ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM
|
|
- Pablo Fernández Zúñiga
- hace 5 años
- Vistas:
Transcripción
1 INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) ISSN ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING RESUMEN ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM Lus P. Yapu Quspe Unversdad Mayor de San Andrés, Bolva (Recbdo el 9 de octubre 01, aceptado para publcacón el 19 de dcembre 01) En este trabajo se presenta un método de estmacón y smulacón de un modelo adtvo a dos varables medante splnes robustos, el método general puede ser aplcado con varas varables. El software utlzado para las smulacones es S+ y se utlza explíctamente la funcón smooth.splnerob en una mplementacón del algortmo de backfttng. La funcón smooth.splnerob ha sdo escrta en base al trabajo de Canton y Ronchett [3], en el cual se pone énfass en la seleccón robusta del parámetro de suavzamento utlzando una versón robusta del C p de Mallows, RC p, y de la valdacón cruzada, RCV. La exstenca de datos extremos o no-normales en la parte estocástca de un modelo adtvo puede provocar una mala estmacón del parámetro de suavzamento, lo que tendrá nfluenca global en la estmacón por splnes. Para la etapa de smulacón se realzan las estmacones por splnes cláscos y robustos (con estmacón robusta del parámetro). La estmacón obtenda es muy convncente pero el tempo de ejecucón del programa es relatvamente elevado tanto para RC p y RCV, aun cuando, en certos casos, con pocas teracones robustas se obtenen ya resultados más útles que la estmacón clásca. ABSTRACT Ths paper presents a method of estmaton and smulaton of an addtve model of two varables usng robust splnes, but the general method can be appled to several varables. The software used for the smulatons s S+ and t uses explctly the smooth.splnerob functon n an mplementaton of the backfttng algorthm. The smooth.splnerob functon has been coded based on the work of Canton and Ronchett [3], whch emphaszes the robust selecton of the smoothng parameter usng a robust verson of Mallows C p, RC p, and robust cross valdaton, RCV. The exstence of outlers or non-normal data n the stochastc part of the addtve model may cause a poor estmate of the smoothng parameter that wll nfluence the overall estmate process. For the smulaton stage estmatons are performed by classcal and robust splnes (wth robust estmaton of the parameter). The estmates obtaned are very convncng but the executon tme of the program s relatvely hgh for both RC p and RCV, even f, n certan cases, few robust teratons are enough to get better results than the classcal estmates. Palabras Clave: Modelos No-Paramétrcos, Modelos Adtvos, Splnes Robustos de Tpo-M, C p de Mallows Robusto. Keywords: Nonparametrc Models, Addtve Models, M-type Robust Splnes, Robust Mallows C p. 1. INTRODUCION En su forma más smple, el punto de vsta de penalzacón de aspereza (roughness penalty approach) es un método para relajar las hpótess del modelo de regresón lneal clásca. Se consdera el modelo, ( ), (1) donde son puntos de dseño, varables aleatoras ndependentes con [ ] y ( ), son las observacones de la varable de respuesta y es una funcón que se desea estmar. S no se mponen restrccones en la funcón, entonces la suma de los cuadrados de los resduos puede ser mnmzada a cero escogendo una funcón f que nterpola los puntos, pero la funcón obtenda puede perder todas las condcones de regulardad y osclar de forma muy abrupta. En partcular, el poder predctvo del modelo obtendo es muy reducdo (overfttng). Imponer condcones de regulardad medante polnomos a trozos pero respetando condcones de dervabldad en los puntos de separacón (splnes de nterpolacón), puede ser útl s se sabe que los datos fueron tomados con alta precsón y el fenómeno bajo estudo es conocdo como altamente varable. Sn embargo, ncluso en estas condcones, uno puede estar nteresado en la varacón lenta o tendenca global de los datos y consderar las varacones locales como rudo aleatoro. Por lo tanto, una aproxmacón muy cercana a los datos observados no es el únco objetvo al ajustar una curva. 50 UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01)
2 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS Exsten muchas formas de cuantfcar la suavdad 1 de una funcón defnda en un ntervalo [ ]. Una, que es bastante ntutva y que se aplca a una funcón dos veces contnuamente dferencable, es calcular la expresón ( ). Se pueden menconar varas razones del por qué esta expresón es una buena medda de suavdad, ver por ejemplo Green y Slverman [1]. El punto de vsta de penalzacón de roughness consste en combnar tanto la suma de resduos como la suavdad de la curva de ajuste medante un parámetro, defnendo la suma de cuadrados penalzada que debe ser mnmzada, y f ( x ) 1 mn ( ) 1 a n b f t dt. () Un pequeño prvlegará el ajuste a los datos observados pudéndose obtener curvas altamente osclantes. S es demasado grande, entonces la curva obtenda podría perder detalles mportantes de los datos. El caso límte lleva a la regresón clásca. A pesar del carácter local de los splnes, queda claro que la estmacón del parámetro puede tener un mpacto global en la estmacón y ajuste de la curva. Huber [] ntrodujo los splnes robustos de tpo-m, los cuales son defndos en la Seccón. Canton y Ronchett [3] argumentan que la estmacón de debería tambén basarse al algún crtero robusto y presentan un método de estmacón que puede ser vsto como una versón robusta de y de valdacón cruzada. Ideas smlares fueron ntroducdas prmeramente en seleccón robusta de modelos en regresón [4]. Canton y Ronchett [3] ndcan algunas aplcacones posbles de la técnca de seleccón robusta del parámetro de suavzamento que ncluyen modelos más complejos, como los modelos adtvos y sus generalzacones. Estos modelos multvarados pueden utlzar splnes de suavzamento como sus bloques dentro del proceso de estmacón. Algunos trabajos ncales sobre el tema son los de Gu [5], [6]. En la Seccón 3. se explca cómo es posble nclur la estmacón por splnes robustos dentro del contexto de los modelos adtvos utlzando el algortmo de backfttng que permte el ajuste no lneal de las varables ndependentes ndvduales. Referencas y trabajos relaconados con el tema ncluyen, las referencas generales sobre splnes de suavzamento de Wahba [7], Härdle [8] y Green y Slverman [1]; la referenca clásca sobre modelos adtvos y generalzacones de Haste y Tbshran [9] y Haste et al. [10], este últmo es un lbro que reúne muchos métodos estadístcos en un marco coherente tomando en cuenta tambén consderacones computaconales. Conceptos generales y teoría sobre estadístca robusta puede encontrarse en Huber [11], Hampel et al. [1] y Huber y Ronchett [13]. Los splnes robustos de tpo-m fueron ntroducdos por Huber [], su estudo asntótco por Cox [5] y aspectos computaconales por Utreras [14]. Otras aproxmacones al problema de seleccón robusta del parámetro de suavzamento son Leung et al. [15] y Oh et al. [16] y concentran en la valdacón-cruzada robusta (RCV). Este trabajo está basado en el método propuesto por Canton y Ronchett [3] e mplementado en S+ (funcón smooth.splnerob) en Canton [17]. Yuan [18] presenta otra estratega para robustez medante splnes de suavzamento con cuantles combnado con un método de valdacón cruzada aproxmada generalzada (GACV). El trabajo de Yuan se acompaña de smulacones de Monte-Carlo que ncluyen un modelo bvarado. Aunque la funcón de penalzacón a dos varables podría ser generalzada a un contexto multdmensonal, esto mplcaría trabajar con ntegrales múltples lo que aumenta el costo computaconal, comparada con el costo del método de backfttng presentado al fnal de la Seccón 3. Un punto de vsta que ha dado muchos resultados en la teoría de splnes de suavzamento robustos es medante la nterpretacón de pseudo-datos, que permte relaconar asntótcamente la robustez con la teoría clásca de splnes a partr del trabajo de Cox [19]. Trabajos dervados de este enfoque son, por ejemplo, los artículos de Canton y Ronchett [3], Oh et al. [16] y Oh et al. [0]; este últmo con aplcacones de regresón con wavelets en datos rregularmente espacados y supresón de rudo en mágenes dgtales. En tratamento de mágenes médcas, el artículo de Lee y Cox [1] compara varos métodos de suavzamento robustos (no sólo splnes) mplementados en el lenguaje estadístco R, con buenos resultados utlzando la valdacón cruzada absoluta (ACV) para sus datos de espectroscopa. Aunque dentro de un contexto específco de las cencas de la salud y la epdemología, posblemente el trabajo más próxmo a este artículo es el de Almadad y Salban-Barrera [], quenes utlzan tambén el algortmo de backfttng para detectar aumentos rápdos en el número de casos de enfermedades nfeccosas, con el objetvo que estos datos extremos no afecten demasado estmacones sobre la mayoría de los datos. Se trata de un trabajo completo que trata aspectos teórcos, smulacones y aplcacones a datos reales en epdemología. Trabajan con valdacón cruzada robusta ( ) en R y no aplcan el de Mallows robusto ( ) de Canton [17] que está mplementado en S+, el cual es 1 En este trabajo, se utlza el térmno suavdad como equvalente al térmno nglés smoothness, smlarmente para palabras dervadas. Este térmno no es snónmo matemátcamente de la defncón de funcón suave, que mplca ser contnuamente dferencable un número sufcente de veces. UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) 51
3 YAPU utlzado en este trabajo. Ambos crteros, y, se pueden usar ndependentemente y pueden dar resultados dstntos. Un estudo comparatvo bastante completo para el caso no robusto en el contexto de la seleccón de modelos puede encontrarse en [3]. Cada método tene sus pros y sus contras respecto a sus propedades estadístcas, asntótcas, hpótess para aplcarlas y costo computaconal. No se encontraron estudos teórcos comparatvos en el caso robusto en la lteratura, sobre todo en el contexto de suavzamento combnado con modelos adtvos. El artículo está organzado como sgue. La Seccón ntroduce el splne robusto de tpo M y sus propedades. La Seccón 3 presenta el algortmo de backfttng y explca cómo podrían combnarse con los splnes robustos. La Seccón 4 expone resultados de un estudo de smulacón que muestra la establdad y caldad de los ajustes obtendos comparados con otros métodos más cláscos. Fnalmente la Seccón 5 presenta las conclusones.. SPLINES ROBUSTOS DE TIPO-M Se consderan las parejas de puntos de observacones (x, y ), =1,...,n. Se quere ajustar una funcón f(.) que mnmce la expresón: n b f () t dt () 1 y f ( x ) 1 La solucón a este problema está dada por splnes cúbcos que son polnomos cúbcos a trozos 3 con certas condcones de regulardad en los puntos de salto. Típcamente, la estmacón automátca de se realza mnmzando el error predctvo cuadrado medo (MSPE) medante valdacón cruzada (cross-valdaton) o medante el estadístco de Mallows. La Fgura 1 lustra dos casos de mala estmacón del parámetro de suavzamento (smoothng parameter), a la zquerda un caso de overfttng, con poco poder predctvo y, a la derecha, una rgdez demasado elevada del splne, que le hace perder característcas mportantes de los datos. Para controlar la sensbldad a los puntos extremos (outlers), Huber [] ntrodujo los splnes cúbcos de tpo-m, los cuales mnmzan el crtero, n y ( ) 1 b f x f () t dt 1 a (3) Con >0, es la desvacón estándar como en la Ec. (1), y una funcón convexa. Los detalles técncos y demostracones pueden ser encontrados en [3]. Se expondrá aquí solamente los puntos prncpales. Se puede escrbr la forma de dmensón fnta de (3) como: a n 1 T ( ) 1 f Kf (4) y f ( x) T 1 donde, f f ( x1,..., x n ), K N N y j N ( x) N j ( x) dx sendo N una matrz base de splnes 4. Defnendo ( t) ( t) las ecuacones de estmacón son entonces: t ( r) Kfˆ 0 (5) y ˆ f donde r ( r1,..., r n ), r, y ˆf es la estmacón de la funcón buscada f. Escogendo tal que sea acotada, se asegura la robustez respecto a outlers en los resduos. Para asegurar la robustez del método completo, se debe estmar de manera robusta, el método recomendado es la propuesta de Huber [11] y [1]. S exsten puntos de apoyo (leverage-ponts) en los puntos de dseño x es posble realzar el proceso ntroducendo antes una matrz dagonal W de pesos, resolvendo W( r) Kfˆ 0 y obtenendo así un splne ponderado. Dentro de la famla de funcones dervables y con prmera dervada absolutamente contnua. 3 Funcones defndas por ntervalos y que son polnomos cúbcos en cada ntervalo. 4 N j =N j (x ), con N j una base de funcones splne. 5 UPB - INVESTIGACIÓN & DESARROLLO 1, Vol. 1: (01)
4 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS Fgura 1 - Base de datos Ethanol. Izq: =10-10, demasados detalles que podrían ser sólo rudo aleatoro. Der: =0.1, perde nformacón mportante en la parte central. Canton y Ronchett [3] presentan un método para la estmacón robusta del parámetro de suavzamento. Este método de estmacón ha sdo programado en la funcón smooth.splnerob y está ncluda en la lbrería robust de S+. Crossvaldaton y C p de Mallows son crteros cláscos para predccón. Desde un punto de vsta robusto, un crtero no debera penalzar valores de que ajustan ben la mayoría de los datos con la excepcón posble de unos pocos puntos (outlers). Sn pérdda de contnudad, en una prmera lectura es posble pasar drectamente a la Seccón 3. Los estmadores de C p de Mallows robusto, RC p, y de Cross-valdaton robusto, RCV, están dados en las ecuacones (8) y (9), respectvamente. Basándose en el trabajo de Ronchett y Staudte [4], Canton y Ronchett [3] defnen el error cuadrado predctvo ponderado, 1 n ˆ ˆ 1 WPSE( ) E f ( x ) f ( x ) (6) ( r ) donde ˆ. WPSE tene la forma de un error cuadrado medo ponderado, cuyos pesos tenen el efecto de reducr r la contrbucón ( fˆ ( x) f ( x)) de algunos puntos extremos y no penalza a la mayoría de los datos para los cuales el ajuste funcona ben. Defnendo la suma ponderada de cuadrados de los resduos por: (7) n n ( ) ˆ ( ) 1 1 WSR r r y denotando fˆ( x ) f ( x ), Canton y Ronchett proponen la versón robusta del C p de Mallows dada por: (8) n n ( ) ( ) ˆ ˆ p 1 1 RC WSR E E La fórmula fnal en el contexto de splnes es presentada en la ecuacón (1) de [3] y deducda en el apéndce de dcho artículo. En esta fórmula fnal aparece y, de acuerdo a Haste y Tbshran [9], es mportante tomar una estmacón externa de este parámetro que tenga poco suavzamento. Una estmacón robusta de está dada como solucón de n r 0 0, con 1 r y y 1, y 0 = 0 y ( t) t ( t) ( t), sendo una constante que asegure la consstenca de Fsher para la estmacón de. Utreras [14] presenta mayores detalles de los aspectos computaconales UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) 53
5 YAPU de estos cálculos. De manera alternatva, Canton y Ronchett [3] proponen la sguente versón robusta del crtero de valdacón cruzada: 1 ( r ) RCV ( ) (9) n ( E ) (1 ) n 1 S donde S es el -ésmo térmno de la dagonal de la matrz Leung et al. [4] para suavzadores de kernel de tpo-m. S I K E 1. Una propuesta smlar fue sugerda en 3. MODELOS ADITIVOS Y EL ALGORITMO DE BACKFITTING Las conclusones de [3] ndcan que aplcacones posbles de la técnca de seleccón robusta del parámetro de suavzamento ncluyen modelos más complejos, como los modelos adtvos y sus generalzacones. En esta seccón se explca cómo es posble nclur la estmacón de splnes robustos dentro del contexto de los modelos adtvos utlzando el algortmo de backfttng. Un modelo adtvo está dado por: p ( ) j 1 j j (10) Y f X donde los errores son ndependentes de los X j, E Var E f X. El algortmo de backfttng es [ ] 0, [ ] y [ j( j)] 0 un algortmo muy general que permte el ajuste no lneal utlzando otros métodos de ajuste o regresón para los X j ndvduales, sn embargo, no es necesaro que los X j sean de dmensón 1. El objetvo básco es modelar la dependenca de Y respecto a X,..., 1 X n. La herramenta estándar del estadístco aplcado es el modelo clásco de regresón lneal múltple: Y X X (11) n n Con E[ ] 0, Var[ ]. Este modelo asume que EY [ ] depende lnealmente de X,..., 1 X n, por lo que se hace necesaro un solo coefcente para estmar el f j, lo que a su vez provee descrpcones smples de los datos y métodos sencllos de predccón. Este modelo tene una característca básca en nferenca estadístca: el modelo es adtvo en los efectos de los predctores, es decr, la varacón de la respuesta estmada sólo depende de un predctor, s se mantenen fjos los otros. Ésta es la característca básca que mantenen los modelos adtvos, además de salvar un problema bastante general de modelos más generales 5, como es el hecho que las vecndades con un número fjo de puntos se vuelven menos locales según aumenta la dmensón (curse of dmensonalty). La seccón 4.4 de Haste y Tbshran [9] expone en orden de generaldad crecente una jerarquía de modelos adtvos, yendo desde la regresón lneal múltple a la estmacón de los f j con un operador suavzante o suavzador (smoother) arbtraro. El algortmo de backfttng es un método general que permte ajustar modelos adtvos utlzando cualquer método de ajuste en sus bloques. En contrapartda, se trata de un método teratvo y éste es el preco que se debe pagar por añadr tal grado de generaldad. La motvacón ntutva del algortmo de backfttng provene de las esperanzas condconales. S el modelo adtvo (10) es correcto se debe tener f j E y f k ( X k ) X j ). Esto sugere un método teratvo para estmar los f k j j. Para obtener las estmacones ncales funcón de los predctores. 0 f j, una buena prmera estmacón puede ser dada por una regresón robusta de Y en De una manera general, el algortmo de backfttng está dado como sgue: 0 ) Incalzar: promedo ( y ), f f, j=1,,p j j j ) Para cada j=1,,p, actualzar: f j S j y f k x j ) k j ) Repetr ) hasta que los f j se establcen. 5 Por ejemplo los suavzadores de superfce: Y f ( X1,..., X P ). 54 UPB - INVESTIGACIÓN & DESARROLLO 1, Vol. 1: (01)
6 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS Los S j pueden ser cualquer operador de ajuste (matrces en la mplementacón práctca), por ejemplo proyeccones, splnes o splnes robustos. En el capítulo 5 de Haste y Tbshran [9] se realza un estudo teórco del algortmo y, en partcular, se estudan las condcones para la convergenca de éste. Aquí se explca brevemente la formulacón del modelo medante espacos de Hlbert, ya que es en sí msma matemátcamente nteresante y relacona el algortmo de backfttng con el método de Gauss-Sedel. Lo que sgue, hasta el fn de esta seccón, requere más base matemátca y cálculo numérco y puede ser obvada en una prmera lectura por el lector más nteresado en la parte práctca del método. Se consdera prmero el modelo con varables aleatoras (dmensón nfnta). Sea el espaco de Hlbert de funcones medbles ( ) tales que [ ] [ ] y producto nteror [ ]. Sean además y los espaco de Hlbert de funcones centradas y cuadrado ntegrables en varables: y en varables:, respectvamente. El subespaco, es cerrado bajo condcones técncas [5]. Se tene entonces la jerarquía de subespacos:. Se desea mnmzar entonces [( ( )) ] sobre las funcones ( ) ( ). La condcón que hace que el problema no sea trval es la restrccón de adtvdad. Como es un subespaco cerrado, este mínmo exste y es únco. Se denota al operador esperanza condconal [ ].e. la proyeccón ortogonal sobre. Los resduos ( ) son entonces ortogonales a cada, es decr ( ( )). Para cada varable se tene: f ( X ) ( ) ( ) j j P Y j f X k j k k E Y f X X k j k k j (1) que se puede escrbr como una ecuacón matrcal cuyos componentes son operadores: Pf = QY (13) donde f ( f1( X1),..., fp( X P)) y Q dag( P1,..., P ). Entonces, queda explícto el hecho que el algortmo de backfttng es equvalente al método de Gauss-Sedel aplcado al sstema (13). Esta equvalenca es más clara s se consdera el modelo en dmensón fnta (versón con datos) y utlzando suavzadores lneales. En efecto, estos suavzadores pueden ser escrtos como ˆf Sy, sendo S una matrz n x n y n el número de observacones. Los suavzadores por splne caen dentro de este contexto. Volvendo al algortmo de backfttng, a cada operador P j corresponde una matrz S j, lo que produce un sstema matrcal de tamaño np x np: ˆPf QY ˆ (14) Se observa que los métodos estándares no teratvos para resolver el sstema (14), como la descomposcón QR, realzarían O((np) 3 ) operacones. Por otra parte, asumendo que un número constante de teracones son realzadas y cada suavzador se aplca en O(n) operacones (como es el caso de los splnes), el algortmo de backfttng requerría sólo O(np) operacones. Otras consderacones más sutles pueden encontrarse en la Seccón 5. de Haste y Tbshran [9]. 4. SIMULACION CON DATOS CONTAMINADOS Se examna la efectvdad del método a través de un ejemplo smulado, lo que tene la ventaja que se conocen las verdaderas funcones f j de la Ec. (10). Como en el capítulo 9 de Haste y Tbshran [9], se generan 100 observacones a partr del modelo: 3 y sn(1.3 x1) x (15) 3 10 donde x 1 y x provenen de una ley bnormal estándar con correlacón 0.4 y (1-)N(0,1)+ con = 0.05 (5% de contamnacón). de una ley normal contamnada Se programó el algortmo de backfttng, con p= y los operadores S j mplementados ya sea medante las funcones S+ smooth.splne (para el caso clásco) o smooth.splnerob (para el caso robusto con estmacón robusta de ). Se utlzó una regresón robusta para obtener las funcones ncales f. 0 j UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) 55
7 YAPU La prmera smulacón utlza el crtero RC p de Mallows. Se muestra el resultado de la smulacón y estmacón en la Fgura, donde además de los puntos smulados (cruces) se estmaron los splnes cláscos y robustos para cada funcón del modelo adtvo. La estmacón de y del splne clásco está afectada por los valores extremos y entonces la estmacón no captura la estructura global dada por la mayoría de los datos, la cual es mejor estmada por el splne robusto, línea segmentada de la Fgura. Fgura - Izq: Scatterplot para la varable. Der: Scatterplot para la varable. Splne clásco: línea segmentada. Splne robusto ( ): línea contnua. El resultado de tres teracones del algortmo de backfttng utlzando el crtero de valdacón cruzada robusta es mostrado en la Fgura 3. El splne clásco, en línea segmentada, muestra demasado suavzamento; el splne robusto (con RCV), en línea contnua, ajusta mejor la verdadera funcón, Ec. (15). El tempo ejecucón para las tres teracones del algortmo con estmacón robusta del parámetro de suavzamento es del orden de 1 mn en una máquna Intel Core GHrz y 4 GB de RAM, sn utlzar paralelsmo. Consderando el costo computaconal, es nteresante observar que en todas las pruebas realzadas no se observó dferenca mportante en tempo de ejecucón entre y. Cada llamada a smooth.splnerob toma entre 0-5 segundos para ambos crteros aunque con un tempo de ejecucón en general dferente para los msmos datos. La Fgura 3 muestra tres teracones consecutvas utlzando el crtero. Fgura 3-56 UPB - INVESTIGACIÓN & DESARROLLO 1, Vol. 1: (01)
8 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS Fgura 3 - Izq: Scatterplot para la varable. Der: Scatterplot para la varable. Tres teracones del algortmo de backfttng. Splne clásco: línea segmentada. Splne robusto (RCV): línea contnua. Se debe tomar en cuenta que el tempo de ejecucón para la estmacón clásca es de menos de segundos para 100 teracones, lo que sgnfca que la estmacón robusta debe ser todavía optmzada para ser utlzable con los modelos adtvos. UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) 57
9 YAPU 5. CONCLUSIONES En este trabajo se expuso un método de estmacón de un modelo adtvo, combnando el algortmo de backfttng con la estmacón por splnes robustos en el cual se pone énfass en la seleccón robusta del parámetro de suavzamento utlzando una versón robusta del de Mallows,, y de la valdacón cruzada,. Trabajos anterores estaban centrados sobre todo en el. Las smulacones mostraron que cuando exsten outlers, la estmacón clásca no captura en general el comportamento global de los datos, y entonces su utldad es extremamente lmtada o nula s uno se nteresa en la estructura global de la mayoría de los datos. La estmacón robusta fue muy convncente pero el tempo de ejecucón es relatvamente elevado tanto para como para RCV, y no se observaron dferencas sgnfcatvas en tempo para ambos crteros. Sn embargo, en la mayoría de las smulacones, con pocas teracones robustas se obtuveron resultados más útles que la estmacón clásca. La estmacón robusta debe ser todavía optmzada para ser utlzable de forma práctca en modelos adtvos multvarados. En partcular, se consderará útl mplementar el método de splnes robustos en R, el cual se ejecuta más rápdo que S+. 6. AGRADECIMIENTOS El autor agradece al Prof. Elvezo Ronchett quén propuso el problema y do pautas mportantes para su análss. 7. REFERENCIAS [1] P.J. Green y B.W. Slverman. Nonparametrc Regresson and Generalzed Lnear Models: A Roughness Penalty Approach, London: Chapman & Hall, [] P.J. Huber. Robust Smoothng, n Launer R.L. y Wlknson G.N., eds. Robustness n Statstcs, New York/London: Academc Press, 1979, pp [3] E. Canton and E. Ronchett. Resstant Selecton of the Smoothng Parameter for Smoothng Splnes, Stat. and Comp. 11, 001, pp [4] E. Ronchett and R.G. Staudte. A Robust Verson of Mallows Cp, Journal of the Amercan Statstcal Assocaton, vol. 89, pp , [5] C. Gu. Cross-valdatng Non-Gaussan Data, Journal of Computatonal and Graphcal Statstcs, vol. 1, pp , 199. [6] C. Gu. Dagnostcs for Nonparametrc Regresson Models wth Addtve Terms, Journal of the Amercan Statstcal Assocaton, vol. 87, pp , 199. [7] G. Wahba. Splne models for Observatonal Data, Phladelpha: SIAM, [8] W. Härdle. Appled Nonparametrc Regresson, Cambrdge: Cambrdge Unversty Press, [9] T.J. Haste and R. Tbshran. Generalzed Addtve Models, London: Chapman & Hall, [10] T.J. Haste et al. The Elements of Statstcal Learnng: Data Mnng, Inference, and Predcton, da ed., Sprnger- Verlag, 008. [11] P.J. Huber. Robust Statstcs, New York: Wley, [1] F.R. Hampel et al. Robust Statstcs: The Approach Based on Influence Functons, New York: John Wley, [13] P.J. Huber and E. Ronchett. Robust Statstcs, da ed., New Jersey: Wley, 009. [14] F.I. Utreras. On Computng Robust Splnes and Applcatons, SIAM Journal on Scentfc and Statstcal Computng, vol., pp , [15] D.H.Y. Leung. Cross-valdaton n Nonparametrc Regresson wth Outlers, Ann. Statst, vol. 33, no. 5, 005, pp [16] H. Oh et al. Perod Analyss of Varable Stars by Robust Smoothng. J. Roy. Statst. Soc. Ser. C-Appled Statstcs, vol. 53, pp , 004. [17] E. Canton. Resstant Nonparametrc Smoothng wth S-PLUS, Journal of Statstcal Software. [Onlne]. 10(), 004. Avable: [Acceddo el 6 de dcembre 01]. [18] M. Yuan. GACV for Quantle Smoothng Splnes, Comput. Stat. Data An., vol. 50, pp , 006. [19] D.D. Cox. Asymptotcs for M-type Smoothng Splnes, The Annals of Statstcs, vol. 11, pp , [0] H. Oh et al. The Role of Pseudo Data for Robust Smoothng wth Applcaton to Wavelet Regresson, n Bometrka, vol. 94, 007, pp [1] J-S. Lee and D. Cox, Robust Smoothng: Smoothng Parameter Selecton and Applcatons to Fluorescence Spectroscopy, n Computatonal Statstcs & Data Analyss, vol. 54, no. 1, 010, pp [] A. Almadad and M. Salban-Barrera. An Outler-Robust Ft for Generalzed Addtve Models Wth Applcatons to Dsease Outbreak Detecton. Journal of the Amercan Statstcal Assocaton, vol. 106, no. 494, pp , UPB - INVESTIGACIÓN & DESARROLLO 1, Vol. 1: (01)
10 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS [3] S. Arlot and A. Celsse. A Survey of Cross-valdaton Procedures for Model Selecton, n Statstcs Survey, vol. 4, 010, pp [4] D.H.Y. Leung et al. Bandwdth selecton n robust smoothng. Journal of Nonparametrc Statstcs, vol., pp , [5] I.E. Schochetman et al. On the Closure of the Sum of Closed Subspaces. Internatonal Journal of Mathematcs and Mathematcal Scences, vol. 6, no. 5, pp , 001. UPB - INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: (01) 59
ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM
ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM RESUMEN Lus P. Yapu Quspe Unversdad Mayor de San Andrés,
Más detallesMDE.Representación superficie
MDE.Representacón superfce Representacón superfce a partr de datos (observacones). Problema : Cómo crear superfces dscretas y contnuas para representar la varacones de altura en el espaco?. Construccón
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesEDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño
EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste
Más detallesAgenda del 17/5/2017
Agenda del 17/5/2017 Regresón lneal Idea y orgen La geometría de los mínmos cuadrados Los problemas numércos que conducen a malos resultados. Ejemplo real. Mínmos cuadrados no lneales Demostracón de software
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesTema 9: Otros temas de aplicación
Tema 9: Otros temas de aplcacón. Introduccón Exsten muchos elementos nteresantes y aplcacones del Matlab que no se han comentado a lo largo de los temas. Se nvta al lector a que nvestgue sobre ellos según
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detalles5 Métodos iterativos para la resolución de ecuaciones algebraicas lineales Método de Gauss-Jacobi Método de Gauss-Seidel...
CONTENIDO 5 Métodos teratvos para la resolucón de ecuacones algebracas lneales 95 5.1 Método de Gauss-Jacob................................ 95 5.2 Método de Gauss-Sedel................................
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesFacultad de Ciencias Exactas, Ingeniería y Agrimensura Universidad Nacional de Rosario. Identificación de Sistemas
Facultad de Cencas Exactas, Ingenería y Agrmensura Unversdad Naconal de Rosaro Identfcacón de Sstemas rabajo Práctco Nro. Identfcacón de una Planta de Neutralzacón de ph Mayo 202 rabajo Práctco Nro. Identfcacón
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesTecnología y Ciencias del Agua ISSN: Instituto Mexicano de Tecnología del Agua México
Tecnología y Cencas del Agua ISS: 087-86 revsta.tyca@gmal.com Insttuto Mexcano de Tecnología del Agua Méxco Marón-Domínguez, Davd Ernesto; Gutérrez-de-la-Rosa, Alberto Resolucón de la ecuacón de la adveccón-dspersón
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesICI3140 Métodos Numéricos. Profesor : Dr. Héctor Allende-Cid
ICI3140 Métodos Numércos Proesor : Dr. Héctor Allende-Cd e-mal : hector.allende@ucv.cl Proyecto Tópcos: Numercal Optmzaton Mínmos Cuadrados Numercal Lnear Algebra: SVD QR NMF Dmensonalty Reducton PCA ICA
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesCAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI
CAPÍTULO 5: MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 57 CAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 5. Resumen Se busca solucón a las ecuacones acopladas que descrben los perfles de onda medante
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más detallesObjetivos El alumno conocerá y aplicará diversas técnicas de derivación e integración numérica. Al final de esta práctica el alumno podrá:
Objetvos El alumno conocerá y aplcará dversas técncas de dervacón e ntegracón numérca. Al fnal de esta práctca el alumno podrá:. Resolver ejerccos que contengan dervadas e ntegrales, por medo de métodos
Más detallesEL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS
EL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS ING. F. JAVIER ANAYA ESTRELLA INTRODUCCION UNA REGION COMPLEJA QUE DEFINE UN CONTINUO SE DISCRETIZA EN FORMAS GEOMETRICAS SIMPLES LLAMADAS ELEMENTOS
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesAplicación de curvas residuo y de permeato a sistemas batch y en continuo
Aplcacón de curvas resduo de permeato a sstemas batch en contnuo Alan Dder érez Ávla En el presente trabajo se presentara de manera breve como obtener las ecuacones que generan las curvas de resduo, de
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesMétodos de Apareamiento (Matching)
Impact Evaluaton Sesón n Técnca T VI: Métodos de Apareamento (Matchng) Lma, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluacón de Impacto En el caso de asgnacón aleatora Supuesto asgnacón
Más detallesECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A.
ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Armando Blanco A. Captulo V ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Introduccón Dferencas fntas Métodos de relaacón sucesva Métodos
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesDISEÑO SEVERO. PALACIOS C. SEVERO Consultor Metalúrgico. Lima Perú
DISEÑO SEVERO PALACIOS C. SEVERO Consultor Metalúrgco espc@yahoo.com Lma Perú RESUMEN: Se ha desarrollado un nuevo dseño de mucha utldad para los procesos ndustrales al cual he denomnado Dseño Severo.
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesESTIMACIÓN DEL TOTAL DE HOGARES CON NECESIDADES BÁSICAS INSATISFECHAS EN LA CIUDAD DE ROSARIO UTILIZANDO MODELO DE SEMIVARIOGRAMA
Decmoctavas Jornadas "Investgacones en la Facultad" de Cencas Económcas y Estadístca. Novembre de 013. Borra, Vrgna Laura Pagura, José Alberto Insttuto de Investgacones Teórcas y Aplcadas de la Escuela
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN ARROCERA EN EL ECUADOR
1 ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN ARROCERA EN EL ECUADOR Dela E. Montalvo Roca 1, Gaudenco Zurta Herrera 1 Ingenera en Estadístca Informátca Drector de Tess. M.Sc. en Matemátcas, Unversty of South
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesExistencia y unicidad de solución de una ecuación diferencial parcial no lineal estacionaria del tipo elíptico
Agrondustral Scence Agrond Sc 5 (05) Escuela de Ingenería Agrondustral Unversdad Naconal de Trujllo Exstenca uncdad de solucón de una ecuacón dferencal parcal no lneal estaconara del tpo elíptco Exstence
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesEcuación de Lagrange
Capítulo 6 Ecuacón de Lagrange 6. Introduccón a las ecuacones de Lagrange La mecánca que nos presenta Lagrange en su Mécanque Analytque sgnfca un salto conceptual muy grande respecto de la formulacón Newtonana.
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detalles