Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP

Descripción del Articulo

Los modelos espacio-temporales nos permiten estudiar la distribución espacial de una variable en el tiempo. Por ejemplo, se puede estudiar la distribución espacial del material particulado en un país a través de los años, dado que las concentraciones de material particulado en estaciones cercanas pu...

Descripción completa

Detalles Bibliográficos
Autor: Benites Alfaro, Omar Eduardo
Formato: tesis de maestría
Fecha de Publicación:2023
Institución:Pontificia Universidad Católica del Perú
Repositorio:PUCP-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.pucp.edu.pe:20.500.14657/195343
Enlace del recurso:http://hdl.handle.net/20.500.12404/25759
Nivel de acceso:acceso abierto
Materia:Estadística bayesiana
Geografía matemática
Modelos matemáticos
https://purl.org/pe-repo/ocde/ford#5.05.01
id RPUC_93768e75afd9ddd653f20192c4a77922
oai_identifier_str oai:repositorio.pucp.edu.pe:20.500.14657/195343
network_acronym_str RPUC
network_name_str PUCP-Institucional
repository_id_str 2905
spelling Quiroz Cornejo, Zaida JesúsBenites Alfaro, Omar Eduardo2023-08-23T17:21:38Z2023-08-23T17:21:38Z20232023-08-23http://hdl.handle.net/20.500.12404/25759Los modelos espacio-temporales nos permiten estudiar la distribución espacial de una variable en el tiempo. Por ejemplo, se puede estudiar la distribución espacial del material particulado en un país a través de los años, dado que las concentraciones de material particulado en estaciones cercanas pueden ser similares y la concentración en una estación en un año puede depender de la concentración en la misma estación el año anterior anterior. En esta tesis se propone usar un modelo espacio-temporal a través del proceso gaussiano de vecinos más cercanos. Para implementar este modelo y aplicarlo en grandes bases de datos se propone usar inferencia bayesiana a través del método de integración aproximada de Laplace (INLA). La bondad de ajuste del modelo y su eficiencia se estudia a través de simulaciones. Finalmente se aplica el modelo implementado a una base de datos reales.Spatio-temporal models allow us to study the spatial distribution of a variable over time. For example, we can study the spatial distribution of particulate matter in a country through the years, given that the concentrations of particulate matter in nearby stations can be similar and the concentration in a station in a year can depend on the concentration in the same station in the previous year. In this thesis, we proposed to use a spatio-temporal model through the nearest neighbor Gaussian process. In order to implement and apply the hierarchical model in large databases, it is proposed to use Bayesian inference through Integrated nested Laplace approximation(INLA). The goodness of fit and efficiency of the model is studied through simulations. Finally, the model is applied to real data set.spaPontificia Universidad Católica del PerúPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/2.5/pe/Estadística bayesianaGeografía matemáticaModelos matemáticoshttps://purl.org/pe-repo/ocde/ford#5.05.01Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGPinfo:eu-repo/semantics/masterThesisTesis de maestríareponame:PUCP-Institucionalinstname:Pontificia Universidad Católica del Perúinstacron:PUCPMaestro en EstadísticaMaestríaPontificia Universidad Católica del Perú. Escuela de Posgrado.Estadística43704124https://orcid.org/0000-0003-3821-081570429849542037Bayes Rodriguez, Cristian LuisQuiroz Cornejo, Zaida JesusValdivieso Serrano, Luis Hilmarhttps://purl.org/pe-repo/renati/level#maestrohttps://purl.org/pe-repo/renati/type#tesis20.500.14657/195343oai:repositorio.pucp.edu.pe:20.500.14657/1953432024-06-10 10:55:02.752http://creativecommons.org/licenses/by/2.5/pe/info:eu-repo/semantics/openAccessmetadata.onlyhttps://repositorio.pucp.edu.peRepositorio Institucional de la PUCPrepositorio@pucp.pe
dc.title.es_ES.fl_str_mv Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
title Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
spellingShingle Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
Benites Alfaro, Omar Eduardo
Estadística bayesiana
Geografía matemática
Modelos matemáticos
https://purl.org/pe-repo/ocde/ford#5.05.01
title_short Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
title_full Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
title_fullStr Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
title_full_unstemmed Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
title_sort Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
author Benites Alfaro, Omar Eduardo
author_facet Benites Alfaro, Omar Eduardo
author_role author
dc.contributor.advisor.fl_str_mv Quiroz Cornejo, Zaida Jesús
dc.contributor.author.fl_str_mv Benites Alfaro, Omar Eduardo
dc.subject.es_ES.fl_str_mv Estadística bayesiana
Geografía matemática
Modelos matemáticos
topic Estadística bayesiana
Geografía matemática
Modelos matemáticos
https://purl.org/pe-repo/ocde/ford#5.05.01
dc.subject.ocde.es_ES.fl_str_mv https://purl.org/pe-repo/ocde/ford#5.05.01
description Los modelos espacio-temporales nos permiten estudiar la distribución espacial de una variable en el tiempo. Por ejemplo, se puede estudiar la distribución espacial del material particulado en un país a través de los años, dado que las concentraciones de material particulado en estaciones cercanas pueden ser similares y la concentración en una estación en un año puede depender de la concentración en la misma estación el año anterior anterior. En esta tesis se propone usar un modelo espacio-temporal a través del proceso gaussiano de vecinos más cercanos. Para implementar este modelo y aplicarlo en grandes bases de datos se propone usar inferencia bayesiana a través del método de integración aproximada de Laplace (INLA). La bondad de ajuste del modelo y su eficiencia se estudia a través de simulaciones. Finalmente se aplica el modelo implementado a una base de datos reales.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-08-23T17:21:38Z
dc.date.available.none.fl_str_mv 2023-08-23T17:21:38Z
dc.date.created.none.fl_str_mv 2023
dc.date.issued.fl_str_mv 2023-08-23
dc.type.es_ES.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.other.none.fl_str_mv Tesis de maestría
format masterThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12404/25759
url http://hdl.handle.net/20.500.12404/25759
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by/2.5/pe/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/2.5/pe/
dc.publisher.es_ES.fl_str_mv Pontificia Universidad Católica del Perú
dc.publisher.country.es_ES.fl_str_mv PE
dc.source.none.fl_str_mv reponame:PUCP-Institucional
instname:Pontificia Universidad Católica del Perú
instacron:PUCP
instname_str Pontificia Universidad Católica del Perú
instacron_str PUCP
institution PUCP
reponame_str PUCP-Institucional
collection PUCP-Institucional
repository.name.fl_str_mv Repositorio Institucional de la PUCP
repository.mail.fl_str_mv repositorio@pucp.pe
_version_ 1835638763149066240
score 13.870872
Inferencia bayesiana aproximada del modelo espacio-temporal usando NNGP
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares