Professional Documents
Culture Documents
PROYECTO DE TESIS
PUNO
PERU
2013
INDICE
1. DATOS GENERALES
2. PLAN D E INVESTIGACIN
2.1. PROBLEMA
2.1.3. OBJETIVOS
2.1.4. HIPOTESIS
7
7
37
45
46
46
47
48
48
3.2. PRESUPUESTO
49
3.3. FINANCIAMIENTO
50
4. BIBLIOGRAFIA CONSULTADA
51
1. DATOS GENERALES
1.1 TITULO
FACTORES INFLUYENTES EN LA PRECIPITACIN PLUVIAL EN LA
CIUDAD DE PUNO, PERIODO 1980 _2012
1.2 RESPONSABLES
EJECUTOR
DIRECTOR
ASESOR
: Estadstica
: Descriptivo _ Aplicativo
1.4 LOCALIZACIN
DEPARTAMENTO
PROVINCIA
DISTRITO
: Puno
: Puno
: Puno
FECHA DE INICIO
FECHA DE FINALIZACIN
: 01/07/2013
: 02/10/2013
2. PLAN DE INVESTIGACIN
2.1. PROBLEMA
2.1.1. FORMULACIN Y DEFINICIN DEL PROBLEMA
Existen instituciones que dedican buena parte de sus actividades al
estudio de factores climticos observando su evolucin y desarrollo
tal es el caso del Servicio Nacional de Meteorologa e Hidrologa
SENAMHI PUNO; porque se ha visto que el futuro de la humanidad
est en riesgo. El cambio climtico es un peligro para la sociedad en
general.
La observacin meteorolgica desempea un papel de gran
importancia al proporcionar informacin necesaria para planificar, y a
su vez permite proteger a la poblacin de daos causados por
fenmenos naturales catastrficos, como la precipitacin (sequias e
inundaciones extremas) los cuales generan cuantiosos daos y
prdidas de vidas e interrumpe la produccin de bienes y servicios.
Estos fenmenos tienen sus orgenes en la interaccin ocanoatmsfera, que manifiesta sus efectos en el continente, alterando el
rgimen de precipitaciones. Segn el SENAMHI, en el caso de Per
esta se asocia con torrenciales lluvias e inundaciones en la costa
ocano,
estn
influyendo
principalmente
en
dicho
comportamiento.
La participacin de estos factores climticos en la presente
investigacin es debido a la interaccin que existe entre la atmosfera
y el ocano, y por la teora del efecto mariposa.
El efecto mariposa hace referencia a que una simple ala de mariposa
hoy produce un diminuto cambio en el estado de la atmosfera.
Despus de un cierto tiempo, el comportamiento de la atmosfera
cambia del que debera de haber tenido, por ejemplo muchas veces
se dice que cuando nieva en las alturas, aqu en la ciudad de Puno
sentimos un viento suave pero muy frio, lo mismo ocurre cuando
nubes oscuras cubren el cielo y se espera una lluvia fuerte, pero
basta que venga un viento fuerte para que las nubes se desplacen a
otro lugar y llueva en un lugar en el que no se esperaban
precipitaciones y en el que se esperaba no se presente, lo que ocurre
en el otro lado del mundo puede cambiar mucho o influir en el
comportamiento de una variable climtica en este caso la
precipitacin, es por ello el inters en investigar cul de estos
factores influyen principalmente en el comportamiento de la
precipitacin en la ciudad de Puno.
El pronstico de la precipitacin pluvial es muy complejo y
difcilmente podemos atribuir a una sola variable los resultados en
otra, la realidad nos obliga a reconocer que para predecir con mayor
precisin la precipitacin pluvial, es necesario observar e integrar en
el anlisis otras variables que tambin pueden estar relacionadas.
