FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4387456428> ?p ?o ?g. }

• W4387456428 abstract "The estimation of occurrence probabilities of extremal quantities is essential in the study of hazards associated with natural phenomena. The extremal quantities of interest usually correspond to phenomena characterized by two or more magnitudes, often showing dependence among them. In order to better characterize situations that could be dangerous, the magnitudes that describe the phenomenon should be jointly described.&#x0D; A Poisson-GPD model, which describes the occurrence of extremal events and their marginal sizes, has been established: the occurrence of the extremal events is represented by means of a Poisson process, and each event is characterized by a size modelled by a Generalized Pareto Distribution, GPD. The dependence between events is modelled through copula functions: a family of Gumbel copulas, suitable for the type of data treated, and a new type of copula that is introduced, the CrEnC copula. The CrEnC copula minimizes the mutual information in situations in which only partial information in the form of restrictions is available, such as marginal models or joint moments of the variables.&#x0D; In this context, data are often scarce, and the uncertainty in the estimation of the model will be great. A Bayesian estimation process that takes into account this uncertainty has been established. Goodness-of-fit of some aspects of the model (GPD goodness-of-fit, GPD-Weibull hypothesis and global goodness-of-fit) has been checked using a selection of Bayesian p-values, which incorporate the uncertainty of the parameter estimation. Once the model has been estimated, a post-process of information has been performed to obtain a posteriori quantities of interest, such as exceedance probabilities of reference values or return periods of events of a certain size.&#x0D; The proposed model is applied to three datasets, with different characteristics. The results obtained are good: the introduced CrEnC copulas correctly represent the dependence in situations in which only partial information is available, and the Bayesian estimation of the parameters of the model gives added value to the results, because it allows the uncertainty of the posterior estimates, such as hazard and dependence parameters, to be evaluated. La estimación de probabilidades de ocurrencia de cantidades extremales es imprescindible en el estudio de la peligrosidad de fenómenos naturales. Las cantidades extremales de interés suelen corresponder a fenómenos caracterizados por dos o más magnitudes, que en muchos casos son dependientes entre sí. Por tanto, para poder caracterizar mejor las situaciones que pudieran resultar peligrosas, se deben estudiar conjuntamente las magnitudes que describen el fenómeno. Se ha establecido un modelo Poisson-GPD que permite describir la ocurrencia de los sucesos extremales y sus tamaños marginales: la ocurrencia de los sucesos extremales se representa mediante un proceso de Poisson y cada suceso se caracteriza por un tamaño modelado según una distribución generalizada de Pareto, GPD. La dependencia entre sucesos se modeliza mediante funciones cópula: se utiliza una familia de cópulas Gumbel, adecuada al tipo de datos, y se introduce un nuevo tipo de cópula, la cópula CrEnC. La cópula CrEnC minimiza la información mutua en situaciones donde se dispone de información parcial en forma de restricciones, tales como los modelos marginales o momentos conjuntos de las variables. La representación de estas cópulas en R^2 permite mejorar tanto su estima como la apreciación de la bondad de ajuste a los datos. Se proporciona un algoritmo de estimación de cópulas CrEnC, que incluye una aproximación de las funciones normalizadoras mediante el método Montecarlo. En este contexto los datos suelen ser escasos, por lo que la incertidumbre en la estimación del modelo será elevada. Se ha establecido un proceso de estimación bayesiana de los parámetros, la cual permite tener en cuenta esta incertidumbre. La bondad de ajuste de diversos aspectos del modelo (bondad de ajuste GPD, hipótesis GPD-Weibull y bondad de ajuste global) se ha valorado mediante una selección de p-valores bayesianos, los cuales incorporan la incertidumbre de la estimación de los parámetros. Una vez estimado el modelo, se realiza un post-proceso de la información, donde se obtienen cantidades a posteriori de interés, como probabilidades de excedencia de valores de referencia o periodos de retorno de sucesos de un tamaño determinado. El modelo propuesto se aplica a tres conjuntos de datos de características diferentes. Se obtienen buenos resultados: las cópulas CrEnC introducidas representan correctamente la dependencia en situaciones en las que sólo se dispone de información parcial y la estimación bayesiana de los parámetros del modelo proporciona valor añadido a los resultados, ya que permite evaluar la incertidumbre de las estimaciones y tenerla en cuenta al obtener las cantidades a posteriori deseadas" @default.
