Bootstrap para calcular intervalos de predicción mediante modelos no paramétricos de regresión funcional de radiación solar

Jorge David Zúñiga Lema, Manuel Antonio Meneses Freire

Resumen


La presente investigación tuvo como objetivo el desarrollo de intervalos de predicción en series de tiempo de radiación solar, aplicando la metodología bootstrap con modelos no paramétricos de regresión funcional. Para lo cual se registró por cada segundo la radiación solar durante el año 2023, en la estación meteorológica de la Facultad de Ingeniería de la Universidad Nacional de Chimborazo. Se realizó la limpieza de valores atípicos, la interpolación de datos faltantes y se calculó la media horaria mensual. Los modelos de regresión se ajustaron utilizando B-splines, que capturo adecuadamente las características esenciales de cada serie temporal mensual. Se generaron 5000 réplicas de las series temporales mediante bootstrap, la cuales se usaron para predecir la radiación solar de diciembre de 2023. La predicción obtenida fue comparada con los datos reales, que mostraron una alta consistencia. Además, se suavizaron las predicciones con bases de Fourier y se calcularon intervalos de confianza al 95%. Los resultados demuestran que la metodología empleada es fiable, ya que proporcionó intervalos de predicción robustos. Este enfoque no solo mejora la comprensión de los patrones de radiación solar a lo largo del año, sino que también ofrece una herramienta valiosa para futuras aplicaciones en meteorología.


Palabras clave


radiación solar; series de tiempo; bootstrap; regresión funcional; modelo no paramétrico; Fourier.

Texto completo:

PDF HTML

Referencias


Aneiros-Pérez, G., Cao, R., & Vilar-Fernández, J. M. (2011). Functional methods for time series prediction: A nonparametric approach. Journal of Forecasting, 30(4), 377-392. https://doi.org/10.1002/for.1169

Beyaztas, U., & Shang, H. L. (2020). On function-on-function regression: partial least squares approach. Environmental and Ecological Statistics, 27(1), 95-114. https://doi.org/10.1007/S10651-019-00436-1/METRICS

Boor, C. de. (2001). A Practical Guide to Splines - Revised Edition. En Springer-Verlag, New York (Vol. 115). Springer. https://link.springer.com/book/9780387953663

Chariguamán Maurisaca, N. E., & Meneses Freire, M. A. (2024). Modelos de regresión funcional con respuesta funcional aplicados a las variables meteorológicas, temperatura, humedad, presión y radiación. Tesla Revista Científica, 4(1), e317. https://doi.org/10.55204/trc.v4i1.e317

Horváth, L., & Kokoszka, P. (2012). Inference for Functional Data with Applications. 200. https://doi.org/10.1007/978-1-4614-3655-3

Melo Martínez, C. E., Diego, &, Malagón Márquez, A., David, D., & Forero, R. (2020). Interpoladores determinísticos espacio-temporales, series detiempo y análisis de datos funcionales para el estudio y predicciónde la precipitación en Cundinamarca y Bogotá D.C. 2017-2020. http://revistas.udistrital.edu.co/ojs/index.php/azimut

Meneses, A., Zúñiga, L., Santos, C., Haro, S., Chariguamán, N., & Vera, L. (2018). Método Bootstrap para hipótesis concernientes a la diferencia de medias para muestras pareadas: aplicaciones. Perfiles, 2(20), 100-106. https://doi.org/10.47187/PERF.V2I20.39

Meneses Freire, A., Muñoz Cargua, J., Zúñiga Lema, L., Lara Sinaluisa, J., & Acurio Martínez, W. (2022). Modelo no paramétrico funcional predictivo en series de tiempo funcionales. aplicación en variables meteorológicas. Perfiles, 1(28), 83-89. https://doi.org/10.47187/PERF.V1I28.186

Paluszny, M., Prautzsch, H., & Boehm, W. (2005). Métodos de Bézier y B-splines. Universitätsverlag Karlsruhe, 303. https://doi.org/10.5445/KSP/1000002481

Peña, D. (2015). Análisis de series temporales (Alianza Editorial). Alianza Editorial. https://www.alianzaeditorial.es/libro/manuales/analisis-de-series-temporales-daniel-pena-9788420669458/

Pérez González, J. (2006). Ecuaciones diferenciales series de fourier transformadas de fourier y laplace. https://www.ugr.es/~fjperez/textos/eedd_laplace_fourier.pdf

Racine, J. S. (2022). A primer on regression splines. https://cran.r-project.org/web/packages/crs/vignettes/spline_primer.pdf

Racine, J. S. (2023). The crs Package. https://doi.org/https://doi.org/10.32614/CRAN.package.crs

Toalombo, B., Meneses, A., Zúñiga, L., & Espín, R. (2022). Modelos de regresión paramétricos polinomiales y no paramétricos B-splines. una aplicación en ingeniería. Perfiles, 1(28), 72-82. https://doi.org/10.47187/PERF.V1I28.185




DOI: https://doi.org/10.23857/pc.v9i8.7909

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/