ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM
|
|
- Marina Aguilera Segura
- hace 8 años
- Vistas:
Transcripción
1 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, 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, aún 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,, ( ) 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 50 UPB - INVESTIGACIÓN & DESARROLLO 1: (01)
2 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS 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. 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, Ronchett y Staudte [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 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: (01) (01(01) 51
3 YAPU 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 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: y f ( x ) 1 n b f () t dt 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) 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. 5 UPB - INVESTIGACIÓN & DESARROLLO 1: (01)
4 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS 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. 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+. Cross-valdaton 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) 4 N j =N j (x ), con N j una base de funcones splne. UPB - INVESTIGACIÓN & DESARROLLO, No. 1: (01) (01(01) 53
5 YAPU ( r ) donde ˆ. WPSE tene la forma de un error cuadrado medo ponderado, cuyos pesos tenen el efecto de r reducr 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 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: Y p f j( X j) (10) j1 donde los errores son ndependentes de los X j, E Var E f X. El algortmo de backfttng [ ] 0, [ ] y [ j( j)] 0 es 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 54 UPB - INVESTIGACIÓN & DESARROLLO 1: (01)
6 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS 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 k j f j. Para obtener las estmacones ncales robusta de Y en funcón de los predctores. 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. 0 f j, una buena prmera estmacón puede ser dada por una regresón 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). 5 Por ejemplo los suavzadores de superfce: Y f ( X1,..., X P). UPB - INVESTIGACIÓN & DESARROLLO, No. 1: (01) (01(01) 55
7 YAPU 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. 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. 0 j Fgura - Izq: Scatterplot para la varable. Der: Scatterplot para la varable. Splne clásco: línea segmentada. Splne robusto ( ): línea contnua. 56 UPB - INVESTIGACIÓN & DESARROLLO 1: (01)
8 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS 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. 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. UPB - INVESTIGACIÓN & DESARROLLO, No. 1: (01) (01(01) 57
9 YAPU 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. 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. 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] Green P.J. y Slverman B.W. Nonparametrc Regresson and Generalzed Lnear Models: A Roughness Penalty Approach, London: Chapman & Hall, [] Huber P.J. Robust Smoothng. En: Launer R.L. y Wlknson G.N., eds. Robustness n Statstcs, New York/London: Academc Press, 1979, pp [3] Canton E. y Ronchett E. Resstant Selecton of the Smoothng Parameter for Smoothng Splnes, Stat. and Comp. 11, 001, pp [4] Ronchett E. y Staudte R.G. A Robust Verson of Mallows Cp, Journal of the Amercan Statstcal Assocaton 89, 1994, pp [5] Gu C. Cross-valdatng Non-Gaussan Data, Journal of Computatonal and Graphcal Statstcs 1, 199, pp [6] Gu C. Dagnostcs for Nonparametrc Regresson Models wth Addtve Terms, Journal of the Amercan Statstcal Assocaton 87, 199, pp [7] Wahba G. Splne models for Observatonal Data, Phladelpha: SIAM, [8] Härdle W. Appled Nonparametrc Regresson, Cambrdge: Cambrdge Unversty Press, [9] Haste T.J. y Tbshran R. Generalzed Addtve Models, London: Chapman & Hall, [10] Haste T.J., Tbshran R. y Fredman J. The Elements of Statstcal Learnng: Data Mnng, Inference, and Predcton, da ed., Sprnger-Verlag, 008. [11] Huber P.J. Robust Statstcs, New York: Wley, [1] Hampel F.R., Ronchett E.M., Rousseeuw P.J. y Stahel W.A. Robust Statstcs: The Approach Based on Influence Functons, New York: John Wley, [13] Huber P.J. y Ronchett E. Robust Statstcs, da ed., New Jersey: Wley, UPB - INVESTIGACIÓN & DESARROLLO 1: (01)
10 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS [14] Utreras F.I. On Computng Robust Splnes and Applcatons, SIAM Journal on Scentfc and Statstcal Computng, 1981, pp [15] Leung D.H.Y. Cross-valdaton n Nonparametrc Regresson wth Outlers, Ann. Statst. 33 (5), 005, pp [16] Oh H., Nychka D., Brown T. y Charbonneau P. Perod Analyss of Varable Stars by Robust Smoothng. J. Roy. Statst. Soc. Ser. C-Appled Statstcs 53, 004, pp [17] Canton E. Resstant Nonparametrc Smoothng wth S-PLUS, [Onlne]. (URL Journal of Statstcal Software 10 (), 004. (Acceddo el 6 de dcembre 01). [18] Yuan M. GACV for Quantle Smoothng Splnes, Comput. Stat. Data An. 50, 006, pp [19] Cox D.D. Asymptotcs for M-type Smoothng Splnes, The Annals of Statstcs 11, 1983, pp [0] Oh H. Nychka D. y Lee T., The Role of Pseudo Data for Robust Smoothng wth Applcaton to Wavelet Regresson, Bometrka 94, 007, pp [1] Lee J-S. y Cox D. Robust Smoothng: Smoothng Parameter Selecton and Applcatons to Fluorescence Spectroscopy, Computatonal Statstcs & Data Analyss 54 (1), 010, pp [] Almadad A. y Salban-Barrera M. An Outler-Robust Ft for Generalzed Addtve Models Wth Applcatons to Dsease Outbreak Detecton, Journal of the Amercan Statstcal Assocaton 106 (494), 011, pp [3] Arlot S. y Celsse A. A Survey of Cross-valdaton Procedures for Model Selecton, Statstcs Survey 4, 010, pp [4] Leung D.H.Y., Marrot F.H.C. y Wu E.K.H. Bandwdth selecton n robust smoothng, Journal of Nonparametrc Statstcs, 1993, pp [5] Schochetman I.E., Smth R.L. y Tsu S-K. On the Closure of the Sum of Closed Subspaces, Internatonal Journal of Mathematcs and Mathematcal Scences 6 (5), 001, pp UPB - INVESTIGACIÓN & DESARROLLO, No. 1: (01) (01(01) 59
ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING ALGORITHM
INVESTIGACIÓN & DESARROLLO, No. 1, Vol. 1: 50 59 (01) ISSN 518-4431 ESTIMACIÓN ROBUSTA DE MODELOS ADITIVOS MEDIANTE EL ALGORITMO DE BACKFITTING RESUMEN ROBUST ESTIMATION FOR ADDITIVE MODELS USING THE BACKFITTING
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 detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
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 detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesDeterminación de Puntos de Rocío y de Burbuja Parte 1
Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
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 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 detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
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 detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesrsums Aproxima la integral de f mediante sumas de Riemann y realiza una representación gráfica de los rectángulos.
PRÁCTICA INTEGRACIÓN Práctcas Matlab Práctca : Integracón Objetvos o Calcular ntegrales defndas de forma aproxmada, utlzando sumas de Remann. o o o Profundzar en la comprensón del concepto de ntegracón.
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 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 detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
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 detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
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 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 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 detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
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 detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
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 detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
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 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 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 detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
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 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 detallesCentro Nacional de Investigación y Desarrollo Tecnológico
cnológco Subsecretaría de Educacón Superor Dreccón General de Educacón Superor Tecnológca Coordnacón Sectoral Académca Dreccón de Estudos de Posgrado e Investgacón Centro Naconal de Investgacón y Desarrollo
Más detallesEstimación del consumo diario de gas a partir de lecturas periódicas de medidores
Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
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 detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesMÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Diana María González Troncoso Centro Oceanográfico de Vigo.
MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Dana María González Troncoso Centro Oceanográfco de Vgo. Cabo Esta, Vgo RESUMEN La Geoestadístca es una cenca cada vez más usada en dstntos ámbtos
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
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 detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
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 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 detallesMétodos Nodales Híbridos en la Solución de las Ecuaciones de Difusión en Geometría XY
Energía Nuclear y Segurdad Radológca: Nuevos Retos y Perspectvas XIV Congreso Anual de la SNM/XXI Reunón Anual de la SMSR Guadalajara, Jalsco, Méxco, - de Septembre, (, Memoras en CDROM Métodos Nodales
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 detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
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 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 detallesUNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS ORESTALES USO DE CALC DE OPENOICE EN EL ANÁLISIS DE DISEÑOS EXPERIMENTALES TESIS PROESIONAL QUE COMO REQUISITO PARCIAL PARA OBTENER EL TÍTULO DE: LICENCIADO
Más detallesConsideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos
Consderacones empírcas del consumo de los hogares: el caso del gasto en electrcdad y almentos Emprcal Consderatons of the Famles Consumpton: the Case uf the Expense n Electrcty and Food Maro Andrés Ramón
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 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 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 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 detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
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 detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
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 detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
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 detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.
ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)
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 detallesMECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)
MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman
Más detalles