Por lo tanto surge el inters de conocer:
Cules son los factores principales que influyen en la precipitacin
pluvial en la Ciudad de Puno, periodo 1980-2012?
precipitacin
multiescalar en
tiempo
espacio
de
las
seales
2.1.4. HIPOTESIS
2.1.4.1. HIPOTESIS GENERAL
nio
1+2
la
regin
nio
3,
influyen
0.5451 B0.04861(B ) a
Y para la serie de precipitacin es:
ln Z ARIMA ( 1,1,1 )( 1,0,1 ) CON S=12
Cuyo modelo esta dado por:
ln ( Z ) =0.192245 B+0.96974 B12 12 Z
0.9992 B0.822161(B 12)a
Donde:
1 , 2 y 3 :
Primer,
segundo
tercer
coeficiente
de
t = 1 t1 + 2 t2 + 3 t3 + [ 1( 21+ 22 + 23+ 2 1 2 r 1+ 2 1 3 r 2+ 2 2 3 r 3) ] t
para
pronsticos
de
Temperatura
Extremas
7 a.m.
p.m.
x
( 1) y Termmetro Hmedo de las 7am. ( x 4 19
es
adquisicin
de
datos
que
muestren
los
y la otra
X ,
Dnde:
Y : Variable de respuesta o variable dependiente.
X : Variable predictor o variable independiente.
independiente es cero.
b
: Error aleatorio.
yi
Si
xi
Si consideramos:
y
E( i )=a+ b x i , entonces el modelo es
y i=a+ b xi + ei
E ( e i )=0.
2
V( e i )= , i
La covarianza:
Cov (
ei , e j
)=0 para
i j
y =a+b x i
E ( i)
V ( y i )=V ( ei ) =
Si
Xi
casos siguientes:
sean seleccionados o
regresin de
sobre
de
sobre
no representan a la distribucin
estudiar la regresin de
sobre
y la de
sobre
de la
de
es
Y . Adems,
e e= ei
'
i=1
[]
e1
e= e 2
eN
El
error
aleatorio
denotado
por
cuya
distribucin
de
DN ( 0, ) .
Ecuaciones Normales:
N a^ + b^ x i= y i
x 2i = x i y i
a^ x i+ b^
Para estimar
a^
^
y b :
a^ =Y . b^ X .
b^ =
x i y iN Y . X .
x2i N X .2
Donde:
X .
N
xi
Y .=
N
yi
El objetivo del
1 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 11.
i=1,2, , N (1)
Donde:
x 0i =1
i sima
Observacin
de
los
Forzantes
Los parmetros
regresin. El parmetro
respuesta
Xj
Xi
variables regresoras
los
i simo
e i DNI (0, 2 ) .
1
x=
1
x11 x 17
xN 1 x N 7
] [] [] []
,
y1
e1
y= , e= ,
yN
eN
0
=
7
Yi
[ ][
][ ] [ ]
y1
1 x11 x 17 0 e1
y 2 = 1 x 21 x 27 1 + e2
yN
1 x N 1 xN 7 7 eN
cuadrados
es:
Y^ i= ^ 0 + ^ 1 X 1i + ^ 2 X 2 i+ + ^ K X ki i=1,2, , N
Ecuaciones normales:
X ' Y =( X ' X ) ^
De aqu:
X 'Y X
X
Y
Y ,X'X X
io i
i1 i
i2 i
io
io
X ik
X i1
ik i
X i2
X
x
X
2
io
io
io
X i1
2
i1
i1
i1
X X X X X X
x x x X X X
X
X X X
io
i2
i2 i1
X i2
X ik
io
i3
i3
i1
io
ik
ik
i1
i3
i2
i2
X ik
i2
X ik X ik
2
i3
ik
Siendo:
X io =1 , i=1, ,N
X io=N
X io X i 1= X i 1=X .1
X io Y i= Y i =Y .
X
X 'Y
i1 i
X
,X'X
Y
X
i 2Yi
i3 i
i2
i3
2
i1
i1
i2
i1
i3
......
ik i
i1
X i1
X
X
X X
X X
X X
ik
i1
X ik
X
X
X
X
X i3
X
X
X
X
X ik
i2
i3
i2 X i1
2
i2
i2
i2
i3
X
X ....... X X
X ....... X X
......... X X
.....
i1
i3
i3
i3
ik
i2
X ik .....
