Análisis de series de tiempo de datos de sismos en el Perú 2017-2018

Autores/as

  • Carlos Risco Franco Universidad Nacional de Ingeniería, Lima, Perú

DOI:

https://doi.org/10.21754/iecos.v19i0.1173

Palabras clave:

sismos, análisis de series de tiempo, cluster analysis

Resumen

El objetivo del presente trabajo es caracterizar y buscar patrones de comportamiento, en zonas con agrupamiento de sismos, mediante el uso de series de tiempo y los datos de los sismos ocurridos en el Perú en los años 2017 y 2018.
En este trabajo exploratorio, primero hemos usado Cluster Analysis para formar grupos o áreas geográficas con cercanía de ocurrencia de sismos. Luego hemos encontrado que la magnitud de los sismos en el tiempo, evaluadas por zonas de cercanía geográficas, estaría correlacionada con la magnitud del sismo anterior, de ahí que haya resultado adecuado utilizar el modelo ARIMA (1,1,0), en el cual se considera un rezago y una diferencia para eliminar la presencia de alguna tendencia, sin la presencia de media móvil. Hemos identificado ocho zonas geográficas, en las cuales se agrupan los sismos. Entre otros resultados hemos hallado que en las zonas Arequipa-Tacna y Lima-Ica, las magnitudes de los sismos en relación con el tiempo de llegada, se ajustan a un modelo ARIMA(1,1,0).  Por otro lado, también hemos hallado que en la zona de Arequipa-Tacna, la Pro-fundidad de los sismos en relación con el tiempo de llegada, se ajusta también a un modelo ARIMA(1,1,0).  Hemos usado datos del Instituto Geofísico del Perú, en particular, el tiempo, latitud, altitud, magnitud, profundidad, entre otros, los mismos que se pueden encontrar en su página web de la institución.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Dzwinel1, W. y Yuen, D. (2003). Cluster Analysis, Data-Mining, Multi-dimensional Visualization of Earthquakes over Space, Time and Feature Space. AGH Institute of Computer Science, al. Mickiewicza 30, 30-059, Kraków, Poland. Minnesota Supercomputing Institute, University. of Minnesota, Minneapolis.

Flores, C. Tavera H. y Rodriguez, L. (2012). Aplicación del Algoritmo M8 en el borde occidental del Perú: Incrementos de probabilidad para la ocurrencia de grandes terremotos. Lima: Sociedad Geológica del Perú.

Janik, M. y Bossev, P. (2016). “ Analysis of simultaneous time series of indoor, outdoor and soil air radon concentrations, meteorological and seismic data”

MA W., XU X., XU B. y ZHANG, H.. (2006) Abnormal temperatura increase and astro-tidal triggering in the tsunami earthquake in indonesia magnitude 9.0. Zhejiang Universit; Zhejiang 321000, China. Earthquake Prediction, pp. 61-68.

Mukherjee, S. y Kortvelyessy, L. (2006). Starstorm influence on earth rotation leads tsunami and earthquakes. Department of Earth and Ocean Sciences, The University of Liverpool, 4 Brownlow Street, Liverpool L69 3GP, UK. Earthquake Prediction, pp. 69-76.

Panayiotis V., Sarlis V. y Skordas E. (2011). Natural Time anàlysis: The new view of time. Precursory seismic electric signals, earthquakes and other complex time series. Springer Verlag Berlin Heidelberg.

Rikitake, T. y Hamada, K. (2003). Earthquake Prediction. Association for the Development of Earthquake Prediction. Soloviev, A., Ismail-Zadeh,A., Keilis-Borok, V. y Soloviev, A. (2003). (Eds.). Nonlinear Dynamics of the Lithosphere and Earthquake Prediction.

Sasorova, Levin y Emelyanova. (2006) Detection of the non-random component in the earthquaque distribution between the Northern and Southern part of the Pacific: Observations and modeling. Shirshov Institute of Oceanology, Russian Academy of Sciences, Nakhimovsky pr. 36, Moscow 117851, Russia. Earthquake Prediction, pp. 53-60.

Publicado

2018-11-01

Cómo citar

Risco Franco, C. (2018). Análisis de series de tiempo de datos de sismos en el Perú 2017-2018. Revista IECOS, 19, 121–134. https://doi.org/10.21754/iecos.v19i0.1173

Número

Sección

Artículos de Investigación