Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos
La predicción de series temporales hidrológicas con la cuantificación de la incertidumbre, es una herramienta importante para la gestión de los recursos de agua. La no estacionariedad causada por el cambio climático y otros factores, tales como el cambio en las propiedades físicas de las cuencas hid...
- Autores:
-
Bermúdez Rubio, Dagoberto
- Tipo de recurso:
- Fecha de publicación:
- 2012
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/12134
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/12134
http://bdigital.unal.edu.co/9769/
- Palabra clave:
- 5 Ciencias naturales y matemáticas / Science
51 Matemáticas / Mathematics
55 Ciencias de la tierra / Earth sciences and geology
Caudal
inferencia bayesiana
modelo lineal dinámico
muestreador de Gibbs
precipitación
proceso de Poisson no homogéneo, regresión dinámica
Flow
bayesian inference
dynamic linear model, gibbs sampler
precipitation, nonhomogeneous Poisson process
dynamic regression
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_ef422cba2e837dc6fba9e2f58e45bbd9 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/12134 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| title |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| spellingShingle |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos 5 Ciencias naturales y matemáticas / Science 51 Matemáticas / Mathematics 55 Ciencias de la tierra / Earth sciences and geology Caudal inferencia bayesiana modelo lineal dinámico muestreador de Gibbs precipitación proceso de Poisson no homogéneo, regresión dinámica Flow bayesian inference dynamic linear model, gibbs sampler precipitation, nonhomogeneous Poisson process dynamic regression |
| title_short |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| title_full |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| title_fullStr |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| title_full_unstemmed |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| title_sort |
Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos |
| dc.creator.fl_str_mv |
Bermúdez Rubio, Dagoberto |
| dc.contributor.author.spa.fl_str_mv |
Bermúdez Rubio, Dagoberto |
| dc.contributor.spa.fl_str_mv |
Cepeda Cuervo, Edilberto |
| dc.subject.ddc.spa.fl_str_mv |
5 Ciencias naturales y matemáticas / Science 51 Matemáticas / Mathematics 55 Ciencias de la tierra / Earth sciences and geology |
| topic |
5 Ciencias naturales y matemáticas / Science 51 Matemáticas / Mathematics 55 Ciencias de la tierra / Earth sciences and geology Caudal inferencia bayesiana modelo lineal dinámico muestreador de Gibbs precipitación proceso de Poisson no homogéneo, regresión dinámica Flow bayesian inference dynamic linear model, gibbs sampler precipitation, nonhomogeneous Poisson process dynamic regression |
| dc.subject.proposal.spa.fl_str_mv |
Caudal inferencia bayesiana modelo lineal dinámico muestreador de Gibbs precipitación proceso de Poisson no homogéneo, regresión dinámica Flow bayesian inference dynamic linear model, gibbs sampler precipitation, nonhomogeneous Poisson process dynamic regression |
| description |
La predicción de series temporales hidrológicas con la cuantificación de la incertidumbre, es una herramienta importante para la gestión de los recursos de agua. La no estacionariedad causada por el cambio climático y otros factores, tales como el cambio en las propiedades físicas de las cuencas hidrográficas, hacen que la tarea de pronóstico sea difícil mediante los métodos tradicionales. Por lo anterior, en este trabajo se proponen métodos Bayesianos para el estudio de la precipitación y del caudal de un rio. En la primera parte, se proponen modelos constantes, de regresión dinámica (MRD) y modelos lineales jerárquicos (MLJ). El modelo constante utiliza la información del pasado dada por los valores observados de la serie de tiempo, mientras que el MRD utiliza como covariables la información de la cantidad de precipitación medida en la parte alta de la cuenca del rio. En la segunda parte se considerará un Proceso de Poisson no Homogéneo (PPNH) para estimar la cantidad de veces que el caudal del río está por debajo o por encima de ciertos niveles dados, asumiendo algunas funciones de intensidad. Dichas metodologías se aplican en el análisis de los datos del caudal del río Sumapaz recolectados entre enero 01 de 1989 y 31 de diciembre de 2001. |
| publishDate |
2012 |
| dc.date.issued.spa.fl_str_mv |
2012 |
| dc.date.accessioned.spa.fl_str_mv |
2019-06-25T00:37:43Z |
| dc.date.available.spa.fl_str_mv |
2019-06-25T00:37:43Z |
| 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/12134 |
| dc.identifier.eprints.spa.fl_str_mv |
http://bdigital.unal.edu.co/9769/ |
| url |
https://repositorio.unal.edu.co/handle/unal/12134 http://bdigital.unal.edu.co/9769/ |
| 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 Departamento de Estadística |
| dc.relation.references.spa.fl_str_mv |
Bermúdez Rubio, Dagoberto (2012) Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos. Maestría thesis, Universidad Nacional de Colombia. |
| 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/12134/1/832365.2012.pdf https://repositorio.unal.edu.co/bitstream/unal/12134/2/832365.2012.pdf.jpg |
| bitstream.checksum.fl_str_mv |
056b21b9ead9f487bcb390bba904c7ee 3b4b9590a174085cc04265ae777d03f9 |
| 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_ |
1814090241858863104 |
| 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_abf2Cepeda Cuervo, EdilbertoBermúdez Rubio, Dagobertof4576e6c-e618-4c5d-8771-7b078ce38a2f3002019-06-25T00:37:43Z2019-06-25T00:37:43Z2012https://repositorio.unal.edu.co/handle/unal/12134http://bdigital.unal.edu.co/9769/La predicción de series temporales hidrológicas con la cuantificación de la incertidumbre, es una herramienta importante para la gestión de los recursos de agua. La no estacionariedad causada por el cambio climático y otros factores, tales como el cambio en las propiedades físicas de las cuencas hidrográficas, hacen que la tarea de pronóstico sea difícil mediante los métodos tradicionales. Por lo anterior, en este trabajo se proponen métodos Bayesianos para el estudio de la precipitación y del caudal de un rio. En la primera parte, se proponen modelos constantes, de regresión dinámica (MRD) y modelos lineales jerárquicos (MLJ). El modelo constante utiliza la información del pasado dada por los valores observados de la serie de tiempo, mientras que el MRD utiliza como covariables la información de la cantidad de precipitación medida en la parte alta de la cuenca del rio. En la segunda parte se considerará un Proceso de Poisson no Homogéneo (PPNH) para estimar la cantidad de veces que el caudal del río está por debajo o por encima de ciertos niveles dados, asumiendo algunas funciones de intensidad. Dichas metodologías se aplican en el análisis de los datos del caudal del río Sumapaz recolectados entre enero 01 de 1989 y 31 de diciembre de 2001.Abstract. The hydrological time series prediction with uncertainty quantification is an important tool for the resource management water. Due to climate change and other factors such as changes in the physical properties of drainage basin, then the forecasting by means of traditional methods is going to be a difficult work. By the above, this work proposes Bayesian methods for studying of precipitation and discharge. In the First time, it proposes constant models of dynamic regression and hierarchical models. The constant model uses information based on observed values of the time series, while the dynamic regression model uses the precipitation measured in upper river basin information as covariates. In the second one, we consider a nonhomogeneous Poisson process to estimate how many times the discharge is below or above certain levels given, assuming some functions of intensity. These methodologies are applied in the analysis of data of Sumapaz river discharge. These data were collected between January 1, 1989 and December 31, 2001.Maestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de EstadísticaDepartamento de EstadísticaBermúdez Rubio, Dagoberto (2012) Modelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos. Maestría thesis, Universidad Nacional de Colombia.5 Ciencias naturales y matemáticas / Science51 Matemáticas / Mathematics55 Ciencias de la tierra / Earth sciences and geologyCaudalinferencia bayesianamodelo lineal dinámicomuestreador de Gibbsprecipitaciónproceso de Poisson no homogéneo, regresión dinámicaFlowbayesian inferencedynamic linear model, gibbs samplerprecipitation, nonhomogeneous Poisson processdynamic regressionModelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneosTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMORIGINAL832365.2012.pdfapplication/pdf5551926https://repositorio.unal.edu.co/bitstream/unal/12134/1/832365.2012.pdf056b21b9ead9f487bcb390bba904c7eeMD51THUMBNAIL832365.2012.pdf.jpg832365.2012.pdf.jpgGenerated Thumbnailimage/jpeg3809https://repositorio.unal.edu.co/bitstream/unal/12134/2/832365.2012.pdf.jpg3b4b9590a174085cc04265ae777d03f9MD52unal/12134oai:repositorio.unal.edu.co:unal/121342023-09-21 23:05:50.54Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co |