Show simple item record

dc.rights.licenseAtribución-NoComercial 4.0 Internacional
dc.contributorCepeda Cuervo, Edilberto
dc.contributor.authorBermúdez Rubio, Dagoberto
dc.date.accessioned2019-06-25T00:37:43Z
dc.date.available2019-06-25T00:37:43Z
dc.date.issued2012
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/12134
dc.description.abstractLa 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.
dc.description.abstractAbstract. 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.
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.relation.ispartofUniversidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de Estadística
dc.relation.ispartofDepartamento de Estadística
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/
dc.subject.ddc5 Ciencias naturales y matemáticas / Science
dc.subject.ddc51 Matemáticas / Mathematics
dc.subject.ddc55 Ciencias de la tierra / Earth sciences and geology
dc.titleModelamiento Bayesiano de caudal y precipitación aplicando modelos dinámicos y procesos de Poisson no homogéneos
dc.typeTrabajo de grado - Maestría
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.identifier.eprintshttp://bdigital.unal.edu.co/9769/
dc.description.degreelevelMaestría
dc.relation.referencesBermúdez 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.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalCaudal
dc.subject.proposalinferencia bayesiana
dc.subject.proposalmodelo lineal dinámico
dc.subject.proposalmuestreador de Gibbs
dc.subject.proposalprecipitación
dc.subject.proposalproceso de Poisson no homogéneo, regresión dinámica
dc.subject.proposalFlow
dc.subject.proposalbayesian inference
dc.subject.proposaldynamic linear model, gibbs sampler
dc.subject.proposalprecipitation, nonhomogeneous Poisson process
dc.subject.proposaldynamic regression
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial 4.0 InternacionalThis work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit