|
1. Inferencia en Poboacións finitas.
a) Inferencia sobre a función de distribución.
Nesta liña de investigación
iniciáronse, moi recentemente, estudos conxuntamente co Prof. J. Opsomer de Iowa State University of Science and Technology.
Os obxectivos marcados son os seguintes:
a)Estimación de parámetros de interese en poboacións finitas, en particular a función de distribución ou funcións da mesma, mediante métodos 'model-assisted'.
b)Estudo de contrastes para a selección do modelo de superpoboación considerado
no proceso de estimación.
c)Deseño de novos mecanismos de remostraxe para este contexto.
d)Elaboración de software e aplicación da metodoloxía desenvolvida a bases de datos de interese.
Voltar
b) Modelos mixtos en áreas pequenas.
Nesta liña de investigación
estanse a realizar estudos conxuntamente co Prof. D. Morales da Universidade Miguel Hernández de Elche.
Os objectivos marcados son os seguintes
a)Estimación non paramétrica do
Erro Cuadrático Medio dalgunhas características en áreas pequenas (medias, totais,
...)
e os seus posibles estimadores, para modelos mixtos cun factor aleatorio.
b)Estudo de contrastes de significación
do factor aleatorio en modelos mixtos utilizados na estimación en áreas pequenas.
c)Deseño de novos mecanismos de remostraxe para este contexto.
d)Elaboración de software e aplicación da metodoloxía desenvolvida a bases de datos de interese (Por exemplo: estimación da Renda media
nas comarcas da Comunidade Autónoma de Galicia)
Voltar
2. Inferencia en modelos de estatística
espacial e espazo temporal.
a)Desenvolvemento de métodos de estimación
e contrastes para modelos de estatística espacial ou espazo temporal usando técnicas do dominio espectral.
b)Desenvolvemento de contrastes para modelos de estatística espacial usando
xeneralizacións propias dos procesos empíricos de regresión.
c)Estudo e desenvolvemento destes contrastes para
o contexto de procesos puntuais.
d)Desenvolvemento de software e aplicación a prediccións de tipo medioambiental ou de tipo ecolóxico (mapas de SO2
ó redor de centrais térmicas, mapas de concentración de musgo en Galicia
e estudo de disposicións de especies forestais)
Voltar
3. Modelización
e predición en series de tipo financeiro.
a)Creación de modelos que teñan compoñente en tendencia: paramétrica, non paramétrica ou mixta, por exemplo, modelos de tipo parcialmente lineal dinámico,
e que á súa vez se complementen cunha segunda parte para a modelización da volatilidade.
b)Desenvolvemento de modelos de regresión parcialmente lineais multivariantes.
Xeneralización e extensión a modelos baixo diferentes estruturas de dependencia nos erros.
c)Contrastes de significación sobre a elección do modelo a utilizar, para
a predición posterior, ou sobre as compoñentes do modelo, variables esóxenas, a tendencia non paramétrica....
d)Estudo de posibles mecanismos de remostraxe para
a xeración de intervalos de predición que teñan en conta a compoñente de volatilidade.
e)Aplicación destas predicións para
o deseño de carteiras. Estudo, tanto por simulación, como en aplicación a datos reais, posiblemente subministrados por Caixa Galicia,
na rendibilidade obtida das carteiras.
f)Establecemento de técnicas de refinamento,
á hora de facer aprendizaxe, co obxectivo de futuras predicións: Bagging
e Boosting.
g)Desenvolvemento de software para o estudo de activos financeiros coas novas metodoloxías desenvolvidas.
Voltar
4. Estimación de conxuntos.
a)Estimación de diversas características
xeométricas da fronteira dun conxunto: lonxitude ou área, dimensión fractal, ...
b)Contraste de hipóteses sobre
o soporte dunha distribución.
c)Aplicacións da estimación de conxuntos a problemas de interese: análise de imaxes, observacións indirectas procedentes de probas médicas,
...
Voltar
5. Tests de bondade de axuste.
a)Contrastes de bondade de axuste e de comparación de curvas,
no contexto da regresión, con datos censurados e/ou truncados.
b)Contrastes de bondade de axuste con datos faltantes para modelos de regresión.
c)Elaboración e estudo de novos contrastes en base
á verosimilitude empírica.
Voltar
6. Técnicas de aprendizaxe.
a)Estudo do variograma como núcleo en técnicas de aprendizaxe tipo núcleo tales como as máquinas de vectores soporte (SVM) para regresión
e clasificación, e outras técnicas multivariantes baseadas no truco do núcleo (kernel trick), con aplicacións en diversos contextos.
Extensión ó contexto da estimación non paramétrica da regresión.
b)Desenvolver algoritmos para a estimación do variograma en contextos de alta dimensionalidade.
c)Desenvolver algoritmos máis estables
e eficientes, por exemplo, baseados en algoritmos xenéticos, para
a modelización da distribución condicionada en simultáneo coa estimación dos parámetros de modelos ARMA-GARCH
e outros de tipo non paramétrico, nun contexto de distribución condicionada variable no tempo.
d)Desenvolver técnicas e algoritmos para
a modelización de ecuacións estruturais de tipo non lineal, aplicando a)
o truco do núcleo (kernel trick), b) redes neuronais cunha arquitectura
que reflicta o modelo que se postula, c) outras técnicas non lineais.
e)Aplicacións: Diversas aplicacións na
xestión de recursos naturais e minería, data mining en diversas empresas, predición
na xestión financeira, aplicacións biolóxicas, estudos de calidade de sectores empresariais,
...
Voltar
7. Inferencia e predición con datos puntuais
e funcionais.
a)Estender as técnicas de aprendizaxe
ó contexto de datos funcionais.
b)Desenvolver novos métodos de control de procesos baseados en redes neuronais.
c)Inferencia bootstrap en datos funcionais.
d)Desenvolvemento de software para aplicacións
ó campo de Enxeñería Química e do Medio Ambiente.
Voltar
|
