Descripción de la base de datos

La base de datos es accesible en Historical weather Medellín y cuenta con 2158 registros asociados al periodo 2019-2024, en donde se consideran 6 variables: fecha, temperatura máxima, temperatura mínima, lluvia, viento y descripción climática.

Estadísticas descriptivas

A continuación, se presentan los indicadores descriptivos para las variables cuantitativas.

Boxplot Temperatura Máxima y Mínima (°C)

Boxplot Lluvia (mm) y Viento (km/h)

Frecuencias de la descripción climática

Frecuencias de la descripción climática

Matriz de Correlación de Pearson

Diagramas de dispersión y correlación

Boxplot Min_Temperature (°C) | Descripción climática

Boxplot Max_Temperature (°C) | Descripción climática

Boxplot Rain (mm) | Descripción climática

Boxplot Wind (mm) | Descripción climática

Pronóstico de Temperatura Máxima (°C)

Pronóstico de Temperatura Mínima (°C)

Pronóstico de Lluvia (mm)

Pronóstico de Viento (km/h)

Análisis de modelos mediante métricas

Interpretación de los modelos

En la comparación entre los modelos Holt-Winters y ARIMA para las variables climáticas de Medellín, se observa que ARIMA ofrece un desempeño general superior. Por ejemplo, para la temperatura máxima, ARIMA logra errores considerablemente menores, reflejados en un RMSE y MAE más bajos que los del modelo Holt-Winters. Esta misma tendencia se repite en la temperatura mínima, donde ARIMA también proporciona predicciones más precisas. Estos resultados sugieren que ARIMA es más eficaz para capturar las dependencias temporales y estacionales presentes en las series de temperatura, lo que se traduce en una mejor modelación de sus fluctuaciones.

En cuanto a la variable viento, ambos modelos presentan errores relativamente similares, aunque ARIMA mantiene una ligera ventaja, indicando que ambos enfoques pueden ser útiles para su pronóstico. Sin embargo, la diferencia no es tan significativa como en las temperaturas, posiblemente porque la dinámica del viento es menos compleja o más ruidosa. Por otro lado, en la variable lluvia, ambos modelos muestran errores mucho mayores y enfrentan limitaciones importantes. Aunque ARIMA reduce algo el error respecto a Holt-Winters, persisten valores negativos en las predicciones, lo cual no es físicamente plausible para la precipitación. Esto señala la necesidad de explorar métodos alternativos que manejen mejor la naturaleza no negativa y discreta de la lluvia, tales como modelos específicos para conteos, transformaciones o técnicas de aprendizaje automático que eviten generar predicciones inviables.