📊 statistics

Joint return levels of maximum temperature and minimum relative humidity by combining copulas with an extreme value framework for bimodal data

Este estudio emplea un marco basado en cópulas combinado con una novedosa metodología de valores extremos para modelar los niveles de retorno conjuntos de la temperatura máxima y la humedad relativa mínima en Brasilia, capturando exitosamente los patrones climáticos bimodales y las asimetrías de la región para evaluar mejor los riesgos de calor-sequedad extremos para la planificación ambiental y la adaptación climática.

Autores originales: Beatriz G da Cruz Albernaz, Cira E G Otiniano, Carolyne Soares de Brito, Fidel E C Morales, Enzo Porto Brasil

Publicado 2026-08-12

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Beatriz G da Cruz Albernaz, Cira E G Otiniano, Carolyne Soares de Brito, Fidel E C Morales, Enzo Porto Brasil

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir el clima, pero en lugar de mirar un solo termómetro, estás tratando de comprender una danza compleja entre dos compañeros: el calor abrasador del día y la sequedad del aire. Este es el mundo de la Teoría de Valores Extremos, una rama de la estadística que actúa como un detective para eventos raros y peligrosos. En lugar de preguntar "¿cuál es la temperatura promedio?", estos detectives preguntan: "¿qué tan malo puede ser?". Utilizan herramientas matemáticas especiales llamadas Cópulas, que son como un pegamento flexible que puede unir dos formas diferentes de datos sin obligarlos a verse iguales. ¿Por qué es esto importante? Porque cuando el calor se vuelve extremo y el aire se vuelve sumamente seco al mismo tiempo, los resultados pueden ser incendios forestales, crisis de salud y ecosistemas dañados. Comprender cómo se vinculan estos dos extremos ayuda a las ciudades a prepararse para lo peor antes de que suceda.

Ahora, imagina la capital de Brasil, Brasilia. Durante años, los científicos han intentado modelar la relación entre sus temperaturas máximas diarias y su humedad mínima diaria. Pero había un problema: los datos se comportaban de forma extraña. Mientras que el calor se comportaba como una montaña normal de un solo pico, la humedad se comportaba como un camello de dos jorobas. Tenía dos "modos" o patrones distintos de sequedad, probablemente porque la ciudad oscila entre una estación lluviosa y una estación muy seca. Las herramientas matemáticas estándar antiguas (específicamente una distribución llamada GEV) eran como intentar encajar una clavija cuadrada en un agujero redondo; solo podían dibujar un solo pico, por lo que se perdían la mitad de la historia.

En este artículo, los autores, liderados por Beatriz G da Cruz Albernaz y Cira E G Otiniano, decidieron construir una herramienta mejor. Combinaron una nueva distribución de forma cambiante y flexible llamada BGEV (que puede manejar esos patrones de humedad de dos jorobas) con el "pegamento" de las Cópulas. Piensa en ello como una actualización de un molde de plástico rígido a un traje elástico y a medida que puede abrazar tanto al calor como a la humedad exactamente como se comportan en la vida real.

El equipo tomó diez años de datos climáticos diarios de Brasilia (de 2015 a 2024) y los desglosó en bloques para encontrar los días más extremos. Probaron docenas de diferentes tipos de "pegamento" (familias de Cópulas) para ver cuál describía mejor cómo interactuaban el calor y la sequedad. Encontraron que un tipo específico llamado Tawn Tipo I (rotado 270°) era la pareja perfecta. Cuando utilizaron esta nueva combinación de BGEV + Cópula, el modelo reprodujo con éxito la forma de "dos jorobas" de los datos de humedad, capturando dos picos distintos de sequedad extrema que los modelos antiguos ignoraban por completo.

El hallazgo más importante surgió cuando calcularon los niveles de retorno. Esta es una forma elegante de preguntar: "¿Con qué frecuencia veremos un día en el que haga más calor que X y sea más seco que Y?". Los autores compararon su nuevo y sofisticado modelo contra el modelo estándar antiguo. Los resultados mostraron que el modelo antiguo estaba sobreestimando sistemáticamente la cantidad de humedad presente durante los eventos de calor extremo. Por ejemplo, para un periodo de retorno de 3,650 días (aproximadamente 10 años), el modelo antiguo sugería que la humedad caería al 12.22%, mientras que el nuevo y más preciso modelo mostraba que en realidad caería a un nivel más severo de 11.38%. Aunque esa diferencia pueda parecer pequeña, en el mundo del clima extremo, subestimar la sequedad puede conducir a cálculos erróneos peligrosos en el riesgo de incendios y la planificación de la salud pública.

El artículo sugiere que, al utilizar este nuevo enfoque más flexible, los científicos y los planificadores urbanos pueden obtener una imagen mucho más clara del verdadero peligro del calor y la sequía combinados. No se trata solo de obtener los números correctos; se trata de asegurar que, cuando la próxima "tormenta perfecta" de calor y sequedad golpee, la ciudad esté preparada para la realidad de la situación, no para una versión simplificada de ella. Los autores concluyen que este método es una forma robusta de manejar datos climáticos complejos del mundo real y podría aplicarse a otras regiones que enfrentan patrones climáticos bimodales (de dos picos) similares.

