Modelo de regresión Birnbaum-Saunders con datos geoestadísticos

En diferentes áreas del conocimiento, con el avance de la tecnología una gran cantidad de datos se graban de forma continua e instantánea, por ejemplo, la respuesta bio-eléctrica del cerebro (Aristizabal and Giraldo, 2011), la resistencia mecánica a la penetración del suelo (Giraldo, 2009a) o la ref...

Full description

Autores:
Martínez Martínez, Sergio Daniel
Tipo de recurso:
Fecha de publicación:
2016
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/58303
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/58303
http://bdigital.unal.edu.co/55033/
Palabra clave:
31 Colecciones de estadística general / Statistics
51 Matemáticas / Mathematics
Distribución Birnbaum-Saunders
Distribución Log-Birnbaum-Saunders
Geoestadística
Datos funcionales
Birnbaum-Saunders Distribution
Log-Birnbaum-Saunders Distribution
Geostatistics
Functional data
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
id UNACIONAL2_7344c82a7d2a846517ed84d36d4055bc
oai_identifier_str oai:repositorio.unal.edu.co:unal/58303
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
title Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
spellingShingle Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
31 Colecciones de estadística general / Statistics
51 Matemáticas / Mathematics
Distribución Birnbaum-Saunders
Distribución Log-Birnbaum-Saunders
Geoestadística
Datos funcionales
Birnbaum-Saunders Distribution
Log-Birnbaum-Saunders Distribution
Geostatistics
Functional data
title_short Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
title_full Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
title_fullStr Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
title_full_unstemmed Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
title_sort Modelo de regresión Birnbaum-Saunders con datos geoestadísticos
dc.creator.fl_str_mv Martínez Martínez, Sergio Daniel
dc.contributor.author.spa.fl_str_mv Martínez Martínez, Sergio Daniel
dc.contributor.spa.fl_str_mv Giraldo Henao, Ramón
dc.subject.ddc.spa.fl_str_mv 31 Colecciones de estadística general / Statistics
51 Matemáticas / Mathematics
topic 31 Colecciones de estadística general / Statistics
51 Matemáticas / Mathematics
Distribución Birnbaum-Saunders
Distribución Log-Birnbaum-Saunders
Geoestadística
Datos funcionales
Birnbaum-Saunders Distribution
Log-Birnbaum-Saunders Distribution
Geostatistics
Functional data
dc.subject.proposal.spa.fl_str_mv Distribución Birnbaum-Saunders
Distribución Log-Birnbaum-Saunders
Geoestadística
Datos funcionales
Birnbaum-Saunders Distribution
Log-Birnbaum-Saunders Distribution
Geostatistics
Functional data
description En diferentes áreas del conocimiento, con el avance de la tecnología una gran cantidad de datos se graban de forma continua e instantánea, por ejemplo, la respuesta bio-eléctrica del cerebro (Aristizabal and Giraldo, 2011), la resistencia mecánica a la penetración del suelo (Giraldo, 2009a) o la reflectancia por espectrometría (Giraldo et al., 2015). Desde principio de los años noventa, se ha considerado abordar este tipo de información a través del análisis de datos funcionales (Ramsay and Silverman, 2005; Giraldo et al., 2010), en el cual cada curva corresponde a la observación de una función aleatoria. Usualmente, se cuenta a su vez con variables escalares, medidas con el objetivo de establecer si existe una relación con la variable funcional observada. De manera particular, en ciencias de la tierra, ambientales y climáticas, áreas en las cuales la geoestadística es una herramienta primordial, el manejo de datos funcionales es cada vez más frecuente. Por esta razón, es de interés desarrollar metodologías que permitan el trabajo con datos funcionales espacialmente correlacionados (Giraldo, 2009a). Adicionalmente, en estas áreas es común que las variables sean por naturaleza positivas y asimétricas, por ejemplo, las obtenidas en estudios de concentración de elementos químicos en el suelo o en el aire (Reimman et al., 2008) y por lo tanto, los supuestos clásicos usuales en geoestadística de normalidad o de al menos de simetría no resultan apropiados (Schabenberger and Gotway, 2005; Garcia-Papani et al., 2016). Este tipo de variables, en contextos no espaciales, se han abordado con éxito a través de la distribución Birnbaum-Saunders (BS) (Birnbaum and Saunders, 1969b), convirtiendo la modelación BS en un tema de investigación muy activo en los últimos años (Leiva, Marchant, Ruggeri and Saulo, 2015). Sin embargo, el uso de esta distribución en el tratamiento de datos geoestadísticos solo se ha realizado bajo estacionariedad (Garcia-Papani et al., 2016). En este trabajo se propone un modelo de regresión BS para datos geoestadísticos, que considera la inclusión de una covariable funcional para el caso de un proceso no estacionario. Después de obtener los estimadores máximo verosímiles, se evalúa su desempeño a través de un proceso de simulación, que considera diferentes escenarios de tamaño de muestra y asimetría. La aplicación del modelo propuesto se realiza a datos georreferenciados de concentración de sodio y de resistencia mecánica a la penetración. Luego, se muestra su aplicación a observaciones independientes a partir de mediciones de concentración de CO2 y de curvas de reflectancia en palmas de aceite. Finalmente, en ambos casos se muestra que el modelo desarrollado tiene un mejor desempeño que el modelo con errores Gaussianos.
publishDate 2016
dc.date.issued.spa.fl_str_mv 2016-12-14
dc.date.accessioned.spa.fl_str_mv 2019-07-02T13:58:37Z
dc.date.available.spa.fl_str_mv 2019-07-02T13:58:37Z
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/58303
dc.identifier.eprints.spa.fl_str_mv http://bdigital.unal.edu.co/55033/
url https://repositorio.unal.edu.co/handle/unal/58303
http://bdigital.unal.edu.co/55033/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartof.spa.fl_str_mv Universidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de Estadística Estadística
Estadística
dc.relation.references.spa.fl_str_mv Martínez Martínez, Sergio Daniel (2016) Modelo de regresión Birnbaum-Saunders con datos geoestadísticos. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/58303/1/1014228157.2016.pdf
https://repositorio.unal.edu.co/bitstream/unal/58303/2/1014228157.2016.pdf.jpg
bitstream.checksum.fl_str_mv 7d23f21c154e7c9394e9a9c317948c53
e96cb51eb1c181bb5b641d35cbf3047d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089936774627328
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Henao, RamónMartínez Martínez, Sergio Danieldc461864-0a18-4df2-845d-8639b66ca4c93002019-07-02T13:58:37Z2019-07-02T13:58:37Z2016-12-14https://repositorio.unal.edu.co/handle/unal/58303http://bdigital.unal.edu.co/55033/En diferentes áreas del conocimiento, con el avance de la tecnología una gran cantidad de datos se graban de forma continua e instantánea, por ejemplo, la respuesta bio-eléctrica del cerebro (Aristizabal and Giraldo, 2011), la resistencia mecánica a la penetración del suelo (Giraldo, 2009a) o la reflectancia por espectrometría (Giraldo et al., 2015). Desde principio de los años noventa, se ha considerado abordar este tipo de información a través del análisis de datos funcionales (Ramsay and Silverman, 2005; Giraldo et al., 2010), en el cual cada curva corresponde a la observación de una función aleatoria. Usualmente, se cuenta a su vez con variables escalares, medidas con el objetivo de establecer si existe una relación con la variable funcional observada. De manera particular, en ciencias de la tierra, ambientales y climáticas, áreas en las cuales la geoestadística es una herramienta primordial, el manejo de datos funcionales es cada vez más frecuente. Por esta razón, es de interés desarrollar metodologías que permitan el trabajo con datos funcionales espacialmente correlacionados (Giraldo, 2009a). Adicionalmente, en estas áreas es común que las variables sean por naturaleza positivas y asimétricas, por ejemplo, las obtenidas en estudios de concentración de elementos químicos en el suelo o en el aire (Reimman et al., 2008) y por lo tanto, los supuestos clásicos usuales en geoestadística de normalidad o de al menos de simetría no resultan apropiados (Schabenberger and Gotway, 2005; Garcia-Papani et al., 2016). Este tipo de variables, en contextos no espaciales, se han abordado con éxito a través de la distribución Birnbaum-Saunders (BS) (Birnbaum and Saunders, 1969b), convirtiendo la modelación BS en un tema de investigación muy activo en los últimos años (Leiva, Marchant, Ruggeri and Saulo, 2015). Sin embargo, el uso de esta distribución en el tratamiento de datos geoestadísticos solo se ha realizado bajo estacionariedad (Garcia-Papani et al., 2016). En este trabajo se propone un modelo de regresión BS para datos geoestadísticos, que considera la inclusión de una covariable funcional para el caso de un proceso no estacionario. Después de obtener los estimadores máximo verosímiles, se evalúa su desempeño a través de un proceso de simulación, que considera diferentes escenarios de tamaño de muestra y asimetría. La aplicación del modelo propuesto se realiza a datos georreferenciados de concentración de sodio y de resistencia mecánica a la penetración. Luego, se muestra su aplicación a observaciones independientes