Predicción no paramétrica para datos espaciales univariados

Simple item page
dc.contributor.advisorLovatto, Mariel
dc.creatorLovatto, Mariel
dc.date.accessioned2022-12-21T15:08:09Z
dc.date.available2022-12-21T15:08:09Z
dc.date.issued2022-12-14
dc.description.abstractPredecir una variable de interés en determinado punto geográfico a partir de mediciones de dicha variable en otras localizaciones, es comúnmente llamado predicción espacial y es, en geoestadística, una de las aplicaciones más recurrentes. Para esta tarea son necesarios datos indexados en el espacio, que siguen un modelo determinado del cual se asume que tienen cierta estructura de covarianza. Dicha estructura, debe poder captada por los modelos para predicción espacial para que la predicción sea eficiente. En esta dirección, uno de los métodos más utilizados para tal fin es el clásico método kriging que consiste en un promedio ponderado del valor de la variable de interés cuyos pesos son estimados a partir de una función paramétrica, la cual surge con el objetivo de modelar la variabilidad de los datos mediante el concepto de variograma. En esta tesis presentamos una propuesta que flexibiliza el calculo paramétrico de dichos pesos, siguiendo el espíritu de kriging pero donde los pesos son estimados de forma no paramétrica, es decir, sin imponer restricciones sobre la estructura de covarianza. Bajo diferentes hipótesis de existencia del fenómeno de interés, propusimos cinco predictores que logran captar no solo la hipótesis de que valores cercanos presentan mayor correlación, sino que también tienen en cuenta que pueden existir estructuras de covarianza diferentes y vecinas, provocando valores cercanos pero disimiles. Cuatro de esas cinco versiones propuestas revelaron buen desempeños en términos de error de predicción, bajo diferentes escenarios. Los predictores propuestos también fueron aplicados sobre datos reales donde revelan ventajas predictivas frente a los predictores clásicos, siendo en algunos casos más significativas que en otros donde los métodos paramétricos muestran ser una buena estrategia para predecir a pesar de su menor flexibilidad.es
dc.description.filLovatto, Mariel. Universidad Nacional de Rosario. Facultad de Ciencias Económicas y Estadística; Argentinaes
dc.formatapplication/pdf
dc.identifier.urihttp://hdl.handle.net/2133/25074
dc.language.isospaes
dc.publisherUniversidad Nacional de Rosarioes
dc.rightsopenAccesses
dc.rights.holderLovatto, Marieles
dc.rights.textAtribución – No Comercial – Compartir Igual (by-nc-sa)es
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/*
dc.subjectPredicción espaciales
dc.subjectkriginges
dc.subjectestad´ıstica no param´etricaes
dc.titlePredicción no paramétrica para datos espaciales univariadoses
dc.typemasterThesis
dc.typeTésis de Maestría
dc.typeMaterial Didáctico
dc.type.collectiontesis
dc.type.othermasterThesises
lom.educational.contextPosgradoes
lom.educational.difficultyDificiles
lom.educational.esMDSI*
lom.educational.interactivityexpositivaes
lom.educational.typicalAgeRangeadultoses

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Tesis de maestria - Mariel Lovatto.pdf
Size:
12.94 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.59 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

FCEyE - Maestría en Estadística Aplicada