. Meses vs. Y .......................... 17

Figura 23. Iniciar el Ajuste de distribuciones. ............................... 17

Figura 24. Ventana principal del Ajuste de distribuciones. .............. 18

Figura 25. Ventana ‘DisfitanalysisData’. ....................................... 19

Figura 26. Ventana ‘DisfitanalysisNewFit’. .................................... 19

Figura 27. Ventana ‘Disfitanalysis’. ............................................. 20

Figura 28. Carpeta de resultados de disfitanalysis. ........................ 21


Figura 30. Iniciar GEV. .............................................................. 22

Figura 31. Ventana principal de GEV. .......................................... 22

Figura 32. Ventana ‘GevData’. .................................................... 23

Figura 33. Ventana ‘GevSettings’. ............................................... 24

Figura 34. Ventana ‘Gev’ Lista de gráficos. .................................. 25

Figura 35. Carpeta de resultados de GEV. .................................... 25


Figura 37. Iniciar GEV. .............................................................. 26

Figura 38. Ventana principal de POT, Pareto-Poisson. .................... 27

Figura 39. Ventana ‘PotData’. ..................................................... 28

Figura 40. Ventana ‘POT, Pareto-Poisson’ Lista de gráficos. ............ 29

Figura 41. Carpeta de resultados de POT, Pareto-Poisson. ............. 29


Figura 43. Iniciar Modelo Heterocedástico. ................................... 30

Figura 44. Ventana principal del Modelo Heterocedástico. .............. 31

Figura 45. Ventana ‘HeteroscedasticModelData’. ........................... 32

Figura 46. Ventana ‘HeteroscedasticModel’. ................................. 32

Figura 47. Ventana ‘HeteroscedaticModel’ Lista de gráficos. ........... 33

Figura 48. Carpeta de resultados del Modelo Heterocedástico. ........ 33


Figura 50. Ventana principal ‘Classification Algorithms’. ................. 35

Figura 51. Ventana MDA ‘Classification Algorithms’. ...................... 35

Figura 52. Carpeta de resultados de la clasificación. ...................... 36


Figura 54. Ventana AMEVA Calibración ........................................ 37

Figura 55. Ventana ‘Herramienta de Calibración’ ........................... 37

Figura 56. Ventana ‘CalibrationData’ ........................................... 38

Figura 57. Ventana ‘CalibrationData (datos seleccionados)’ ............ 38

Figura 58. Ventana ‘Calibración’ ................................................. 39

Figura 59. Ventana ‘Apply calibration with original or filtered data’ . 40

Figura 60. Ventana ‘CalibrationData (outliers seleccionados)’ ......... 40

Figura 61. Ventana ‘CalibrationSetting’ para configurar opciones .... 41

Figura 62. Ventana ‘Apply calibration with original or filtered data’ . 41

Figura 63. Ventana si la calibración es correcta. ........................... 42

Figura 64. Ventana ‘CalibratoinNew Data’. ................................... 42

Figura 65. Nuevas gráficas una vez realizada la nueva calibración. . 43


Figura 66. Carpetas de resultados de la calibración y el filtro. ........ 44


Figura 68. Visualizando las figuras –Scatter IR-. ........................... 45

Figura 69. Ventana ‘Create folder’ .............................................. 46

Figura 70. Ventana ‘AmevaWorkspace’. ....................................... 46

Figura 71. Ventana ‘AmevaWorkspace’. -load ameva-. .................. 47

Figura 72. Ventana ‘AmevaWorkspace’. Funciones de Matlab-. ....... 47


-1-

1. Introducción

Con el objeto de centralizar, el mantenimiento funciones desarrolladas y utilizadas en las

diferentes líneas de investigación, en especial aquellas utilizadas por el grupo clima del

Instituto de Hidráulica Ambiental de la Universidad de Cantabria, se he desarrollado el

software informático “AMEVA”, usando Matlab, como lenguaje de desarrollo y bajo la

plataforma Windows

2. ¿Qué es AMEVA?

Análisis Matemático y Estadístico de Variables Ambientales AMEVA

El software AMEVA es un conjunto de funciones desarrollada en Matlab que integra las

diversas metodologías de análisis estadístico implementadas por muchos de los

investigadores del Instituto de Hidráulica Ambiental, con el objeto de estudiar y

caracterizar variables medioambientales en general.

Esta herramienta se desarrolla con la finalidad de que cada una de sus partes pueda ser

utilizada de forma independiente en forma modular. La versión v1.3.2, incluye los

módulos principales de Calibración, Estadística descriptiva, Ajuste de distribuciones:

Estadística extremal (GEV) y el ajuste POT, Paterto Poisson y los módulos secundarios:

Clasificación, Máximos temporales, Persistencias, Tablas de ocurrencias y el Modelo

Heterocedástico.

3. Acceso a AMEVA

Actualmente la aplicación se puede usar tanto en modo compilado como a partir de los

archivos .m (código fuente), siendo necesario para su uso instalar el “Run time” de

Matlab para el primer caso y la aplicación Matlab en el segundo. Las versiones de Matlab

en las que se ha probado esta aplicación son: Matlab v 7.7.0.471 (R2008b) 32 BIT y

Matlab v 7.12.0.635 (R2011a) 32 y 64 BIT. Junto a la aplicación se distribuye el Run

time de Matlab 20011a. Esta aplicación se ha probado en Windows XP y W7, además en

las plataformas Linux y en Mac Os X.

Los pasos para ejecutar la aplicación son los siguientes:

PASO 1. Instalar el Run time de Matlab 2011a haciendo doble clic sobre el archivo

MCRInstaller2011a.exe y seguir los pasos que indica el programa de instalación.

PASO 2. Instalar la aplicación propiamente dicha haciendo doble clic sobre su icono


-2-

Si se ha instalado todo correctamente el usuario observará la siguiente ventana que es la

ventana principal de la aplicación1 y una ventana ms-dos de fondo:

Figura 1. AMEVA ventana principal

Desde esta ventana el usuario puede lanzar cualquiera de las aplicaciones de las que

AMEVA dispone. Esta Barra de Herramientas da acceso a todas las opciones de AMEVA.

Sus elementos son:

AMEVA

Sitio web

Manual de usuario PDF

Idioma

Español

Inglés

Acerca de AMEVA

Archivo

Importar datos

Cargar datos para testear AMEVA

Ver datos (workspace)

Guardar

Configurar el directorio de trabajo

Salir

Preprocesado de datos

Máximos temporales

Duraciones/Persistencias

Módulos independientes

1 Si se tiene instalado Matlab y se ha añadido todas las carpetas de ihameva al path de

Matlab, con solo escribir ameva en el “comand window” de Matlab, obtendría el mismo

resultado.


-3-

Estadística descriptiva

AEVA

Tabla de encuentros

Ajuste de distribuciones

Estadística extremal

Herramienta GEV Función generalizada de valores extremos

Herramienta POT, Pareto-Poisson

Regresión: Modelo Heterocedástico/Homocedástico

Minería de datos: Clasificación

Módulos metodológicos

Calibración

Desde Archivo-> Ver datos (workspace) se accede a la ventana desde donde se pueden

cargar los distintos ficheros de datos (e incluso tratarlos para su uso en las distintas

herramientas) y guardar los resultados obtenidos.

4. Uso de AMEVA

AMEVA es una carcasa de fácil uso que da acceso a las distintas herramientas a través

una ventana como la que se muestra en al figura 1. AMEVA consta de tres apartados

principales. Este documento describe cada una de estos apartados, de acuerdo al

siguiente esquema.

PREPROCESADO DE DATOS

- Máximos temporales

- Duraciones

MÓDULOS INDEPENDIENTES

- ESTADISTICA DESCRIPTIVA

AEVA

Tabla de ocurrencias

- AJUSTE DE DISTRIBUCIONES

-. EXTREMOS

FUNCIÓN GENERALIZADA DE VALORES EXTREMOS GEV

POT, PARETO-POISSON

-. REGRESIÓN

Modelo heterocedástico/homocedástico

-. MINERÍA DE DATOS

Clasificación

MÓDULOS METODOLÓGICOS

- CALIBRACIÓN

AMEVA WORKSPACE

A continuación se describe como utilizar cada una de las herramientas disponibles en

AMEVA.


-4-

5. Máximos temporales

La herramienta “Máximos temporales”, es uno de los módulos del “Pre procesado de

datos”, que nos permite seleccionar unos datos de una serie de datos que pueden tener o

no una serie de tiempos asociados.

Figura 2. Ventana principal ‘Temporary Maximum’.

Se pueden seleccionar los datos de 5 formas distintas:

maximum, mean y quantile, pueden ser mensuales, anuales o semanales

threshold selecciona todos aquellos que superan un umbral dado y

pot selecciona los picos máximos, entre todos aquellos que superan un umbral dado.

El usuario debe seleccionar el valor de umbral más adecuado. En el caso de seleccionar

datos para hacer un ajuste de extremos a la función pareto poisson, el umbral se ajusta

al cuantil del 0.99.


-5-

‘porcentaje mínimo de datos’ es para seleccionar de acuerdo a mínimo de datos para

considerar ese mes o esa semana. Use ‘0’ para no tener en cuenta esta restricción. En el

caso de ‘threshold’ y ‘pot’ puede seleccionar el umbral como un cuantil dado valor de

probabilidad acumulada entre 0 y 1, ó como un valor de la variable que puede variar

entre el valor mínimo y el valor máximo. Además dispone de un test de independencia,

en la que puede indicar los días u horas de independencia temporal, en el caso que

quiera discriminar datos temporales próximos.

Para usar el resultado de esta selección en la herramienta GEV use: ‘maximum’,

mensuales o anuales y el resultado envíelo al espacio de trabajo de la herramienta

pulsando el botón ‘Send xmax, tmax’. Seleccione within a year para ver la

estacionalidad de los datos temporales.

Figura 3. Ventana con máximos anuales ‘Temporary Maximum’.

Este es el aspecto de la una vez realizada la selección usando pot con el cuantil del 0.99.

6. Duraciones/Persistencias

`Duraciones/Persistencias’, es una herramienta que nos permite obtener un vector de las

duraciones continuadas en horas, si se trata de una serie temporal, para una, dos o tres

variables, dados unos criterios de mínimos y máximos de cada una de las variables.


-6-

Figura 4. Ventana ‘durationtime’

Figura 5. Ventana ‘durationtime’

‘durationtime’ está disponible desde ‘AEVA’. Si carga el vector tiempo, este tiene que

estar en formato juliano y tiene que ser un vector –datenum- valido en Matlab. También

se puede usar desde la línea de comandos de ‘AmevaWorkspace’, como se ha hecho para

obtener las dos ventanas anteriores, una con una variable ‘Hs’ y la siguiente con dos ‘Hs’

y ‘Tm’

Las Persistencias se pueden aplicar hasta a tres variables temporales, el siguiente

ejemplo muestra las duraciones entre ‘Hs’ y ‘Tm’.


-7-

Figura 6. Ventana ‘durationtime’ start.

En la siguiente figura podemos ver el histograma de las duraciones en el caso de dos

variables dado los criterios de máximos y mínimos elegidos para cada una de ellas.

También se puede elegir el formato de la figura a guardar.

Figura 7. Ventana ‘durationtime’ resultado.

Se guardan los resultados en la carpeta ‘durationtime[20120820094725]’, los ficheros:

‘duration_data.mat’ y las figuras ‘duration_histogram_Hs.*’ según se hayan elegido.


-8-

7. Estadística descriptiva. AEVA.

Figura 8. Iniciar la Estadística descriptiva.

La herramienta de estadística descriptiva es un conjunto de funciones que nos permiten

realizar el análisis estadístico de las variables ambientales que se deseen. Desde la

ventana principal se puede acceder a varias herramientas que se muestran en el

siguiente gráfico, las mismas que se explican en las distintas secciones de este manual.

Análisis Estadístico de Variables Ambientales AEVA

Figura 9. Vista esquemática de AEVA.

AEVA

Máximos temporales

Clasificación

Persistencias

Tabla de ocurrencias


-9-

Figura 10. Ventana ‘Análisis estadístico de variables medioambientales’

Esta es la ventana principal de la herramienta AEVA y sus distintas opciones:

Data, Settings, Star, Plot Type, Plots to print, save figure format, Persistencias(..,Time),

Classification(X,Y,Dir), Temporary Maximum y Ocurrence Table.

Data

Esta ventana se utiliza para introducir los datos, el nombre de las variables y sus

correspondientes unidades, a los cuales se les va a realizar el análisis estadístico.

Figura 11. Ventana ‘AevaData’ Simple.


-10-

Figura 12. Ventana ‘AevaData’ Advanced.

Aquí se seleccionan las variables, al menos debe existir un vector ‘x’ para poder

continuar y como máximo cuatro (dos variables junto a su vector de direcciones y

tiempo). Importante tener en cuenta que el vector de direcciones si esta en

grados debe tener valores entre 0º y 360º.

PASO 1. Una vez seleccionados los datos y las unidades de las variables pueden ser

cargados a la ventana principal de la herramienta AEVA, haciendo clic en “Apply”. La

ventana de entrada de datos se cerrara automáticamente si los datos cargados cumplen

los criterios de entrada de datos validos. Existe además una segunda opción de entrada

de datos usando el botón “Advanced”, el cual permite cargar al programa principal los

datos desde vectores, matrices o estructuras que contengan vectores o matrices. Varía la

forma de asignar los valores a las variables del programa. Si se dispone de vectores se

debe usar la opción “Simple” que aparece por defecto.

Una vez introducidos correctamente los datos, en la ventana principal se deben visualizar

de forma gráfica los datos introducidos de la primera variable ‘x’. Si además se ha

introducido la información del tiempo, se verá que el eje de las abscisas (X) tendrá el

formato de ‘mesAño’.

Dependiendo de las variables introducidas se activarán los accesos a los programas

secundarios:

Persistences(…,Time).- requiere al menos una variable X.

Classification(X,Y,Dir).- requiere variables: X, Y, y la serie direccional.

Temporary Maximum.- requiere al menos una variable X.

Ocurrence Table.- requiere dos variables X e Y.


-11-

En función de los vectores de datos introducidos (variable X, variable Y, tiempo,

dirección), se activarán los botones que dan acceso a estas herramientas.

Figura 13. Ventana ‘AEVA’.

PASO 2. Haga clic en ‘Start’ para realizar el análisis estadístico de sus datos.

PASO 3. ‘Setting’ Existe la posibilidad de configurar opciones adicionales en la selección

de los datos:


-12-

Figura 14. Ventana ‘AevaSettings’.

Es decir seleccionar datos de acuerdo a los criterios que se muestran en la ventana

‘AevaSettings’. Esto implica realizar el análisis estadístico tan solo a los datos

seleccionados desde esta ventana. ‘Apply’ para aplicar los criterios de selección a los

datos y pasarlos a la ventana principal, ‘Reset’ para recuperar los datos originales.

Si no van a utilizar de nuevo, se debe cerrar la ventana pulsando en ‘close’, o en el aspa

de la ventana situado en la esquina superior derecha.

PASO 4. Hacer clic en ‘Start’ para realizar el análisis de los datos.

Si se va a aplicar el análisis a nuevos datos aparecerá el mensaje de creación de nueva

carpeta

Figura 15. Ventana ‘Create folder’

Mientras ejecuta se leerá en la parte inferior izquierda de la ventana principal, el

mensaje ‘Busy ...wait. Press ctrl+c to terminate’ mientras esta ejecutando el programa.

Si se pulsa ‘Ctrl + c’ sobre la ventana ms-dos, se cerrará completamente la aplicación.

Esto siempre puede hacerse en caso de que el programa no responda o que esté

esperando demasiado tiempo. Si la ejecución ha terminado correctamente aparecerá en

la barra de mensajes ‘statistic and plots is ready’


-13-

Figura 16. Ventana si la ejecución es correcta.

Una vez realizado el análisis estadístico en el desplegable ‘Plot Type’ el usuario podrá

ver una lista de todas las figuras que se han generado, esta lista depende de las

variables que el usuario ha introducido en ‘Data’, en el ejemplo se muestra un caso para

el que se han introducido 4 series ‘X’, ‘Y’, ‘Dir’ y ‘Time’.

Si ha terminado la ejecución correctamente en el desplegable ‘Plot Type’ aparecerán

todos los figuras que se han generado, esta lista de figuras depende de las variables que

ha introducido, por lo tanto no siempre va a tener el mismo número de ellas.

Los resultados del análisis estadístico se guardan en una carpeta en el mismo directorio

donde se encuentra el ejecutable ‘aeva+fecha-actual’, Ej.: ‘aeva[20120730121908]’.


-14-

Figura 17. Carpeta de resultados de AEVA.

La carpeta de resultados de la herramienta AEVA.

El contenido de la carpeta de resultados ‘aeva[20120730121908]’ es el siguiente:

Figura 18. Lista de ficheros de resultados.

Donde el formato de la figura depende de los formatos seleccionados ‘*.fig’, ‘*.png’ y/o

‘*.eps’, por defecto están seleccionados los formatos ‘fig’ y ‘png’


-15-

Las figuras: ‘Plot Type’.

Si se han introducido los cuatros vectores ‘X’, ‘Y’, ‘Dir’ y ‘Time’, se mostraran en ‘Plot

Type’ las siguientes figuras: ‘Serie(X)’, ‘Serie(Y)’, ‘Serie(X,Y)’, ‘Serie(Dir)’, ‘PDF(X)’,

‘PDF(Y)’, ‘PDF(Dir)’, ‘CDF(X)’, ‘CDF(Y)’, ‘Scatter(X,Y)’, ‘Scatter(X,Dir)’, ‘Scatter(Y,Dir)’,

‘Scatter3d(X,Y,Dir)’ , ‘PDF3d(X,Y)’, ‘PDF3d(X,Dir)’, ‘PDF3d(Y,Dir)’, ‘PDF2d(X,Y)’,

‘PDF2d(X,Dir)’, ‘PDF2d(Y,Dir)’ , ‘Rose(X,Dir)’ , ‘Rose(Y,Dir)’ , ‘RoseP(X,Dir)’ ,

‘RoseP(Y,Dir)’, ‘RoseQ(X,Dir)’ , ‘RoseQ(Y,Dir)’, ‘BoxPlot(sector)’, y ‘BoxPlot(monthly)’.

Figura 19. Lista de figuras una vez realizado el análisis estadístico.

Existen dos listas de figuras: ‘Plot Type’ y ‘Plots to print’, la primera es para visualizar la

figura seleccionada de la lista en los ejes de la ventana de la herramienta AEVA, esta se

genera cada vez que se usa. ‘Plots to print’, abre en una nueva ventana la figura que

elegida en la lista. Es importante usar esta opción si se quieren editar las figuras.

8. Tabla de ocurrencia

La ‘Tabla de ocurrencia’, es una herramienta que nos permite obtener la frecuencia de

ocurrencia o el número de eventos entre dos variables. El resultado se puede obtener

como el número de eventos o la frecuencia de ocurrencia en porcentaje, en función de

tener seleccionado en la opción ‘Type’ N. events o Percent. Esta frecuencia de ocurrencia

se puede calcular entre la variable ‘Y’ y {X,Y,Dir,Sector,Monthy}.


-16-

Figura 20. Ventana ‘ocurrencetable’

occurrencetable(data_gow.hs,data_gow.tm,data_gow.dir,data_gow.time);

Esta herramienta se puede utilizar haciendo uso de la información direccional y temporal

de las variables de estudio. El caso más sencillo es la ‘Tabla de ocurrencia’ entre dos

variables ‘Hs’ y ‘Tm’ como en el ejemplo que se muestra a continuación.

Figura 21. Ventana ‘ocurrencetable’ X vs. Y.

También es posible realizar tablas de ocurrencias por meses o sectores versus la variable

si se dispone de la información direccional y temporal de la misma.

Entre las opciones que se pueden configurar, están: el número de clases en las que se

pueden dividir las variables ‘n. of classes’, ‘not rounded data limits’ si no se desea

redondear las clases seleccione esta opción y ‘save table to .xls’ (solo en windows), para

guardar la tabla de encuentro en un archivo en formato Excel.


-17-

Figura 22. Ventana ‘ocurrencetable’. Meses vs. Y

La información se guarda por defecto en una carpeta en formato ‘.mat’, pero también se

da la posibilidad de guardar en formato ‘.xls’, en modo tabla de Excel.

9. Ajuste de distribuciones

Figura 23. Iniciar el Ajuste de distribuciones.

La herramienta de Ajuste de distribuciones son un conjunto de funciones de ajuste de

distribuciones para datos continuos o discreto. Dependiendo del tipo de datos vamos a

poder realizar los distintos ajustes.

La pantalla principal de la herramienta recuerda mucho a las anteriores ya que se ha

procurado que el usuario se familiarice con el aspecto de las distintas herramientas de

AMEVA y le sea sencillo su uso.


-18-

Figura 24. Ventana principal del Ajuste de distribuciones.

Data

Esta ventana se utiliza para introducir los datos para realizar el ajuste a las distintas

distribuciones programadas. Aquí se debe seleccionar un vector de datos que pueden ser

parte de una estructura de datos o de una matriz de datos. Si no existen datos el usuario

puede cargarlos desde ‘Data & WorkSapce’, esto es acceso directo a la ventana de

gestión de datos.

Importante: tener en cuenta que usted puede trabajar con datos continuaos o discreto,

esto hará que estén disponibles unas u otras funciones de distribución según sea el caso.

Las opciones de ‘Censoring’ y ‘Frecuency’ no estan disponible en la version actual.


-19-

Figura 25. Ventana ‘DisfitanalysisData’.

Cada vez que el usuario cambia de variable, actualizará la figura de la ventana principal,

así como también podrá ver la información del tipo de dato seleccionado en el texto a la

izquierda de la variable seleccionada. Una vez seleccionada la variable de estudio es

necesario hacer clic en ‘Apply’. Si el vector se ha introducido correctamente esta ventana

se cerrara y el usuario verá la siguiente ventana2:

Figura 26. Ventana ‘DisfitanalysisNewFit’.

Desde esta ventana el usuario puede configurar el nombre de la carpeta de ajuste ‘Fit

name’, dando la posibilidad de guardar distinto resultado de ajuste, además puede ver la

lista de las distribuciones disponibles ‘Distribution’ para los datos seleccionados, también

puede configurar ‘Confidence level’ las bandas de confianzas que se utilizan en los

distintos ajuste, que por defecto es ‘0.05’. Una vez configuradas las distintas opciones,

las aplicamos haciendo clic en ‘Apply’. Esta ventana se cerrará y realizará el ajuste de

nuestros datos a las distintas distribuciones. El aspecto de la ventana principal una

terminado los cálculos es el siguiente:

2 Tenga en cuenta que en algunas herramientas existen opciones que no están habilitadas y se debe a que aún no esta implementada en la versión actual, pero si lo estarán en versiones posteriores


-20-

Figura 27. Ventana ‘Disfitanalysis’.

Con el desplegable ‘Plot Type’, podemos elegir ver entre las siguiente figuras: ‘Serie(X)’,

‘PDF(X)’, ‘CDF(X)’, ‘PP Plot’, ‘QQ Plot’ y ‘Probability Plot’.

En la ventan principal se muestra la PDF del mejor ajuste utilizando el método de

máxima verosimilitud. En la ventana principal en un panel a la izquierda podemos ver

información de los parámetros de ajuste y sus errores, junto al valor de la verosimilitud y

la expresión de la PDF de la distribución seleccionada en el desplegable ‘Distribution’.

Los resultados de la herramienta –Ajuste de distribución- se guardan en una carpeta en

el mismo directorio donde se encuentra el ejecutable ‘disfitanalysis+fecha-actual’, Ej.:

‘disfitanalysis[20120816092444]’.

El software soporta las siguientes distribuciones para datos “continuos”: 'normal',

'lognormal', 'weibull', 'weibullmin', 'weibullmax', 'gumbel', 'extreme value', 'pareto',

'exponential', 'rayleigh', 'gamma', 'beta', 'logistic', 't-student'. No todas estarán

disponibles ya que dependen del mínimo y máximo de los datos.


-21-

Figura 28. Carpeta de resultados de disfitanalysis.

La carpeta de resultados de la herramienta Ajuste de distribuciones.

El contenido de la carpeta de resultados depende de la distribución y el ‘Plot type’ que

ha decidido visualizar, al hacerlo se generan estos gráficos.


Puede ver los ficheros ‘.fig’ en una ventana independiente desde la lista ‘Plots to

print’, desde la ventana principal de la herramienta.


-22-

10. Función generalizada de valores extremos. GEV

Figura 30. Iniciar GEV.

La herramienta GEV se utiliza para ajustar datos a la función generalizada de valores

extremos. Los datos que va a analizarse son datos ‘extremos’ como pueden ser los

máximos mensuales o anuales de una serie temporal de alturas de olas ‘hs’. La

herramienta dispone de unos datos de prueba.

Figura 31. Ventana principal de GEV.

Como en las herramientas previas, lo primero es seleccionar los datos a analizar desde la

venta de datos.

Data

Esta ventana se utiliza para introducir los datos para realizar el análisis GEV. Aquí se

debe seleccionar un vector de datos. Si no existen datos el usuario puede cargarlos


-23-

desde ‘Data & WorkSapce’, que da acceso directo a la ventana de gestión de datos.

Desde esta ventana también puede acceder a la herramienta de selección de máximos, si

dispone de datos ‘continuos’, y quieres seleccionar aquellos que quiere estudiar, para ello

debe seleccionar el vector ‘x data’ y ‘time’, para poder utilizar esta herramienta de

selección de máximos que se explicará más adelante junto a las herramientas

complementarias.

Importante: a) tener en cuenta que el usuario debe especificar con que tipos de datos

va a ejecutar la herramienta pudiendo seleccionar solo máximos mensuales o anuales. B)

También es imprescindible que la serie temporal esté estandarizada a años entre 0 y el

número de años de la serie, es decir que no es formato juliano sino transformado a un

vector en años, Ej. Las fechas 2012/6/30:23:59:0 y 2013/6/30:23:59:0 en formato

juliano, son 7.35050e+005 y 7.35415e+005, en este formato es igual a 0.50103 y

1.50103 respectivamente. El ‘0.’ indica que este es el menor de los años de la serie, en

la que cada unidad es un año. La herramienta de selección de máximos devuelve el

vector de tiempo en este formato y en formato juliano.

Figura 32. Ventana ‘GevData’.

Para utilizar esta herramienta hace falta como mínimo dos vectores de datos, ‘Hsmax’ y

‘datemax’, si no dispone de los vectores ‘kt’ o de la matriz ‘indices’, no los útiles. Una vez

seleccionado las entradas en esta ventana, pulse ‘Apply’, para cargar los datos a la

ventana principal, en la cual verá la serie temporal seleccionada.

Settings

Esta ventana de configuración de la herramienta GEV dispone de varias opciones,

algunas de la cuales estarán disponibles de acuerdo al tipo de datos seleccionados:

‘Chi2Q|AIK’, es el criterio de parada a la hora de seleccionar los parámetros óptimos

en el que el valor ‘0.05’ es el intervalo de confianza que utiliza la función de optimización

y también se usa a la hora de dibujar algunas figuras.


-24-

‘Intra-annual (Armonicos)’, si quiere analizar las variaciones dentro de cada año

selecciones esta opción.

‘Long Term (Tendencias)’ si quiere analizar tendencias seleccione esta opción.

-‘inter-annual (Covariable)’ solo se podrá usar si en la ventana datos ha introducido

la matriz ‘indices’, seleccione esta opción si quiere analizar las variaciones inter-anual.

-‘Auto Armónicos’ esta opción se utiliza para que, si se va a analizar la variación

intra-anual se pueda hacer de forma automática la selección de los armónicos de los

parámetros de la función de ajuste o de forma manual los armónicos en localización,

escala y forma. Rellene estas casillas con valores enteros.

-‘kt’, se pondrá usar o no este vector si se dispone del mismo. Este se debe

introducir en la ventana de datos.

Figura 33. Ventana ‘GevSettings’.

Una vez configuradas las distintas opciones, cierre esta ventana y/o vaya a la ventana

principal y pulse el botón ‘Start’, para realizar el ajuste GEV. Una vez se haya realizado el

ajuste correctamente la ventana principal tendrá el aspecto que se ve en la siguiente

figura, en la que podemos ver una tabla con los parámetros óptimos (armónicos,

tendencias y covariables) en cada iteración hasta ajustar al mejor modelo (Solo en el

caso de ajuste no estacionario).

Así también en el desplegable ‘Plot Type’, podrá elegir ver las distintas figuras generada

al final de la ejecución de la herramienta, estos dependen en cierta medida del tipo de

configuración que el usuario ha elegido ejecutar.


-25-

Figura 34. Ventana ‘Gev’ Lista de gráficos.

Los resultados de la herramienta –GEV- se guardan en una carpeta en el mismo

directorio donde se encuentra el ejecutable ‘gev+fecha-actual’, Ej.:

‘gev[20120816135021]’.

Figura 35. Carpeta de resultados de GEV.


-26-

La carpeta de resultados de la herramienta GEV.

El contenido de la carpeta de resultados depende de la configuración que hay elegido,

en nuestro caso esta presentará el siguiente aspecto.



print’, desde la ventana principal de la herramienta, También aparecerá los resultados

en formato propio de Matlab ‘.mat’ y las tablas en formato ‘.tex’ para ser usado en

cualquier documento ‘Látex’.

11. POT, Pareto-Poisson

Figura 37. Iniciar GEV.

La herramienta POT, Pareto-Poisson, nos permite realizar el análisis de unos datos

seleccionados conforme a la técnica POT (Peak over threshold), ajustados a una

distribución de pareto, en la que la frecuencia anual de los datos se ajustan a la

distribución de Poisson. La herramienta dispone de unos datos de prueba.


-27-

Figura 38. Ventana principal de POT, Pareto-Poisson.


venta de datos.

Data

Esta ventana se utiliza para introducir los datos para realizar el análisis POT, Pareto-

Poisson. Aquí se debe seleccionar un vector de datos. Si no existen datos el usuario

puede cargarlos desde ‘Data & WorkSapce’, que da acceso directo a la ventana de

gestión de datos. Desde esta ventana también puede acceder a la herramienta de

selección de máximos, si dispone de datos ‘continuos’, y quieres seleccionar aquellos que

quiere estudiar, para ello debe seleccionar el vector ‘x data’ y ‘time’, para poder utilizar

esta herramienta de selección de máximos que se explicará más adelante junto a las

herramientas complementarias, en este caso usando la técnica ‘pot’.

Importante: a) tener en cuenta que la herramienta de selección devuelve dos vectores

de tiempo, uno de ellos estandarizado listo para usarlo en esta herramienta. También es

imprescindible que la serie temporal esté estandarizada a años entre 0 y el número de

años de la serie, tal y como se explico en la herramienta GEV. La herramienta de

selección de máximos devuelve el vector de tiempo en este formato y en formato juliano.


-28-

Figura 39. Ventana ‘PotData’.

Para utilizar esta herramienta hace falta como mínimo dos vectores de datos, ‘Hsmax’ y

‘datemax’ y el umbral (threshold). Una vez seleccionada las entradas en esta ventana,

pulse ‘Apply’, para cargar los datos a la ventana principal, en la cual verá la serie

temporal seleccionada.

En esta ventana también puede configurar: a) ‘Region Name’, que es título de la figura;

‘Significance level’, el nivel de significancia y ‘Xname & unit’ el nombre de variable y su

correspondiente unidad.

Una vez configuradas las distintas opciones, cierre esta ventana y/o vaya a la ventana

principal y pulse el botón ‘Start’, para realizar el ajuste. Una vez se haya realizado el

ajuste correctamente la ventana principal tendrá el aspecto que se ve en la siguiente

figura.

Así también en el desplegable ‘Plot Type’, podrá elegir ver las distintas figuras generada

al final de la ejecución de la herramienta, estos dependen en cierta medida del tipo de

configuración que el usuario ha elegido ejecutar.


-29-

Figura 40. Ventana ‘POT, Pareto-Poisson’ Lista de gráficos.

Los resultados de la herramienta –POT, Pareto-Poisson- se guardan en una carpeta en el

mismo directorio donde se encuentra el ejecutable ‘pot+fecha-actual’, Ej.:

‘pot[20121127183350]’.

Figura 41. Carpeta de resultados de POT, Pareto-Poisson.

La carpeta de resultados de la herramienta POT, Pareto-

Poisson.




-30-




en formato propio de Matlab ‘.mat’.

12. Modelo Heterocedástico

Figura 43. Iniciar Modelo Heterocedástico.

Esta herramienta permite implementar modelos de regresión heteroscedástica en los que

al valor medio se le asigna un polinomio de regresión cuadrática y en el que la desviación

típica varía de forma constante, lineal o cuadrática (Modelo Heterocedástico). La

herramienta dispone de unos datos de prueba. Primero cargué unos datos al espacio de

trabajo de la herramienta, desde ‘AmevaWorkspace’, -load ameva-.


-31-

Figura 44. Ventana principal del Modelo Heterocedástico.


venta de datos.

Data

Esta ventana se utiliza para introducir los datos para poder usar el modelo

Heterocedástico. Aquí se debe seleccionar al menos un vector de datos y si dispone del

vector temporal en formato juliano ‘datenum’ de Matlab, también puede seleccionarlo

aquí. Si no existen datos el usuario puede cargarlos desde ‘Data & WorkSapce’, que da

acceso directo a la ventana de gestión de datos.

El usuario puede configura el tipo de modelo que quiere ejecutar y el intervalo de

confianza y el nivel del filtro de outliers. Si no dispone de información al respecto deje los

valores por defecto.


-32-

Figura 45. Ventana ‘HeteroscedasticModelData’.

Una vez que ha seleccionado las entradas en esta ventana, pulse ‘Set data’, para cargar

los datos a la ventana principal, en la cual verá la serie temporal seleccionada. La

ventana principal tendrá el siguiente aspecto:

Figura 46. Ventana ‘HeteroscedasticModel’.

Si no dispone de la información temporal en el eje de las ‘x’ el usuario vera una serie

ordenada del 1 al número de elementos del vector de datos. Pulse el botón ‘Start’ para

comenzar. En el panel izquierdo de la ventana principal se muestran los valores de los

parámetros del modelo y sus valores superiores e inferiores. Para ver las distintas figuras

que se generan en esta herramienta puede hacerlo desde el desplegable ‘Plot Type’.


-33-

Recuerde que el formato de las figuras que se guardan depende de ‘save figure format’

que haya seleccionado.

Figura 47. Ventana ‘HeteroscedaticModel’ Lista de gráficos.

Los resultados de la herramienta –GEV- se guardan en una carpeta en el mismo

directorio donde se encuentra el ejecutable ‘heteroscedasticmodel +fecha-actual’, Ej.:

‘heteroscedasticmodel[20120820122837]’.

Figura 48. Carpeta de resultados del Modelo Heterocedástico.


