0 calificaciones0% encontró este documento útil (0 votos)
1 vistas1 página
El documento describe el uso de métodos de suavización no paramétricos como kernel y spline para modelar el comportamiento de la contaminación del aire por material particulado PM10 a lo largo del día. Los autores analizan los datos de concentraciones de PM10 y lluvia para construir modelos que consideran factores como el día de la semana y las precipitaciones.
El documento describe el uso de métodos de suavización no paramétricos como kernel y spline para modelar el comportamiento de la contaminación del aire por material particulado PM10 a lo largo del día. Los autores analizan los datos de concentraciones de PM10 y lluvia para construir modelos que consideran factores como el día de la semana y las precipitaciones.
El documento describe el uso de métodos de suavización no paramétricos como kernel y spline para modelar el comportamiento de la contaminación del aire por material particulado PM10 a lo largo del día. Los autores analizan los datos de concentraciones de PM10 y lluvia para construir modelos que consideran factores como el día de la semana y las precipitaciones.
AJUSTE DE CURVAS MEDIANTE MÉTODOS NO PARAMÉTRICOS PARA
ESTUDIAR EL COMPORTAMIENTO DE CONTAMINACIÓN DEL AIREPOR
MATERIAL PARTICULADO PM10. Responde lo siguiente: 1) Objetivo del articulo El objetivo del artículo caracterizar un modelo de suavización no paramétrica para el comportamiento del PM10 en el aire a lo largo de un día, teniendo en cuenta el día de la semana y los niveles de precipitación.
2) ¿Cuál es el contexto del problema?
El contexto del problema es saber los comportamientos de los contaminantes del aire a lo largo del día.
3) ¿Qué datos utilizan para el análisis?
Los datos que utilizaron para el análisis fueron los registros de los horarios de las concentraciones promedio de PM10 0 vigilados por la Red de Monitoreo de la Calidad del Aire (RMCA) del DAGMA en la estación Éxito de La Flora. También ocuparon los registros diarios de lluvia llevados por el IDEAM en la estación Sede IDEAM.
4) ¿Qué expone sobre suavizamiento con kernel?
Expone diferentes y diferencia de estimadores de kernel de la función de regresión no paramétrica.
5) ¿Qué expone sobre suavizamiento con spline?
Expone analizar los sujetos o individuos bajo estudio como múltiples respuestas y no como medidas repetidas o datos longitudinales.
6) ¿Qué expone sobre inferencia en regresión no paramétrica?
Expone sobre la estimación de la varianza de los errores para la construcción de intervalos de confianza y pruebas de hipótesis.