You are on page 1of 17

1.1 Por qu considerar los datos funcionales en absoluto?

Los datos funcionales vienen en muchas formas, pero su calidad definitoria es


que
Consisten en funciones-a menudo, pero no siempre, curvas suaves. En esto
Consideramos que los datos funcionales que surgen en muchos campos
diferentes,
Desde las formas de los huesos excavados por los arquelogos hasta los datos
econmicos
Recogidos durante muchos aos, hasta el camino trazado por el dedo de un
malabarista. los
Objetivos fundamentales del anlisis de los datos funcionales son los mismos
De las estadsticas ms convencionales: formular el problema en cuestin de
Susceptible de anlisis y pensamiento estadstico; Desarrollar maneras de
presentar
Los datos que destacan caractersticas interesantes e importantes; investigar
Variabilidad y caractersticas medias; Para construir modelos para los datos
Observadas, incluidas las que permiten la dependencia de una observacin o
Variable en otro, y as sucesivamente.

Hemos elegido estudios de casos para cubrir una amplia gama de campos de
aplicacin, Y uno de nuestros objetivos es demostrar cun grande es el alcance
potencial Del anlisis de los datos funcionales. Si usted trabaja a travs de todos
los estudios de caso que usted Habr cubierto una amplia gama de mtodos
existentes en los datos funcionales Anlisis y, en algunos casos, se estudiar la
nueva metodologa desarrollada El problema particular en la mano. Pero lo que
es ms importante, esperamos Los lectores obtendrn una visin de las formas
funcionales de pensar.

Qu tipo de datos estn bajo el paraguas general de los datos funcionales?


En algunos casos, las observaciones originales se interpolan desde
Nales, las cantidades observadas a medida que evolucionan a travs del
tiempo. Sin embargo, Son muchas otras formas en que pueden surgir datos
funcionales. Por ejemplo, en nuestro

Estudio de nios con trastorno por dficit de atencin e hiperactividad, Gran


nmero de observaciones numricas independientes para cada nio, y El dato
funcional para ese nio es la densidad de probabilidad estimada de Estas
observaciones. A veces nuestros datos son curvas trazadas en una superficie O en
el espacio. El dedo del malabarista traza directamente los datos que analizamos
en Pero, en otro ejemplo, sobre las caractersticas del examen Preguntas, los
datos funcionales surgen como parte del proceso de modelado. En el Ejemplo
arqueolgico, la forma de una imagen bidimensional de cada hueso Es el dato
funcional en cuestin. Y, por supuesto, las imgenes, as como las curvas Pueden
aparecer como datos funcionales o como parmetros funcionales en los modelos,
Muestran en nuestro estudio de grabaciones electromiogrficas y articulacin del
habla.
El campo de anlisis de datos funcionales todava est en su infancia, Entre
anlisis de datos funcionales y otros aspectos de las estadsticas son
Definitivamente borrosa. Parte de nuestro objetivo en la escritura de este libro es
fomentar la lectura- Desarrollar las percepciones -tanto estadsticamente como en
las diversas Las reas temticas de las que proceden los datos, que pueden
obtenerse Sobre los datos apropiados desde un punto de vista funcional. Nuestra
propia visin Acerca de lo que es distintivo en el anlisis de los datos funcionales
Principalmente de los estudios de caso que discutimos, como se resume en la
Seccin 1.3, Pero algunas observaciones especficas se hacen en la Seccin 1.4

1.2 El sitio Web


Trabajar a travs de ejemplos para uno mismo conduce a una comprensin ms
profunda, y es un Excelente manera de aplicar y adaptar los mtodos a los
propios datos. A Ayudar a este proceso, hay un sitio Web asociado con el
texto. La web Contiene muchos de los conjuntos de datos y anlisis discutidos en
el libro. Estos anlisis no pretenden ser un paquete o como un "libro de cocina",
pero nuestra La esperanza es que ayuden a los lectores a seguir los pasos por los
que pasamos En la realizacin de los anlisis presentados en los estudios de
casos. Algunos de los Los anlisis se realizaron en MATLAB y algunos en S-
PLUS. En el momento de la impresin, el sitio Web est vinculado al sitio Web
de Springer En www.springer-ny.com.

1.3 Los estudios de caso


En esta seccin, los estudios de caso se revisan brevemente. Ms detalles de
Contexto de los conjuntos de datos y referencias bibliogrficas apropiadas, En los
captulos individuales en los que los estudios de caso se completo. En la mayora
de ellos, adems de los temas mencionados explcitamente a continuacin, Hay
alguna discusin de cuestiones computacionales y otros puntos finos de
Ilustracin 1. Figura 1.1. El dato funcional correspondiente a un individuo particular en la Muestra de criminologa;
Muestra la forma en que el nmero de races cuadradas anuales de Los delitos varan en el curso de la vida.

metodologa. En algunos captulos, desarrollamos o explicamos algunos


materiales que Sern principalmente de inters para los expertos en
estadstica. Estos temas se exponen Secciones hacia el final del captulo
correspondiente y se puede omitir con seguridad Por el lector ms general.

Captulo 2: Datos del curso de vida en criminologa

Estudiamos datos sobre las carreras criminales de ms de 400 personas seguidas


Durante varias dcadas de su vida til. Para cada individuo una funcin es
construido en el intervalo [11, 35], que representa el nivel de de esa persona
Actividad delictiva entre los 11 y los 35 aos de edad. Por razones que se
explican, Es apropiado para rastrear la raz cuadrada del nmero de crmenes
cometidos Cada ao, y un registro tpico se muestra en la Figura 1.1. En conjunto
consideramos 413 registros como ste, y todos los registros estn representados
en la figura 1.2. Esta cifra demuestra poco ms que la necesidad de mtodos
cuidadosos de Resumiendo y analizando colecciones de datos funcionales.
Los datos de este tipo son el tipo ms simple de datos funcionales: tenemos una
Nmero de individuos independientes, para cada uno de los cuales observamos
Funcin. En las estadsticas estndar, estamos acostumbrados a la Una secuencia
de observaciones numricas independientes. Esta es la funcin equivalente: una
secuencia de observaciones funcionales independientes.
Ilustracin 2. Figura 1.2. Los datos funcionales para todos los 413 sujetos en el estudio de criminologa.

Las preguntas que abordamos en el captulo 2 incluyen lo siguiente.


Cules son los pasos involucrados en la toma de datos en bruto de un
individuo de Antecedentes penales en una observacin funcional continua?
Cmo debemos estimar la media de una poblacin como la que es Figura
1.2, y cmo podemos investigar su variabilidad?
Hay distintos grupos de delincuentes o criminales hacen residen en ms
de un continuo?
De qu manera nuestro punto de anlisis sobresalientes caractersticas de
datos en particular? De Particular inters para los criminlogos son
aquellos individuos que Infractores veniles que posteriormente maduran en
condiciones razonablemente los ciudadanos.

Las respuestas a las cuestiones tercera y cuarta abordan cuestiones controvertidas


En criminologa; Es de una importancia obvia si hay un "criminal frater-Nidad
"con un patrn distinto de ofensa, y tambin es importante conocer Si es posible
reformar a los jvenes delincuentes. Cuantificar la reforma es una Paso hacia este
objetivo

Captulo 3: El ndice de bienes no duraderos

En el captulo 3 nos referimos a una sola serie econmica observada a lo largo


Perodo de tiempo, el ndice estadounidense de produccin de bienes no
duraderos,
Ilustracin 3. Figura 1.3. El ndice de bienes no duraderos durante el perodo 1919 a 2000.

Ilustracin 4. Tramas de plano de fase para dos aos contrastantes: izquierda 1923, derecha 1996

En la Figura 1.3. Aunque el ndice slo se produce a intervalos mensuales,


Podemos pensar en ello como una serie de tiempo funcional continuamente
observada, con Un valor numrico en cada punto durante un perodo de casi un
siglo. los Registro de cada ao puede ser pensado como un dato funcional
individual, Aunque por supuesto el punto en el que cada uno de estos datos se
une al siguiente es arbitrario; En nuestro anlisis, consideramos que es el turno
del ao calendario.
Nuestra principal preocupacin no es el nivel general de produccin, sino De la
dinmica del ndice dentro de los aos individuales. Es obvio Que la produccin
de bienes en la actualidad es ms alta que en la Pero ms interesantes son los
cambios estructurales en la economa que Han afectado el comportamiento
detallado, as como el nivel general de actividad, durante el ltimo
siglo. Prestamos especial atencin a una construccin llamada parcela de fase
plana, que traza la aceleracin del ndice contra su tasa Del crecimiento. La
Figura 1.4 muestra las parcelas del plano de fases para 1923 y 1996, Cada
extremo del rango de nuestros datos.
Nuestra capacidad de construir diagramas de plano de fase depende en bilidad
de diferenciar los datos funcionales. En el Captulo 3, usamos derivados Para
construir presentaciones tiles, pero en captulos posteriores tomamos el uso de
Derivados, elaborar y estimar modelos para las funciones funcionales observadas
fenmenos.

Captulo 4: Formas seas de un estudio paleopatolgico

La paleopatologa es el estudio de la enfermedad en la historia humana, Cuenta


de la informacin que se puede obtener de restos humanos esquelticos. El
estudio descrito en el captulo 4 investiga las formas de una muestra grande De
huesos de hace cientos de aos. La intencin es obtener conocimiento Sobre la
osteoartritis de la rodilla -no slo en el pasado, sino tambin hoy en da, Porque
las caractersticas se pueden ver que no son fcilmente accesibles en pacientes
vivos. Existe evidencia de una relacin causal entre la forma de la articulacin y
la Incidencia de la artritis, y hay mecanismos biomecnicos plausibles Para este
enlace.
Nos concentramos en las imgenes del extremo de la rodilla del fmur (la parte
superior de la pierna hueso); Una figura tpica observada se muestra en la Figura
1.5. Los datos funcionales Consideradas en el captulo 4 son las formas de
contorno de huesos como ste, y son Curvas cclicas, no slo funciones simples
de una variable. Es conveniente caracterizarlas por las posiciones de puntos de
referencia. Estos son puntos especficos Elegido en las formas, y puede o no ser
de inters directo en s mismos.
Especificar puntos de referencia permite una definicin sensible de un hueso
promedio forma. Tambin facilita la investigacin de la variabilidad en la
poblacin, Mediante mtodos elaborados a partir de estadsticas convencionales,
pero con Giros Nuestra motivacin funcional conduce a formas apropiadas de
mostrar Esta variabilidad, y somos capaces de extraer diferencias entre los huesos
Que muestran sntomas de artritis y los que no lo hacen
Ilustracin 5

Captulo 5: Modelando las distribuciones del tiempo de reaccin

El trastorno por dficit de atencin hiperactivo (ADHD) es una condicin


preocupante, Especialmente en nios, pero en realidad no se caracteriza ni se
diagnostica fcilmente. Un factor importante puede ser el tiempo de reaccin
despus de un estmulo visual. Los nios que tienen dificultad para mantener la
atencin tienen tiempos de reaccin ms lentos Que aquellos que pueden
concentrarse ms fcilmente en una tarea en la mano. Los tiempos de reaccin no
son fijos, pero pueden considerarse como Especfica para cada individuo. Para
cada nio en un estudio, una muestra De aproximadamente 70 tiempos de
reaccin, y por lo tanto se obtuvo una estimacin De la funcin de densidad del
tiempo de reaccin de ese nio. La Figura 1.6 muestra las Densidades estimadas,
una para un nio con TDAH y otra para un control.
Mediante la estimacin de estas densidades hemos construido un conjunto de
Datos, una curva para cada nio en la muestra. Para evitar las dificultades Por las
restricciones que tienen que obedecer las densidades de probabilidad, y resaltar
Caractersticas de especial relevancia, en realidad trabajamos con las funciones
Logaritmos de las densidades y diferencindose; Un aspecto De esta
transformacin es que hace una densidad normal en una lnea recta.
La investigacin de estos datos funcionales demuestra que la diferencia Entre el
TDAH y el control de los nios no es simplemente un aumento en la media
Tiempo de reaccin, pero es un cambio ms sutil en la forma del tiempo de
reaccin distribucin.
Ilustracin 6. Figura 1.6. Densidades estimadas de los tiempos de reaccin de dos nios en la muestra. La curva slida
corresponde a un nio con TDAH, y la curva discontinua es una De los controles.

Captulo 6: Ampliacin del crecimiento humano

El crecimiento humano no es en absoluto el proceso simple que uno podra


imaginar A primera vista-o incluso de la propia experiencia personal de crecer!
Estudios que observan cuidadosamente el patrn de crecimiento a travs de
Adolescencia se han llevado a cabo durante muchas dcadas. Un registro de
datos tpico Se muestra en la Figura 1.7. La recoleccin de registros como estos
requiere mucho tiempo y Caros, porque los nios tienen que ser medidos con
precisin y Por un largo perodo de sus vidas.
Consideramos cmo convertir este tipo de registro en un til Datum para
incorporar en otros anlisis. Una suave curva atravesada Los puntos en la Figura
1.7 se denomina comnmente curva de crecimiento, pero el crecimiento es en
realidad la tasa de aumento de la altura del nio. En nios esto es
Necesariamente positivo porque es slo mucho ms tarde en la vida que la gente
empieza Para perder estatura. Desarrollamos un mtodo de suavizado montono
que Tipo de consideracin en cuenta y da como resultado un dato funcional que
Etapas importantes en el crecimiento de un nio.
No todos los nios pasan por eventos como la pubertad a la misma edad. Una vez
Los datos funcionales se han obtenido, una cuestin importante es el tiempo
deformacin o registro. Aqu el objetivo es referir a todos los nios a una
biologa comn. Reloj digital. Slo entonces es realmente significativo hablar de
un crecimiento medio O para investigar la variabilidad en la muestra. Adems, la
relacin de

Ilustracin 7. Figura 1.7. Los datos brutos para un individuo en particular en un estudio de crecimiento clsico

Biolgica a la edad cronolgica es importante, y tambin puede verse como Un


dato funcional interesante para cada nio.
El mtodo de suavizado montono tambin permite la consideracin de datos
Observadas en escalas de tiempo mucho ms cortas que las de la Figura 1.7. Los
resultados Son fascinantes, lo que demuestra que el crecimiento no se produce
sin Consiste en pequeas rfagas de rpido crecimiento intercaladas por perodos
de estabilidad. La longitud y la separacin de estos saltaciones puede ser muy
corto, Especialmente en los bebs, donde nuestros resultados sugieren ciclos de
crecimiento de longitud unos pocos das.

Captulo 7: El tiempo deformacin de escritura a mano y registros


meteorolgicos

En muchas investigaciones biomecnicas en la actualidad, el equipo de


seguimiento electrnico es Utilizado para rastrear los movimientos del cuerpo en
tiempo real a medida que se realizan ciertas tareas. Uno de nosotros escribi los
personajes "fda" 20 veces, y los rastros de pluma resultantes Se muestran en la
Figura 1.8. Pero los datos con los que realmente podemos trabajar Son el rastro
completo en el tiempo de las tres coordenadas de la posicin de la pluma.
Para estudiar las caractersticas importantes de estas curvas, el registro de tiempo
esencial. Utilizamos este estudio de caso para desarrollar ms plenamente las
ideas de registro Introducido en el captulo 6, y descubrimos que hay patrones
dinmicos Que se vuelven ms evidentes cuando nos referimos a un momento
apropiado escala.

Ilustracin 8. Figura 1.8. Los personajes "fda" escritos a mano 20 veces.

Los registros meteorolgicos son una rica fuente de datos funcionales, ya que
variables tales como Temperatura y presin se registran a travs del
tiempo. Sabemos por nuestro Propia experiencia de que las estaciones no siempre
caen exactamente iguales Calendario, y uno de los efectos del cambio climtico
global puede ser En el ciclo anual tanto como en las temperaturas reales
alcanzadas. Tanto la variacin de fase, la variabilidad en el tiempo de la funcin
de alabeo, y am- variacin plitud, la variabilidad en los valores de la curva
reales, son importantes. Este estudio ofrece la oportunidad de explicar cmo
estos aspectos de la Capacidad se puede separar, y para explorar algunas
consecuencias para el anlisis De los datos meteorolgicos.

Captulo 8: Cmo indican las formas seas la artritis?