a partir de mediciones de concentración de CO2 y de curvas de reflectancia en palmas de aceite. Finalmente, en ambos casos se muestra que el modelo desarrollado tiene un mejor desempeño que el modelo con errores Gaussianos.In many studies, with the advancement of technology, a lot of data are recorded continuously and instantaneously; for example, the bio-electrical brain response (Aristizabal and Giraldo, 2011), mechanical resistance of soil (Giraldo, 2009a) or reflectance spectrophotometry (Giraldo et al., 2015). Since the early nineties, it has been considered this type of information through the analysis of functional data (Ramsay and Silverman, 2005; Giraldo et al., 2010), where each curve corresponds to the observation of a random function. Usually, there are also scalar variables, measures in order to establish whether exist a relationship with the observed functional variable. In particular, earth, environmental and climatic sciences where geostatistics is a primary tool, functional data management is becoming more frequent. For this reason, it is of interest to develop methodologies to work with spatially correlated functional data (Giraldo, 2009a). Besides, in these areas is common that the variables have a positive and asymmetric nature, e.g. those obtained in studies of the concentration of chemical elements in soil or air (Reimman et al., 2008), and therefore, the classical geostatistical assumptions of Gaussian error or at least erros with a symmetry distribution are not appropriate (Schabenberger and Gotway, 2005; Garcia-Papani et al., 2016). This type of variables in non-spatial contexts, have successfully worked through the Birnbaum-Saunders distribution (BS) (Birnbaum and Saunders, 1969b), becoming the BS modeling in a very active research topic in recent years (Leiva, Marchant, Ruggeri and Saulo, 2015). However, the use of this distribution in the treatment of geostatistical data has performed under stationarity (Garcia-Papani et al., 2016). This thesis develop a BS model for geostatistical data for non-stationary process, it considers the inclusion of a functional covariate. The maximum likelihood estimators are obtained and their performance are evaluated through a simulation process, which considers different scenarios of sample size and level of asymmetry. The application of the proposed model is performed on georeferenced data corresponding to concentration of sodium and curves of mechanical resistance. The methodology is applied to independent observations from measurements of CO2 concentration and reflectance curves of palm oil. At the end, in both cases, we show that the model developed has a better performance than the model with Gaussian errors.Maestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de Estadística EstadísticaEstadísticaMartínez Martínez, Sergio Daniel (2016) Modelo de regresión Birnbaum-Saunders con datos geoestadísticos. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.31 Colecciones de estadística general / Statistics51 Matemáticas / MathematicsDistribución Birnbaum-SaundersDistribución Log-Birnbaum-SaundersGeoestadísticaDatos funcionalesBirnbaum-Saunders DistributionLog-Birnbaum-Saunders DistributionGeostatisticsFunctional dataModelo de regresión Birnbaum-Saunders con datos geoestadísticosTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMORIGINAL1014228157.2016.pdfapplication/pdf19189605https://repositorio.unal.edu.co/bitstream/unal/58303/1/1014228157.2016.pdf7d23f21c154e7c9394e9a9c317948c53MD51THUMBNAIL1014228157.2016.pdf.jpg1014228157.2016.pdf.jpgGenerated Thumbnailimage/jpeg3909https://repositorio.unal.edu.co/bitstream/unal/58303/2/1014228157.2016.pdf.jpge96cb51eb1c181bb5b641d35cbf3047dMD52unal/58303oai:repositorio.unal.edu.co:unal/583032023-03-27 23:06:46.84Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co