Estudio del caudal a través de modelos lineales generalizados dinámicos
Resumen
Este documento presenta una introducción a los modelos lineales dinámicos normales y generalizados que son una herramienta importante en el análisis de series de tiempo bajo un contexto bayesiano, donde el cambio dinámico de sus parámetros permite una adaptación a las circunstancias en que evolucionan los datos, facilitando su análisis e interpretación. Dicha metodología se implementará en el modelamiento del caudal y la precipitación para los datos recolectados en la estación Cabrera del río Sumapaz ubicado en la región central del territorio colombiano.
Citas
GAMERMAN, D. (1997), Markov Chain Monte Carlo: Stochastic simulation for Bayesian inference., Chapman & Hall, London.
GAMERMAN, D. (1998), 'Markov chains Monte Carlo for dynamic generalized linear models ', Biometrika 85, 215- 227.
HARRISON, P. J. & STEVENS, C. V. (1976), 'Bayesian Forecasting. ', foWllal of the Royal Statistical Society (38), 205- 247.
WEST, M. & HARRISON, J. (1997), Bayesian Forecastin and Dinamic Models, Springer-Verlag , New York.
WEST, P., MIGON, H. & HARRISON, J. (1985), 'Dynamic Generalized Linear Models and Bayesian Forecasting', Journal of the American Statistical Association 80(389), 73- 83.
GAMERMAN, D. (1998), 'Markov chains Monte Carlo for dynamic generalized linear models ', Biometrika 85, 215- 227.
HARRISON, P. J. & STEVENS, C. V. (1976), 'Bayesian Forecasting. ', foWllal of the Royal Statistical Society (38), 205- 247.
WEST, M. & HARRISON, J. (1997), Bayesian Forecastin and Dinamic Models, Springer-Verlag , New York.
WEST, P., MIGON, H. & HARRISON, J. (1985), 'Dynamic Generalized Linear Models and Bayesian Forecasting', Journal of the American Statistical Association 80(389), 73- 83.