Download Interpolación de series de paleoclima
Document related concepts
no text concepts found
Transcript
Motivación Modelo Interpolación Análisis de datos Interpolación de series de paleoclima Luis E. Nieto Barajas Departamento de Estadística ITAM CCA – 14 de octubre de 2016 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 1 / 25 Motivación Modelo Interpolación Análisis de datos Contenido 1 Motivación 2 Modelo 3 Interpolación 4 Análisis de datos Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 2 / 25 Motivación Modelo Interpolación Análisis de datos Datos de cambio climático Mediciones directas de dioxido de carbono en la atmósfera son recientes : 1950 ¿Cómo se sabe que hay calentamiento global ? Se han diseñado mecanismos de medición de los gases de efecto invernadero en la atmósfera de la tierra hasta 300 millones de años atras Una de estas técnicas es la basada en muestreo de núcleos de hielo (ice core sampling) Se toman muestras de cilindros de hielo obtenidos perforando una cama de hielo o glaciar Estos cilindros contienen pequeñas burbujas de aire que atrapan una pequaña muestra de la atmósfera Los núcleos de hielo más profundos se extienden a 3.26 km de profundidad, muy cerca de la cama de rocas de la tierra Las mediciones más antiguas con esta técnica datan hasta 800,000 años atras Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 3 / 25 Motivación Modelo Interpolación Análisis de datos Datos de cambio climático ¿Cómo determinan la fecha y las medidas de concentración ? Una de las técnicas está basada en acumulación de nieve y en un modelo de flujo mecánico Otra técnica se basa en la densificación de la nieve para compensar entre la edad del gas y la edad del hielo En el 2007 EPICA (Proyecto europeo de núcleos de hielo en antártica) realizó una perforación en la estación concordia (Domo C) Se produjeron mediciones de los gases de efecto invernadero : dioxido de carbono (CO2), metano (CH4) y temperatura (diferencias en la temperatura con respecto a un valor de referencia) Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 4 / 25 Motivación Modelo Interpolación Análisis de datos 342 624 CH4 907 172 CO2 235 299 −10.6 −2.6 Temp 5.5 Datos de cambio climático 0 200 400 600 800 Thousand years before present Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 5 / 25 Motivación Modelo Interpolación Análisis de datos Datos de cambio climático ¿Cómo sabemos que las mediciones aproximadas de temperatura y CO2 son adecuadas ? Desde 1950 a la fecha existen mediciones directas y continuas de dióxido de carbono y de temperatura Es posible comparar las mediciones reales con las aproximaciones Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 6 / 25 Motivación Modelo Interpolación Análisis de datos 1106.5 CH4 1681.6 312 CO2 352 393 −0.2 0.3 Temp 0.9 Datos de cambio climático 1950 1960 1970 1980 1990 2000 2010 Years AD Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 7 / 25 Motivación Modelo Interpolación Análisis de datos Datos de cambio climático ¿Qué dificultad presentan los datos de paleoclima ? La temperatura y el CO2 fueron fechados usando escalas aproximadas, produciendo observaciones en distintos momentos del tiempo No sólo las variables están medidas en distintos tiempos sino también están medidas en tiempos no equiespaciados Problemas : 1 No es posible hacer un análisis de asociación (e.g. diagramas de dispersión o calcular coeficiente de correlación) 2 No se pueden usar técnicas tradicionales de series de tiempo para predecir las series Solución : Proponer un modelo para interpolar series no equiespaciadas para producir series equiespaciadas Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 8 / 25 Motivación Modelo Interpolación Análisis de datos Estrategia Producir observaciones equiespaciadas usando interpolación estocástica Usamos un proceso gausiano con función de correlación parametrizada en términos de funciones de supervivencia paramétricas La estimación de los parámetros se hace de manera bayesiana La interpolación se logra usando la distribución condicional predictiva de un nuevo tiempo basada en los m vecinos más cercanos (kriging bayesiano) El número de vecinos m es determinado por el usuario dependiendo del grado de suavidad que se requiera o mediante un proceso de optimización Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 9 / 25 Motivación Modelo Interpolación Análisis de datos Modelo Sea {Xt } un proceso estocástico continuo con índices t ∈ T ⊂ IR y valores en un espacio de estados X ⊂ IR Denotamos por Xt1 , Xt2 , . . . , Xtn una realización del proceso, observada en tiempos no equiespaciados t1 , t2 , . . . , tn , y n > 0 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 10 / 25 Motivación Modelo Interpolación Análisis de datos Modelo Sea {Xt } un proceso estocástico continuo con índices t ∈ T ⊂ IR y valores en un espacio de estados X ⊂ IR Denotamos por Xt1 , Xt2 , . . . , Xtn una realización del proceso, observada en tiempos no equiespaciados t1 , t2 , . . . , tn , y n > 0 Suponemos que Xt ∼ GP(µ, Σ(s, t)), i.e., Xt sigue un proceso gaussiano con media constante µ y función de covarianza Cov(Xs , Xt ) = Σ(s, t), donde Σ(s, t) es isotrópica, i.e., función de |t − s| Σ(t, t) = σ 2 > 0 constante ⇒ Σ(s, t) = σ 2 R(s, t), con R(s, t) la función de correlación Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 10 / 25 Motivación Modelo Interpolación Análisis de datos Modelo Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia Proponemos Σσ2 ,θ,β (s, t) = σ 2 Sθ (|t − s|)(−1)β|t−s| , β ∈ {1, 2} Sθ (t) es una función de supervivencia con parámetro θ β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp. β = 2 ⇒ correl. positiva. Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 11 / 25 Motivación Modelo Interpolación Análisis de datos Modelo Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia Proponemos Σσ2 ,θ,β (s, t) = σ 2 Sθ (|t − s|)(−1)β|t−s| , β ∈ {1, 2} Sθ (t) es una función de supervivencia con parámetro θ β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp. β = 2 ⇒ correl. positiva. Caso Weibull : α Sθ (t) = e−λt , θ = (λ, α) Si α = 1 ⇒ R(s, t) = e−λ|t−s| (exponencial) 2 Si α = 2 ⇒ R(s, t) = e−λ(t−s) (exponencial cuadrático) Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 11 / 25 Motivación Modelo Interpolación Análisis de datos Modelo Notamos que R(s, t) isotrópicas se comportan como una fn. de supervivencia Proponemos Σσ2 ,θ,β (s, t) = σ 2 Sθ (|t − s|)(−1)β|t−s| , β ∈ {1, 2} Sθ (t) es una función de supervivencia con parámetro θ β = 1 permite correl. negativas y positivas para |t − s| impar o par, resp. β = 2 ⇒ correl. positiva. Caso Weibull : α Sθ (t) = e−λt , θ = (λ, α) Si α = 1 ⇒ R(s, t) = e−λ|t−s| (exponencial) 2 Si α = 2 ⇒ R(s, t) = e−λ(t−s) (exponencial cuadrático) Caso Log-logistico : Sθ (t) = Luis E. Nieto Barajas 1 , θ = (λ, α) 1 + λt α Interpolación bayesiana CCA – 14 de octubre de 2016 11 / 25 Motivación Modelo Interpolación Análisis de datos Inferencia Dist. iniciales : 2 µ ∼ N(µ0 , σµ ), σ 2 ∼ IGa(aσ , bσ ), λ ∼ Ga(aλ , bλ ), α ∼ Un(0, Aα ) y β − 1 ∼ Ber(pβ ) Verosimilitud : La distribución conjunta de x = (xt1 , xt2 , . . . , xtn ) dado η = (µ, σ 2 , θ, β) es una normal n−dimensional −n/2 1 −1 (x − µ) f (x | η) = 2πσ 2 |Rθ,β |−1/2 exp − 2 (x − µ)0 Rθ,β 2σ Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 12 / 25 Motivación Modelo Interpolación Análisis de datos Inferencia Dist. cond. finales : f (µ | rest) = N µ 1 0 −1 x Rθ,β σ2 + 1 0 −1 1 Rθ,β 1 σ2 + µ0 2 σµ 1 2 σµ , 1 0 −1 1 1 Rθ,β 1 + 2 σ2 σµ !−1 , aσ + n , bσ + 1 (x − µ)0 R −1 (x − µ) , θ,β 2 2 f (x | β = 1)(1 − pβ ) −1 β − 1 | rest ∼ Ber(pβ∗ ), pβ∗ = 1 + , f (x | β = 2)pβ f (σ 2 | rest) = IGa σ 2 f (θ | rest) ∝ f (x | η)f (θ), θ = (λ, α) Simular de µ, σ2 y β es simple Simular de θ = (λ, α) requiere pasos MH Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 13 / 25 Motivación Modelo Interpolación Análisis de datos Inferencia Dist. cond. finales : f (µ | rest) = N µ 1 0 −1 x Rθ,β σ2 + 1 0 −1 1 Rθ,β 1 σ2 + µ0 2 σµ 1 2 σµ , 1 0 −1 1 1 Rθ,β 1 + 2 σ2 σµ !−1 , aσ + n , bσ + 1 (x − µ)0 R −1 (x − µ) , θ,β 2 2 f (x | β = 1)(1 − pβ ) −1 β − 1 | rest ∼ Ber(pβ∗ ), pβ∗ = 1 + , f (x | β = 2)pβ f (σ 2 | rest) = IGa σ 2 f (θ | rest) ∝ f (x | η)f (θ), θ = (λ, α) Simular de µ, σ2 y β es simple Simular de θ = (λ, α) requiere pasos MH −1 Problema numérico : Calcular |Rθ,β | y Rθ,β para n grande. Solución : usar un subconjunto de puntos (e.g. 500) Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 13 / 25 Motivación Modelo Interpolación Análisis de datos Interpolación Para interpolar usamos la dist. predictiva posterior condicional a un subconjunto de m vecinos Sea xs = (xs1 , . . . , xsm ) un conjunto de tamaño m de tiempos observados, t.q. s = (s1 , . . . , sm ) son los m tiempos más cercanos al tiempo t La dist. cond. de la variable no observada Xt dado xs es f (xt | xs , η) = N xt | µt , σt2 , µt = µ + Σ(t, s)Σ(s, s)−1 (xs − µ) y σt2 = σ 2 − Σ(t, s)Σ(s, s)−1 Σ(s, t) Finalmente, suponiendo (Xt , Xs ) son cond. indep. de x Z f (xt | xs , x) = f (xt | xs , η)f (η | x)dη la cual se aproxima via Monte Carlo Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 14 / 25 Motivación Modelo Interpolación Análisis de datos Interpolación Considera el caso m = 2, xs = (xs1 , xs2 ) las dos obs. más cercanas al tiempo t, entonces E(Xt | xs , η) es µt = µ + (ρt,s1 − ρt,s2 ρs1 ,s2 )(xs1 − µ) + (ρt,s2 − ρt,s1 ρs1 ,s2 )(xs2 − µ) 1 − ρ2s1 ,s2 , El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs con pesos determinados por las correlaciones entre xt , xs1 y xs2 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 15 / 25 Motivación Modelo Interpolación Análisis de datos Interpolación Considera el caso m = 2, xs = (xs1 , xs2 ) las dos obs. más cercanas al tiempo t, entonces E(Xt | xs , η) es µt = µ + (ρt,s1 − ρt,s2 ρs1 ,s2 )(xs1 − µ) + (ρt,s2 − ρt,s1 ρs1 ,s2 )(xs2 − µ) 1 − ρ2s1 ,s2 , El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs con pesos determinados por las correlaciones entre xt , xs1 y xs2 Interpolación lineal : Se basa en un proceso Browniano (Wiener), i.e., Xt ∼ GP(0, Σ(s, t)), Σ(s, t) = min{s, t} En este caso E(Xt | xs ) es µt = (s2 − t) (t − s1 ) xs + xs (s2 − s1 ) 1 (s2 − s1 ) 2 El predictor puntual (la interpolación) es una combinación lineal de los vecinos xs con pesos determinados por las distancias entre xt , xs1 y xs2 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 15 / 25 Motivación Modelo Interpolación Análisis de datos Datos de cambio climático Nos concentramos en Temperatura y CO2 Los datos de temperatura tienen 5, 788 observaciones mientras que el CO2 tiene n = 1, 095 observaciones distribuidos en un intervalo de tiempo de 800, 000 años atras Los tiempos de medición son distintos Calculamos las diferencias en los tiempos de observación ti − ti−1 y los graficamos contra ti , para i = 1, . . . , n Las medianas en las diferencias en los tiempos de medición son : 58 años para la temperatura y 586 años para el CO2 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 16 / 25 Motivación Modelo Interpolación Análisis de datos −10 240 180 200 −5 220 C02 Temperature 0 260 280 5 300 Datos de cambio climático 0e+00 2e+05 4e+05 6e+05 8e+05 0e+00 2e+05 6e+05 8e+05 6e+05 8e+05 6000 