^ i N [ i , a ii 2 ] ,
i1
i2
ik
i3
ik
ik
2
ik
donde a ii :
Es el elemento i simo
(i=0,, k) de la diagonal de
( X ' X )1 , de aqu
var [ ^ i ]=aii 2
Siendo su estimador:
^
Var ( ^ i)=aii ^ 2
E ( i ) =0
y una
Var ( i ) = 2 .
variables regresoras
X 1 , X 2 , , X k
y cualquiera de las
1, 2, , k
X 1 , X 2 , , X K
a la vez.
los regresores
X 1 , X 2 , , X k
significativa.
El mtodo del anlisis de varianza en las pruebas de
significancia global de una regresin mltiple observada:
la prueba F
Esta hiptesis conjunta puede ser probada por la tcnica de
anlisis de varianza (ANOVA).
TABLA N1: Anlisis de la Varianza (Corregida por la Media)
(para ajustar una regresin)
Fuente de
Grados
Suma
variacin
de
cuadrados
de
Cuadrados
Estadstico F
Medios
libertad
Regresin
r1
'
2
SSR m= ^ X Y n YMSR = SSR
m
r1
n1
SSE
SSE=Y ' Y ^ ' X 'MSE=
Y
nr
n1
SSTm=Y ' Y n Y 2
(c.p.m)
Error
Residual
Total
F ( Rm ) =
MSRm
MSE
cpm:
, se puede
e i N (0, 2)
t=
^ i i
t (nr )
^ aii
Donde:
aii
i=0, , k
X
( ' X )1
r=k +1 .
i 0
H0
o en forma contraria si t
son ceros.
5GUJARATI Damodar, N. Econometra. Cuarta edicin, Mxico, Editorial McGrawHill, 2004. P. 209.
regresoras,
R 2=
SS R
SS
=1 Res
SST
SS T
medida de la variabilidad de
SS T
es una
variable regresora
de
X ,
SS Res
0 R 2 1 . Los valores de
parte de la variabilidad de
X . Ya que
0 SS Res SST
, entonces
R2
regresin.
Hay otras ideas errneas acerca de
R2
. En general
R2
no mide
de
grande aunque
y Y
no
es
SS Res
(nr )
R2Adj =1
SST
(n1)
R2 Y R2 Ajustada
En vista de que
SST
(n1)
SS Res
(nr )
hay en el modelo,
R Adj
R Ajustada
7 MONTGOMERY Douglas C., PECK Elizabeth A. y VINING G. Geoffrey. Ob. Cit. P. 82.
El
R2Adj
R2Adj
si
predeterminado,
este
la
valor
F*
variable
excede
independiente
un
nivel
debe
ser
que
la
variable
x7
fue
la
variable
x7
es
xk
)
x7
F=
MSE(x k , x7 )
MSR(
cuando
modelo
x7
x7
)
x3
F=
MSE(x 7 , x3 )
MSR(
x7
normalidad
univariante
ayudara
obtener
normalidad
H0
10 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 67.
( e^ i e^ i1 )2
d= i=1
e^ 2i
i=1
Aceptar
H0
La prueba no es concluyente.
MULTICOLINEALIDAD
Se sospecha que la colinealidad est presente en situaciones en que
R2
R2
es alto quiere
.
Para detectar la multicolinealidad usaremos el factor de inflacin
de varianza (VIF)11.
A medida en que es mayor la multicolinealidad presente en uno de
los regresores del modelo, la varianza de su coeficiente comienza a
crecer por que el denominador de la formula se hace ms chico. Es
decir, la multicolinealidad infla la varianza del coeficiente.
