Nesta tese consideramos um modelo de regressão não paramétrica, quando a variável explicativa e um processo estritamente estacionário e alpha-mixing. São estudadas as condições sobre o processo Xt e sua estrutura de dependência, assim como do domínio da função f a ser estimada. Também são feitas as adaptações necessárias aos procedimentos para obter as taxas de convergência do risco para a norma Lp, no caso de ondaletas deformadas. Em relação às ondaletas adaptativas de Haar, obtêm-se as taxas de convergência do risco do estimador proposto. Mediante estudos de simulação, e avaliado o desempenho dos procedimentos propostos quando aplicados a amostras finitas sob diferentes níveis de perturbação do sinal e diferentes tamanhos da amostra. Também são feitas aplicações a dados reais. / In this thesis we consider a nonparametric regression model, when the exploratory variables are alpha-mixing stationary processes. We obtain convergence rates for risk for Lp norm, via warped wavelets, under suitable regularity conditions. For estimation using design adapted Haar wavelets we obtain convergence rates for the risk of the proposed estimator. The performance of the estimators are assessed via simulation studies with dierent sample sizes and dierent signal-to-noise ratios. Applications to real data are also given.
| Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-19062013-153433 |
| Date | 22 January 2013 |
| Creators | Luz Marina Gomez Gomez |
| Contributors | Pedro Alberto Morettin, Chang Chiann, Silvia Regina Costa Lopes, Aluísio de Souza Pinheiro, João Ricardo Sato |
| Publisher | Universidade de São Paulo, Estatística, USP, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds