Métodos de Llenado de Datos Faltantes

MTODOS DE LLENADO DE DATOS FALTANTES
1. U.S. National Weather Service.
( )

P x = Dato perdido para el dia, mes, o ao en la estacion x.

P i = Dato existente en la estacion auxiliar i, donde:
i = 1,2,n (minimo n=2) para el mismo dia, mes o ao.
1
2
Siendo D i la distancia entre cada estacin circundante auxiliar y la estacin del dato
perdido
Este mtodo es similar al de la media aritmtica con la diferencia del agregado de
ponderacin por distancia.
2. Relacin Normalizada
= +
+

3
P x = Dato perdido para el da, mes, o ao en la estacin x.
N X , N A , N B , N C = Precipitacin media diaria, mensual o anual en la estacin de dato

faltante (x) y en las estaciones auxiliares A, B y C. (medias de todas las series
histricas)
P A , P B , P C = Precipitacin registrada en las estaciones auxiliares el da o mes o ao
en el que falta el dato en la estacin x.
3. Media Aritmtica
Es posiblemente uno de los mtodos ms antiguos y sencillo para estimar datos
faltantes. Sigue el modelo y = a , donde y, es la estimacin del dato faltante, y a, es
el promedio obtenido con los registros de la variable de inters en otros tiempos.
Aunque esta estrategia es sencilla, tiende a subestimar la variabilidad real.
4. Componentes Principales
Este mtodo se utiliza para la extraccin de factores o componentes de un grupo de
variables observadas con el fin de formar combinaciones lineales de esas variables
de manera que tales combinaciones sean independientes. Con lo que el objetivo de
este mtodo es la reduccin del conjunto original de variables en un conjunto ms
pequeo de variables derivadas de las primeras, las cuales no estn
correlacionadas entre s y representan la mayor parte de la informacin encontrada
en las variables originales. La primera componente tiene la varianza mxima. Las
componentes sucesivas explican progresivamente proporciones menores de la
varianza y no estn correlacionadas las unas con las otras. La tcnica es ms til
cuando un extenso nmero de variables impide una interpretacin eficaz de las
relaciones entre los objetos (sujetos y unidades). Al reducir la dimensionalidad, se
interpreta un pequeo nmero de componentes en lugar de un extenso nmero de
variables. En la mayora de casos las dos primeras componentes dan cuenta de
entre el 75 y 90% de la varianza, con lo que normalmente se utilizan slo esas
componentes para ajustar el comportamiento de los datos. La aplicacin del ACP
requiere que se sigan los siguientes pasos:
I.
Clculo de la matriz de las covarianzas entre cada par de variables. La

covarianza entre dos variables se calcula a partir de la expresin:
Donde r(x,y) es el coeficiente de correlacin lineal de Pearson entre las variables x

y; x y y son las desviaciones tpicas o estndares de las variables x e y; x y y son
las medias aritmticas de las variables x e y.
II.
Diagonalizacin de la matriz de covarianzas: clculo de los valores y vectores

propios. Los valores propios dan constancia de la varianza expresada por
cada componente y los vectores propios dan cuenta de la relacin de cada
componente con las variables originales.
III.
Clculo del porcentaje de la varianza total que explica cada componente:
IV.
Eleccin de las componentes que dan cuenta de gran parte de la varianza

total. Dependiendo de la exactitud que se quiera obtener y de la simplificacin
del modelo se escogern ms o menos componentes. Normalmente el
umbral utilizado es que se escojan aquellas componentes que expliquen

como mnimo el 85% de la varianza total.
5. Racional Deductivo
Cuando en el registro de lluvias mensuales, de una determinada estacin, existen
uno o ms aos incompletos, el llamado Mtodo Racional Deductivo permite estimar
los registros mensuales faltantes (como mximo once), apoyndose en la
informacin que brindan los aos completos. El desarrollo del mtodo se puede
sintetizar en los siguientes cuatro pasos:
I.
Se efecta la suma de precipitaciones mensuales en todos los aos

completos y se obtiene la lluvia mensual promedio.
II.
Se calculan para todos los aos completos los porcentajes mensuales de

precipitacin, los que sern igual a la lluvia mensual entre el promedio
mensual calculado en el paso anterior y por 100. Al sumar los porcentajes
calculados y obtener su promedio debern de obtenerse 1,200 y 100,
respetivamente.
III.
Todos los porcentajes mensuales correspondientes a cada uno de los doce

meses se suman y se divide tal suma entre el nmero de aos completos, es
to es, se calcula el porcentaje promedio que se denomina Sj, con j varando
de 1 a 12, uno para enero y doce para diciembre.
IV.
El mtodo acepta la hiptesis que considera que los meses desconocidos

tendrn un porcentaje igual al porcentaje promedio (Sj). Se designan las
variables siguientes:
i = cada uno de los meses desconocidos, como mximo pueden ser once.
Pi = precipitacin mensual desconocida en cada ao incompleto, en
milmetros.
Si = suma de los porcentajes promedio de los meses cuya precipitacin se
desconoce, en porcentaje.
p = suma de las precipitaciones mensuales conocidas en los aos
incompletos, en milmetros.
Si = porcentaje promedio asignado a cada uno de los meses desconocidos o
faltantes.
De acuerdo a las variables anteriores se puede establecer la siguiente proporcin:
Por lo cual:
=
1200

=

1200
La expres1on entre parntesis es una cantidad constante para cada ao incompleto,

por lo que finalmente se tiene:

Métodos de Llenado de Datos Faltantes

Cargado por

Copyright:

Formatos disponibles

Métodos de Llenado de Datos Faltantes

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Métodos de Llenado de Datos Faltantes

Cargado por

Copyright:

Formatos disponibles

MTODOS DE LLENADO DE DATOS FALTANTES

1. U.S. National Weather Service.

P x = Dato perdido para el dia, mes, o ao en la estacion x.

P x = Dato perdido para el da, mes, o ao en la estacin x.

N X , N A , N B , N C = Precipitacin media diaria, mensual o anual en la estacin de dato

Clculo de la matriz de las covarianzas entre cada par de variables. La

Donde r(x,y) es el coeficiente de correlacin lineal de Pearson entre las variables x

Diagonalizacin de la matriz de covarianzas: clculo de los valores y vectores

Clculo del porcentaje de la varianza total que explica cada componente:

Eleccin de las componentes que dan cuenta de gran parte de la varianza

umbral utilizado es que se escojan aquellas componentes que expliquen

Se efecta la suma de precipitaciones mensuales en todos los aos

Se calculan para todos los aos completos los porcentajes mensuales de

Todos los porcentajes mensuales correspondientes a cada uno de los doce

El mtodo acepta la hiptesis que considera que los meses desconocidos

De acuerdo a las variables anteriores se puede establecer la siguiente proporcin:

La expres1on entre parntesis es una cantidad constante para cada ao incompleto,

También podría gustarte