Formalmente:
VIF j
1
1 R 2j
ANEMMETRO TOTALIZADOR
Instrumento mecnico que determina el recorrido del viento y con ello
la velocidad media del viento en un periodo determinado. Se expresa
en km/h y m/s.
CAMBIO CLIMTICO
Son las variaciones medias de los valores de los elementos
meteorolgicos (temperatura, precipitacin, humedad, etc.) de una
amplia regin, a lo largo de un periodo de tiempo, que provocan
alteraciones en el clima de esa zona.
ESTACIN METEOROLGICA
Una estacin meteorolgica, es una unidad de informacin bsica.
Es una zona destinada a explorar un sector atmosfrico ms o
menos
extenso.
Por
ello
es
fundamental
seleccionar
el
indicamos
que
rene
aproximadamente
las
del
aire
en
relacin
la
superficie
terrestre,
Indicador
la Nio 1+2
Nio 3
Nio 4
temperatura
Nio 3.4
superficial del mar
Anomala
de
ndice
caracterstica
C
C
C
C
larga
Vientos
de w/
onda larga
la Vientos en la m/s
en
superficie
del superficie
del
ocano
ndice
ocano
de ndice
de hPa
oscilacin
del
sur
Precipitacin
mm.
Precipitacin pluvial
los
Recoleccin de informacin.
que
estn
variables STEPWISE.
Verificacin de supuestos estadsticos para la regresin
lineal
mltiple
varianzas,
(Normalidad,
Independencias,
Homogeneidad
y
de
las
Multicolinealidad);
se
MESES - 2013
Abril
May
Juni
Julio
Agost
Septiem
Octubr
e
bre
Revisin
de x
bibliografa
Formulacin
del
proyecto
Recoleccin
de x
datos
Presentacin del
proyecto
Anlisis de datos
Creacin
de
X
x
x
x
tablas y grficos
Interpretacin de
resultados
Redaccin
del
Informe Final
Presentacin del
Informe
Sustentacin del
Informe (Tesis)
x
x
2.4.2. PRESUPUESTO
Para la realizacin de este trabajo de investigacin, se requerir del
siguiente presupuesto.
MATERIALES
CANTIDAD
UNIDAD
PRECIOs/.
Bibliografa (libros)
computadora
Pentium
8
1
unidades
unidad
300.00
1369.00
1
1
unidad
unidad
2650.00
247.00
10
5
800
10
22
9
5
millares
millares
unidades
unidades
unidades
unidades
unidades
3
60
unidades
horas
250.00
80.00
80.00
5.00
33.00
135.00
5.00
5.00
5.00
300.00
60.00
90.00
90.00
4937.00
multifuncional
Papel bond 80 gr.
Papel bond 70 gr.
Fotocopiados
Flderes
Anillados
Empastados
Lapiceros
Microsoft Windows 7
Microsoft Office
Tinta (impresora)
Internet
pasajes
otros
Total
2.4.3. FINANCIAMIENTO
Los gastos realizados en, material y otros, para la realizacin del
siguiente trabajo de investigacin, sern financiados en su totalidad
por la ejecutora.
1.3.
BIBLIOGRAFA CONSULTADA
TESIS
Facultad
Ingeniera
Estadstica
Informtica,
Escuela
Ingeniera
Estadstica
Informtica,
Escuela
Profesional
FUENTES INFORMTICAS
Modelos de Regresin Mltiple [en lnea]: Per. 2013. [01 de Enero].
Disponible
http://www.bioestadistica.uma.es/baron/apuntes/ficheros/cap06.pdf
en
en
http://www.uam.es/personal_pdi/ciencias/abaillo/AmbEst/Tema4.pdf
Regresin mltiple [en lnea]: Per. 2013. [05 de Marzo]. Disponible en
http://mit.ocw.universia.net/17.87/s02/lecture-notes/pdf/multiple_regression.pdf
Trminos Meteorolgicos [en lnea]: Per. 2013. [07 de Marzo]. Disponible en
<http://www.snet.gob.sv/Educacion/glosariomet.pdf>