Capacitat per identificar els mètodes d'investigació estadística i operativa més adequats per a l'anàlisi de la. Prendre consciència de la necessitat d'acceptar les normes d'ètica professional i les relacionades amb la protecció de dades i.
BIOINFORMÀTICA 35
BIOESTADÍSTICA 15
Anàlisi longitudinal de dades Tècniques quantitatives de màrqueting @ Programació estocàstica Anàlisi de dades multivariant (per It.1). Anàlisi de dades multivariant (per a It.1) Anàlisi de dades multivariant (per a It.1) Anàlisi de dades multivariant (per a It.1) Anàlisi de dades longitudinals.
Itinerari 2
Intensificació electiva Anàlisi de la vida útil Quantificació de riscos Optimització contínua Models lineals i generalitzats. Aprenentatge automàtic basat en nuclis i modelatge multivariant (KMLMM-MIRI) Semestre de tardor Recomanat només si un curs anterior sobre Aprenentatge automàtic o.
MASTER FOUNDATIONS OF DATA SCIENCE (FMI, UB)
They can propose topics from other UPC or UB master programs to MESIO UPC-UB students. MIRI, Master in Innovation and Research in Informatics (FIB, UPC), specialization in Data Science: each subject has 6 ECTS.
SCTL, Master in Supply Chain and Transort Logistics (UPC)
MASTER'S IN STATISTICS AND OPERATIONS RESEARCH MESIO UPC-UB Suggested courses from other UPC or UB master's programs for MESIO UPC-UB students.
Master in Automatic Control and Robotics (ETSEIB – UPC)
- Modelització matemàtica i computacional
- Identificació de sistemes dinàmics
- CLASSES DE TEORIA
- CLASSES DE PROBLEMES
- PRÀCTIQUES LABORATORI
- TREBALL D'APLICACIÓ
- EXAMEN FINAL
Utilitzeu programari bàsic d'anàlisi del sistema de control, així com el modelatge de sistemes dinàmics. L'estudiant serà capaç d'utilitzar eines d'anàlisi i disseny assistit per ordinador de sistemes de control en les tasques habituals d'anàlisi, simulació i disseny de controladors.
Gestió i millora de la qualitat
Eines estadístiques per a la qualitat
Altres eines per a la qualitat Dedicació: 10h Grup gran: 6h
RESOLUCIÓ D'EXERCICIS I PROBLEMES
RESOLUCIÓ DE CASOS PRÀCTICS
EXAMEN PARCIAL
Saber aplicar algorismes a problemes de carreteres i resoldre'ls, a partir de l'aprenentatge realitzat durant el curs, d'eines adequades. La metodologia docent requereix un material didàctic específic per al seguiment de l'assignatura i per a la realització de sessions pràctiques.
El concepte de model: introducció a les tècniques de modelització
Models de Fluxos en Xarxes
Models de rutes de vehicles
Introducció als problems d'quilibri en transport
- Introducció a l'Anàlisi de Dades en Transport i Logística
- Anàlisi Exploratori de Dades
- Inferència Estadística Computacional
- Modelatge Estadístic per Regressió
- Models per Resposta Binària
- Introducció al Mostreig Estadístic
- Introducció a la Mineria de Dades
Saber modelar respostes numèriques: formulació, estimació i interpretació de models estadístics amb programari R. Saber modelar respostes numèriques: formulació, estimació i interpretació de models estadístics mitjançant programari R.
Avaluació: Parcial i Final
- Teoría de grafos
- Modelización mediante programación lineal y entera
- Resolución de la programación lineal y entera
- Introducción a la modelización y resolución de la optimización no lineal
- Simulación
Presente a los estudiantes los conceptos, principios y fundamentos básicos del modelado mediante programación lineal y entera. Presente a los estudiantes los conceptos, principios y fundamentos básicos para resolver programación lineal y entera.
Introducció als problemes de rutes de vehicles
Models iy formulacions per a problemes de rutes de vehícles
El Problema del Viatjant de Comerç
El problema de rutes de vehícules amb
Realització i realització d'un conjunt d'exercicis personalitzats suggerits a classe en la data especificada. 20% de la nota final) - Presentació i discussió a classe sobre el problema proposat per l'estudiant, sobre modelització i solucions alternatives, i sobre els resultats dels experiments computacionals realitzats. Finalització i lliurament d'un informe complet abans de la data especificada que contingui: (i) una descripció del problema proposat i la seva possible aplicació; (ii) alternatives de modelització considerades; (iii) disseny i detalls de.
Consideracions adicionals en problemes de rutes de vehícles
Problemas de rutes per arcs
Altres problemes relacionats
- Introducció al sistema de Transport
- Problemes de Transport
- Problemes clàssics de transport
- Problemes clàssics de transport (III)
- Disseny del sistema de distribució
- Transport urbà de mercaderies
- Simulació de distribució urbana de mercaderies
- Centres logístics i terminals de mercaderies
- Transport de llarga distància
- Pricing i rating
Conèixer i ser capaç d'utilitzar les tècniques de modelització, optimització i simulació per resoldre problemes plantejats per la planificació, operació i gestió de sistemes de transport. El curs R intermedi/avançat requereix que els estudiants tinguin experiència treballant amb R.
