1

AVALIANDO O DESEMPENHO DO NCLEO ESTIMADOR NA

ESTIMAO DE FUNES DE DENSIDADES MULTIVARIADAS
NORMAIS E NO NORMAIS


Clia do Nascimento Cavalcante
Sueli Aparecida Mingoti
Gregrio Saravia Atuncar
Frederico R. B. Cruz
Departamento de Estatstica - ICEx - UFMG
31270-901 - Belo Horizonte - MG
{cnc,sueli,gregorio,fcruz}@est.ufmg.br


Resumo
Neste artigo apresenta-se o mtodo no-paramtrico de ncleo estimador para a estimao de funes
de densidade multivariadas. A abordagem utilizada a da transformao inversa proposta por
Fukunaga (1972). Este procedimento tem a vantagem de fazer com que os parmetros de suavizao
(ou janelas timas) possam ser estimados para cada varivel individualmente quando a transformao
escolhida de modo que as novas variveis sejam no correlacionadas. Assim, os mtodos
automticos de seleo de janelas amplamente discutidos na literatura podem ser utilizados para o caso
multivariado. Neste artigo, apresentamos um estudo de simulao com a distribuio normal bivariada
mostrando que o estimador de ncleo pode ser uma boa alternativa. O mtodo torna-se mais
importante ainda em situaes em que no temos clareza de qual a forma matemtica da funo
densidade que est gerando os dados observados. Temos realizado simulaes em algumas situaes
no normais e os resultados so surpreendentes. O mtodo empregado para a seleo da janela tima
o plug-in modificado proposto por Chiu (1991).
Palavras Chaves: Funo de densidade multivariada; Estimao no-paramtrica; Ncleo
estimadores multivariados, Mtodo plug-in.
Abstract
In this paper an evaluation of the kernel method to estimate a multivariate density is presented. The
considered approach is the inverse transformation proposed by Fukunaga (1972). Under this approach
univariate techniques to find the smoothing parameter h for each variable for the univariate case can
be used because the original data is transformed in such a way that the transformed data is non
correlated. So, the density of the transformed random vector can be estimated as a product of
univariate density estimators. For estimating the univariate densities the plug-in modified method
proposed by Chiu (1991) is used. The estimator of the density of original random variables is obtained
by back transformation. Some simulation results by using the bivariate normal distribution are
presented. The simulations show that the kernel estimator had a good performance even for moderate
sample sizes. The method become more important in situations on which there is not clear information
about the mathematical form of the joint density. Data were simulated for some non normal situations
and the results were promising.
Keywords: Multivariate density function; Non-parametric estimates; Multivariate kernel estimators;
Plug-in method.
1. Introduo
A necessidade de estimao da funo de densidade aparece em vrias reas de aplicao.
Como exemplo, podemos citar seu uso em anlise discriminante (Johnson & Wichern, 2002; Cooley &
Maceachern,1998). Este artigo tem como foco apresentar o mtodo no-paramtrico de ncleo
2
estimadores (Silverman, 1986; Hand 1982) para a estimao de funes de densidades multivariadas.
Uma comparao deste mtodo com os mtodos de estimao paramtricos dos momentos e de
mxima verossimilhana ser efetuada para a distribuio normal bivariada buscando conhecer as
vantagens e desvantagens do mtodo de estimao no-paramtrico. A abordagem paramtrica tem
como caracterstica a admisso de que as observaes provm de um vetor aleatrio, cuja funo
densidade conhecida, exceto os parmetros envolvidos. Para situaes nas quais no se tem
conhecimento sobre a distribuio do vetor aleatrio de interesse, so necessrios mtodos de
estimao que no dependam da forma particular da funo de densidade de probabilidade. Nestes
casos, utiliza-se a abordagem no-paramtrica. Em ambos os campos quando se tm fenmenos a
serem estudados a partir de dados contendo muitas variveis, os mtodos estatsticos delineados para
obter informaes a partir destes conjuntos de dados, so denominados mtodos de estatstica
multivariada.
Dois procedimentos so citados na literatura para a estimao de densidades multivariadas via
ncleos estimadores: o produto de ncleos normais independentes (Scott, 1992), e a estimao da
densidade atravs de transformao inversa (Fukunaga, 1972). Em ambos os procedimentos, a
estimao de funo densidade multivariada depende da escolha do parmetro de suavidade, ou seja,
da busca da janela tima h
i
para cada varivel e esta busca feita dentro da abordagem j existente na
literatura no caso univariado, uma vez que a finalidade da transformao tornar as novas variveis
no-correlacionadas, de modo que a estimao da janela h
i
possa ser feita para cada varivel
individualmente.
Para a estimao do parmetro de suavidade ou janela h
i
so abordados na literatura vrios
mtodos de escolha automtica. Dentre eles, o mtodo plug-in modificado (Chiu, 1991) e o mtodo
estabilizado de validao cruzada proposto por Chiu (1991) como forma alternativa ao mtodo de
validao cruzada proposto por Rudemo (1982) e Bowman (1984). Neste artigo ser abordado
somente o mtodo plug-in modificado. A funo ncleo escolhida o ncleo normal.
O artigo est organizado da seguinte forma. Na seo 2, apresentamos a estimao da funo de
densidade multivariada pelo mtodo do ncleo. Na seo 3, discutimos o problema da escolha da
janela tima para estimao. Resultados so apresentados na seo 4. Concluses e observaes finais
encerram o artigo.
2. Estimao da Funo de Densidade Multivariada pelo Mtodo do Ncleo
A estimao da funo de densidade multivariada via ncleos estimadores uma generalizao
da estimao da densidade univariada pelo mtodo do ncleo. H dois procedimentos de estimao
multivariada citados na literatura: (i) produtos de ncleos normais independentes (Scott, 1992) e (ii)
estimao da densidade por transformao inversa apresentada por Fukunaga (1972) e descrita em
Silverman (1986).
Neste estudo optamos em apresentar o segundo procedimento proposto por Fukunaga (1972),
onde a estimao de funo de densidade multivariada feita por transformao inversa com a
finalidade de utilizar abordagem j existente na literatura relacionado a estimao de parmetro de
suavidade para o caso univariado, visto que a janela h pode ser estimada individualmente para cada
varivel transformada quando estas so no-correlacionadas.
Para estimar a funo de densidade multivariada atravs da transformao inversa, considere X
um vetor aleatrio definido por, [ ]
p
T
i
X X X X , , ,
2 1
K = de uma distribuio multivariada, com vetor de
mdias
T
=[
1
,
2
,...
p
] e matriz de covarincia
pxp
, com funo de densidade f(x
1
,x
2
,...,x
p
). O objetivo
estimar esta funo f(.), atravs f(x
1
,x
2
,...,x
p
) de transformao inversa. A estratgia utilizada
descrita a seguir.
Primeiramente faz-se uma transformao linear do vetor X de modo que as novas variveis
sejam no-correlacionadas, visando assim encontrar as janelas dentro do contexto de estimao
univariada. Seja a transformao
pxp pxp
X C Y =
, onde C uma matriz no-singular. Uma escolha para a
matriz C , C =
-1/2
. Sua obteno pode ser feita a partir da decomposio espectral da matriz
pxp

(Johnson e Wichern, 2002). A seguir, usa-se os dados transformados Y para estimar os valores das
janelas h
i
que seriam apropriados para a estimao da funo de densidade de Y . Desta forma, o valor
3
da funo de densidade de Y, no ponto y=(y
1
, y
2
,, ..., y
n
), estimado usando o mtodo do ncleo
normal, considerando h
i
=h dado por:
( ) ( )

=
)
`

=
n
i
T
p
Y y Y y
h
k
nh
(y) g
i i
p
1
2 2 /
2
1
) 2 (
1

,

onde k(
.
) a funo ncleo normal. Aps encontrar as estimativas de h
i
, estima-se a funo de
densidade de X, atravs da transformao inversa, isto :

| C | ) CX ( g ) x ( f

= ,

onde g a funo de densidade de Y e | C | denota o determinante da matriz C. Usando este
procedimento, e estimando a matriz de covarincias
pxp
pela matriz de covarincias amostral
pxp
S , o
ncleo estimador da funo de densidade multivariada do vetor X avaliada em x=(x
1
, x
2
, ..., x
p
),
considerando h
i
= h, i=1,2, ..., p, dado por:
( ) ( )

)
`

=
n
i
T
p
/
X x S X x
h nh
|S|
(x) f
i i
p
1
1
2 1
2 2 /
2
1
exp
) 2 (

.

Quando supusermos os parmetros de suavidade h
i
diferentes para cada varivel i, teremos:

(
(

|
|

\
|
|
|

\
|
=

=
n
i i
i
i
i
i
p
h
X x
S
h
X x
h n
S
x f
T
n
i
1
2 /

2
1
- exp
) 2 (
| |
) (

1
1
2 / 1

.
3. Escolha da Janela tima
Para se estimar a funo de densidade multivariada pelo mtodo do ncleo estimador, necessita-
se encontrar os valores de h
i
, i=1, 2, ..., p, que otimizem a estimativa da funo de densidade. Com
isso, tem-se uma grande procura pela implementao de mtodos automticos para a escolha de h
i
. A
busca da janela tima h
i
para a estimao da funo densidade multivariada pelo mtodo do ncleo
feita pelo mtodo univariado existente na literatura, uma vez que o propsito da transformao de Y
tornar as novas variveis no-correlacionadas, de modo que a otimizao da janela possa ser feita para
cada varivel individualmente. Dentre os vrios mtodos de seleo de h abordados na literatura,
encontram-se o mtodo plug-in modificado e o mtodo estabilizado de validao cruzada para
variveis aleatrias univariadas (Chiu, 1991). Neste artigo utilizamos apenas o mtodo plug-in
modificado o qual ser brevemente descrito na seo a seguir.
3.1. Medidas de Discrepncia
Estudos tm sido feitos relacionados escolha da janela tima para apenas uma varivel X com
funo de densidade f(.), tendo como o objetivo encontrar uma medida de discrepncia mnima e que
mantenha um equilbrio entre a varincia e o vcio. Uma medida global de discrepncia muito usada
o erro quadrtico mdio integrado (EQMI), e pode ser rescrita em funo do vcio quadrtico
integrado e da varincia integrada definida por:

( ) ( )
|

\
|
+ + + =

nh
h o dt t k
nh
dx x f k h EQMI
1
) (
1
) (
4
1
4
2 2
" 2
2
4





4
A partir dessa relao, o valor de h que minimiza o EQMI dado por:

( ) ( )
5 / 1
5 / 1
2 ' '
5 / 1
5 / 2
2 otimo
)) ( ( ) (

= n dx x f dt t k k h ,

onde

= dt ) t ( k t k
2
2
. A idia do mtodo plug-in modificado aproximar o nico termo desconhecido
( )

=
2
' '
) (x f G por:

d
n
G

\
|
=
0
2 4
1
| ) (
~
|
1

,
onde (.)
(
a funo caracterstica de X. Desta forma o estimador pelo mtodo plug-in modificado da
janela tima definido como:
( )
( )
5 / 1
p
"
p
'
p

(
(

+ = n
A
R
h
n
n
p


onde:
{ } { }
5 / 1
5 / 2
2
5 / 1
2

) ( ) (

= G dx x k x dx x k
P
,

)
`

= dx x k x dx x k x d
n
h n h R
n
) ( ) (
1
| ) (
~
| ) 24 ( ) (
~
4 2
0
2 6 6 5 / 2 1
e
{ } ) (
~
) ( ) (

) 4 ( ) (
~
2 1
2
2 4 1
h R dx x k h dx x k x G h h A
n n
+ =


.

Maiores detalhes sobre esse mtodo podem ser visto em Damasceno (2000).
4. Resultados
Com o objetivo de comparar o desempenho do ncleo estimador com os estimadores
multivariados paramtricos para densidades mutivariadas conhecidos na literatura, um pequeno estudo
simulado foi feito para a distribuio normal bivariada. Amostras de tamanhos iguais a n=40, n=100 e
n=1000 foram considerados para a implementao da metodologia do ncleo estimador e para a
estimao da janela
i
h de cada varivel, i=1,2. Conjuntos de teste de tamanhos m=50 e m=100 foram
usados para testar a metodologia, isto , estes conjuntos so gerados de acordo com a distribuio
normal bivariada e os valores reais da funo de densidade so comparados com a estimativa obtida
via ncleo estimador.
Os estimadores foram comparados em relao ao erro mdio, ao erro mdio absoluto, erro
quadrtico mdio e ao erro mdio relativo. Para a implementao computacional foi utilizado o
software S-Plus 2000

tanto para gerar as amostras da normal bivariada quanto para a estimar os

valores dos parmetros de suavidade
i
h . Foram geradas amostras aleatrias de tamanhos: n=40,
n=100, e n=1000 de uma distribuio normal bivariada com vetor de mdias =(1;3) e matriz de
covarincias
(

