Ir al contenido principal

Diseño experimental

Buscar este blog

Análisis de datos funcionales (FDA). Parte III: regresión funcional

noviembre 25, 2010

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

datos funcionales FDA regresión funcional

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

Comentarios

Publicar un comentario

Entradas populares

Curvas y superficies de respuesta

Ajuste de curvas y superficies de respuesta Los diseños factoriales son muy útiles para el tamizado de factores, es decir, para identificar los factores más importantes que afectan el desempeño de un proceso (o caracterización del proceso, Montgomery, 2004). Una vez que se ha identificado el sunconjunto adecuado de variables del proceso, generalmente el paso siguiente es la optimización del proceso, que implica encontrar el conjunto de condiciones de operación de las variables del proceso que producen el mejor desempeño del mismo. Puede resultar útil ajustar una curva de respuesta a los niveles de un factor cuantitativo para que el investigador cuente con una ecuación que relacione la respuesta con el factor. Esta ecuación podría utilizarse para hacer interpolaciones, es decir, para predecir la respuesta en niveles intermedios entre los factores, respecto de los que se utilizaron realmente en el experimento. Cuando al menos dos de los factores son cuantitativos, puede aju

Modelos lineales generalizados (GLM)

Modelos lineales generalizados Los modelos lineales generalizados (GLM) tienen como objetivo describir el efecto de una o más variables explicativas (independientes) sobres una o más variables respuesta (dependientes). 1 o más variables explicativas -(efecto)-> 1 o más variables respuesta ( X0, …, Xd independientes) ( Y0, …, Yr dependientes) Las componentes del vector Y son variables independientes con distribución proveniente de una familia exponencial. Las variables X0, …, Xd originan un predictor lineal η dado por η =β0 + β1X1 +...+βdXd , o en forma matricial η = Aβ . El predictor lineal y la variable dependiente están relacionados por una función de enlace o link g , siendo g monótona y diferenciable. Podemos escribir el modelo en cualquiera de sus 3 formas: Familia exponencial: una variable aleatoria Y tiene distribución proveniente de una familia exponencial si su función de probabilidad puntual o de densidad es de la

Modelos de regresión logística o logit

Modelos logit con variables explicativas cuantitativas observadas sin error I. Formulación del modelo · Modelo de regresión logística simple Consideraremos el caso de una única variable explicativa cuantitativa X para una variable aleatoria binaria Y . Utilizaremos un modelo lineal para el logaritmo de la ventaja de respuesta Y=1 en cada valor observado de x de la variable explicativa: Ln[p(x)/(1-p(x))] = alfa + beta*x Que equivalentemente se puede expresar de la siguiente forma en términos de probabilidad de respuesta 1 en x : p(x)= e(alfa+beta*x)/(1+ e(alfa+beta*x)) curva de respuesta que es estrictamente creciente si beta>0 y estrictamente decreciente para beta <0 . Interpretación de sus parámetros a. Para beta=0 , i. tenemos p(x)= e(alfa)/(1+ e(alfa)), es decir, la variable Y es independiente de X . ii. alfa es el valor común del logaritmo de las ventajas de respuesta Y=1 frente a la resp

Con la tecnología de Blogger