interpolación bayesiana de series de tiempo no...
TRANSCRIPT
Motivación Modelo Interpolación Análisis de datos
Interpolación bayesiana de series de tiempo noequiespaciadas
Luis E. Nieto Barajas
Departamento de EstadísticaITAM
XLIX SMM – 27 de octubre de 2016
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 1 / 23
Motivación Modelo Interpolación Análisis de datos
Contenido
1 Motivación
2 Modelo
3 Interpolación
4 Análisis de datos
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 2 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
Mediciones directas de dioxido de carbono en la atmósfera son recientes : 1950 -
¿Cómo se sabe que hay calentamiento global ?
Se han diseñado mecanismos de medición de los gases de efecto invernadero enla atmósfera de la tierra hasta 300 millones de años atras
Una de estas técnicas es la basada en muestreo de núcleos de hielo (ice coresampling)
Se toman muestras de cilindros de hielo obtenidos perforando una cama de hielo oglaciar
Estos cilindros contienen pequeñas burbujas de aire que atrapan una pequaña muestrade la atmósfera
Los núcleos de hielo más profundos se extienden a 3.26 km de profundidad, muy cercade la cama de rocas de la tierra
Las mediciones más antiguas con esta técnica datan hasta 800,000 años atras
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 3 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
¿Cómo determinan la fecha y las medidas de concentración ?
Una de las técnicas está basada en acumulación de nieve y en un modelo de flujomecánico
Otra técnica se basa en la densificación de la nieve para compensar entre la edad delgas y la edad del hielo
En el 2007 EPICA (Proyecto europeo de núcleos de hielo en antártica) realizóuna perforación en la estación concordia (Domo C)
Se produjeron mediciones de los gases de efecto invernadero : dioxido decarbono (CO2), metano (CH4) y temperatura (diferencias en la temperatura conrespecto a un valor de referencia)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 4 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
0 200 400 600 800
Thousand years before present
342
624
907
CH
4
0 200 400 600 800
Thousand years before present
172
235
299
CO
2
0 200 400 600 800
−10
.6−
2.6
5.5
Tem
p
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 5 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
¿Qué dificultad presentan los datos ?
La temperatura y el CO2 fueron fechados usando escalas aproximadas,produciendo observaciones en distintos momentos del tiempo
No sólo las variables están medidas en distintos tiempos sino también estánmedidas en tiempos no equiespaciados
Problemas :
1 No es posible hacer un análisis de asociación (e.g. diagramas de dispersión o calcularcoeficiente de correlación)
2 No se pueden usar técnicas tradicionales de series de tiempo para predecir las series
Solución : Proponer un modelo para interpolar series no equiespaciadas paraproducir series equiespaciadas
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 6 / 23
Motivación Modelo Interpolación Análisis de datos
Estrategia
Producir observaciones equiespaciadas usando interpolación estocástica
Usamos un proceso gausiano con función de correlación parametrizada entérminos de funciones de supervivencia paramétricas
La estimación de los parámetros se hace de manera bayesiana
La interpolación se logra usando la distribución condicional predictiva de un nuevotiempo basada en los m vecinos más cercanos (kriging bayesiano)
El número de vecinos m es determinado por el usuario dependiendo del grado desuavidad que se requiera o mediante un proceso de optimización
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 7 / 23
Motivación Modelo Interpolación Análisis de datos
Modelo
Sea {Xt} un proceso estocástico continuo con índices t ∈ T ⊂ IR y valores en unespacio de estados X ⊂ IR
Denotamos por Xt1 ,Xt2 , . . . ,Xtn una realización del proceso, observada entiempos no equiespaciados t1, t2, . . . , tn, y n > 0
Suponemos queXt ∼ GP(µ,Σ(s, t)),
i.e., Xt sigue un proceso gaussiano con media constante µ y función decovarianza Cov(Xs,Xt ) = Σ(s, t), donde
Σ(s, t) es isotrópica, i.e., función de |t − s|
Σ(t, t) = σ2 > 0 constante
⇒ Σ(s, t) = σ2R(s, t), con R(s, t) la función de correlación
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 8 / 23
Motivación Modelo Interpolación Análisis de datos
Modelo
Sea {Xt} un proceso estocástico continuo con índices t ∈ T ⊂ IR y valores en unespacio de estados X ⊂ IR
Denotamos por Xt1 ,Xt2 , . . . ,Xtn una realización del proceso, observada entiempos no equiespaciados t1, t2, . . . , tn, y n > 0
Suponemos queXt ∼ GP(µ,Σ(s, t)),
i.e., Xt sigue un proceso gaussiano con media constante µ y función decovarianza Cov(Xs,Xt ) = Σ(s, t), donde
Σ(s, t) es isotrópica, i.e., función de |t − s|
Σ(t, t) = σ2 > 0 constante
⇒ Σ(s, t) = σ2R(s, t), con R(s, t) la función de correlación
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 8 / 23
Motivación Modelo Interpolación Análisis de datos
Modelo
Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia
Proponemos
Σσ2,θ,β(s, t) = σ2Sθ(|t − s|)(−1)β|t−s|, β ∈ {1, 2}
Sθ(t) es una función de supervivencia con parámetro θ
β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp.
β = 2⇒ correl. positiva.
Caso Weibull :Sθ(t) = e−λtα , θ = (λ, α)
Si α = 1⇒ R(s, t) = e−λ|t−s| (exponencial)
Si α = 2⇒ R(s, t) = e−λ(t−s)2(exponencial cuadrático)
Caso Log-logistico :
Sθ(t) =1
1 + λtα, θ = (λ, α)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 9 / 23
Motivación Modelo Interpolación Análisis de datos
Modelo
Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia
Proponemos
Σσ2,θ,β(s, t) = σ2Sθ(|t − s|)(−1)β|t−s|, β ∈ {1, 2}
Sθ(t) es una función de supervivencia con parámetro θ
β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp.
β = 2⇒ correl. positiva.
Caso Weibull :Sθ(t) = e−λtα , θ = (λ, α)
Si α = 1⇒ R(s, t) = e−λ|t−s| (exponencial)
Si α = 2⇒ R(s, t) = e−λ(t−s)2(exponencial cuadrático)
Caso Log-logistico :
Sθ(t) =1
1 + λtα, θ = (λ, α)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 9 / 23
Motivación Modelo Interpolación Análisis de datos
Modelo
Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia
Proponemos
Σσ2,θ,β(s, t) = σ2Sθ(|t − s|)(−1)β|t−s|, β ∈ {1, 2}
Sθ(t) es una función de supervivencia con parámetro θ
β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp.
β = 2⇒ correl. positiva.
Caso Weibull :Sθ(t) = e−λtα , θ = (λ, α)
Si α = 1⇒ R(s, t) = e−λ|t−s| (exponencial)
Si α = 2⇒ R(s, t) = e−λ(t−s)2(exponencial cuadrático)
Caso Log-logistico :
Sθ(t) =1
1 + λtα, θ = (λ, α)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 9 / 23
Motivación Modelo Interpolación Análisis de datos
Inferencia
Dist. iniciales :µ ∼ N(µ0, σ
2µ), σ2 ∼ IGa(aσ , bσ),
λ ∼ Ga(aλ, bλ), α ∼ Un(0,Aα) y β − 1 ∼ Ber(pβ)
Verosimilitud : La distribución conjunta de x = (xt1 , xt2 , . . . , xtn ) dadoη = (µ, σ2, θ, β) es una normal n−dimensional
f (x | η) =(
2πσ2)−n/2
|Rθ,β |−1/2 exp{−
12σ2
(x− µ)′R−1θ,β(x− µ)
}
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 10 / 23
Motivación Modelo Interpolación Análisis de datos
Inferencia
Dist. cond. finales :
f (µ | rest) = N
µ∣∣∣∣∣∣
1σ2 x′R−1
θ,β +µ0σ2µ
1σ2 1′R−1
θ,β1 + 1σ2µ
,
(1σ2
1′R−1θ,β1 +
1σ2µ
)−1 ,
f (σ2 | rest) = IGa(σ2∣∣∣∣ aσ +
n2, bσ +
12
(x− µ)′R−1θ,β(x− µ)
),
β − 1 | rest ∼ Ber(p∗β), p∗β =
{1 +
f (x | β = 1)(1− pβ)
f (x | β = 2)pβ
}−1
,
f (θ | rest) ∝ f (x | η)f (θ), θ = (λ, α)
Simular de µ, σ2 y β es simple
Simular de θ = (λ, α) requiere pasos MH
Problema numérico : Calcular |Rθ,β | y R−1θ,β para n grande.
Solución : usar un subconjunto de puntos (e.g. 500)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 11 / 23
Motivación Modelo Interpolación Análisis de datos
Inferencia
Dist. cond. finales :
f (µ | rest) = N
µ∣∣∣∣∣∣
1σ2 x′R−1
θ,β +µ0σ2µ
1σ2 1′R−1
θ,β1 + 1σ2µ
,
(1σ2
1′R−1θ,β1 +
1σ2µ
)−1 ,
f (σ2 | rest) = IGa(σ2∣∣∣∣ aσ +
n2, bσ +
12
(x− µ)′R−1θ,β(x− µ)
),
β − 1 | rest ∼ Ber(p∗β), p∗β =
{1 +
f (x | β = 1)(1− pβ)
f (x | β = 2)pβ
}−1
,
f (θ | rest) ∝ f (x | η)f (θ), θ = (λ, α)
Simular de µ, σ2 y β es simple
Simular de θ = (λ, α) requiere pasos MH
Problema numérico : Calcular |Rθ,β | y R−1θ,β para n grande.
Solución : usar un subconjunto de puntos (e.g. 500)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 11 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolación
Para interpolar usamos la dist. predictiva posterior condicional a un subconjuntode m vecinos
Sea xs = (xs1 , . . . , xsm ) un conjunto de tamaño m de tiempos observados, t.q.s = (s1, . . . , sm) son los m tiempos más cercanos al tiempo t
La dist. cond. de la variable no observada Xt dado xs es
f (xt | xs,η) = N(
xt | µt , σ2t
),
µt = µ+ Σ(t , s)Σ(s, s)−1(xs − µ) y σ2t = σ2 − Σ(t , s)Σ(s, s)−1Σ(s, t)
Finalmente, suponiendo (Xt ,Xs) son cond. indep. de x
f (xt | xs, x) =
∫f (xt | xs,η)f (η | x)dη
la cual se aproxima via Monte Carlo
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 12 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolación
Considera el caso m = 2, xs = (xs1 , xs2 ) las dos obs. más cercanas al tiempo t ,entonces E(Xt | xs,η) es
µt = µ+(ρt,s1 − ρt,s2ρs1,s2 )(xs1 − µ) + (ρt,s2 − ρt,s1ρs1,s2 )(xs2 − µ)
1− ρ2s1,s2
,
El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs conpesos determinados por las correlaciones entre xt , xs1 y xs2
Interpolación lineal : Se basa en un proceso Browniano (Wiener), i.e.,
Xt ∼ GP(0,Σ(s, t)), Σ(s, t) = min{s, t}
En este caso E(Xt | xs) es
µt =(s2 − t)
(s2 − s1)xs1 +
(t − s1)
(s2 − s1)xs2
El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs conpesos determinados por las distancias entre xt , xs1 y xs2
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 13 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolación
Considera el caso m = 2, xs = (xs1 , xs2 ) las dos obs. más cercanas al tiempo t ,entonces E(Xt | xs,η) es
µt = µ+(ρt,s1 − ρt,s2ρs1,s2 )(xs1 − µ) + (ρt,s2 − ρt,s1ρs1,s2 )(xs2 − µ)
1− ρ2s1,s2
,
El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs conpesos determinados por las correlaciones entre xt , xs1 y xs2
Interpolación lineal : Se basa en un proceso Browniano (Wiener), i.e.,
Xt ∼ GP(0,Σ(s, t)), Σ(s, t) = min{s, t}
En este caso E(Xt | xs) es
µt =(s2 − t)
(s2 − s1)xs1 +
(t − s1)
(s2 − s1)xs2
El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs conpesos determinados por las distancias entre xt , xs1 y xs2
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 13 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
Nos concentramos en Temperatura y CO2
Los datos de temperatura tienen 5, 788 observaciones mientras que el CO2 tienen = 1, 095 observaciones distribuidos en un intervalo de tiempo de 800, 000 añosatras
Los tiempos de medición son distintos
Calculamos las diferencias en los tiempos de observación ti − ti−1 y losgraficamos contra ti , para i = 1, . . . , n
Las medianas en las diferencias en los tiempos de medición son : 58 años para latemperatura y 586 años para el CO2
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 14 / 23
Motivación Modelo Interpolación Análisis de datos
Datos de cambio climático
0e+00 2e+05 4e+05 6e+05 8e+05
−10
−5
05
Years before present
Tem
pera
ture
0e+00 2e+05 4e+05 6e+05 8e+05
180
200
220
240
260
280
300
Years before present
C02
0e+00 2e+05 4e+05 6e+05 8e+05
020
040
060
080
010
0012
0014
00
Years before present
Tim
e di
ffere
nces
0e+00 2e+05 4e+05 6e+05 8e+05
010
0020
0030
0040
0050
0060
00
Years before present
Tim
e di
ffere
nces
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 15 / 23
Motivación Modelo Interpolación Análisis de datos
Especificaciones del modelo
Ajustamos nuestro modelo a las dos series usando las sig. especificacionesiniciales :
µ0 = 0, σ2µ = 100, aσ = 2, bσ = 1, aλ = bλ = 1, Aα = 2 and pβ = 0.5
La inferencia posterior no es sensible a estas especificaciones ya que la longitudde las series es grande
La función de covarianza se definió en términos de la la función Weibull yLog-logística para comparar
Para la predicción se tomaron varios valores de m ∈ {2, 4, 10, 20}
El muestreador de Gibbs se corrió por 20,000 iteraciones con un periodo decalentamiento de 2,000 manteniendo una de cada 10 simulaciones para reducir laautocorrelación en la cadena
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 16 / 23
Motivación Modelo Interpolación Análisis de datos
Ajuste del modelo
L(ν) =1n
n∑i=1
Var(xFi |x) +
ν
n
n∑i=1
{E(xF
i |x)− xi
}2, ν ∈ [0, 1]
Weibull Log-logisticm L(0) L(0.5) L(1) B L(0) L(0.5) L(1) B
Temperature2 1.479 1.991 2.504 1.025 1.476 1.990 2.505 1.0294 1.450 1.974 2.498 1.045 1.446 1.975 2.505 1.05910 1.442 1.964 2.486 1.043 1.427 1.959 2.491 1.06420 1.439 1.969 2.498 1.059 1.424 1.960 2.496 1.072
CO22 60.572 87.100 113.628 53.056 59.651 86.232 112.812 53.1614 60.395 87.069 113.744 53.349 59.907 86.519 113.130 53.22310 60.353 87.353 113.554 53.202 59.134 85.664 112.195 53.06120 60.422 86.537 113.252 52.830 59.740 86.149 112.558 52.818
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 17 / 23
Motivación Modelo Interpolación Análisis de datos
Funciones de correlación
0e+00 2e+05 4e+05 6e+05 8e+05
0.0
0.2
0.4
0.6
0.8
1.0
x
0e+00 2e+05 4e+05 6e+05 8e+050.
00.
20.
40.
60.
81.
0
x
FIGURE : Estimaciones de la función de correlación para los datos de temperatura.Weibull (izq.) y Log-logística (der.)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 18 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolaciones
Procedemos a producir interpolaciones con el modelo Log-logistic y con m = 10vecinos ya que con él se obtienen las menores varianzas
Las nuevas series interpoladas se generan con un espaciamiento de 100 y 1000años para comparar
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 19 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolaciones Temperatura : original, cada 100 y cada 1000
0e+00 2e+05 4e+05 6e+05 8e+05
−10−5
05
Years before present
0e+00 2e+05 4e+05 6e+05 8e+05
−10−5
05
Years before present
0e+00 2e+05 4e+05 6e+05 8e+05
−10−5
05
Years before present
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 20 / 23
Motivación Modelo Interpolación Análisis de datos
Interpolaciones CO2 : original, cada 100 y cada 1000
0e+00 2e+05 4e+05 6e+05 8e+05
180200
220240
260280
300
Years before present
0e+00 2e+05 4e+05 6e+05 8e+05
180200
220240
260280
300
Years before present
0e+00 2e+05 4e+05 6e+05 8e+05
180200
220240
260280
300
Years before present
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 21 / 23
Motivación Modelo Interpolación Análisis de datos
Dispersión CO2 vs. Temp (serie equiespaciada cada 100 años)
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●●
●
●
●
●
●●
●●
●●
●●
●
●●●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
● ●
●●
●
●
●
●
●
●
●
● ●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
● ●●
●
● ●
●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
● ●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●
●
●●●
●
●●
●●●●●
●
●
●
●●●●
●
●●
●●
●
●●●
●●●●
●
●
●●●●
●
●
●●●●●
●
●
●●
●●●
●
●
●●
●●
●
●●
●
●
●
●
●
●●
●●●●
●
●●●●●
●
●●●●●●●
●
●
●●
●●●
●
●●●●●●
●
●●●●●
●●
●
●
●●
●●●●
●
●●●
●
●
●
●
●
●
●●
●●●
●
●●●
●●
●●●●●
●●●●
●
●●●●●●●●
●●
●
●
●●
●
●●●●
●
●
●
●●●
●●
●●●
●●
●
●●
●●●
●
●
●●●
●●●
●
●●●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●●
●●
●
●●●●●
●●●●
●
●
●
●●
●
●●
●
●●
●
●●●●
●
●●
●●●●
●
●●
●●●
●
●
●●
●
●●
●●●●●●
●
●●
●
●●●
●●●
●
●
●
●
●
●●
●
●
●●●
●●
●
●●●●
●
●●●●
●
●
●●
●
●
●●
●
●
●●
●●●●
●
●
●●●●
●●
●
●●
●
●
●
●
●
●
●●
● ●● ●
●
●●
●
●
●
●●
●●
●
●
●
●●
●
●●
●●●●
●
●●
●●
●●●
●●●
●
●●
●●●●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
● ●●
●
●●
●●
●
●
●
●
●
●●
●●
●●
●
●
●●
●
●
●
●
●
●●
●●●
●
●
●
●●
●●●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●●
●
●
●●
●●●●●●
●
●
●●
●●
●
●●●
●
●
●●●●●
●
●●●
●
●●
●●●●
●●●●
●
●●●●●
●
●
●
●●●●●
●
●
●
●
●
●●●●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●●●
●●
●
●●
●
●
●●
●
●●●
●
●●●
●●
●
●●●
●●●●
●
●●
●●●●
●●
●●●●
●●
●
●●●●●
●●
●
●●●
●
●●
●●●
●
●●
●
●
●
●
●
●●●
●●
●●●●●
●●
●
●●●●
●
●
●●●●
●
●●●
●●
●
●●
●●
●●
●
●
●●
●●
●●
●●●
●
●
●
●
●●
●
●
●
●●
●●●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●●
●
●
●
●●
●
●●●
●●
●●
●●
●●
●
●
●●●●
●●
●●
●
●●
●
●●
●●
●●
●
●
●●
●●●
●●
●
●●
●
●
●●
●
●●
●
●
●
●●●
●●
●
●●●●
●
●●●
●●
●●
●
●
●●●●
●
●
●
●●●
●
●
●
●●
●●
●●●
●
●
●
●
●
●●
●●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●●
●●●
●
●●
●●
●
●
●●
●●●●
●
●
●●●
●●●
●
●
●●●
●●●●
●●
●●
●
●
●
●●●
●●●●
●
●
●●●
●
●●
●
●●
●●
●
●●
●
●●●●
●
●●●
●●
●●
●
●
●●●●●●●
●●●
●●●●●
●●
●●
●●
●●●
●●
●● ●
●●
●
●●●●
●
●●
●●
●
●
●●●●●
●
●
●
●
●●●
●●●●
●
●●●●●●●
●
●
●
●●
●●
●
●●
●●
●●●
●
●
●
●●●
● ●●
●
●●
●
●
●●
●
●●
●●●
●
●●
●●●
●●●●
●●
●●
●
●●
●
●●●●●
●
●
●●
●
●
●
●
●●●●●●●
●
●●
●
●●
●
●●●
●●
● ●● ●
●●
●●
●●●
●
●
●
●●
●
●
●●●
●
●
●●
●
●●●●
●●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●●●
●
●
●●
●
●
●
●
●
●●
●●
● ●
●
● ●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●●●
●
●
●●
●
●
●
●●
●●●
●●
●
●
●●
●●
●
●
●●
●
●●●
●●●
●
●
●●
●
●
●●●●
●
●
●●●●●●●
●
●
●
●●●●
●
●●
●
●
●
●
●●●
●●
●●
●
●●
●●●
●●
●
●
●●
●●
●
●●●
●●●●●
● ● ●●●
●
●
●
●●
●●●●●●●●
●●
●●
●
●
●●
●●
●●●●●
●●
●
●
●●●
●
●
●
●●●●●
●●
●●●
●
●●●
●
●●●
●●●●●
●
●
●●●●●
●
●
●●●
●●●●●●●
●
●●
●
●●
●●●●
●
●●●●
●●
●●
●●●●●
●●
●●●
●●●●
●●
●
●●
●●●●●●●●●
●●
●●●●●●●
●●●
●●
●●
●●●
●●
●●
●●●●
●●
●
●●●
●
●
●●●
●
●●
●
●●●●●
●●
●
●●●●
●●●●●
●
●●●
●
●●●
●●●
●●
●●●
●●●●●●
●●●●●●
●●
●
●●
●
●●●●●
●●
●
●
●●●●●●
●
●●
● ●
●
●●
● ●●
●●●●●●
●●●
●●●
●●●●●
●●●
●
●●●●
●●●●●●
●●●
●●●
●●
●●●
●
●●
●●●●
●●●
●●
●●●●●●●●●●●
●●●●
●
●
●
●●●
●●
●●●●
●●
●●
●●●●
●
● ●●●
●●●● ●●●
●●
●●
●●
●●●●
●●●
●
●●●●●
●●●
●
●●
●
●
●●●
●
●
●●●
●●
●●●●
●●●
●
●
●●●●●●
●●
●
●
●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●
●●●
●●●●●●●●
●●●●
● ●●
●●
●●
● ●●● ●● ●●●●●
●
●
●
●●●●
●
●●●
●●
●●●
●
●●●●
●●●
●
●●●●●●
●●●●●
●●●
●●●
●●●
●●●●●●
●●
●
●●
●●●●
●●
●●●
●●
●
●
●●●●●
●●●
●
●●●●
●●
●
●
● ●●
● ●●
●
●●●
●
●●●●●●
●●●●●●●●
●●●●●●●
●●●
●●
●●●●●
●●●
●●
●●●●
●●●●
●●●●●
●
●
●
●●
●
●●●●
●●●
●
●
●●
●
●●●●●●
●
●●●
●
●●●
●●●
●
●
●
●
●●●●●
●
●
● ●●●●●
●
●●
●●
●
●
● ●●●●
●●
●●●●●●●●●
●●
● ●
●●●
●●
●
●
●
●
● ● ●
●
●●●
●●
●
●
●●
●
●●
●●●●●●●
●
●●
●●
●●●●●●
●●
●●
●
●
●●
●●
●●●●●●
●●
●●
●●●●
●●●●●
●●
●●●●
●●●●●
●●
●
●●●●●
●
●
●●●●●●●●●
●●
●●●
●●●●●
●●●●●●●●●
●●●●
●●●
●●
●●●●●●●●●●
●●●●●
●●●●●●
●●● ●
●● ● ● ●
● ● ● ● ●
●● ●
●●●
●
●●
●●●●
●●●
●●●
●●
●●●●●
●●●●●●●
●●●●●●
●
●●
●
●
●●●●
●
●● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●
●●
●●●●●
●●●
●
●
●
●●● ●
●
●●
●●
●●●
●
●●●●
●●●
●
●●
●●●●●●●●
●
●●
●
●
●●
●
●●●
●●
●
●●●
●●●
●
●
●●
●
●
●●
●
●●●●●
●
●●
●
●●●
●●●
●●
●
●
●
●●●●
●●
●●●
●●
●
●
●
●
●●
●
●
●●●●
●
●●●●
●●
●
●●●●
●●
●●●●
●
●●●●
●●
●●●●
●●●
●●●●●
● ●● ● ●
● ● ●●●●●●
●
●●●●●
●●●●●●●●●
●●●●●
●●●●●●●●
●●●●
●●●●●●●●●
●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●
●
●●
●●●●●
●●
●●●●●
●●●●●
●●●
●
●●●●●●●●●●●
●●●●●●
●●
●
●●
●
●
●●●● ●
●●
●●●
●●
●●●●●●●●●●
●●
● ● ● ● ●●
●●●●●●
●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●
●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●
●●
●●●●
●●●
●●●
●●
● ●●●
●
●●●●●●
●●●●●●
●
●●●●●●
●●●●●●●●●●
●
●
●
●●●
●● ●●●●
●●●●●
●●●●●●●
●●●●●●●●
●●●●●●●
●●●●●●●●●
●
●
●●●●●●●●●●●●
●●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●
●●●●●
●●●●●
●●
●
●●
●●
●●
●●●●●●
●●
●●●●●●●●
●●
●●
●
●●●●●●●●●●●●●●●●
●
●●●●●●●●●●●●●●●●●●
●●●●●
●●●●
●●●●●●●●●●
●●●●●
●●●
●●●●●●●●●●
●●●●●
●●
●
●●●●●●●
●●●●●●
●
●●●●●
● ● ● ●● ●
●●●●
●●●●●
●●●●●●
●●●
●
●
●
●●
●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●
●●●
●●●●●●●●●●●●●
●●●●●
●
●
● ● ● ●●
●
●●●
●●
●●●●●●●●●●
●●
●
●●●
●
● ●●
●●
●●
●
●●●●●●●●
●●●●●●●●
●●
●●●●
●●
● ● ● ● ● ● ● ●●●●
●●●●
●
●●●
●●●●●
●●
●●●●●●●
●●●●●●●
●●●●●●●●●●
●●●●●●●
●●
●●●●●
●●
●●
●●●●●
●●●●
●●●●●●
●●●●●
●●●●●●●●●
●●●●●
●●●
●●●
●●●●
●●●●●
●●●●●●●●●●
●●
●
● ● ●
●● ●
●●
●
●
● ●
●●
●●
●● ●
● ●●
●●
●●●●
●
●
●●●
●●
●●
●
●
●●●●●
●●●●●
●●
●●●●●●●●
●●● ●●
●●
●●●
●●●●
●●●●●●
●●●
●●●●●
●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●●●●
●●
●●●●●●●●●●
●●●
●
●
●●●
●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●
●●
●●●
●●●
●●●
●●●
●●●●
●●●●●●●●●●●
●●●●●
●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●
●●
●●●●●●●●●
●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●
●●●●●●●●●
●●●●●●●● ●●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●
●●●
●●●●●●
●●●●
●
●
●●●●
●
●●●●●●●
●●●●●●
●●●●●●●
●●
●●●●
●●
●●●● ●●
●●
●●
●●●●●●●●●●●●●●●●●●●●
● ● ●● ● ● ●
●●●●●●●●●●●
●●●●●●
●
●●●●
●●●●●●●●
●●●●
●●●●●●●
●●●
●●●●●●●●
●
●●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●
●
●●●●●●●
●●●
●
●●●●●●●●●●
●●●
●
●●●●●●●
●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●
●●●●●●●●●●●
●●●●●
●●
●●●●●●●●
●●●●●●
●●
●●
●●
●●
●●●●●●
●●
●●●●●●●●●●●● ●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●● ●●●●
●●●●●●
●●●●●●● ●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●
●●●●● ● ●
● ●●●
●●●●● ● ● ● ●
●●●
●●●●●
●●
● ● ●●●●●●●●
●●●●●●
●●●●
●●●●●●●●●●
●●●●●●●●
●●●●●●●
●●●●
●●●●
●●●●●●●
●●●●
●●●●
●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●
●●●
●
●●
● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●
●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●
●●●●●●
●●●●
●●●●●●●●●●●● ● ● ● ●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●● ● ● ●● ● ● ●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●
●●●● ● ●●●●●●●●●
●●●●●●●●●
●●●●●●●
●●●●
● ● ● ●●● ● ●
●●
●●●● ● ●●
●
●●
● ●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●
●●●●●●
●●●●●●●● ● ● ●
●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●
●●
●●●●●●●●●●●●●●●
●●
●●
●●●●●
●●
●●
●●●●●
●●●
●●
●●
●●●
●●●
●●●●
●●●●●
●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●● ● ●
●● ●● ●●
● ●● ●● ●● ● ●●●
●●●●●●
●●●●●●●●●
●●
●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●●●
●●●●●●●
●●●●●●●
●●
●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●
●●●●●
●●
●●
●●
●●●
●●●
●●
●●
●●
●●
●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ●●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●
● ●● ● ●
●●
●●
●●●●●●●●●●●
●●
●●●●●●●●●●
●●●●●●●●●●
●●
●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●
● ● ●●●●●●●●● ● ●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ● ● ● ● ● ● ● ●●●● ● ●●●●
●●●●●●
●●●●●●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●● ● ● ●●●●●●●● ●●●●●●●●●●●
●●●●●●●●●●●
●●
●●
●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ● ●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●
●●●
●●●●
●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●
●● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●● ● ● ● ●●
●●● ● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
180 200 220 240 260 280 300
−10
−5
05
CO2
Tem
p
Corr. Pearson : Media 0.86, IC al 95% (0.858, 0.872)
Tau de Kendall : Media 0.66, IC al 95% (0.647, 0.667)
Rho de Spearman : Media 0.85, IC al 95% (0.843, 0.859)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 22 / 23
Motivación Modelo Interpolación Análisis de datos
Dispersión CO2 vs. Temp (serie equiespaciada cada 100 años)
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●●
●
●
●
●
●●
●●
●●
●●
●
●●●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
● ●
●●
●
●
●
●
●
●
●
● ●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
● ●●
●
● ●
●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
● ●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●
●
●●●
●
●●
●●●●●
●
●
●
●●●●
●
●●
●●
●
●●●
●●●●
●
●
●●●●
●
●
●●●●●
●
●
●●
●●●
●
●
●●
●●
●
●●
●
●
●
●
●
●●
●●●●
●
●●●●●
●
●●●●●●●
●
●
●●
●●●
●
●●●●●●
●
●●●●●
●●
●
●
●●
●●●●
●
●●●
●
●
●
●
●
●
●●
●●●
●
●●●
●●
●●●●●
●●●●
●
●●●●●●●●
●●
●
●
●●
●
●●●●
●
●
●
●●●
●●
●●●
●●
●
●●
●●●
●
●
●●●
●●●
●
●●●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●●
●●
●
●●●●●
●●●●
●
●
●
●●
●
●●
●
●●
●
●●●●
●
●●
●●●●
●
●●
●●●
●
●
●●
●
●●
●●●●●●
●
●●
●
●●●
●●●
●
●
●
●
●
●●
●
●
●●●
●●
●
●●●●
●
●●●●
●
●
●●
●
●
●●
●
●
●●
●●●●
●
●
●●●●
●●
●
●●
●
●
●
●
●
●
●●
● ●● ●
●
●●
●
●
●
●●
●●
●
●
●
●●
●
●●
●●●●
●
●●
●●
●●●
●●●
●
●●
●●●●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
● ●●
●
●●
●●
●
●
●
●
●
●●
●●
●●
●
●
●●
●
●
●
●
●
●●
●●●
●
●
●
●●
●●●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●●
●
●
●●
●●●●●●
●
●
●●
●●
●
●●●
●
●
●●●●●
●
●●●
●
●●
●●●●
●●●●
●
●●●●●
●
●
●
●●●●●
●
●
●
●
●
●●●●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●●●
●●
●
●●
●
●
●●
●
●●●
●
●●●
●●
●
●●●
●●●●
●
●●
●●●●
●●
●●●●
●●
●
●●●●●
●●
●
●●●
●
●●
●●●
●
●●
●
●
●
●
●
●●●
●●
●●●●●
●●
●
●●●●
●
●
●●●●
●
●●●
●●
●
●●
●●
●●
●
●
●●
●●
●●
●●●
●
●
●
●
●●
●
●
●
●●
●●●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●●
●
●
●
●●
●
●●●
●●
●●
●●
●●
●
●
●●●●
●●
●●
●
●●
●
●●
●●
●●
●
●
●●
●●●
●●
●
●●
●
●
●●
●
●●
●
●
●
●●●
●●
●
●●●●
●
●●●
●●
●●
●
●
●●●●
●
●
●
●●●
●
●
●
●●
●●
●●●
●
●
●
●
●
●●
●●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●●
●●●
●
●●
●●
●
●
●●
●●●●
●
●
●●●
●●●
●
●
●●●
●●●●
●●
●●
●
●
●
●●●
●●●●
●
●
●●●
●
●●
●
●●
●●
●
●●
●
●●●●
●
●●●
●●
●●
●
●
●●●●●●●
●●●
●●●●●
●●
●●
●●
●●●
●●
●● ●
●●
●
●●●●
●
●●
●●
●
●
●●●●●
●
●
●
●
●●●
●●●●
●
●●●●●●●
●
●
●
●●
●●
●
●●
●●
●●●
●
●
●
●●●
● ●●
●
●●
●
●
●●
●
●●
●●●
●
●●
●●●
●●●●
●●
●●
●
●●
●
●●●●●
●
●
●●
●
●
●
●
●●●●●●●
●
●●
●
●●
●
●●●
●●
● ●● ●
●●
●●
●●●
●
●
●
●●
●
●
●●●
●
●
●●
●
●●●●
●●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●●●
●
●
●●
●
●
●
●
●
●●
●●
● ●
●
● ●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●●●
●
●
●●
●
●
●
●●
●●●
●●
●
●
●●
●●
●
●
●●
●
●●●
●●●
●
●
●●
●
●
●●●●
●
●
●●●●●●●
●
●
●
●●●●
●
●●
●
●
●
●
●●●
●●
●●
●
●●
●●●
●●
●
●
●●
●●
●
●●●
●●●●●
● ● ●●●
●
●
●
●●
●●●●●●●●
●●
●●
●
●
●●
●●
●●●●●
●●
●
●
●●●
●
●
●
●●●●●
●●
●●●
●
●●●
●
●●●
●●●●●
●
●
●●●●●
●
●
●●●
●●●●●●●
●
●●
●
●●
●●●●
●
●●●●
●●
●●
●●●●●
●●
●●●
●●●●
●●
●
●●
●●●●●●●●●
●●
●●●●●●●
●●●
●●
●●
●●●
●●
●●
●●●●
●●
●
●●●
●
●
●●●
●
●●
●
●●●●●
●●
●
●●●●
●●●●●
●
●●●
●
●●●
●●●
●●
●●●
●●●●●●
●●●●●●
●●
●
●●
●
●●●●●
●●
●
●
●●●●●●
●
●●
● ●
●
●●
● ●●
●●●●●●
●●●
●●●
●●●●●
●●●
●
●●●●
●●●●●●
●●●
●●●
●●
●●●
●
●●
●●●●
●●●
●●
●●●●●●●●●●●
●●●●
●
●
●
●●●
●●
●●●●
●●
●●
●●●●
●
● ●●●
●●●● ●●●
●●
●●
●●
●●●●
●●●
●
●●●●●
●●●
●
●●
●
●
●●●
●
●
●●●
●●
●●●●
●●●
●
●
●●●●●●
●●
●
●
●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●
●●●
●●●●●●●●
●●●●
● ●●
●●
●●
● ●●● ●● ●●●●●
●
●
●
●●●●
●
●●●
●●
●●●
●
●●●●
●●●
●
●●●●●●
●●●●●
●●●
●●●
●●●
●●●●●●
●●
●
●●
●●●●
●●
●●●
●●
●
●
●●●●●
●●●
●
●●●●
●●
●
●
● ●●
● ●●
●
●●●
●
●●●●●●
●●●●●●●●
●●●●●●●
●●●
●●
●●●●●
●●●
●●
●●●●
●●●●
●●●●●
●
●
●
●●
●
●●●●
●●●
●
●
●●
●
●●●●●●
●
●●●
●
●●●
●●●
●
●
●
●
●●●●●
●
●
● ●●●●●
●
●●
●●
●
●
● ●●●●
●●
●●●●●●●●●
●●
● ●
●●●
●●
●
●
●
●
● ● ●
●
●●●
●●
●
●
●●
●
●●
●●●●●●●
●
●●
●●
●●●●●●
●●
●●
●
●
●●
●●
●●●●●●
●●
●●
●●●●
●●●●●
●●
●●●●
●●●●●
●●
●
●●●●●
●
●
●●●●●●●●●
●●
●●●
●●●●●
●●●●●●●●●
●●●●
●●●
●●
●●●●●●●●●●
●●●●●
●●●●●●
●●● ●
●● ● ● ●
● ● ● ● ●
●● ●
●●●
●
●●
●●●●
●●●
●●●
●●
●●●●●
●●●●●●●
●●●●●●
●
●●
●
●
●●●●
●
●● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●
●●
●●●●●
●●●
●
●
●
●●● ●
●
●●
●●
●●●
●
●●●●
●●●
●
●●
●●●●●●●●
●
●●
●
●
●●
●
●●●
●●
●
●●●
●●●
●
●
●●
●
●
●●
●
●●●●●
●
●●
●
●●●
●●●
●●
●
●
●
●●●●
●●
●●●
●●
●
●
●
●
●●
●
●
●●●●
●
●●●●
●●
●
●●●●
●●
●●●●
●
●●●●
●●
●●●●
●●●
●●●●●
● ●● ● ●
● ● ●●●●●●
●
●●●●●
●●●●●●●●●
●●●●●
●●●●●●●●
●●●●
●●●●●●●●●
●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●
●
●●
●●●●●
●●
●●●●●
●●●●●
●●●
●
●●●●●●●●●●●
●●●●●●
●●
●
●●
●
●
●●●● ●
●●
●●●
●●
●●●●●●●●●●
●●
● ● ● ● ●●
●●●●●●
●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●
●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●
●●
●●●●
●●●
●●●
●●
● ●●●
●
●●●●●●
●●●●●●
●
●●●●●●
●●●●●●●●●●
●
●
●
●●●
●● ●●●●
●●●●●
●●●●●●●
●●●●●●●●
●●●●●●●
●●●●●●●●●
●
●
●●●●●●●●●●●●
●●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●
●●●●●
●●●●●
●●
●
●●
●●
●●
●●●●●●
●●
●●●●●●●●
●●
●●
●
●●●●●●●●●●●●●●●●
●
●●●●●●●●●●●●●●●●●●
●●●●●
●●●●
●●●●●●●●●●
●●●●●
●●●
●●●●●●●●●●
●●●●●
●●
●
●●●●●●●
●●●●●●
●
●●●●●
● ● ● ●● ●
●●●●
●●●●●
●●●●●●
●●●
●
●
●
●●
●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●
●●●
●●●●●●●●●●●●●
●●●●●
●
●
● ● ● ●●
●
●●●
●●
●●●●●●●●●●
●●
●
●●●
●
● ●●
●●
●●
●
●●●●●●●●
●●●●●●●●
●●
●●●●
●●
● ● ● ● ● ● ● ●●●●
●●●●
●
●●●
●●●●●
●●
●●●●●●●
●●●●●●●
●●●●●●●●●●
●●●●●●●
●●
●●●●●
●●
●●
●●●●●
●●●●
●●●●●●
●●●●●
●●●●●●●●●
●●●●●
●●●
●●●
●●●●
●●●●●
●●●●●●●●●●
●●
●
● ● ●
●● ●
●●
●
●
● ●
●●
●●
●● ●
● ●●
●●
●●●●
●
●
●●●
●●
●●
●
●
●●●●●
●●●●●
●●
●●●●●●●●
●●● ●●
●●
●●●
●●●●
●●●●●●
●●●
●●●●●
●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●●●●
●●
●●●●●●●●●●
●●●
●
●
●●●
●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●
●●
●●●
●●●
●●●
●●●
●●●●
●●●●●●●●●●●
●●●●●
●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●
●●
●●●●●●●●●
●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●
●●●●●●●●●
●●●●●●●● ●●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●
●●●
●●●●●●
●●●●
●
●
●●●●
●
●●●●●●●
●●●●●●
●●●●●●●
●●
●●●●
●●
●●●● ●●
●●
●●
●●●●●●●●●●●●●●●●●●●●
● ● ●● ● ● ●
●●●●●●●●●●●
●●●●●●
●
●●●●
●●●●●●●●
●●●●
●●●●●●●
●●●
●●●●●●●●
●
●●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●
●
●●●●●●●
●●●
●
●●●●●●●●●●
●●●
●
●●●●●●●
●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●
●●●●●●●●●●●
●●●●●
●●
●●●●●●●●
●●●●●●
●●
●●
●●
●●
●●●●●●
●●
●●●●●●●●●●●● ●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●● ●●●●
●●●●●●
●●●●●●● ●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●
●●●●● ● ●
● ●●●
●●●●● ● ● ● ●
●●●
●●●●●
●●
● ● ●●●●●●●●
●●●●●●
●●●●
●●●●●●●●●●
●●●●●●●●
●●●●●●●
●●●●
●●●●
●●●●●●●
●●●●
●●●●
●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●
●●●
●
●●
● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●
●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●
●●●●●●
●●●●
●●●●●●●●●●●● ● ● ● ●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●● ● ● ●● ● ● ●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●
●●●● ● ●●●●●●●●●
●●●●●●●●●
●●●●●●●
●●●●
● ● ● ●●● ● ●
●●
●●●● ● ●●
●
●●
● ●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●
●●●●●●
●●●●●●●● ● ● ●
●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●
●●
●●●●●●●●●●●●●●●
●●
●●
●●●●●
●●
●●
●●●●●
●●●
●●
●●
●●●
●●●
●●●●
●●●●●
●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●● ● ●
●● ●● ●●
● ●● ●● ●● ● ●●●
●●●●●●
●●●●●●●●●
●●
●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●●●
●●●●●●●
●●●●●●●
●●
●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●
●●●●●
●●
●●
●●
●●●
●●●
●●
●●
●●
●●
●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ●●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●
● ●● ● ●
●●
●●
●●●●●●●●●●●
●●
●●●●●●●●●●
●●●●●●●●●●
●●
●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●
● ● ●●●●●●●●● ● ●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ● ● ● ● ● ● ● ●●●● ● ●●●●
●●●●●●
●●●●●●●●●●●●●
●●●●
●●●
●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●● ● ● ●●●●●●●● ●●●●●●●●●●●
●●●●●●●●●●●
●●
●●
●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ● ● ●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●
●●●
●●●●
●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●
●● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●● ● ● ● ●●
●●● ● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
180 200 220 240 260 280 300
−10
−5
05
CO2
Tem
p
Corr. Pearson : Media 0.86, IC al 95% (0.858, 0.872)
Tau de Kendall : Media 0.66, IC al 95% (0.647, 0.667)
Rho de Spearman : Media 0.85, IC al 95% (0.843, 0.859)
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 22 / 23
Motivación Modelo Interpolación Análisis de datos
Referencias
Nieto-Barajas, L. E. & Sinha, T. (2015). Bayesian interpolation of unequallyspaced time series. Stochastic Environmental Research and Risk Assessment 29,577–587.
Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM – 27 de octubre de 2016 23 / 23