=

5 2
2 1
p p
. Estas amostras foram usadas para a estimao dos valores de h
1
-timo e
h
2
-timo. A determinao destas janelas foi feita usando-se as amostras transformadas pelo mtodo
descrito na seo 2. Na avaliao da qualidade de ajuste do mtodo do ncleo usou-se dois conjuntos
de testes com tamanhos m=50 e m=100 tambm gerados de acordo com a distribuio normal
bivariada especificada.
As
Tabela 1 e 2 apresentam os resultados obtidos para o caso em que m=50 e m=100
respectivamente. Nestes quadros FN denota a funo de densidade estimada pelo mtodo do ncleo,
5
FM a funo de densidade estimada pelo mtodo dos momentos e FMV a funo densidade estimada
por mxima verossimilhana. A Figura 1 apresenta os grficos gerados com os valores da funo de
densidade terica das m=50 observaes de teste bem como aqueles gerados com as estimativas da
funo densidade em cada mtodo de estimao discutido neste artigo. A Figura 2 apresenta os
grficos gerados com m=100. De acordo com estes resultados constatou-se que para pequenas
amostras os estimadores paramtricos foram melhores que o ncleo estimador. Para amostras maiores
(n 100) o ncleo estimador teve um comportamento melhor que os estimadores paramtricos.
Observou-se tambm que medida que o tamanho da amostra aumenta as estimativas das janelas
timas h
i
de cada componente tendem a ser similares. importante salientar que como os dados
gerados so normais j se esperava que os estimadores paramtricos apresentassem bons resultados. O
ponto relevante que o ncleo estimador apresentou resultados comparveis aos paramtricos e
qualidade superior para amostras maiores mostrando que pode ser um competidor para aquelas
situaes nas quais no se tem clareza de qual a forma matemtica da distribuio de probabilidades
que est gerando os dados amostrais. Finalmente, importante observar o efeito do tamanho de
amostra na construo do grfico da densidade da distribuio normal bivariada. Neste artigo o grfico
da distribuio terica foi feito com apenas 50 ou 100 observaes o que no caracteriza um tamanho
amostral adequado para se ver a superficie da distribuio normal original adequadamente uma vez
que os grficos gerados so bimodais. Para se ver a distribuio normal com mais propriedade
necessrio em torno de 400 a 500 observaes.











Tabela 1: Medidas de Desempenho dos Estimadores de Densidade - m=50.

Medidas de
Desempenho
Tamanho da
Amostra

FN

FM

FMV
40 0,016052 -0,001643 0,001322
Erro Mdio 100 0,016052 -0,017718 -0,016308
1000 -0,000131 0,002096 0,003096
40 0,022814 0,017515 0,017416
Erro Mdio Absoluto 100 0,016879 0,018735 0,017631
1000 0,001281 0,007194 0,007344
40 0,000820 0,000466 0,000449
Erro Quadrtico Mdio 100 0,000438 0,000494 0,000436
1000 0,000002 0,000008 0,000008
40 0,318589 0,300363 0,297589
Erro Mdio Relativo 100 0,304902 0,345070 0,323634
1000 0,023365 0,102619 0,091026







6

Tabela 2: Medidas de Desempenho dos Estimadores de Densidade - m=100.

Medidas de
Desempenho
Tamanho da
Amostra

FN

FM

FMV
40 0,014286 0,002094 0,004831
Erro Mdio 100 0,003713 0,003952 0,005019
1000 0,001049 0,001241 0,001126
40 0,017476 0,007486 0,008072
Erro Mdio Absoluto 100 0,010354 0,011102 0,010501
1000 0,001014 0,001517 0,001439
40 0,000628 0,000082 0,000102
Erro Quadrtico Mdio 100 0,000131 0,000141 0,000151
1000 0,000001 0,000003 0,000003
40 0,417187 0,148554 0,149276
Erro Mdio Relativo 100 0,232212 0,241907 0,244091
1000 0,028041 0,032042 0,030513

Funo de densidade terica
Yo ur t ext
Funo de densidade estimada
pelo mtodo do ncleo
Your t ext
h1-timo: 0.62194, h2-timo: 0.63416

Funo densidade estimada por
mxima verossimilhana
Y our t ext
Your t ext
Funo de densidade estimada
pelo mtodo dos momentos

Figura 1: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=40 observaes e o conjunto de testes m=50.

7
Your text
h1-timo: 0.46308,h2-timo:
0.48274
Funo de densidade estimada pelo mtodo do
ncleo

Your text
Funo densidade estimada
pelo mtodo dos momentos

Your text
Funo densidade
estimada por mxima

Figura 2: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=100 observaes e o conjunto de testes m=50.



Your
text
h1-timo:0.27902, h2-timo: 0.27256
Funo de densidade estimada pelo mtodo do
ncleo

Your
text
Funo de densidade
estimada pelo mtodo dos
momentos

Your
text
Funo densidade
estimada por mxima
verossimilhana

Figura 3: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=1000 observaes e o conjunto de testes m=50.

8
Funo de densidade terica

Yo ur t ext
h1-timo: 0.60992 h2-timo: 0.63391
Funo densidade estimada pelo mtodo do ncleo

Y our t ext
Funo de densidade estimada
pelo mtodo dos momentos

Your t ext
Funo densidade estimada
por mxima verossimilhana

Figura 4: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=40 observaes e o conjunto de testes m=100.

Funo densidade estimada pelo mtodo do ncleo
Your t ext
h1-timo: 0.48195 h2-timo: 0.47873

Y our t ext
Funo de densidade estimada
pelo mtodo dos momentos

Y our text
Funo densidade estimada
por mxima verossimilhana

Figura 5: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=100 observaes e o conjunto de testes m=100.
9

Funo densidade estimada pelo mtodo do ncleo
Your text
h1-timo: 0.27821, h2-timo: 0.27346

Y our t ext
Funo de densidade estimada
pelo mtodo dos momentos

Your t ext
Funo densidade estimada
por mxima verossimilhana

Figura 6: Grficos de superfcie para as funes de densidade multivariadas, com a estimao da
janela h com n=1000 observaes e o conjunto de testes m=100.


5. Simulao de Populao No-Normal
Este estudo avalia de forma mais completa o desempenho do mtodo de ncleo na estimao
de funes de densidades multivariadas, em situaes mais gerais de dados multivariados no normais.
Seja X e Y amostras aleatrias de tamanho n, onde X tem distribuio weibull com parmetros
e respectivamente e Y tem distribuio normal com parmetro X e 1. A funo de densidade
conjunta de X e Y dada por:

( )
2
2
1

1
2
1
) , (
y x
x
e e
x
y x f

\
|

|
|

\
|
=

Foram geradas 100 amostras aleatrias de tamanho n=25, n=50 e n=100 de acordo com a
distribuio weibull com parmetros 2,4 e 10 e a distribuio normal com desvio padro 1. Conjuntos
de testes de tamanhos m=100 foram usados para avaliar a metodologia. A Tabela 3 apresenta os
resultados das estimativas, FNI denota a funo de densidade estimada pelo mtodo do ncleo com
janelas timas iguais, FND denota a funo de densidade estimada pelo mtodo do ncleo com janelas
timas diferentes. A Tabela 4 apresenta medidas descritivas obtidas para os valores das janelas timas.
Ao avaliar esta metodologia em dados provenientes de populaes no normais pode-se observar que
as estimativas so bastante prximas dos valores tericos e satisfatrias tanto na simulao usando
janelas similares quanto janelas diferentes entre si.


10



Tabela 3. Medidas de Desempenho dos Estimadores de Densidade

Medidas
n =25
n=50 n=100
FNI FND FNI FND FNI FND
Erro Mdio 0,00353 0,00389 0,00260 0,00281 0,00213 0,00223
Erro Absoluto 0,00591 0,00627 0,00484 0,00501 0,00396 0,00409
Erro Quadrtico Mdio 0,00006 0,00006
0,00004 0,00004 0,00003 0,00003
Erro Absoluto Relativo 0,40030 0,43371 0,32660 0,34664 0,27402 0,28609



Tabela 4. Estatsticas descritivas para os parmetros de suavizao (h
i
)

Estatsticas
n =25
n=50 n=100
h
1
h
2
h
1
h
2
h
1
h
2

Mdia 0,7294 0,7169 0,5748 0,5790 0,4763 0,4753
Desvio Padro 0,0731 0,0763 0,0577 0,0461 0,0265 0,0339
Mnimo 0,4599 0,3998
0,3556 0,4007 0,3793 0,3669
Mximo 0,8060 0,8040 0,6431 0,6370 0,0,5303 0,5287

6. Consideraes Finais
Este estudo mostra que o ncleo estimador pode ser facilmente utilizado para a estimao de
funes de densidade multivariadas quando se utiliza o mtodo de transformao inversa proposto por
Fukunaga (1972). A simulao nos deu resultados promissores no sentido de que esta pode ser uma
metodologia com potencial para resolver problemas nos quais no se tem certeza sobre a forma
matemtica da funo de densidade geradora dos dados amostrais. O estudo mostra ainda que os
valores da janela tima so aproximadamente iguais com a qualidade da aproximao melhorando
medida que o tamanho da amostra aumenta. Este um resultado importante, pois pode diminuir o
tempo computacional exigido para a implementao do mtodo de estimao de h
i
nos casos em que o
nmero de variveis mais elevado. Neste caso, o problema seria simplificado escolhendo-se um
valor de h comum para todas as variveis. Este estudo, no entanto, apenas preliminar uma vez que
foi simulado um nico modelo normal bivariado. Futuramente, pretende-se, atravs de simulaes de
grande porte, avaliar de forma mais completa o desempenho do mtodo de ncleo na estimao de
funes de densidades multivariadas, em situaes nas quais se tm dados normais e em situaes
mais gerais de dados multivariados no-normais com diversas combinaes de parmetros.
Agradecimentos
Agradecemos CAPES Brasil e ao CNPq, pelo apoio financeiro que possibilitou a execuo deste
trabalho.
Referncias Bibliogrficas
(1) Atuncar, G.S. e Oliveira, P.J. (1999) Escolha da Janela tima em Estimao Funcional: Caso
Markoviano, Relatrio Tcnico, Departamento de Estatstica da UFMG.
(2) Atuncar, G.S. e Travassos, A.P.A. (1998) Implementao de Dois Mtodos de Escolha da
Janela tima em Estimao Funcional, Relatrio de Iniciao Cientfica, Departamento de
Estatstica da UFMG.
11
(3) Anderson, T.W. (1984) An introduction to Multivariate Statistical Analysis, 2
nd
ed. New
York:Wiley.
(4) Bowman, A. (1984) An alternative method of Cross-Validation for the Smoothing of Density
Estimates, Biometrics, (71) 353-360.
(5) Cooley, A. C, Maceachern, S.N. (1998) Classification via kernel produc testimators,
Biometrika, 85, 4, 823-833.
(6) Chiu, S.T. (1991) Bandwidth Selection for Kernel Density Estimation. The Annals of Statistics,
Vol. 33, 1883-1905.
(7) Damasceno, E.C. (2000) Escolha do Parmetro de Suavidade em Estimao Funciona,
Dissertao de Mestrado, Departamento de Estatstica da UFMG.
(8) Fukunaga, K. (1972) Introduction to Statistical Pattern Recognition, New York: Academic
Press.
(9) Hand, D. J. (1982) Kernel Discriminant Analysis. New York: Wiley.
(10) Johnson, R. A., Wichern, D.W. (2002) Applied Multivariate Statistical Analysis, 5
th
ed. New
Jersey.
(11) Rudemo, M. (1982) Empirical choice of histograms and kernel density estimators,
Escandinavian Journal of Statistics, 9, 65-78.
(12) Scott, D.W. (1992) Multivariate Density Estimation: Theory, Pratice, and Visualization. New
York: Wiley.
(13) Silverman, B.W. (1986) Density Estimation for Statistics and Data Analysis. Chapman and
Hall, London.
(14) Simonoff, J.S. (1996) Smoothing Methods in Statistics. Springer Series in Statistics.
(15) Travassos, A.P.A. (2003) Problemas de Fronteiras dos Ncleos Estimadores e suas
abordagens, Dissertao de Mestrado, Departamento de Estatstica da UFMG.
(16) Wand, M.P. & Jones. M.C. (1995) Kernel Smoothing Monographs on Statistics and Applied
Probability 60, Chapman and Hall.
(17) Woodroofe, M. (1970) On choosing a delta sequence, Annals of Mathematical Statistics, 41,
1665-1671.