Universidad Tecnolgica de Bolvar

Anlisis de ponencias Estadsticas

Estefana Castro Surez
1)

Space time process evolving temporally over planet earth

Al principio en esta ponencia se habl sobre la velocidad del viento en Irlanda en la que el principal
objetivo de este estudio fue construir mapas dinmicos de la velocidad del tiempo en este pas ,el
modelo que se utiliz un campo aleatorio Gaussiano en la que se necesitaba estimar modelos con un
buen balance entre softwares computacionales y eficiencia estadstica , para la creacin de los mapas
de presin las variables que se tomaron fueron la temperatura y la presin ,los datos espacios
temporales se pasaron a pelculas y se resalt la importancia de trabajar con valores de co-varianza y
vectores gaussianos.
Uno de los temas ms interesantes que se trataron fueron los errores de proyeccin de la esfera global,
uno de los propsitos de su estudio era medir las discrepancias utilizando las mtricas correctas y la
subestimacin de las estimaciones por la comunidad cientfica para derribar los paradigmas de ms de
70 aos en las escalas de la esfera global en la que el expositor mantiene que no se deban usar
proyecciones .Para la comprobacin de estas discrepancias se utilizaron grficos de cajas ya que estas
son sensibles a datos melmanos ,se hicieron mediante intervalos de variacin de las distancia de los
puntos y proyecciones estilogrficas
Alunas operaciones que se utilizaron fueron Teoremas Gaussianos, polinomios de Gegenber, Conjuntos
de armonas esfricas, procesos estocsticos para la esfera ,teoremas de caracterizacin y variables
dependientes e independientes para contrarrestar del paso del tiempo.
2)

La teora de la prediccin y filtrado

En la primera ponencia lo que se habla de algunos conceptos de estimacin y filtrado en sistemas

lineales , tambin sobre introducir elementos bsicos de estimacin de parmetros para modelos
lineales y su aplicacin en problemas reales, estos podan ser por ejemplo en el caso de los parmetros
:suponiendo que tenemos el modelo correcto con los parmetros correctos, como podemos asegurar
que el comportamiento del modelo predice la realidad y en caso de la estimacin asumiendo que
tengamos el modelo correcto pero no tengamos los parmetros del modelo, como podemos estimar los
mejores parmetros del modelo que se ajustan a las observaciones de la realidad.
El problema sobre el cual se discuti se consider de la siguiente manera:
Consideremos dos procesos estocsticos reales {S(t),t
ruido.

T} Y {N(t), t

T} a los cuales se llam seal y

Se asumi y(t)= s(t) + n(t) puede ser observada o medida, en el tiempo y(T),t0Tt
Basado en esta realizacin se determinar el mejor estimado del valor de la seal de tiempo t 1.

Si t1<t, el problema se llama un problema de suavizado o un problema de interpolacin

Si t1=t, el problema se llama un problema de filtrado.
Si t1>t, el problema se llama problema de prediccin.

Los procesos de seal y ruido: Pueden ser caracterizados por funciones de covarianza, densidades
espectrales y ecuaciones diferenciales o estocsticas.
La contextualizacin de la ponencia fue: como obtener la mejor estimacin de una seal a partir de su
modelo y asumiendo un comportamiento probabilstico del ruido y la seal, se estudi tambin como
utilizar las mediciones provenientes de un modelo real con el fin de estimar parmetros.

Anexos

Ilustracin 1 Ejemplo de discrepancias en proyecciones

Ilustracin 2Evidencia y mapa de las locaciones en las que se estudiaron la velocidad del tiempo
en Irlanda