Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Activ6 Complementaria Sanchez Campoy CM
Activ6 Complementaria Sanchez Campoy CM
Actividades
Tema 6
Complementaria
PROFESORES:
ENUNCIADO
Realizar traduccin y resumen del Seminario del Profesor Guillas.
1. INTRODUCCIN Y PRELIMINARES
En varios campos, como la ciencia del medio ambiente, las finanzas, la ciencia
geolgica y la ciencia biolgica, grandes conjuntos de datos estn disponibles, por
ejemplo, por monitorizacin en tiempo real como en los satlites que circulan alrededor
de la Tierra. Por lo tanto, el objeto de estudio estadstico son curvas, superficies y
distribuidores, adems de los puntos tradicionales, nmeros o vectores. El anlisis de
datos funcionales (FDA) puede ayudar a representar y analizar los procesos aleatorios
de dimensin infinita (Ramsay y Silverman 2005; Ferraty y Vieu 2006).
En la regresin, cuando la variable explicativa es una funcin aleatoria y la respuesta
es un variable real aleatoria, podemos definir el denominado modelo lineal funcional,
consulte el Captulo 15 en Ramsay y Silverman (2005) y las referencias en l. Dicho
modelo puede generalizarse a la configuracin bivariada.
Sea Y una variable aleatoria con valores reales. Sea D un dominio poligonal en R 2 .
El modelo de regresin es como sigue:
Y = f ( X ) + = g , X + = g ( s ) X ( s )ds +
D
(1)
E ( ) = 0 y E ( X ( s ) ) = 0 s D
Uno de los objetivos en FDA es determinar o aproximar g, la cual se define en un
dominio espacial 2 D de las observaciones en X obtenidas sobre un conjunto de
puntos de diseo en D e Y.
Motivado por diferentes estudios, consideramos un modelo de regresin funcional,
donde la variable explicativa es una superficie aleatoria y la respuesta es una variable
aleatoria real. Para expresar una superficie aleatoria en un 2 D irregular poligonal
dominio D , vamos a utilizar splines bivariados que son partes de funciones
polinomiales suaves sobre un dominio triangulado polinomial 2 D . Son similares a
2
= arg min E (Y , X
H
2
r
2
r
= Er ( , ) donde Er ( , ) =
D D D D
D k =0 i + j = k
i
1
j
2
i
1
j
2
de D
con
suficientemente pequeas.
La aproximacin
S , Sdr ( ) de es:
3
S , = arg min
E ( Y , X
Sdr ( )
cii , X +
i =1
+ E ( )
r
c
j =1
c
i =1
=0
i i
r
Sea X 1 ,..., X n una sucesin de variables aleatorias funcional tal que slo el polinomio
cero es perpendicular al subespacio generado por { X 1 ,..., X n } , excepto en un evento
tiende a cero cuando n + . La estimacin emprica
cuya probabilidad pn
r
S
, , n S d ( ) es la solucin de:
1 n
S
=
arg
min
(Yi , X i
, ,n
Sdr ( ) n
i =1
2
d
S
, , n = cn ,ii
i =1
n c = b n , donde:
con vector de coeficientes cn = (cn ,i , i = 1,..., m) que satisface
n
n
n = 1
i , X l j , X l + Er (i , j )
n
l =1
i , j =1,...,m
1 n
1 n
b n = Yl j , X l
= ( f ( X l ) + l ) j , X l
n l =1
j =1,..., m n l =1
j =1,..., m
S = arg min E ( Y , S X
H
2
r
S = arg min
E ( Y , S X
S
S dr ( )
2
r
F ( ) = E ( Y , X
2
r
S r () es la solucin de:
aleatorias X 1 ,..., X n . La estimacin emprica S
d
, ,n
1 n
S
Yi , S X i
, , n = arg min
Sdr ( ) n
i =1
2
d
S
, , n = cn ,ii
i =1
con coeficiente vector cn = (c
n ,i , i = 1,..., m ) que satisface n cn = b n , y
n
n = 1
n i , S X l
l =1
j , S X + Er (i , j )
l
i , j =1,...,m
1 n
b n = Yl j , S X l
n l =1
j =1,...,m
S r () .
Se pretende llegar a la demostracin de la estimacin emprica S
d
, ,n
5. EXPERIMENTO Y SIMULACIN NUMRICA
Las Simulaciones demuestran la calidad de las propiedades asintticas en un
escenario real. Se lleva a cabo una aplicacin a la concentracin de ozono sobre la
previsin de EE.UU. que ilustra las capacidades de pronstico del mtodo, muestra las
habilidades de prediccin del mtodo. Se compara el mtodo de mnimos cuadrados
con pena al principal mtodo de regresin de componentes. Tamaos de muestra
moderados proporcionan pronsticos de buena calidad en ambos casos con poco
esfuerzo computacional. Se ilustra la variabilidad de las previsiones debido a la
eleccin de suavizado de penalizacin. Por ltimo, se compara nuestras predicciones
con los obtenidos utilizando splines de placa delgada. Las predicciones basadas en
splines bivariados requieren menos tiempo de clculo, son ms precisos, y exhiben
mayor robustez a las variaciones en el muestreo.
Se cuenta con splines bivariados ms triangulaciones para construir la superficie.
SIMULACIN
En primer lugar se realiza un ejemplo de simulacin de un dominio completo
delimitado por la frontera de EE.UU. con funciones de splines bivariados, .
Se utiliza la functional lineal Y = g , X
1
min
sS51 ( ) 24 N
( f
24 N
i =1
Xi
s, S X i
para N das.
Paso3: Basado en los valores del ozono Z sobre EE.UU. a una hora
determinada el 6 de septiembre se calcula el ajuste de penalizacin por
mnimos cuadrados y se calcula tambin el producto interno de S Z con S A
para predecir el valor del ozono a la misma hora el 8 de septiembre.
Posteriormente se realiza el mismo experimento para una triangulacin menor de
EE.UU. quedandose con 1/4 de todo el territorio, para aumentar la eficiencia
computacional.
Comparando las predicciones con los resultados reales, se demuestra que la tcnica
que splines bivariados utilizada predice muy bien los valores de concentracin de
ozono, para los 5 das siguientes. Especialmente en los picos de concentracin