-34-

La carpeta de resultados del Modelo Heterocedástico






en formato propio de Matlab ‘result_heter_model.mat’.

13. Clasificación

Dentro de minería de datos como módulo independiente tenemos la ‘clasificación’ que

además se puede usar desde la línea de comandos o desde AEVA


-35-

Figura 50. Ventana principal ‘Classification Algorithms’.

La clasificación dispone de tres algoritmos para clasificar: SOM, MDA y KMA, utilice el

más apropiado de acuerdo al tipo y al tamaño de los datos a clasificar. Puede cambiar el

tamaño del cluster que por defecto es 7 ‘7x7->49’. Pulse ‘Start’ para comenzar la

clasificación, utilizando el algoritmo seleccionado en ‘Algorithm Type’. Tenga en cuenta

que dependiendo del tamaño de los vectores a clasificar el tiempo de espera para que

termine puede ser desde unos minutos hasta unas hora, dependiendo del ordenador que

utilice.

Figura 51. Ventana MDA ‘Classification Algorithms’.


-36-

Los resultados se guardan en una carpeta en el mismo directorio donde se encuentra el

ejecutable ‘classification+fecha-actual’, Ej.: ‘classification[20120817172847]’.

Figura 52. Carpeta de resultados de la clasificación.

Las carpetas de resultados de la Clasificación.

El contenido de la carpeta de resultados depende de los algoritmos que haya decidido

utilizar, en nuestro caso esta presentará el siguiente aspecto (SOM, MDA, KMA).



-37-

14. Calibración

Figura 54. Ventana AMEVA Calibración

La Calibración es un conjunto de funciones que permite el calibrado direccional mediante

la expresión * ba H , y permite incorporar un tramo inicial lineal del tipo *a H para

valores inferiores a un determinado cuantil. Todo ello empleando los cuantiles para

calibrar y suponiendo una variación direccional suave con SPLINES.

Figura 55. Ventana ‘Herramienta de Calibración’

Esta es la ventana principal de la herramienta de calibración y sus distintas opciones:

Data, Outliers Filter, Settings, Start, New data to calibrate, Plot Type, Plots to print y

save figure format.


-38-

Data

Esta ventana se utiliza para introducir los datos a calibrar. Se debe tener al menos tres

vectores del mismo tamaño (Instrumental X, Reanálisis Y y Reanálisis Theta ). Si

se dispone de la serie temporal correspondiente a los datos deben seleccionarse en Data

Time.

Figura 56. Ventana ‘CalibrationData’

Los datos deben estar cargados previamente en el programa para que estos aparezcan

en los desplegables de cada variable de entrada3. Se pueden cargar datos desde

cualquier fichero “.dat”, “.txt” o “.mat” que contengan vectores o matrices, bien sea

directamente desde la herramienta principal de AMEVA (Archivo->Importar datos) o

desde ‘AmevaWorkspace’ (ver->Workspace), esta herramienta se describirá más

adelante. Además desde aquí se puede realizar cualquier operación para el tratamiento

previo de las variables a utilizar, como por ejemplo pasar los elementos de una matriz a

un vector.

Figura 57. Ventana ‘CalibrationData (datos seleccionados)’

3 Existen datos de prueba para ver el uso de cada una de las herramientas, para ello se debe de hacer clic en: Ayuda -> Load ameva test data, desde la ventana AMEVA.


-39-

PASO 1. Una vez seleccionado los datos y las unidades de las variables se pueden

‘cargar’ a la ventana principal de la calibración para su uso, haciendo clic en ‘Apply’.

Esta ventana se cerrará automáticamente si los datos cargados son compatibles con los

criterios de entrada de datos válidos (ser vectores distintos del mismo tamaño y que

contengan elementos).

Una vez introducidos correctamente los datos, en la ventana principal se deben visualizar

de forma gráfica los datos introducidos. Si además se ha introducido la información del

tiempo podrá verse que el eje de las abscisas (X) tendrá el formato “mesAño”. Si no se

dispone de vector temporal, se usará una serie ordenada que va desde el uno hasta el

número de elementos.

Figura 58. Ventana ‘Calibración’

PASO 2. La ‘calibración’ incluye un acceso a la herramienta complementaria ‘Outliers

Filter’. Si se quiere hacer un filtrado de Outliers de los datos antes de usar la calibración,

puede hacerse desde aquí.

PASO 2.1. En el caso de utilizar el filtrado de outliers aparecerá la ventana con las

distintas opciones de filtrado de outliers (Se explicará junto a las herramientas

complementarias más adelante).

PASO 2.2. Una vez filtrados los datos y enviados al espacio de trabajo de Matlab, estos

estarán disponibles para su uso.

PASO 3. Haga clic en ‘Start’ para realizar la calibración de datos.

PASO 3.1. Solo si existen datos filtrados aparecerá la siguiente ventana:


-40-

Figura 59. Ventana ‘Apply calibration with original or filtered data’

PASO 4. En este paso el usuario puede decidir si continuar usando los datos originales o

usar los datos filtrados. Si hace clic en ‘Yes’ se realizará la calibración con los datos

originales y si hace clic en ‘No’ aparecerá la ventana de datos para que se seleccione los

datos filtrados. (Importante: seleccionar los datos filtrados de todas las variables que por

defecto empezaran con la palabra ‘outlierf’) y hacer clic en ‘Apply’.

Figura 60. Ventana ‘CalibrationData (outliers seleccionados)’

PASO 4.1. ‘Settings’ Existe la posibilidad de configurar tres opciones adicionales:

Quantile lineal-exp [0 1).- La expresión a*H^b, nos permite incorporar un tramo

inicial lineal del tipo a*H para valores inferiores a un determinado cuantil. Todo ellos

empleando los cuantiles para calibrar y suponiendo una variación direccional suave

con SPLINES. Seleccione un valor de cuantil entre 0 y 0.99.

N Quantiles.- Se corresponde con el número de cuantiles direccionales con el que se

va a realizar la calibración, por defecto es 20, pero se puede utilizar un número

entero entre 10-30.

N Direction.- Es el número de vectores direccionales en el que se van a dividir los

360 grados, por defecto se usa 16, pero puede utilizarse un entero entre 10-20.

Confidence level.- El nivel de confianza que se usa para dar los distintos intervalos

de confianza (por defecto se usa 0.05).


-41-

Figura 61. Ventana ‘CalibrationSetting’ para configurar opciones

PASO 5. Haga clic en ‘Start’ para realizar la calibración de los datos filtrados.

PASO 6. Si se esta realizando la calibración con los datos filtrado aparecerá una ventana

de confirmación para aplicar la calibración a los datos filtrados hacer ‘click’ en ‘yes’.

Figura 62. Ventana ‘Apply calibration with original or filtered data’

Este proceso puede tardar unos minutos de acuerdo al número de puntos a calibrar y a

las características del computador, (Ej.: con series de 5000 puntos en un equipo W7 Intel

Core Quad 2.83GHz y 4 GB de ram, se realizan en 50 segundos). Mientras se ejecuta se

leerá en la ventana principal en parte inferior izquierda el mensaje ‘Busy ...wait. Press

ctrl+c to terminate’. Si se pulsa ‘Ctrl + c’ sobre la ventana ms-dos, cerrara

completamente la aplicación. Esto siempre puede hacerse en el caso de que el programa

no responda o que este demasiado tiempo ejecutando.


-42-

Figura 63. Ventana si la calibración es correcta.

PASO 7. ‘New data to calibrate’, si se desea realizar la calibración de una nueva variable

con los parámetros de la calibración actual, puede hacerse cargando los datos desde

esta ventana.

Figura 64. Ventana ‘CalibratoinNew Data’.


-43-

Desde aquí se puede seleccionar las variables que se van a calibrar. Es importante tener

en cuenta que si se activa la casilla ‘Conf. Band’ el tiempo de computo se incrementa

considerablemente, al tener el programa que calcular las banda de confianza de la nueva

calibración para toda la serie.

Una vez realizada la nueva calibración, en el desplegable ‘Plot Type’ aparecerán dos

nuevos Plot. En el desplegable ‘Plot type’, se puede seleccionar los siguientes gráficos:

‘Scatter IR’, ‘Scatter CI’, ‘Quantiles R’, ‘Quantiles I’, ‘Quantiles C’, ‘CDF’, ‘Rose Cal/Rea’,

‘Rose Rea’, ‘Rose Ins’, ‘X rea, X ins’ y ‘Xrnew, Xsnew’.

Figura 65. Nuevas gráficas una vez realizada la nueva calibración.

Los resultados de la calibración se guardarán en una carpeta en el mismo directorio

donde se encuentre el ejecutable ‘calibration+fecha-actual’ (Ej.: ‘calibration

[20120723095903]’ y ‘worldfilter[20120720133301]’ si ha utilizado el filtro de outliers).


-44-

Figura 66. Carpetas de resultados de la calibración y el filtro.

La carpeta de resultados de la herramienta de calibración.

El contenido de la carpeta de resultados ‘calibration[20120723095903]’ es como muestra

la siguiente figura:


Donde el formato de la figura depende de si se ha seleccionado o no ese formato para

ser guardado ‘*.fig’, ‘*.png’ y ‘*.eps’ por defecto esta seleccionado el formato ‘fig’ y ‘png’

(Estas opciones están disponibles en parte inferior derecha de la ventan principal).


-45-

Las figuras: ‘Plot Type’

Figura 68. Visualizando las figuras –Scatter IR-.

Existen dos listas de figuras: ‘Plot Type’ y ‘Plots to print’. La primera es para visualizar la

figura seleccionada de la lista en los ejes de la ventana de la calibración, (esta se generar

cada vez que se usa), y ‘Plots to print’, se abre en una nueva ventana la figura elegida

en la lista. Es importante usar esta opción si se quieren editar o hacer zoom, etc. las

figuras.

Nueva calibración

Si se quieren calibrar nuevos datos deben ser seleccionados en ‘Data’ y repetirse los

pasos a partir del ‘PASO 2’; si se han generado ficheros en la primera calibración el

usuario podrá elegir entre crear una nueva carpeta para la nueva calibración o usar la

misma carpeta. En el caso de seleccionar la misma carpeta, los resultados previos se

remplazaran con los nuevos. En caso contrario se genera una nueva carpeta con la fecha

actual dentro del directorio actual.


-46-

Figura 69. Ventana ‘Create folder’

Para finalizar la calibración se cierra la ventana principal usando el aspa de la ventana ‘x’

ubicado en la esquina superior derecha, esto cerrará el resto de ventanas que depende de

la calibración, y si lo que se quiere es cerrar completamente ‘Ameva’, puede hacerse desde

la ventana principal, esto cerrará completamente la aplicación.

Se debe recordar eliminar las carpetas creadas durante la calibración sino van a volver a

utilizarse los ficheros generados. Estas carpetas empezarán con el nombre de la

herramienta y la fecha Ej.: ‘calibration[20120723095903]’.

15. Ameva Workspace

Desde esta ventana común a todas las herramientas, el usuario puede cargar los datos

que va a usar en las distintas herramientas, así como también podrá tratarlos

previamente a su uso, desde ‘Línea de Comandos’ puede el usuario realizar cualquier

operación valida en la sintaxis de Matlab, utilizando datos cargados por el usuario o

generando unos con los distintos comandos de Matlab. Pulse ‘Evaluar’ o simplemente

dando ‘Entrar’ desde el teclado se ejecutará la orden escrita. Si esta ventana esta vacía

indica que no existen datos en el espacio de trabajo.

El aspecto de esta ventana al iniciarla es el siguiente:

Figura 70. Ventana ‘AmevaWorkspace’.


-47-

La aplicación AMEVA, incorpora datos de pruebas, los mismo que se han utilizado para

realizar esta guía, para cargarlo y usarlos, solamente hay que escribir en la ‘Línea de

comandos’, -load ameva- y pulsar ‘Entrar’ en el teclado o pulsar ‘evaluar’ en la ventana.

Figura 71. Ventana ‘AmevaWorkspace’. -load ameva-.

Una vez cargado los datos, el usuario puede cerrar esta ventana. Los datos estarán en el

espacio de trabajo de la herramienta y serán visibles desde las distintas ventanas de

datos de las herramientas. Recuerde que dependiente del tipo de datos ‘vectores’,

‘matrices’ o ‘estructuras’, estos se visualizaran o no, en los desplegables

correspondientes.

A continuación podemos ver como se usan las ordenes de Matlab en la ventana

reservada para ello, por ejemplo para pasar un vector de datos temporales en años

julianos a una matriz de seis columna esto podemos hacerlo con el comando ‘datevec’.

Recuerde que puede usar el comando ‘datenum’ para realizar el caso contrario.

Figura 72. Ventana ‘AmevaWorkspace’. Funciones de Matlab-.


-48-

En este ejemplo hemos creado en el espacio de trabajo AMEVA la variable ‘dat_time_vec’

a partir del vector parte de la estructura ‘data_gow.time’. El resultado es una matriz de 6

columnas.

dat_time_vec=datevec(data_gow.time);

Importante: tenga en cuenta que esta herramienta aglutina una gran

cantidad de funciones escritas en ficheros ‘.m’ de distintas personas y

propias testeados con datos tipos. Cualquier problema con el programa

envíe el error que aparece en la ventana ‘MsDos’ o envíe los datos y detalle

el problema que tiene. Es importante introducir el vector de tiempos en

formato ‘datenum’ de Matlab de forma ascendente, salvo en la herramienta

GEV. Se recomienda que las series con las que trabaje no tenga valores ni

‘null’ ni ‘NANs’.


-49-

16. Referencias.

Calibración:

cal1. Mínguez, R., Tomás, A., Méndez, F. J., and Medina, R. Mixed extreme wave

climate model for reanalysis databases. Stochastic Environmental Research and

Risk Assessment , ( 2012), doi: 10.1007/s00477-012-0604

cal2. Reguero, B. J., Menéndez, M., Méndez, F. J., Mínguez, R., and Losada, I. J. A

global ocean wave (GOW) calibrated reanalysis from 1948 onwards. Coastal

Engineering 65 (2012), 38-55. doi: 10.1016/j.coastaleng.2012.03.003

cal3. Mínguez, R., Espejo, A., Tomás, A., Méndez, F. J., and Losada, I. J.

Directional calibration of wave reanalysis databases using instrumental data. J.

Atmos. Oceanic Technol. 28 (2011), 1466-1485, doi: 10.1175/JTECH-D-11-

00008.1.

cal4. Tomas, A., Mendez, F., Losada, I.J. A method for spatial calibration of wave

hindcast data bases. Continental Shelf Research (2008), (391-398), doi:

10.1016/j.csr.2007.09.009.

Filtro de outliers:

fo1. Mínguez, R., Reguero, B. G., Luceño, A., and Méndez, F. J. Regression

Models for Outlier Identification (Hurricanes and Typhoons) in Wave Hindcast

Databases. Journal of Atmospheric and Oceanic Technology , 29 (2012), 267–-

285, doi: 10.1175/JTECH-D-11-00059.1.

Teoría de valores extremos:

tve1. Mínguez, R., Guanche, Y., and Méndez, F. J. Point-in-time and extreme-value

probability simulation technique for engineering design. Structural Safety 41,

29-36 (2012), doi: 10.1016/j.strusafe.2012.10.002.

tve2. Mendez, F., Menendez, M., Luceño, A., Medina, R., Graham, N.E. Seasonality

and duration in extreme value distributions of significant wave height. Ocean

Engineering (2008), (131-138), doi: 10.1016/j.oceaneng.2007.07.012.

tve3. Izaguirre, C., Menéndez, M., Camus, P., Méndez, F. J., Mínguez, R., and

Losada, I. J. Exploring the interannual variability of extreme wave climate in the

northeast Atlantic Ocean. Ocean Modelling 59-60, - (2012), 31-40, doi:

10.1016/j.ocemod.2012.09.007..

tve4. Frías, M. D., Mínguez, R., Gutiérrez, J. M., and Méndez, F. J. Future regional

projections of extreme temperatures in Europe: A nonstationary seasonal

approach. Climatic Change 113(2) (2012), 371-392, doi: 10.1007/s10584-011-

0351-y.


-50-

tve5. Izaguirre, C., Mendez, F., Menendez, M., Losada, I.J. Global extreme wave

height variability based on satellite data. Geophysical Research Letters (2011),

(1-6), doi: 10.1029/2011GL047302.

tve6. Mínguez, R., Méndez, F. J., Izaguirre, C., Menéndez, M. and Losada, I. J.

Pseudo-Optimal Parameter Selection of Non-Stationary Generalized Extreme

Value Models for Environmental Variables. Environmental Modelling & Software

25 (2010), 1592-1607.

tve7. Mínguez, R., Méndez, F. J., Izaguirre, C., Menéndez, M. and Losada, I. J.

Sensitivity Analysis of Time-Dependent Generalized Extreme Value Models for

Environmental Variables for Ocean Climate Variables. Advances in Water

Resources 33 (2010), 833-845.

tve8. Menendez, M., Mendez, F., Losada, I.J. Forecasting seasonal to interannual

variability in extreme sea levels. ICES Journal of Marine Science (2009), (1490-

1496), doi: 10.1093/icesjms/fsp095.

tve9. Menendez, M., Mendez, F., Izaguirre, C., Luceño, A., Losada, I.J. The

influence of seasonality on estimating return values of significant wave height.

Coastal Engineering (2009), (211-219), doi: 10.1016/j.coastaleng.2008.07.004.

tve10.Menendez, M., Mendez, F., Losada, I.J., Graham, N.E. Variability of extreme

wave heights in the northeast Pacific Ocean based on buoy measurements.

Geophysical Research Letters (2008), (1-6), doi: 10.1029/2008GL035394.

tve11.Mendez, F., Castanedo, S. A probability distribution for depth-limited

extreme wave heights in a sea state. Coastal Engineering (2007), (878-882),

doi: 10.1016/j.coastaleng.2007.05.011.

tve12.Mendez, F., Menendez, M., Luceño, A., Losada, I.J. Analyzing monthly

extreme sea levels with a time-dependent GEV model. Journal of Atmospheric

and Oceanic Technology (2007), (894-911), doi: 10.1175/JTECH2009.1.

tve13.Cañellas, B., Orfila, A., Mendez, F., Menendez, M., Gómez, L., Tintoré, J.

Application of a POT model to estimate the extreme significant wave height

levels around the Balearic Sea (Western Mediterranean). Journal of Coastal

Research (2007), (329-333), doi: 0749.0208.

tve14.Castanedo, S., Mendez, F., Medina, R., Abascal, A.J. Long-term tidal level

distribution using a wave-by-wave approach. Advances in Water Resources

(2007), (2271-2282), doi: 10.1016/j.advwatres.2007.05.005.

Clasificación:

clas1. Guanche, Y., Camus, P., Guanche, R., Mendez, F., Medina, R. A simplified

method to downscale wave dynamics on vertical breakwaters. Coastal

Engineering (2013), 68-77, doi: 10.1016/j.coastaleng.2012.08.001.


-51-

clas2. Camus, P., Mendez, F., Medina, R., Tomas, A., Izaguirre, C. High resolution

downscaled ocean waves (DOW) reanalysis in coastal areas. Coastal

Engineering (2013), (56-68), doi: 10.1016/j.coastaleng.2012.09.002.

clas3. Guanche, Y., Guanche, R., Camus, P., Mendez, F., Medina, R. A multivariate

approach to estimate design loads for offshore wind turbines. Wind Energy

(2012), (1-16), doi: 10.1002/we.1542.

clas4. Camus, P., Mendez, F., Medina, R. A hybrid efficient method to downscale

wave climate to coastal areas. Coastal Engineering (2011), (851-861), doi:

10.1016/j.coastaleng.2011.05.007.

clas5. Camus, P., Mendez, F., Medina, R., Cofiño, A. Analysis of clustering and

selection algorithms for the study of multivariate wave climate. Coastal

Engineering (2011), (453-462), doi: 10.1016/j.coastaleng.2011.02.003.

clas6. Camus, P., Cofiño, A., Mendez, F., Medina, R. Multivariate wave climate using

self-organizing maps. Journal of Atmospheric and Oceanic Technology (2011),

(1554-1568), doi: 10.1175/JTECH-D-11-00027.1.

Simulación de Monte Carlo:

smc1. Guanche, Y. and Mínguez, R. and Méndez, F.J. Autoregressive Climate-based

Monte Carlo simulation of trivariate sea states. Coastal Engineering (2013).

smc2. Guanche, Y. and Mínguez, R. and Méndez, F.J. Autoregressive Logistic

Regression Applied to Atmospheric Circulation Patterns. Climate Dynamics

(2013), doi. 10.1007/s00382-013-1690-3.

smc3. Morales, J. M., Mínguez, R. and Conejo, A. J. A Methodology to Generate

Statistically Dependent Wind Speed Scenarios. Applied Energy 87 (2010), 843-

855.

Manual de usuario de AMEVA - IHCantabriaihameva.ihcantabria.com/wp-content/uploads/2013/07/... ·...

Documents

Transcript of Manual de usuario de AMEVA - IHCantabriaihameva.ihcantabria.com/wp-content/uploads/2013/07/... ·...