This study analyzes minimum, maximum, and average temperatures across East Africa using BEST, GSOD, GHCN, ERA5, AgERA5, ERA5Land, and CHIRTS and CFSR datasets. Mean temperature is 30.42°C (±4.31°C), with extremes from 16.2°C to 47.3°C. The 95th percentile reaches 38.05°C, and 99th percentile 39.25°C. Seasonal analysis reveals distinct warm and cool periods with moderate variability (CV: 0.14–0.15). Results support climate adaptation, agriculture, and energy planning.

https://www.academia.edu/170517553/Temperature_Extremes_and_Seasonality_in_East_Africa_1966_2019_

https://www.academia.edu/170517681/Long_Term_Trends_and_Breakpoint_Detection_in_Daily_Surface_Air_Temperature_over_East_Africa

This study analyzes rainfall trends from CHIRPS/ERA5Land observations and regional (CanRCM4) and global models (CanESM2/5) over 2006–2100. Daily CHIRPS/ERA5Land data better capture observed variability. Results indicate annual precipitation increases of +4.36 to +23.03 mm/year by 2100, with variability ranging from -3.85% to +625.59% across scenarios and models. The study identifies years exceeding 500 mm/year and maximum drought durations for short, medium, and long-term horizons, supporting a meteorological prevention tool.

https://www.academia.edu/170516547/Projections_climatiques_et_variabilit%C3%A9_des_pr%C3%A9cipitations_en_Afrique_de_lEst_Analyse_multi_mod%C3%A8les_CMIP5_CORDEX_CMIP6_sous_sc%C3%A9narios_RCP_4_5_et_8_5

This study evaluates SDSM performance for precipitation downscaling over East Africa using CanESM5 (RCP 2.6 and 8.5) for 2006–2099. Baseline assessment (1961–2005) against CHIRPS/NCEP data shows RMSE (4.63–5.10), weak correlation (0.002–0.288), and poor NSE (–0.058 to 0.082), indicating limited monthly simulation skill. Future projections show divergent trends under RCP 2.6 versus RCP 8.5, with notable seasonal variability. Results support climate adaptation strategies despite model limitations.

https://www.academia.edu/170517223/SDSM_Based_Precipitation_Downscaling_over_East_Africa_Performance_and_Projections

Une variable est une caractéristique (ou grandeur) permettant d'observer le comportement d'une population ou d'un échantillon d'un individu à un autre. Plus elle est mesurable, c'est donc une variable quantitative (discrète/continue). Plus elle relève de l'appréciation, c'est une variable qualitative (nominale/ordinale). Une taille, en statistique, est le nombre d'observation d'une étude donnée. Elle est notée « N » pour désigner une population et « n » pour un échantillon de cette population. Une Valeur manquante, noté « NA » « N/A » « NaN » selon le logiciel, elle correspond à une valeur n'étant pas renseignée dans la base de données. (Il arrive cependant de confondre avec le chiffre 0, qui lui est bien distincte d'une valeur manquante. Une Valeur extrême représente un cas spécifique dans une distribution et correspond à un attribut très élevé ou plus faible par rapport aux autres observations.

https://www.academia.edu/92373390/Statistiques_Descriptives_Multidimensionnelles