Densidades, regresión y clasificación para datos funcionales

Autores
Llop, Pamela Nerina
Año de publicación
2011
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Fraiman, Ricardo
Ferrari, Pablo
Morín, Pedro
Yohaí, Víctor
Forzani, Liliana
Descripción
Fil: Llop, Pamela Nerina. Universidad Nacional del Litoral. Facultad de Ingeniería Química; Argentina.
The goal of this tesis is to obtain statistical tools for the analysis of infinite dimensional data. In particular, we are interested in study results of consistency of regression and density estimators for curves and surfaces. In this sense, for a single sample path observed continuously over an interval, Labrador (2008) defined an nonparametric marginal density estimator as an extension of the k-nearest neighbor to the continuous context. Based in this work, the first problem we address in this thesis is to estimate the marginal density of a stationary stochastic process by a i.i.d. sample observated over a fixed interval. In this case, we prove the consistency of the estimator, we find rates of convergence puntual, uniform and we prove its asymptotic normal distribution. Then, we extend the definition of this estimator to one particular class of nonstationary processes obtaining in this case rates of convergence and, as an application of this method, we present a new classification rule for funactional data. In a second stage of this thesis, we study the extension of that estimator to stationaries and nonstationaries ramdom fields and, from dependent sequences, we find explicit rates of convergence for both cases. Finally, based on the universal consistency result for d-dimensional data introduced by Stone (1977), we porove a consistency result for regression estimators in the infinite dimensional context and we use it to prove the consistency of known estimators in separable metric spaces.
El objetivo de esta tesis es obtener herramientas estadísticas para el análisis de datos infinito dimensionales. En particular, estamos interesados en estudiar resultados de consistencia para estimadores de las funciones de densidad marginal y de regresión para datos que son curvas o superficies. En este sentido, para un camino muestral observado continuamente sobre un intervalo, Labrador (2008) definió un estimador no paramétrico de la densidad marginal como una extensión del estimador de k-vecinos más cercanos al contexto continuo. Basados en este trabajo, el primer problema que abordamos en la tesis es estimar de manera no paramétrica la densidad marginal de un proceso estocástico estacionario a partir de una muestra i.i.d. observada sobre un intervalo ahora fijo. En este caso, probamos la consistencia del estimador, encontramos velocidades de convergencia puntual, uniforme y probamos su distribución normal asintótica. Luego extendemos la definición del estimador a una clase particular de procesos no estacionarios obteniendo en este caso velocidades de convergencia y, como una aplicación de este método, presentamos una nueva regla de clasificación funcional. En una segunda etapa de la tesis, estudiamos la extensión de dicho estimador a campos aleatorios estacionarios y no estacionarios y, a partir de colecciones dependientes, encontramos velocidades de convergencia explícitas para ambos casos. Finalmente, basados en un resultado consistencia universal para datos d-dimensionales introducido por Stone (1977), probamos un resultado de consistencia para estimadores de regresión en el contexto infinito dimensional y lo utlizamos para probar la consistencia de estimadores ya conocidos en espacios métricos separables.
Consejo Nacional de Investigaciones Científicas y Técnicas
Universidad Nacional del Litoral
Materia
Density function
Regression function
Classification
Functional data
Función de densidad
Regresión
Clasificación
Datos funcionales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://bibliotecavirtual.unl.edu.ar/licencia/licencia.html
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/246

id UNLBT_7321614ae3890abfe7853270362017ac
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/246
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling Densidades, regresión y clasificación para datos funcionalesDensities, regression and classification for functional dataLlop, Pamela NerinaDensity functionRegression functionClassificationFunctional dataFunción de densidadRegresiónClasificaciónDatos funcionalesFil: Llop, Pamela Nerina. Universidad Nacional del Litoral. Facultad de Ingeniería Química; Argentina.The goal of this tesis is to obtain statistical tools for the analysis of infinite dimensional data. In particular, we are interested in study results of consistency of regression and density estimators for curves and surfaces. In this sense, for a single sample path observed continuously over an interval, Labrador (2008) defined an nonparametric marginal density estimator as an extension of the k-nearest neighbor to the continuous context. Based in this work, the first problem we address in this thesis is to estimate the marginal density of a stationary stochastic process by a i.i.d. sample observated over a fixed interval. In this case, we prove the consistency of the estimator, we find rates of convergence puntual, uniform and we prove its asymptotic normal distribution. Then, we extend the definition of this estimator to one particular class of nonstationary processes obtaining in this case rates of convergence and, as an application of this method, we present a new classification rule for funactional data. In a second stage of this thesis, we study the extension of that estimator to stationaries and nonstationaries ramdom fields and, from dependent sequences, we find explicit rates of convergence for both cases. Finally, based on the universal consistency result for d-dimensional data introduced by Stone (1977), we porove a consistency result for regression estimators in the infinite dimensional context and we use it to prove the consistency of known estimators in separable metric spaces.El objetivo de esta tesis es obtener herramientas estadísticas para el análisis de datos infinito dimensionales. En particular, estamos interesados en estudiar resultados de consistencia para estimadores de las funciones de densidad marginal y de regresión para datos que son curvas o superficies. En este sentido, para un camino muestral observado continuamente sobre un intervalo, Labrador (2008) definió un estimador no paramétrico de la densidad marginal como una extensión del estimador de k-vecinos más cercanos al contexto continuo. Basados en este trabajo, el primer problema que abordamos en la tesis es estimar de manera no paramétrica la densidad marginal de un proceso estocástico estacionario a partir de una muestra i.i.d. observada sobre un intervalo ahora fijo. En este caso, probamos la consistencia del estimador, encontramos velocidades de convergencia puntual, uniforme y probamos su distribución normal asintótica. Luego extendemos la definición del estimador a una clase particular de procesos no estacionarios obteniendo en este caso velocidades de convergencia y, como una aplicación de este método, presentamos una nueva regla de clasificación funcional. En una segunda etapa de la tesis, estudiamos la extensión de dicho estimador a campos aleatorios estacionarios y no estacionarios y, a partir de colecciones dependientes, encontramos velocidades de convergencia explícitas para ambos casos. Finalmente, basados en un resultado consistencia universal para datos d-dimensionales introducido por Stone (1977), probamos un resultado de consistencia para estimadores de regresión en el contexto infinito dimensional y lo utlizamos para probar la consistencia de estimadores ya conocidos en espacios métricos separables.Consejo Nacional de Investigaciones Científicas y TécnicasUniversidad Nacional del LitoralFraiman, RicardoFerrari, PabloMorín, PedroYohaí, VíctorForzani, Liliana2013-05-10T12:14:27Z2011-03-09info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionSNRDThesishttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfapplication/pdfhttp://hdl.handle.net/11185/246spaspainfo:eu-repo/semantics/openAccesshttps://bibliotecavirtual.unl.edu.ar/licencia/licencia.htmlreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2025-09-29T14:30:02Zoai:https://bibliotecavirtual.unl.edu.ar:11185/246Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872025-09-29 14:30:03.028Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv Densidades, regresión y clasificación para datos funcionales
Densities, regression and classification for functional data
title Densidades, regresión y clasificación para datos funcionales
spellingShingle Densidades, regresión y clasificación para datos funcionales
Llop, Pamela Nerina
Density function
Regression function
Classification
Functional data
Función de densidad
Regresión
Clasificación
Datos funcionales
title_short Densidades, regresión y clasificación para datos funcionales
title_full Densidades, regresión y clasificación para datos funcionales
title_fullStr Densidades, regresión y clasificación para datos funcionales
title_full_unstemmed Densidades, regresión y clasificación para datos funcionales
title_sort Densidades, regresión y clasificación para datos funcionales
dc.creator.none.fl_str_mv Llop, Pamela Nerina
author Llop, Pamela Nerina
author_facet Llop, Pamela Nerina
author_role author
dc.contributor.none.fl_str_mv Fraiman, Ricardo
Ferrari, Pablo
Morín, Pedro
Yohaí, Víctor
Forzani, Liliana
dc.subject.none.fl_str_mv Density function
Regression function
Classification
Functional data
Función de densidad
Regresión
Clasificación
Datos funcionales
topic Density function
Regression function
Classification
Functional data
Función de densidad
Regresión
Clasificación
Datos funcionales
dc.description.none.fl_txt_mv Fil: Llop, Pamela Nerina. Universidad Nacional del Litoral. Facultad de Ingeniería Química; Argentina.
The goal of this tesis is to obtain statistical tools for the analysis of infinite dimensional data. In particular, we are interested in study results of consistency of regression and density estimators for curves and surfaces. In this sense, for a single sample path observed continuously over an interval, Labrador (2008) defined an nonparametric marginal density estimator as an extension of the k-nearest neighbor to the continuous context. Based in this work, the first problem we address in this thesis is to estimate the marginal density of a stationary stochastic process by a i.i.d. sample observated over a fixed interval. In this case, we prove the consistency of the estimator, we find rates of convergence puntual, uniform and we prove its asymptotic normal distribution. Then, we extend the definition of this estimator to one particular class of nonstationary processes obtaining in this case rates of convergence and, as an application of this method, we present a new classification rule for funactional data. In a second stage of this thesis, we study the extension of that estimator to stationaries and nonstationaries ramdom fields and, from dependent sequences, we find explicit rates of convergence for both cases. Finally, based on the universal consistency result for d-dimensional data introduced by Stone (1977), we porove a consistency result for regression estimators in the infinite dimensional context and we use it to prove the consistency of known estimators in separable metric spaces.
El objetivo de esta tesis es obtener herramientas estadísticas para el análisis de datos infinito dimensionales. En particular, estamos interesados en estudiar resultados de consistencia para estimadores de las funciones de densidad marginal y de regresión para datos que son curvas o superficies. En este sentido, para un camino muestral observado continuamente sobre un intervalo, Labrador (2008) definió un estimador no paramétrico de la densidad marginal como una extensión del estimador de k-vecinos más cercanos al contexto continuo. Basados en este trabajo, el primer problema que abordamos en la tesis es estimar de manera no paramétrica la densidad marginal de un proceso estocástico estacionario a partir de una muestra i.i.d. observada sobre un intervalo ahora fijo. En este caso, probamos la consistencia del estimador, encontramos velocidades de convergencia puntual, uniforme y probamos su distribución normal asintótica. Luego extendemos la definición del estimador a una clase particular de procesos no estacionarios obteniendo en este caso velocidades de convergencia y, como una aplicación de este método, presentamos una nueva regla de clasificación funcional. En una segunda etapa de la tesis, estudiamos la extensión de dicho estimador a campos aleatorios estacionarios y no estacionarios y, a partir de colecciones dependientes, encontramos velocidades de convergencia explícitas para ambos casos. Finalmente, basados en un resultado consistencia universal para datos d-dimensionales introducido por Stone (1977), probamos un resultado de consistencia para estimadores de regresión en el contexto infinito dimensional y lo utlizamos para probar la consistencia de estimadores ya conocidos en espacios métricos separables.
Consejo Nacional de Investigaciones Científicas y Técnicas
Universidad Nacional del Litoral
description Fil: Llop, Pamela Nerina. Universidad Nacional del Litoral. Facultad de Ingeniería Química; Argentina.
publishDate 2011
dc.date.none.fl_str_mv 2011-03-09
2013-05-10T12:14:27Z
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
SNRD
Thesis
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11185/246
url http://hdl.handle.net/11185/246
dc.language.none.fl_str_mv spa
spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://bibliotecavirtual.unl.edu.ar/licencia/licencia.html
eu_rights_str_mv openAccess
rights_invalid_str_mv https://bibliotecavirtual.unl.edu.ar/licencia/licencia.html
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1844621935783182336
score 12.559606