L4. Datos funcionales y de alta dimensión. Pese a los avances descritos en la parte relativa a antecedentes, aún quedan muchos aspectos de los datos funcionales que deben ser analizados como puede ser el tratamiento de la heterocedasticidad en datos funcionales, el desarrollo de modelos de regresión y clasificación afectados por dependencia espacial y/o temporal, modelos distintos del lineal para la respuesta funcional así como la extensión de todos estas herramientas al caso de datos multivariantes funcionales, esto es cuando el dato no consiste en una sola trayectoria sino en un conjunto de trayectorias para el mismo individuo. Tal y como se indicó en la sección de antecedentes, otro de los problemas de interés sería la estimación y contrastes de curvas ROC con covariables funcionales, pero como paso previo para desarrollar esta metodología, se necesitará explorar qué ocurre sin covariables y con covariables vectoriales.

B1L4.OB1. Diseño e implementación de procedimientos de selección de variables en modelos de regresión cuando el conjunto de variables regresoras forman una amalgama compleja de variables escalares, multivariantes y funcionales.

B1L4.OB2. Desarrollo de modelos de regresión para datos funcionales adaptados a imágenes o superficies (2d).

B1L4.OB3. Desarrollo de modelos de regresión para datos funcionales con respuesta funcional.

B1L4.OB4. Desarrollo de modelos de clasificación para datos funcionales.

B1L1.OB5. Contrastes de hipótesis para modelos de regresión en datos funcionales.

B1L4.OB6. Estimación eficiente y regularizada de mixturas de densidades von Mises multivariantes en alta dimensión. [B1L5.OB5]

B1L4.OB7. Estimación y contraste de bondad de ajuste en curvas ROC sin covariables.

B1L4.OB8. Estimación y contraste de bondad de ajuste en curvas ROC con covariables vectoriales.

B1L4.OB9. Estimación y contraste de bondad de ajuste en curvas ROC con covariables funcionales y longitudinales.