Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional

Autores
Boente Boente, Graciela Lina
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
El avance de las nuevas tecnologías ha hecho necesario desarrollar procedimientos estadísticos para estimar funciones o para analizar datos que corresponden a realizaciones de un proceso estocástico. Muchos de los procedimientos utilizados se basan en las mismas ideas que el estimador de mínimos cuadrados en el modelo de regresión lineal siendo por lo tanto muy sensibles a la presencia de un pequeño porcentaje de datos anómalos. En este trabajo, se presentan algunos de los avances obtenidos para definir métodos de inferencia confiables cuando la muestra puede contener datos atípicos tanto para modelos de regresión noparamétrica y semiparamétrica como para el análisis de datos funcionales.
The development of new technologies clarified the need of developing new statistical procedures to estimate functions or to analyse data that correspond to realizations of a stochastic process. Many of the standard procedures used are based on the same ideas as the least squares estimator in the linear regression model, being therefore very sensitive to the presence of a small percentage of atypical data. In this paper, we present some of the advances obtained to define reliable inference methods when the sample can contain atypical data both for nonparametric and semiparametric regression models and for functional data analysis.
Fil: Boente Boente, Graciela Lina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Matemática; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Calculo. - Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Calculo; Argentina
Materia
Análisis de datos funcionales
Datos atípicos
Regresión no paramétrica
Robustez
Suavizado
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/171212

id CONICETDig_cd39795e21d5b160e3164e75de082ecc
oai_identifier_str oai:ri.conicet.gov.ar:11336/171212
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Inferencia robusta: un trayecto de lo finito a lo infinito-dimensionalRobust inference: a path from the finite to the infinite-dimensional settingBoente Boente, Graciela LinaAnálisis de datos funcionalesDatos atípicosRegresión no paramétricaRobustezSuavizadohttps://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1El avance de las nuevas tecnologías ha hecho necesario desarrollar procedimientos estadísticos para estimar funciones o para analizar datos que corresponden a realizaciones de un proceso estocástico. Muchos de los procedimientos utilizados se basan en las mismas ideas que el estimador de mínimos cuadrados en el modelo de regresión lineal siendo por lo tanto muy sensibles a la presencia de un pequeño porcentaje de datos anómalos. En este trabajo, se presentan algunos de los avances obtenidos para definir métodos de inferencia confiables cuando la muestra puede contener datos atípicos tanto para modelos de regresión noparamétrica y semiparamétrica como para el análisis de datos funcionales.The development of new technologies clarified the need of developing new statistical procedures to estimate functions or to analyse data that correspond to realizations of a stochastic process. Many of the standard procedures used are based on the same ideas as the least squares estimator in the linear regression model, being therefore very sensitive to the presence of a small percentage of atypical data. In this paper, we present some of the advances obtained to define reliable inference methods when the sample can contain atypical data both for nonparametric and semiparametric regression models and for functional data analysis.Fil: Boente Boente, Graciela Lina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Matemática; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Calculo. - Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Calculo; ArgentinaAcademia Nacional de Ciencias Exactas, Físicas y Naturales2021-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/171212Boente Boente, Graciela Lina; Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional; Academia Nacional de Ciencias Exactas, Físicas y Naturales; Anales de la Academia Nacional de Ciencias Exactas, Físicas y Naturales de Buenos Aires; 72; 4-2021; 150-1780365-1185CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://www.ancefn.org.ar/contenido.asp?id=2743info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:40:06Zoai:ri.conicet.gov.ar:11336/171212instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:40:07.277CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
Robust inference: a path from the finite to the infinite-dimensional setting
title Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
spellingShingle Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
Boente Boente, Graciela Lina
Análisis de datos funcionales
Datos atípicos
Regresión no paramétrica
Robustez
Suavizado
title_short Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
title_full Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
title_fullStr Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
title_full_unstemmed Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
title_sort Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional
dc.creator.none.fl_str_mv Boente Boente, Graciela Lina
author Boente Boente, Graciela Lina
author_facet Boente Boente, Graciela Lina
author_role author
dc.subject.none.fl_str_mv Análisis de datos funcionales
Datos atípicos
Regresión no paramétrica
Robustez
Suavizado
topic Análisis de datos funcionales
Datos atípicos
Regresión no paramétrica
Robustez
Suavizado
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.1
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv El avance de las nuevas tecnologías ha hecho necesario desarrollar procedimientos estadísticos para estimar funciones o para analizar datos que corresponden a realizaciones de un proceso estocástico. Muchos de los procedimientos utilizados se basan en las mismas ideas que el estimador de mínimos cuadrados en el modelo de regresión lineal siendo por lo tanto muy sensibles a la presencia de un pequeño porcentaje de datos anómalos. En este trabajo, se presentan algunos de los avances obtenidos para definir métodos de inferencia confiables cuando la muestra puede contener datos atípicos tanto para modelos de regresión noparamétrica y semiparamétrica como para el análisis de datos funcionales.
The development of new technologies clarified the need of developing new statistical procedures to estimate functions or to analyse data that correspond to realizations of a stochastic process. Many of the standard procedures used are based on the same ideas as the least squares estimator in the linear regression model, being therefore very sensitive to the presence of a small percentage of atypical data. In this paper, we present some of the advances obtained to define reliable inference methods when the sample can contain atypical data both for nonparametric and semiparametric regression models and for functional data analysis.
Fil: Boente Boente, Graciela Lina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Matemática; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Calculo. - Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Calculo; Argentina
description El avance de las nuevas tecnologías ha hecho necesario desarrollar procedimientos estadísticos para estimar funciones o para analizar datos que corresponden a realizaciones de un proceso estocástico. Muchos de los procedimientos utilizados se basan en las mismas ideas que el estimador de mínimos cuadrados en el modelo de regresión lineal siendo por lo tanto muy sensibles a la presencia de un pequeño porcentaje de datos anómalos. En este trabajo, se presentan algunos de los avances obtenidos para definir métodos de inferencia confiables cuando la muestra puede contener datos atípicos tanto para modelos de regresión noparamétrica y semiparamétrica como para el análisis de datos funcionales.
publishDate 2021
dc.date.none.fl_str_mv 2021-04
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/171212
Boente Boente, Graciela Lina; Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional; Academia Nacional de Ciencias Exactas, Físicas y Naturales; Anales de la Academia Nacional de Ciencias Exactas, Físicas y Naturales de Buenos Aires; 72; 4-2021; 150-178
0365-1185
CONICET Digital
CONICET
url http://hdl.handle.net/11336/171212
identifier_str_mv Boente Boente, Graciela Lina; Inferencia robusta: un trayecto de lo finito a lo infinito-dimensional; Academia Nacional de Ciencias Exactas, Físicas y Naturales; Anales de la Academia Nacional de Ciencias Exactas, Físicas y Naturales de Buenos Aires; 72; 4-2021; 150-178
0365-1185
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://www.ancefn.org.ar/contenido.asp?id=2743
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Academia Nacional de Ciencias Exactas, Físicas y Naturales
publisher.none.fl_str_mv Academia Nacional de Ciencias Exactas, Físicas y Naturales
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613268933443584
score 13.070432