Aqu volvemos a los huesos considerados en el Captulo 4, y centramos la


atencin en la escotadura intercondlea, la forma de U invertida entre los dos
extremos de El hueso como se muestra en la Figura 1.5. Hay razones anatmicas
por las que La forma de la muesca intercondilar puede ser especialmente
relevante para la Incidencia de artritis. Adems, algunos de los huesos estn
daados de Que los excluyen del anlisis descrito en el Captulo 4, pero no
Afectan la muesca intercondilar.
Los mtodos de referencia usados al considerar toda la forma cclica No son
fcilmente aplicables. Por lo tanto, desarrollamos enfoques libres de El anlisis
de los datos funcionales de las curvas, como los contornos de la muesca, trazado
En dos (o ms) dimensiones. Una vez que estas curvas se representan en una
Manera apropiada, se hace posible analizar diferentes modos de variabilidad En
los datos.
De particular inters es un anlogo funcional de discriminante lineal anlisis. Si
queramos descubrir una manera de distinguir entre artritis y Formas de muesca
intercondleas no artrticas, encontrando simplemente la forma media Dentro de
cada grupo no es una muy buena manera de ir. Por otro lado, ciegamente
Aplicando mtodos discriminantes tomados de anlisis estndar multivariable
Ysis da resultados absurdos. Mediante la incorporacin de regularizacin en la
derecha Sin embargo, podemos encontrar un modo de variabilidad que es bueno
para separar Los dos tipos de huesos. Lo que parece importar es el giro en forma
de La muesca, que bien puede afectar la forma en que un ligamento importante se
encuentra En la articulacin.

Captulo 9: Modelos funciona les para elementos de prueba

Ahora nos movemos de la manera en que nuestros antepasados caminaron a la


manera nuestros nios Se prueban en la escuela. Tal vez sorprendentemente, las
ideas de anlisis de Aportan informacin importante sobre la manera en que
funcionan las diferentes prctica. Supongamos por el momento que tenemos un
resumen unidimensional medir la capacidad de . Para la pregunta i entonces
podemos definir la respuesta al tem i funcin P () a la probabilidad de que un
candidato de respuestas capacidad Esta pregunta correctamente.
El estudio de caso se centra en el rendimiento de 5000 candidatos en 60
preguntas en una prueba construida por el American College Testing
Programa. Algunos de los pasos en nuestro anlisis son los siguientes.
No existe una definicin explcita de la capacidad , pero la construccin
de una adecuada partir de los datos, y estimar las funciones de respuesta
artculo individual P i ().
Al tener en cuenta las funciones de respuesta a los tems estimados como
funcional Datos en s mismos, identificamos aspectos importantes de la
prueba Preguntas, tanto como muestra como individualmente. Tanto
grfica como Se utilizan ms mtodos analticos.
Investigamos importantes cuestiones planteadas por la divisin de la
muestra en candidatos femeninos y masculinos. Se puede evaluar la
capacidad en una perspectiva de gnero? Manera neutral Hay preguntas
sobre qu hombres y mujeres realizan diferentemente? Slo hay unos
cuantos artculos de prueba en nuestros datos, pero Los resultados para dos
de ellos se representan en la Figura 1.9. Cual de estos Las preguntas que
encontraras ms fciles dependeran tanto de tu gnero Y en su posicin
sobre el rango global de habilidades tal como cuantificado por el
puntuacin estimada.

Ilustracin 9. Figura 1.9. Se muestran las probabilidades de xito en dos preguntas de prueba para ambos Mujeres y
varones, contra una puntuacin razonable que es una medida razonable de gnero neutral De la capacidad.

Captulo 10: Predecir la aceleracin de los labios por electromiografa

Ms de 100 msculos estn involucrados en el habla, y nuestra capacidad de


controlar y Es extraordinario. La limitacin de la tasa de produccin De los
fonemas -tal vez 14 por segundo- es cognitiva ms que fsica. Si estuviramos
diseando un sistema para controlar los movimientos del habla, Planificar
secuencias de movimientos como un grupo, en lugar de simplemente ejecutar
cada Movimiento como vino adelante. El cerebro hace esto?
Esta gran cuestin se puede abordar estudiando el movimiento de la Labio
inferior durante el habla y la toma de electromiografa (EMG) grabaciones Para
detectar la actividad neural asociada. El labio inferior es un subconjunto obvio
De los msculos para concentrarse porque es fcilmente observable y el EMG
Las grabaciones se pueden tomar de los electrodos superficiales de la piel. La
laringe No ofrece ninguna ventaja!
Un sujeto se observa repetidamente diciendo una frase en particular. Despus
Pre-procesamiento, suavizado y registro, esto
observaciones (Y i (t), Z i (t)), donde Y i es la aceleracin de labios y Z i es la EMG
nivel. Si el cerebro slo hace las cosas sobre la marcha, entonces estos datos
podran Ser modelado por el modelo puntual
Y i (t) = (t) + Z i (t) (t) + i (t).(1.1)
Por otro lado, si hay informacin de feed-forward para un perodo de longitud
en el mecanismo de control neural, a continuacin, un modelo de la forma

