Displaying similar documents to “Ordenes de convergencia para las aproximaciones normal y bootstrap en estimación no paramétrica de la función de densidad.”

Análisis de duración mediante un modelo lineal generalizado semiparamétrico.

Jesús Orbe (2001)

Qüestiió

Similarity:

Aitkin y Clayton (1980) proponen el análisis de modelos de duración mediante modelos lineales generalizados. En este trabajo extendemos esta metodología permitiendo que el efecto de alguna de las variables explicativas pueda no ser especificado. Así, el modelo propuesto es un modelo lineal generalizado semiparamétrico, con una componente paramétrica donde se especifica la forma funcional concreta del efecto de las variables explicativas sobre la duración, y una componente no paramétrica...

¿Cuántos clusters hay en una población?

Juan José Prieto Martínez (1998)

Qüestiió

Similarity:

Sea una población cerrada formada por un número desconocido K y finito de clusters. El método bootstrap es utilizado para estimar el número de clusters que constituyen una población. Se propone un estimador para K, el cual es ajustado y corregido por su sesgo estimado mediante el método bootstrap de Efron (1979). La varianza del "estimador bootstrap" se calcula por el método jackknife agrupado. Mediante simulación, el estimador es comparado con el de Bickel y Yavah (1985).

Estudio comparativo de distintas funciones núcleo para la obtención del mejor ajuste según el tipo de datos.

J. Eugenio Martínez Falero, Esperanza Ayuga Téllez, C. González García (1992)

Qüestiió

Similarity:

En este artículo se presenta una contribución a la selección de la función núcleo y del parámetro de alisado que mejor se adaptan a las características muestrales en muestras de tamaño pequeño (25). Para ello se obtuvieron 200 realizaciones muestrales procedentes de 5 distribuciones continuas, prácticamente todas ellas con soporte [0,1]; y se agruparon en función de sus características muestrales. En cada grupo de los obtenidos se ajustaron funciones de densidad correspondientes a 8...

Selección de la ventana en suavización tipo núcleo de la parte no paramétrica de un modelo parcialmente lineal con errores autorregresivos.

Germán Aneiros Pérez (2000)

Qüestiió

Similarity:

Supongamos que y = ζ β + m(t) + ε, i = 1, ..., n, donde el vector (p x 1) β y la función m(·) son desconocidos, y los errores ε provienen de un proceso autorregresivo de orden uno (AR(1)) estacionario. Discutimos aquí el problema de la selección del parámetro ventana de un estimador tipo núcleo de la función m(·) basado en un estimador Generalizado de Mínimos Cuadrados de β. Obtenemos la expresión asintótica de una ventana óptima y proponemos un método para estimarla,...

Suavización no paramétrica en fiabilidad.

M.ª Angeles Fernández Sotelo, Wenceslao González Manteiga (1986)

Trabajos de Estadística

Similarity:

En este trabajo consideramos estimaciones no paramétricas de las funciones de razón de fallo y supervivencia en fiabilidad haciendo uso de suavizaciones no paramétricas de la función de distribución empírica (datos no censurados) y de la distribución de Kaplan-Meier (datos censurados). Se obtienen sesgos, varianzas y distribuciones asintóticas de los estimadores aquí propuestos probándose mediante técnicas de expansiones de segundo orden la eficiencia de éstos respecto de otras estimaciones...

Técnicas de validación cruzada en la estimación de la densidad bajo condiciones de dependencia.

Alejandro Quintela del Río, Juan Manuel Vilar Fernández (1991)

Qüestiió

Similarity:

Se estudian modificaciones de las técnicas de validación cruzada de Kullback-Leibler y mínimos cuadrados para obtener el parámetro de suavización asociado a un estimador general no paramétrico de la función de densidad, a partir de la muestra, en el supuesto de que los datos verifican alguna condición débil de dependencia. Se demuestra que los parámetros obtenidos por estas dos técnicas son asintóticamente óptimos. Y se realiza un estudio de simulación.

Aplicación de la suavización no paramétrica del tipo "K-puntos próximos" a modelos de regresión lineal.

Wenceslao González Manteiga (1990)

Trabajos de Estadística

Similarity:

En el modelo de regresión lineal y = E(Y/X = x) = θx, donde (X,Y) es un vector aleatorio bidimensional, del que se dispone de una muestra {(X1, Y1), ..., (Xn, Yn)}, se han introducido recientemente una clase general de estimadores para θ definida como aquellos valores que minimizan el funcional: ψ(θ) = ∫ (αn(x) - θx)2 dΩn(x) ...

Propiedades asintóticas de los estimadores de mínima distancia con covariables.

Wenceslao González Manteiga, Manuel A. Presedo Quindimil (1991)

Qüestiió

Similarity:

En este trabajo se obtienen propiedades de consistencia y normalidad asintótica para el estimador no paramétrico de la función de regresión (m(x)) resultante de la extensión de la metodología de mínima distancia de Cramer-von Mises al contexto de la estimación de curvas. Se hacen algunas consideraciones acerca de la robustez del estimador resultante en base a la función de influencia local (LIF) y se realiza un estudio de Monte Carlo comparativo con otros métodos de estimación. ...

Una aplicación de la estimación no paramétrica al modelo lineal general con varianza no homógenea.

Wenceslao González Manteiga (1985)

Trabajos de Estadística e Investigación Operativa

Similarity:

En este trabajo se introduce un nuevo estimador de la recta de regresión cuando la varianza de los errores aleatorios no es homogénea. La consideración de que la función varianza sea suave nos permite estimarla mediante métodos de estimación no paramétrica para luego a través de tales estimaciones definir un estimador mínimo cuadrático ponderado. Se prueba que tal estimador es asintóticamente optimal en el sentido de la mínima varianza.

Una clase de estimadores para los parámetros de un proceso AR(1), obtenidos a partir de estimaciones no paramétricas previas.

Wenceslao Gonzalez Manteiga, Juan Manuel Vilar Fernández (1987)

Trabajos de Estadística

Similarity:

Sea {Xt}t ∈ Z+ una serie de tiempo estacionaria que sigue el modelo autorregresivo de orden 1: Xt = λ + ρXt-1 + et, siendo {et} variables aleatorias i.i.d. de media cero y varianza σ2; a partir de una muestra del proceso {X1, ..., Xn} se calcula en una primera etapa τ'n...

Estimación no paramétrica de curvas notables para datos dependientes.

Juan Manuel Vilar Fernández (1989)

Trabajos de Estadística

Similarity:

Sea {Xt: t ∈ Z} una serie de tiempo estacionaria, con valores en Rp, verificando la condición de ser α-mixing o L2-estable. A partir de una muestra de tamaño n se define una amplia clase de estimadores no paramétricos de la función de densidad f(x) asociada al proceso, y de la función de autorregresión de orden k: r(y) = E(g(Xt+1)/(Xt-k+1 ... Xt) = y), y...