Análisis y estimación de datos perdidos en investigación aplicada
Rubén Sánchez Gómez
Licencia de minería de texto y datos
Declarado por la editorial el 22 julio 2026 a las 22:48:00 UTC
El titular de derechos se reserva expresamente sus derechos de reproducción, extracción y reutilización para fines de minería de textos y datos (TDM) y de entrenamiento de modelos de inteligencia artificial, de conformidad con el Art. 4(3) de la Directiva (UE) 2019/790, el Art. 53(1)(c) del Reglamento (UE) 2024/1689 (AI Act), el Art. 13 del Acuerdo ADPIC/TRIPS de la OMC, la Decisión Andina 351 de 1993 y las leyes nacionales aplicables en los territorios de residencia del titular, de realización de la reproducción y/o comercialización del Large Language Model u otro tipo de IA resultante.
Esta reserva cubre toda reproducción digital de la obra con independencia del soporte de la copia de origen (impreso o digital) y es efectiva desde la fecha certificada de esta declaración.
En América Latina, donde no existe excepción legal para el entrenamiento de IA, esta declaración constituye evidencia pública de que el titular no ha otorgado autorización. En la Unión Europea, activa la reserva máquina-legible exigida por el Art. 4(3) CDSM y el Art. 53(1)(c) AI Act. En Estados Unidos, señaliza la existencia de un mercado de licencias TDM a efectos del factor 4 del análisis de fair use.
Cualquier uso de la obra para los fines aquí reservados requiere autorización previa y expresa del titular de derechos.
Sello de integridad
Declaración selladaLa declaración fue sellada ante una autoridad de sellado de tiempo independiente (RFC 3161) y su contenido identificado con ISCC (ISO 24138): cualquier tercero puede verificar que existía en esa fecha y que no ha sido alterada. Descargar evidencia criptográfica (.tsr) · ¿Cómo se verifica?
Sobre esta obra
Existen varios métodos para enfrentar el problema de datos faltantes, en donde predomina principalmente rellenar los espacios libres con promedios de observaciones disponibles.
Sin embargo, estos métodos no presentan un desempeño adecuado revisando por inspección simple toda la serie disponible, incluidos los valores perdidos en la variable de estudio. Más aún, cuando se implementan estos reemplazos en series grandes de registros no disponibles, se dificulta el desempeño de muchos estudios, así como las conclusiones que se deriven de los mismos.
El propósito de este libro es presentar un compendio de distintos trabajos de investigación en los que se enfrenta el análisis de datos perdidos, se proponen diferentes metodologías que presentan resultados importantes en esta área, generando fundamentalmente una herramienta de consulta para investigadores, estudiantes de posgrado, así como para personas interesadas en el análisis de datos, o para quienes enfrentarán en algún momento el problema de registros perdidos.