• W4387456428 created "2023-10-10" @default.
• W4387456428 creator A5041573260 @default.
• W4387456428 date "2023-10-09" @default.
• W4387456428 modified "2023-10-11" @default.
• W4387456428 title "Estimación bayesiana de cópulas extremales en procesos de Poisson" @default.
• W4387456428 doi "https://doi.org/10.5821/dissertation-2117-95645" @default.
• W4387456428 hasPublicationYear "2023" @default.
• W4387456428 type Work @default.
• W4387456428 citedByCount "0" @default.
• W4387456428 crossrefType "dissertation" @default.
• W4387456428 hasAuthorship W4387456428A5041573260 @default.
• W4387456428 hasBestOaLocation W43874564281 @default.
• W4387456428 hasConcept C100906024 @default.
• W4387456428 hasConcept C105795698 @default.
• W4387456428 hasConcept C122123141 @default.
• W4387456428 hasConcept C126674687 @default.
• W4387456428 hasConcept C132480984 @default.
• W4387456428 hasConcept C133514767 @default.
• W4387456428 hasConcept C137610916 @default.
• W4387456428 hasConcept C147581598 @default.
• W4387456428 hasConcept C149782125 @default.
• W4387456428 hasConcept C165216359 @default.
• W4387456428 hasConcept C168136583 @default.
• W4387456428 hasConcept C173291955 @default.
• W4387456428 hasConcept C17618745 @default.
• W4387456428 hasConcept C33923547 @default.
• W4387456428 hasConceptScore W4387456428C100906024 @default.
• W4387456428 hasConceptScore W4387456428C105795698 @default.
• W4387456428 hasConceptScore W4387456428C122123141 @default.
• W4387456428 hasConceptScore W4387456428C126674687 @default.
• W4387456428 hasConceptScore W4387456428C132480984 @default.
• W4387456428 hasConceptScore W4387456428C133514767 @default.
• W4387456428 hasConceptScore W4387456428C137610916 @default.
• W4387456428 hasConceptScore W4387456428C147581598 @default.
• W4387456428 hasConceptScore W4387456428C149782125 @default.
• W4387456428 hasConceptScore W4387456428C165216359 @default.
• W4387456428 hasConceptScore W4387456428C168136583 @default.
• W4387456428 hasConceptScore W4387456428C173291955 @default.
• W4387456428 hasConceptScore W4387456428C17618745 @default.
• W4387456428 hasConceptScore W4387456428C33923547 @default.
• W4387456428 hasLocation W43874564281 @default.
• W4387456428 hasOpenAccess W4387456428 @default.
• W4387456428 hasPrimaryLocation W43874564281 @default.
• W4387456428 hasRelatedWork W1946191587 @default.
• W4387456428 hasRelatedWork W1998988312 @default.
• W4387456428 hasRelatedWork W2079535806 @default.
• W4387456428 hasRelatedWork W2088726129 @default.
• W4387456428 hasRelatedWork W2105284594 @default.
• W4387456428 hasRelatedWork W2509820422 @default.
• W4387456428 hasRelatedWork W2617987378 @default.
• W4387456428 hasRelatedWork W2626271282 @default.
• W4387456428 hasRelatedWork W3122388856 @default.
• W4387456428 hasRelatedWork W3187368641 @default.
• W4387456428 isParatext "false" @default.
• W4387456428 isRetracted "false" @default.
• W4387456428 workType "dissertation" @default.