dioh/plan

## plan
Plan Tesis
===========

"Análisis cuantitativo y cualitativo en vigilancia con Missing Data."

Daniel Foguelman, Diego Fernández Slezak, Julián Antman

El método de vigilancia para las ENO's consta de diversas metodologías de observación y análisis dependiendo de su frecuencia de muestreo y el período en observación.
Los sistemas semanales de vigilancia, buscan proveer la visibilidad del estado del sistema actual observable. En cuanto los distintos agentes del modelo ( unidades informantes) no provéan información actual de su estado esta será incompleta y diversos métodos serán considerados para poder hacer asunciones del modelo teniendo en cuenta la incompletitud del muestreo.

Buscaremos entonces clasificar las fuentes de información y las muestras obtenidas en MCAR y MAR buscando implementar técnicas para sobrellevar la incompletitud de los datos.


## tecnico
El problema
=============

Missing Completly at random: La probabilidad de falta no depende de la probabilidad del dato ni está correlacionada con otra variable
Missing at random: La probabilidad de falta no depende de la probabilidad del dato pero podría existir correlación con otras variables
Missing Not at random: Es el problema más difícil de los 3 y se precisa un modelo para procesar la falta de datos.

Técnicas
===============

List-wise deletion: Eliminar los casos con información faltante, si los datos son MCAR el método no introduce bias.
Pair-wise deletion:
Hot deck imputation: reemplazar faltantes por observación previa tomada al azar
Mean-substitution: No genera nueva información y disminuye el error medido siendo que el error real es mayor
...
	Plan Tesis
	===========

	"Análisis cuantitativo y cualitativo en vigilancia con Missing Data."

	Daniel Foguelman, Diego Fernández Slezak, Julián Antman

	El método de vigilancia para las ENO's consta de diversas metodologías de observación y análisis dependiendo de su frecuencia de muestreo y el período en observación.
	Los sistemas semanales de vigilancia, buscan proveer la visibilidad del estado del sistema actual observable. En cuanto los distintos agentes del modelo ( unidades informantes) no provéan información actual de su estado esta será incompleta y diversos métodos serán considerados para poder hacer asunciones del modelo teniendo en cuenta la incompletitud del muestreo.

	Buscaremos entonces clasificar las fuentes de información y las muestras obtenidas en MCAR y MAR buscando implementar técnicas para sobrellevar la incompletitud de los datos.
	El problema
	=============

	Missing Completly at random: La probabilidad de falta no depende de la probabilidad del dato ni está correlacionada con otra variable
	Missing at random: La probabilidad de falta no depende de la probabilidad del dato pero podría existir correlación con otras variables
	Missing Not at random: Es el problema más difícil de los 3 y se precisa un modelo para procesar la falta de datos.

	Técnicas
	===============

	List-wise deletion: Eliminar los casos con información faltante, si los datos son MCAR el método no introduce bias.
	Pair-wise deletion:
	Hot deck imputation: reemplazar faltantes por observación previa tomada al azar
	Mean-substitution: No genera nueva información y disminuye el error medido siendo que el error real es mayor
	...