Simulación de los niveles máximos de ozono en la ciudad de Puebla por medio del método kernel
DOI:
https://doi.org/10.30973/progmat/2021.13.3/6Palabras clave:
Medio ambiente, simulación, método kernel, datos faltantesResumen
En este artículo se presenta una propuesta para reemplazar los datos faltantes de una base de datos, basado en la simulación de una variable aleatoria teórica que tendría los niveles máximos de ozono en la ciudad de Puebla de la República Mexicana, ciudad con problemas ambientales y deficiencia en el monitoreo de la calidad del aire. La metodología planteada está basada en el método kernel, que se utiliza para la aproximación de una función de densidad a partir de una muestra independiente. Se presenta una propuesta de algoritmo para el reemplazo de datos faltantes, así como una prueba que valida su utilidad y por último su aplicación a los datos de niveles de ozono de la estación de monitoreo automática Agua Santa ubicada en la ciudad de Puebla.
Citas
Ballester, F. Contaminación atmosférica, cambio climático y salud. Revista española de salud pública, 2005,79(2), 159-175.
Rodríguez, S., Huerta, G., Reyes, H. A study of trends for Mexico City ozone extremes: 2001-2014. Atmósfera. 2016, 29(2), 107-120. https://doi.org/10.1080/23737484.2015.1121791
Cruz, J., Reyes H., Rodrigues, E. Analysis of Ozone Behaviour in the City of Puebla-Mexico Using NonHomogeneous Poisson Models with Multiple Change-Points. Journal of Environmental Protection. 2016, 7, 18861903. http://dx.doi.org/10.4236/jep.2016.712149
Rodríguez, L. Construcción de kernels y funciones de densidad de probabilidad. Matemáticas. 2013, 11(2), 27-40.
Miñarro, A. Estimación no paramétrica de la función de densidad. Documento de Trabajo. Universidad de Barcelona, 1998.
Gramacki, A. Nonparametric kernel density estimation and its computational aspects. Springer, 2018. https://doi.org/10.1007/978-3-319-71688-6
Wand, M. P., M. Jones M. C. Kernel smoothing. Chapman and Hall/CRC, 1995.
Robert, C., and Casella, G. Monte Carlo Statistical Methods, 2da ed. Springer Texts in Statistics. Springer, 2004.
Lee, H., Kang, K. Interpolation of missing precipitation data using kernel estimations for hydrologic modeling. Advances in Meteorology. 2015, 2015, 1-12. https://doi.org/10.1155/2015/935868
Wand, M., Ripley, B. Functions for kernel smoothing supporting Wand & Jones (1995) (R package version 2.2315). http://CRAN.Rproject.org/package=KernSmooth, 1999.
SINAICA. PUE_Puebla-Máximo 24 horas - O3. Base de datos. Recuperado de https://sinaica.inecc.gob.mx/, 2017
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Programación Matemática y Software

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
![]() |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
![]() |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
![]() |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |