000065157 001__ 65157 000065157 005__ 20180207125407.0 000065157 037__ $$aTAZ-TFG-2017-2102 000065157 041__ $$aspa 000065157 1001_ $$aPardos Cardiel, Berta 000065157 24200 $$aRegression Linear Models estimated by penalized least squares 000065157 24500 $$aEstimación de modelos de regresión por mínimos cuadrados penalizados 000065157 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2017 000065157 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000065157 520__ $$aLas técnicas de regresión por mínimos cuadrados pertenecen a la estadística básica en cuanto a predicción de modelos se refiere. Sin embargo, cuando nos encontramos con un conjunto de datos de grandes dimensiones son necesarios métodos más específicos. Uno de ellos es el caso de mínimos cuadrados penalizados, que será el objetivo principal de este trabajo. La razón es que en el momento que se tiene un gran número de datos, pueden aparecer problemas de colinealidad entre variables o que el número de variables sea mayor al número de datos obtenidos, entre otros. Si se tienen variables que están muy relacionadas entre sí, es frecuente que el modelo estimado presente sobreajuste y que en este se incluyan todas las variables predictoras con coeficientes muy poco interpretables en la realidad. Por esto y otras razones que veremos, es importante aplicar técnicas de regularización. 000065157 521__ $$aGraduado en Matemáticas 000065157 540__ $$aDerechos regulados por licencia Creative Commons 000065157 700__ $$aAlcalá Nalvaiz, José Tomás$$edir. 000065157 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa 000065157 8560_ $$f542873@celes.unizar.es 000065157 8564_ $$s752135$$uhttps://zaguan.unizar.es/record/65157/files/TAZ-TFG-2017-2102.pdf$$yMemoria (spa) 000065157 909CO $$ooai:zaguan.unizar.es:65157$$pdriver$$ptrabajos-fin-grado 000065157 950__ $$a 000065157 951__ $$adeposita:2018-02-07 000065157 980__ $$aTAZ$$bTFG$$cCIEN