Y i (t) = (t) + tTZ i (s) (s, t) ds + i (t) (1.2)

Puede ser ms apropiado El estudio investiga los aspectos de estas formulaciones


de funcional lineal regresin. Las funciones EMG desempean el papel de la
variable independiente Y el labio acelera el de la variable dependiente. Debido a
la Funcional de ambos, hay una eleccin de la estructura del modelo caber. Para
los datos particulares estudiados, la indicacin es que existe in- En particular en
ciertas partes de la informacin articulada frase.

Captulo 11: La dinmica de la escritura a mano caracteres impresos

El objeto de este estudio es la escritura a mano datos como se ejemplifica en la


figura 1.8. En general, estamos acostumbrados a identificar a personas que
conocemos escritura. Dado que en este caso tenemos datos dinmicos sobre la
forma La pluma se movi realmente durante la escritura, incluso incluyendo los
perodos que est apagado El papel, podramos esperar poder hacerlo mejor
todava.

Resulta que las coordenadas X, Y y Z de datos de este tipo pueden Todos se


modelan notablemente por un modelo de ecuacin diferencial lineal de la forma

u (t) = (t) + 1 (t) u (t) + 2 (t) u (t). (1.3)

Las funciones coeficiente a (t), 1 (t), y 2 (t) dependen de que coordinan De la


escritura que uno est considerando, y son especficos para el escritor. En esto
Estudio, investigamos las formas en que los modelos de este tipo pueden datos
utilizando un mtodo llamado principal anlisis diferencial.

El anlisis diferencial principal de la escritura de una persona en particular Da


una idea de los procesos biomecnicos subyacentes En g. Adems, mostramos
que el modelo ajustado es bueno en la clasificacin Problema de decidir quin
escribi qu. Es posible que pueda forjar la Forma de la firma de otra persona,
pero tendr dificultades para producir Una pluma en tiempo real que satisface la
ecuacin diferencial de esa persona modelo.
Captulo 12: Una ecuacin diferencial para el malabarismo

Casi todos los lectores sern buenos en la escritura, pero no muchos sern
igualmente Malabaristas expertos. Una excepcin es el estadstico Michael
Newton en Wisconsin, Y los datos observados desde el malabarismo de Michael
son el tema de nuestro caso final estudiar. Ciertamente para los mortales menos
talentosos, hay una diferencia obvia Entre la escritura y el malabarismo: cuando
escribimos, el papel sigue siendo Y siempre estamos tratando de hacer lo
mismo; Un malabarista parece ser Cogiendo y lanzando pelotas que siguen
caminos diferentes.

Varios marcadores en el cuerpo de Michael fueron rastreados, pero nos


concentramos en La punta de su dedo ndice. Los ciclos de malabarismo no son
de longitud constante, Porque si la bola es lanzada ms alta toma ms tiempo
para volver abajo, y Por lo que hay un cierto preprocesamiento que debe
hacerse. Una vez logrado este

Ilustracin 10. . Figura 1.10. El ciclo de malabarismo promedio visto desde la perspectiva del malabarista mirando
hacia adelante. Los puntos de la curva indican los tiempos en segundos, y el total El ciclo toma 0,711 segundos. El
momento en que la bola deja la mano y

El ciclo de malabarismo promedio se muestra desde una vista de la Figura


1.10. Ms detalles Se dan en el captulo 12.

Aunque los ciclos individuales varan, todos pueden ser modelados Enfoque de la
ecuacin diferencial con respecto al captulo 11. Una diferencia clave, sin
embargo; Para los datos de escritura a mano, el modelo (1.3) fue Utilizado para
modelar cada coordenada por separado. En el malabarismo, hay diafona Entre
las coordenadas, con las derivadas y segundas derivadas de Algunos afectando a
los terceros derivados de otros. Sin embargo, no es necesario los trminos
correspondientes a a (t) en el modelo.