0 3000 0 200 1000 2000 Time differences 4000 5000 1200 1000 800 600 400 Time differences 4e+05 Years before present 1400 Years before present 0e+00 2e+05 4e+05 6e+05 8e+05 0e+00 Years before present Luis E. Nieto Barajas 2e+05 4e+05 Years before present Interpolación bayesiana CCA – 14 de octubre de 2016 17 / 25 Motivación Modelo Interpolación Análisis de datos Especificaciones del modelo Ajustamos nuestro modelo a las dos series usando las sig. especificaciones iniciales : 2 = 100, a = 2, b = 1, a = b = 1, A = 2 and p = 0.5 µ0 = 0, σµ σ σ α λ λ β La inferencia posterior no es sensible a estas especificaciones ya que la longitud de las series es grande La función de covarianza se definió en términos de la la función Weibull y Log-logística para comparar Para la predicción se tomaron varios valores de m ∈ {2, 4, 10, 20} El muestreador de Gibbs se corrió por 20,000 iteraciones con un periodo de calentamiento de 2,000 manteniendo una de cada 10 simulaciones para reducir la autocorrelación en la cadena Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 18 / 25 Motivación Modelo Interpolación Análisis de datos Ajuste del modelo L(ν) = n n o2 ν Xn 1X Var(xiF |x) + E(xiF |x) − xi , ν ∈ [0, 1] n n i=1 i=1 m L(0) Weibull L(0.5) L(1) 2 4 10 20 1.479 1.450 1.442 1.439 1.991 1.974 1.964 1.969 2.504 2.498 2.486 2.498 2 4 10 20 60.572 60.395 60.353 60.422 87.100 87.069 87.353 86.537 113.628 113.744 113.554 113.252 Luis E. Nieto Barajas B L(0) Temperature 1.025 1.476 1.045 1.446 1.043 1.427 1.059 1.424 CO2 53.056 59.651 53.349 59.907 53.202 59.134 52.830 59.740 Interpolación bayesiana Log-logistic L(0.5) L(1) B 1.990 1.975 1.959 1.960 2.505 2.505 2.491 2.496 1.029 1.059 1.064 1.072 86.232 86.519 85.664 86.149 112.812 113.130 112.195 112.558 53.161 53.223 53.061 52.818 CCA – 14 de octubre de 2016 19 / 25 Motivación Modelo Interpolación Análisis de datos 1.0 0.8 0.6 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 Funciones de correlación 0e+00 2e+05 4e+05 6e+05 8e+05 0e+00 2e+05 x 4e+05 6e+05 8e+05 x F IGURE : Estimaciones de la función de correlación para los datos de temperatura. Weibull (izq.) y Log-logística (der.) Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 20 / 25 Motivación Modelo Interpolación Análisis de datos Interpolaciones Procedemos a producir interpolaciones con el modelo Log-logistic y con m = 10 vecinos ya que con él se obtienen las menores varianzas Las nuevas series interpoladas se generan con un espaciamiento de 100 y 1000 años para comparar Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 21 / 25 Motivación Modelo Interpolación Análisis de datos −10 −5 0 5 Interpolaciones Temperatura : original, cada 100 y cada 1000 0e+00 2e+05 4e+05 6e+05 8e+05 6e+05 8e+05 6e+05 8e+05 −10 −5 0 5 Years before present 0e+00 2e+05 4e+05 −10 −5 0 5 Years before present 0e+00 2e+05 4e+05 Years before present Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 22 / 25 Motivación Modelo Interpolación Análisis de datos 180 200 220 240 260 280 300 Interpolaciones CO2 : original, cada 100 y cada 1000 0e+00 2e+05 4e+05 6e+05 8e+05 6e+05 8e+05 6e+05 8e+05 180 200 220 240 260 280 300 Years before present 0e+00 2e+05 4e+05 180 200 220 240 260 280 300 Years before present 0e+00 2e+05 4e+05 Years before present Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 23 / 25 Motivación Modelo Interpolación Análisis de datos 5 Dispersión CO2 vs. Temp (serie equiespaciada cada 100 años) ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ●● ● ●● ● ●● ● ● ●● ●● ● ● ● ● ●● ● ●● ● ● ● ●● ●● ● ● ● ●● ● ● ● ●● ● ● ●● ●● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ●● ● ●● ●● ●●●● ●●● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ●● ● ●●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ●● ●● ●●● ●●● ●●●● ● ●● ● ● ● ●● ● ● ● ●● ●● ● ●●● ●● ● ● ● ● ● ● ●●● ● ● ●●●● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ●●● ●● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●●● ● ●● ● ● ● ● ●● ●● ● ●● ● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ●●●● ● ● ● ●● ●● ● ● ● ●●● ● ●●● ● ● ● ● ●● ● ●● ● ●● ● ●● ● ● ● ● ● ● ●●●●● ● ●● ● ● ● ●●●●● ● ●● ●● ● ●● ● ●● ● ● ● ● ●● ● ● ● ● ● ●●●●● ● ● ●●● ● ● ● ●● ●●● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ●●●● ●●●● ●●● ● ● ●● ●●● ● ● ● ●●●●● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ●● ●●● ●●● ●● ● ● ● ●● ●● ● ● ● ● ● ● ●●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ●● ● ● ●● ● ●● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●●● ● ● ● ●● ●● ●●● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ●●● ● ● ● ● ● ● ●●●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ●●● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ●●● ●●● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ●● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ●●●● ● ● ●● ●● ●● ● ● ● ●● ● ● ● ● ●● ●● ● ●●● ●●● ● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●● ●● ● ●● ●●●● ●● ●●● ● ● ●● ● ●● ● ●●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ●● ● ● ● ● ● ●●●●● ● ●●● ●● ● ● ● ● ●● ● ●●● ● ●●●● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ● ●● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●●● ●● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ●● ● ●●●●● ● ● ● ● ●●●● ● ● ● ●●●●● ● ●● ●● ● ●● ● ● ●●● ● ● ● ●●● ●● ●●● ● ● ● ●●●● ●● ●● ●● ●● ● ●● ● ●● ● ● ● ●●●● ●● ●●● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ●●● ●●●● ●● ● ● ●● ● ● ●● ●● ● ●● ●● ● ●● ● ● ●●● ● ●●●● ●● ● ●● ● ● ●● ● ● ● ● ●● ●● ●●● ● ● ● ● ●●● ● ●● ●● ● ●●● ● ● ● ● ● ●● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ●●● ● ● ●●● ●● ● ● ● ● ●●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ●● ● ●●●● ● ● ●● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ●●● ● ● ● ● ●● ● ●● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ●● ● ●● ● ● ● ●●● ●●●● ● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ●● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ● ● ●● ● ●● ●● ●●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ●● ● ● ●● ●● ●●●● ● ●● ● ● ● ● ● ● ● ●● ● ●● ●●● ●●● ● ● ●●●● ●●● ● ● ● ●● ●● ●●● ● ● ● ● ● ●● ●● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ●● ● ●● ● ● ●● ●● ● ● ●● ● ●● ●● ● ●● ● ●● ● ●● ● ●●● ● ● ● ●● ●●● ●●● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ●●● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ● ● ●●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ● ● ● ●● ● ● ●●● ● ●●●● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ●● ●● ● ● ●●● ● ● ●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ●●● ●●● ● ●● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ●●●●● ●● ● ●● ● ●● ● ●●● ●●● ●● ● ●● ● ● ● ● ●● ● ●● ● ● ● ● ●●● ● ●●● ● ● ●● ●●●●● ● ● ● ● ●●● ●● ● ● ● ● ● ● ● ●● ● ● ●●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ●● ● ● ● ●● ● ●● ● ●● ●● ● ● ● ●● ● ● ● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ●●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ● ●●● ● ●●● ●● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ●● ● ● ● ●● ● ●●● ● ● ● ●● ●●● ● ● ● ● ●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ●●● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ●● ● ●● ● ● ● ● ●●● ●●●●● ●●● ● ● ●●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●●●●●●● ● ●● ● ●● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ●●● ●● ● ● ● ●●● ● ● ● ● ●●● ● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ●● ●● ● ● ● ●●● ● ●● ● ● ●● ● ● ● ● ● ●●●● ● ●● ●● ●●● ● ● ● ● ●●● ● ● ●● ● ●● ●●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●●●● ●● ● ● ● ●●● ● ● ●● ●● ● ● ● ● ●●● ●● ● ● ● ● ●● ● ●●● ●● ● ● ● ●●●●● ● ● ● ●●●●●●●● ●●● ● ● ●●● ●● ●● ● ● ●●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ●●●●●●● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ●● ●● ● ● ● ●●● ● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ● ●● ●●● ● ● ● ● ● ●● ● ●●● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ●● ● ● ● ● ●● ● ●● ● ● ●● ●●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ●● ● ● ● ●●●● ● ●● ● ● ●● ●●● ●● ● ●● ● ●● ●●● ●● ● ● ●● ● ● ● ●●● ● ● ● ●●● ●● ●● ● ● ● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ● ● ●● ●●● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ●●●● ● ●● ●● ● ● ●● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ●●● ● ●●● ● ●● ● ● ●● ● ● ● ●●●● ● ● ●●● ● ● ● ● ● ●● ●●●●●●●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ●●●●● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ●● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●● ● ● ●●● ● ● ●● ● ● ● ●● ● ● ●● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ●● ● ●● ● ● ● ●● ● ●●● ● ● ● ● ● ● ●● ● ●●● ●●● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ●● ●●●● ● ● ● ●● ●●●● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ●● ●● ● ●● ● ● ● ●● ● ● ● ● ●● ● ●● ●● ● ● ● ●● ● ●● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ●● ●●●● ●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ●● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ●●● ● ● ● ●● ●● ●● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●●●● ●● ●● ●● ●● ●● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●●●● ● ● ● ●● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ● ●●●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ● ●● ●● ● ●● ● ●● ● ● ● ●● ● ● ● ●● ● ● ●●● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ●●● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ●●● ●●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ●●●●● ● ●● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ●●● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ●●● ● ● ● ● ● ●● ●●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ●● ●● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●●●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●●●● ● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ●●● ● ● ● ● ● ● ● ● ●●● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ●● ●●● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ●●●● ● ● ● ● ● ●● ● ● ●●●● ●● ● ● ● ● ● ●●●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ●●● ● ● ● ● ● ●●● ● ● ●● ● ●● ● ●● ●● ●●● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●●● ● ● ● ● ● ●● ●● ● ● ● ● ●●● ● ● ● ● ●● ● ● ●●●● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ●●● ●● ●● ●● ● ● ● ● ●● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ●●● ●●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ●● ● ● ●●●●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ● ● ● ● −10 −5 Temp 0 ● ● ● ● ● ●● ● ● ● ● ●● ● 180 200 220 240 260 280 ● ● ● ● 300 CO2 Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 24 / 25 Motivación Modelo Interpolación Análisis de datos 5 Dispersión CO2 vs. Temp (serie equiespaciada cada 100 años) ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ●● ● ●● ● ●● ● ● ●● ●● ● ● ● ● ●● ● ●● ● ● ● ●● ●● ● ● ● ●● ● ● ● ●● ● ● ●● ●● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ●● ● ●● ●● ●●●● ●●● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ●● ● ●●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ●● ●● ●●● ●●● ●●●● ● ●● ● ● ● ●● ● ● ● ●● ●● ● ●●● ●● ● ● ● ● ● ● ●●● ● ● ●●●● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ●●● ●● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●●● ● ●● ● ● ● ● ●● ●● ● ●● ● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ●●●● ● ● ● ●● ●● ● ● ● ●●● ● ●●● ● ● ● ● ●● ● ●● ● ●● ● ●● ● ● ● ● ● ● ●●●●● ● ●● ● ● ● ●●●●● ● ●● ●● ● ●● ● ●● ● ● ● ● ●● ● ● ● ● ● ●●●●● ● ● ●●● ● ● ● ●● ●●● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ●●●● ●●●● ●●● ● ● ●● ●●● ● ● ● ●●●●● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ●● ●●● ●●● ●● ● ● ● ●● ●● ● ● ● ● ● ● ●●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ●● ● ● ●● ● ●● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●●● ● ● ● ●● ●● ●●● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ●●● ● ● ● ● ● ● ●●●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ●●● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ●●● ●●● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ●● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ●●●● ● ● ●● ●● ●● ● ● ● ●● ● ● ● ● ●● ●● ● ●●● ●●● ● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●● ●● ● ●● ●●●● ●● ●●● ● ● ●● ● ●● ● ●●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ●● ● ● ● ● ● ●●●●● ● ●●● ●● ● ● ● ● ●● ● ●●● ● ●●●● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ● ●● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●●● ●● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ●● ● ●●●●● ● ● ● ● ●●●● ● ● ● ●●●●● ● ●● ●● ● ●● ● ● ●●● ● ● ● ●●● ●● ●●● ● ● ● ●●●● ●● ●● ●● ●● ● ●● ● ●● ● ● ● ●●●● ●● ●●● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ●●● ●●●● ●● ● ● ●● ● ● ●● ●● ● ●● ●● ● ●● ● ● ●●● ● ●●●● ●● ● ●● ● ● ●● ● ● ● ● ●● ●● ●●● ● ● ● ● ●●● ● ●● ●● ● ●●● ● ● ● ● ● ●● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ●●● ● ● ●●● ●● ● ● ● ● ●●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ●● ● ●●●● ● ● ●● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ●● ●● ● ●●● ● ● ● ● ●● ● ●● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ●● ● ●● ● ● ● ●●● ●●●● ● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ●● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ● ● ●● ● ●● ●● ●●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ●● ● ● ●● ●● ●●●● ● ●● ● ● ● ● ● ● ● ●● ● ●● ●●● ●●● ● ● ●●●● ●●● ● ● ● ●● ●● ●●● ● ● ● ● ● ●● ●● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ●● ● ●● ● ● ●● ●● ● ● ●● ● ●● ●● ● ●● ● ●● ● ●● ● ●●● ● ● ● ●● ●●● ●●● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ●●● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ● ● ●●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ● ● ● ●● ● ● ●●● ● ●●●● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ●● ●● ● ● ● ● ●● ●● ● ● ●●● ● ● ●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ●●● ●●● ● ●● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ●●●●● ●● ● ●● ● ●● ● ●●● ●●● ●● ● ●● ● ● ● ● ●● ● ●● ● ● ● ● ●●● ● ●●● ● ● ●● ●●●●● ● ● ● ● ●●● ●● ● ● ● ● ● ● ● ●● ● ● ●●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ●● ● ● ● ●● ● ●● ● ●● ●● ● ● ● ●● ● ● ● ● ●●● ●● ● ● ● ● ● ●● ● ● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ●●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ● ●●● ● ●●● ●● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ●● ● ● ● ●● ● ●●● ● ● ● ●● ●●● ● ● ● ● ●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ●●● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ●● ● ●● ● ● ● ● ●●● ●●●●● ●●● ● ● ●●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●●●●●●● ● ●● ● ●● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ●●● ●● ● ● ● ●●● ● ● ● ● ●●● ● ● ● ●● ● ●● ● ● ● ● ● ●● ● ● ●● ●● ● ● ● ●●● ● ●● ● ● ●● ● ● ● ● ● ●●●● ● ●● ●● ●●● ● ● ● ● ●●● ● ● ●● ● ●● ●●● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●●●● ●● ● ● ● ●●● ● ● ●● ●● ● ● ● ● ●●● ●● ● ● ● ● ●● ● ●●● ●● ● ● ● ●●●●● ● ● ● ●●●●●●●● ●●● ● ● ●●● ●● ●● ● ● ●●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ●●●●●●● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ●● ●● ● ● ● ●●● ● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ● ●● ●●● ● ● ● ● ● ●● ● ●●● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●● ●● ● ● ● ●● ● ● ● ● ●● ● ●● ● ● ●● ●●●● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ●● ●● ● ● ● ●● ● ● ● ●●●● ● ●● ● ● ●● ●●● ●● ● ●● ● ●● ●●● ●● ● ● ●● ● ● ● ●●● ● ● ● ●●● ●● ●● ● ● ● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●● ● ● ● ●● ●●● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ●●●● ● ●● ●● ● ● ●● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ●●● ● ●●● ● ●● ● ● ●● ● ● ● ●●●● ● ● ●●● ● ● ● ● ● ●● ●●●●●●●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●●● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ●● ● ●● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ●●●●● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ●● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ●● ● ● ●●● ● ● ●● ● ● ● ●● ● ● ●● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ●● ● ●● ● ● ● ●● ● ●●● ● ● ● ● ● ● ●● ● ●●● ●●● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ●● ●●●● ● ● ● ●● ●●●● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ●● ●● ● ●● ● ● ● ●● ● ● ● ● ●● ● ●● ●● ● ● ● ●● ● ●● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ●● ●●●● ●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ●● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ●●● ● ● ● ●● ●● ●● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ●●●● ●● ●● ●● ●● ●● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●●●● ● ● ● ●● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ● ● ●●●●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ● ●● ●● ● ●● ● ●● ● ● ● ●● ● ● ● ●● ● ● ●●● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ●●● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ●● ●●● ●●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ●●●●● ● ●● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●●●● ● ●● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ●●● ● ●● ● ● ● ● ● ● ●● ● ●●● ● ●●● ● ● ● ● ● ●● ●●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ●● ● ● ● ● ●●●● ● ● ● ● ● ● ●● ●● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ●●●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ● ●● ● ● ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ●●●● ● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ● ● ● ●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ●●● ● ● ● ● ● ● ● ● ●●● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ●● ● ● ● ● ●● ●●● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ●●●● ● ● ● ● ● ●● ● ● ●●●● ●● ● ● ● ● ● ●●●●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ●● ● ● ● ● ●● ● ● ● ● ● ● ● ●● ●●● ● ● ● ● ● ●●● ● ● ●● ● ●● ● ●● ●● ●●● ● ● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●●● ● ● ● ● ● ●● ●● ● ● ● ● ●●● ● ● ● ● ●● ● ● ●●●● ● ● ● ● ● ● ● ●● ● ●● ● ● ● ●●● ●● ●● ●● ● ● ● ● ●● ● ●● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ●●● ●●● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ●● ●● ● ● ●●●●● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● ● ● ● ● ●● ● ● ●● ● ●● ● ● ● ● ● ● ● −10 −5 Temp 0 ● ● ● ● ● ●● ● ● ● ● ●● ● 180 200 220 240 260 280 ● ● ● ● 300 CO2 Corr. Pearson : Media 0.86, IC al 95% (0.858, 0.872) Tau de Kendall : Media 0.66, IC al 95% (0.647, 0.667) Rho de Spearman : Media 0.85, IC al 95% (0.843, 0.859) Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 24 / 25 Motivación Modelo Interpolación Análisis de datos Referencias Nieto-Barajas, L. E. & Sinha, T. (2015). Bayesian interpolation of unequally spaced time series. Stochastic Environmental Research and Risk Assessment 29, 577–587. Luis E. Nieto Barajas Interpolación bayesiana CCA – 14 de octubre de 2016 25 / 25