Resumen Técnico: Niveles de Retorno Conjuntos de la Temperatura Máxima y la Humedad Relativa Mínima en Brasilia

Planteamiento del Problema
El cambio climático ha intensificado la frecuencia y severidad de los eventos meteorológicos extremos, particularmente en el Distrito Federal de Brasil (Brasilia), donde los episodios de calor intenso, sequías prolongadas y baja humedad relativa plantean riesgos significativos para los ecosistemas y la salud pública. Si bien estudios previos han analizado extremos univariados o dependencias bivariadas utilizando distribuciones unimodales estándar, existe una brecha crítica en el modelado del comportamiento conjunto de la temperatura máxima ( $X$ ) y la humedad relativa mínima ( $Y$ ) cuando los datos marginales exhiben un comportamiento bimodal. Los enfoques convencionales, como la distribución de Valores Extremos Generalizados (GEV), asumen la unimodalidad y no logran capturar la naturaleza heterogénea y de régimen múltiple de los extremos de humedad observados en Brasilia. Además, los modelos bivariados estándar con márgenes unimodales no pueden representar adecuadamente la estructura de densidad conjunta observada, lo que conduce a posibles sesgos en la estimación del riesgo.

Metodología
Los autores proponen un nuevo marco bivariado que combina el modelado de dependencia basado en cópulas con distribuciones marginales de Valor Extremo Generalizado Bimodal (BGEV). La metodología procede a través de los siguientes pasos:

Modelado Marginal:
- El estudio utiliza datos diarios de 2015 a 2024. Los valores extremos se extraen mediante un enfoque de máximos/mínimos de bloque con un tamaño de bloque ( $N$ ) de 64 días, determinado mediante la prueba de Ljung–Box para asegurar la independencia.
- La temperatura máxima ( $X$ ) se modela utilizando la distribución GEV estándar, ya que su densidad empírica es unimodal.
- La humedad relativa mínima ( $Y$ ) se modela utilizando la distribución BGEV (propuesta por Otiniano et al., 2025). La BGEV extiende la GEV introduciendo un parámetro de forma ( $\delta$ ) que permite que la distribución sea unimodal ( $\delta=0$ ) o bimodal ( $\delta>0$ ), acomodando el comportamiento de doble régimen observado en los extremos de humedad.
Estructura de Dependencia (Cópula):
- Siguiendo el teorema de Sklar, la distribución conjunta se construye vinculando las distribuciones marginales ( $F_X$ y $F_Y$ ) mediante una función de cópula $C$ .
- Los autores evaluaron 28 familias de cópulas, incluyendo las familias Independencia, Gaussiana, Student-t, Frank, Clayton, Gumbel, Joe, BB1–BB8 y Tawn, junto con sus versiones rotadas (90°, 180°, 270°).
- La selección del modelo se basó en el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC).
Cálculo del Nivel de Retorno:
- El estudio define el evento extremo de interés como la ocurrencia simultánea de altas temperaturas y baja humedad: $I = [X > x, Y < y]$ .
- Los niveles de retorno conjuntos se calculan utilizando un enfoque condicional para resolver la curva $P(X > x, Y < y) = p$ , donde $p$ es la probabilidad de excedencia asociada a un periodo de retorno $T$ específico.
- Se selecciona un punto representativo en la curva de nivel de retorno maximizando la probabilidad acumulada de la variable de temperatura ( $u = F_X(x)$ ) para enfatizar los escenarios de temperatura más extremos consistentes con la dependencia modelada.

Resultados Clave

Ajuste Marginal: La distribución BGEV proporcionó un ajuste superior para la humedad relativa mínima en comparación con la GEV estándar. La GEV no logró capturar la estructura bimodal, ignorando efectivamente un segundo pico en la densidad empírica.
Selección de la Cópula: La cópula Tawn Tipo I rotada por 270° fue identificada como el mejor modelo de ajuste basado en los valores de AIC y BIC. Este modelo capturó con éxito la asimetría y la dependencia de cola de los datos.
Reproducción de la Densidad Conjunta: El modelo propuesto GEV-BGEV reprodujo con precisión los dos picos característicos de la densidad conjunta empírica. En contraste, un modelo que utiliza márgenes GEV para ambas variables (GEV-GEV) falló en capturar el segundo pico, resultando en una representación distorsionada de la estructura conjunta.
Discrepancias en los Niveles de Retorno: La elección de la distribución marginal impactó significativamente los niveles de retorno estimados. El modelo GEV-GEV sobreestimó sistemáticamente los umbrales de humedad relativa mínima para un periodo de retorno dado en comparación con el modelo GEV-BGEV. Por ejemplo, para un periodo de retorno de 365 días, el modelo GEV-GEV estimó un umbral de humedad del 23.48%, mientras que el modelo GEV-BGEV estimó un 23.38%. Aunque la diferencia porcentual parece pequeña, los autores señalan que en la cola inferior de la distribución, tales discrepancias representan cambios sustanciales en la severidad de los eventos extremos.

Significancia y Reivindicaciones
El artículo sostiene que el uso indiscriminado de distribuciones unimodales (como la GEV) para todos los márgenes en el análisis de extremos climáticos puede introducir sesgos significativos en la estimación de los niveles de retorno conjuntos. Al integrar la distribución BGEV con el modelado de cópulas, el estudio demuestra un enfoque más robusto para capturar la complejidad de los datos climáticos reales, específicamente donde existe bimodalidad.

La principal significancia de este trabajo radica en su aplicación al monitoreo y la planificación del riesgo ambiental. Los autores argumentan que la cuantificación precisa de la ocurrencia conjunta de altas temperaturas y baja humedad es esencial para:

Desarrollar estrategias efectivas de adaptación al cambio climático.
Planificar medidas preventivas contra incendios forestales y olas de calor.
Informar la salud pública y la gestión de los recursos hídricos en el Distrito Federal.

El estudio concluye que los marcos estadísticos flexibles, capaces de modelar comportamientos marginales multimodales, son esenciales para una inferencia confiable en el análisis de valores extremos, particularmente a medida que los extremos climáticos se vuelven más frecuentes y complejos. Las direcciones de investigación futuras sugeridas incluyen la incorporación de covariables para dar cuenta de los factores meteorológicos y ambientales que influyen en estos comportamientos conjuntos.

Más como este