Análisis
Series multivariant
temporales e
Análisis
Series multivariant
temporales e
Datos
funcionales
Problemas estadísticos
Análisis
Series multivariant
temporales e
Datos
funcionales
Problemas estadísticos
Análisis
Series multivariant
temporales e
Datos
funcionales
Robuste
z
Problemas estadísticos
Análisis
Series multivariant
temporales e
Datos
funcionales
Robuste
z
Problemas estadísticos
Análisis
Series multivariant
temporales e
Análisis
Series multivariant
temporales e
Análisis
de la
varianza Datos
funcionales
Robuste
z
Planteamiento del problema
ˆ X
ˆ X
ˆ
(1) (1) (1)
X X X
(1) (1) (1)
ˆ X
ˆ X
ˆ
1,T 2,T p ,T ( n) ( n) ( n)
(1)
X1,T+h 2,T+h p,T+h
X1,1
X 1,T X 2,T X p,T
(n) (n) (n)
Proyectamos
en el futuro
X1,1 (n)
(n)
(n)
X2,1 Xp,1
Planteamiento del problema
Modelo Presente
Futuro
70
60
50
percent of income
40
Dam construction
30
agriculture
forestry
off-farm
20
10
0
Fuente: Manuel Ruiz, UAM
1973 1976 1979 1982 1985 1988 1991 1994 1997 2000 2003 2006
4. ...
Metodología para clasificar series temporales
Dendograma
{1,2},3,{4,5}
Protocolo de Kyoto
Impone límites en las emisiones de CO2 y otros cinco
gases, “responsables” del calentamiento global.
Aplicación
Análisis exploratorio de datos. Ayuda a interpretar
los cluster que se forman
“AFTER-CLUSTER”
Método de selección de variables
El mejor predictor de
Xi basado en las
variables del
subconjunto
Método basado en la
Data source: Tadesse, Sha and Vannucci (2005)
media condicional
El método basado en la MEDIA CONDICIONAL sirve
para eliminar las variables “RUIDOSAS” y las
REDUNDANTES, pero requiere
Madrugada
(3:00 a 4:00)
Noche
(21:00 a 24:00)
Tarde
Data source: Cuesta–Albertos and Fraiman (2006)
(15:00 a 19:00)
Mañana
(7:00 a 9:00)
Consumo de electricidad – Datos funcionales