Varios aspectos de las funciones de coordenadas beta (t) se discuten. La mayora


de los in- El sistema resultante de ecuaciones diferenciales controla todas las Los
ciclos de malabares individuales casi perfectamente, a pesar de las diferencias
exteriores Entre los ciclos. Aprender a hacer malabares casi corresponde al
cableado de la Sistema de ecuaciones diferenciales en el cerebro y el sistema
motor.

1.4 Cmo es distintivo el anlisis de datos funcionales?

El anlisis de datos funcionales reales trmino fue acuado por Ramsay y Dalzell
(1991), aunque muchas de las ideas han estado por mucho tiempo Ms tiempo en
alguna forma. Qu ha sido ms distintivo sobre la investigacin reciente Es la
nocin de anlisis de datos funcionales como una forma unificada de Que un
conjunto dispar de mtodos y tcnicas.

Nos hemos abstenido deliberadamente de intentar una Anlisis de los datos


funcionales, porque no queremos Fronteras alrededor del campo. No obstante,
cabe sealar algunas Aspectos comunes de los datos funcionales que aparecen
frecuentemente en este en otra parte.

Conceptualmente, datos funcionales se definen de forma continua. Por


supuesto, en Prctica se observan generalmente en puntos discretos y
tambin tienen que Ser almacenados en una forma finita-dimensional
dentro de la computadora, pero Esto no altera nuestra forma subyacente de
pensar.
El dato individual es toda la funcin, en lugar de su valor En cualquier
punto en particular. Los diversos datos funcionales a menudo se
Independientes entre s, pero no hay suposiciones particulares Sobre la
independencia de los diferentes valores dentro de la misma dato.
En algunos casos, los datos son funciones del tiempo, pero no hay nada de
especial en el tiempo como una variable. En los estudios de caso hemos
Implicados en, los datos son funciones de una variable unidimensional,
Pero la mayora de las ideas se transmiten directamente a las funciones De
las variables de mayor dimensin.
No existe ningn requisito general de que los datos sean suaves, pero
a menudo tersura u otra periodicidad ser un aspecto clave del anlisis.
En algunos casos, los derivados de las funciones observadas sern impor-
Tant En otras ocasiones, aunque los propios datos no Ser suaves, las
suposiciones de suavidad sern apropiadas para Funciones u otras
funciones implicadas en el modelado de los datos observados.

15. Conclusin y bibliografa

Aquellos que deseen leer ms se refieren inicialmente al libro de Ramsay Y


Silverman (1997), que ofrece un tratamiento temtico de muchas de las Temas
introducidos por los estudios de caso en el presente volumen. Ese libro tambin
Contiene muchas referencias bibliogrficas adicionales y detalles tcnicos. De
Particular importancia para esta introduccin son los captulos 1 y 16 de Ramsay
Y Silverman (1997). Ambos se mantienen un tanto Mtodos, pero discutir la
filosofa general de anlisis de datos funcionales. El captulo 16, en particular,
considera el contexto histrico de la materia As como plantear algunas
cuestiones para una investigacin ms profunda. Muchos de los casos Los
estudios presentados en este libro son los frutos de nuestra propia investigacin
continua En respuesta a este reto. Aunque nuestro libro se acerca a la Anlisis de
datos desde una direccin diferente, la observacin (Ramsay y Silverman, 1997,
pgina 21) hecha en nuestro libro anterior sigue siendo igualmente verdadera:

En trminos generales, tenemos un objetivo mayor: alentar a los


lectores a pensar y entender los datos funcionales de una manera
nueva. Los mtodos que se proponen son apenas la ltima palabra
en acercarse los problemas particulares, y creemos que los lectores
adquieran ms beneficios mediante el uso de los principios que
hemos establecido que por siguiendo nuestras sugerencias a la carta.

Incluso ms que un tratamiento temtico, estudios de casos siempre conducirn la


lector atento para sugerir e investigar los enfoques que son diferentes, y tal vez
mejor, que las presentadas originalmente. Si es un lector motivado por uno de
nuestros captulos para encontrar una mejor manera de hacer frente a un dato
funcional establecer, entonces nuestro objetivo de fomentar la investigacin de
anlisis de datos ms funcional y, ciertamente, se ha cumplido el desarrollo