Detección de datos atípicos para datos funcionales asimétricos

• Autores: Vena, Pablo
• Año de publicación: 2014
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Boente Boente, Graciela Lina
• Materia: DATOS FUNCIONALES; OUTLIERS; ROBUSTEZ
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

En todo análisis, la detección de datos atípicos es un paso importante aun cuando se usen estimadores robustos. En particular, la distancia de Mahalanobis robustificada (Rousseeuw y van Zomeren, 1990) es una medida natural si uno se concentra en distribuciones elípticas multivariadas. Por otra parte, Hubert y Van der Veeken (2008) propusieron un método de detección de datos atípicos que no necesita la hipótesis de simetría y no depende de la inspección visual de los datos. Este método es una generalización de la medida de atipicidad de Stahel–Donoho que asigna a cada observación una medida de atipicidad obtenida por projection pursuit y que utiliza solamente medidas robustas univariadas de posición y escala. Para permitir asimetría en los datos, Hubert y Van der Veeken (2008) realizan un ajuste de esta medida usando una medida de asimetría univariada. Para datos funcionales, no es posible extender la distancia de Mahalanobis robustificada debido a que los operadores de covarianza son compactos. Sun y Genton (2011) dan una extensión del boxplot univariado al caso de datos funcionales que detecta bien datos atípicos provenientes de distribuciones simétricas. En esta tesis, se da una extensión de este boxplot y de las medidas de asimetría multivariadas dadas por Hubert y Van der Veeken (2008) de modo de detectar datos atípicos sin necesidad de suponer simetría y que se adapta bien a una clase amplia de distribuciones funcionales asimétricas.
Fil: Vena, Pablo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.