Introducció a R [Nivell introductori]
Objectes d'R
Anàlisi descriptiva i exploratori amb R
Programació bàsica amb R
Estadística inferencial amb R: contrastos d'hipòtesis i models de regressió
Temes d'R de nivell intermedi
Introducció a SAS
Procediments bàsics de SAS
Transformació i manipulació de dades
Introducció al llenguatge matricial amb el SAS
SAS/IML
Procediments avançats
Introducció a la programació lineal amb SAS
Funcions Generadores i Funció Característica
Processos de Ramificació
La Llei Gaussiana Multidimensional
Successions de Variables Aleatòries
Passeigs Aleatoris
Cadenes de Markov
La inferència estadística avançada és necessària per a tots els estudiants amb especialitat en Estadística o Matemàtiques (pista 1) i Fonaments de la inferència estadística és necessària per a tots els estudiants d'altres graus (pista 2). Els estudiants de l'itinerari d'aprenentatge 2 poden triar el curs d'inferència estadística avançada com a optativa després de Fonaments d'inferència estadística.
Introducció
Estimació puntual 1: Mètodes per trobar estimadors
Estimació puntual 2: Avaluació d'estimadors
Proves d'hipòtesis
Cada tema s'avalua mitjançant un problema individual i la realització d'un exercici amb R (PRA) i un qüestionari (Q) que s'aborda en grups reduïts durant la classe.
Regions de confiança
S'assumeix el coneixement dels conceptes bàsics de la teoria de la probabilitat per part de l'estudiant. Comprendre el concepte de confiança en un interval, saber com es construeixen i saber calcular-los en les situacions més habituals; inclòs el càlcul de la mida de la mostra per garantir un nivell determinat de confiança i precisió.
Introducció a la inferència
Mostratge
Estimació de paràmetres
Intervals de confiança
Comprendre la metodologia general de prova d'hipòtesis incloent possibles errors i la importància de la mida.
El model lineal general Dedicació: 9h Grup gran: 9h
El model d'anàlisi de la variancia Dedicació: 10h 30m Grup gran: 10h 30m
Capacitat per seleccionar el mètode i/o tècnica d'investigació estadística o operativa més adequat per aplicar aquest model a qualsevol situació o problema concret. Pràctica: es tracta d'utilitzar eines de programació matricial per fer una anàlisi multivariant mitjançant conjunts de dades multivariants.
Estadística Descriptiva Multivariant
Inferència Estadística Multivariant
La ponderació de les diferents parts de l'avaluació és la següent: examen parcial (30%) examen final (30% si només la segona part, 60% si també inclou la primera part), pràctiques de laboratori i problemes (20%), treball (20%). Els alumnes que hagin superat el primer examen no hauran de presentar l'assignatura de la primera part a l'examen final.
Classificació i obtenció de grups Dedicació: 32h Grup gran: 7h 30m
El treball individual dels inscrits inclou, com a mínim, la resolució de problemes, la cerca i anàlisi de documentació addicional, així com la lectura i interpretació de textos matemàtics. Tot el treball personal està subjecte a feedback en forma de debat amb el professor.
Combinatòria
Àlgebra lineal
Nocions mètriques
El concepte de funció
El concepte de límit
Les sumes amb infinits sumands
Introducció a la simulació
Tema 2. Input Data Analysis
Generació de mostres
Tema 4. Introducció a la simulació de sistemes discrets
Tema 5. Anàlisi i disseny d'experiments de simulació
Introducció al bootstrap i als tests de permutacions
L'anàlisi de supervivència s'utilitza en molts camps per analitzar dades que representen el període de temps entre dos. També es coneix com a anàlisi de l'historial d'esdeveniments, anàlisi de dades de tota la vida, anàlisi de fiabilitat i anàlisi del temps fins a l'esdeveniment.
Conceptes bàsics i models paramètrics
Tipus de censura i truncament
Inferència no paramètrica per a una mostra
Comparació de dues poblacions
Regressió paramètrica
Regressió semiparamètrica: El Model de Cox
Encara que molts exemples provenen de l'àmbit de l'econometria, la metodologia de l'assignatura es pot utilitzar en diversos camps (ecologia, epidemiologia, enginyeria, etc.). , quan hi ha variables aleatòries que no són independents entre si.
Anàlisi i modelització de sèries temporals
Dades atípiques, efectes calendari i anàlisi d'intervenció
Tècniques de predicció basades en Machine Learning
Espai d'estat, filtre de Kalman i aplicacions
Models estructurals en espai d'estat
Introducció als models amb volatilitat
Les competències prèvies preferides són les derivades de la formació en estadística i probabilitat matemàtiques que normalment ofereix un títol de grau. Les dades longitudinals, que combinen informació sobre la variabilitat entre unitats i el desenvolupament i la variació dins de les unitats, són un repte tant per als estadístics professionals com per al desenvolupament teòric per la seva freqüència i importància.
Model Lineal Mixt (LMM)
Anàlisi de dades longitudinals amb resposta multivariada
Equacions Generalitzades d'Estimació (GEE)
Introducció a l'anàlisi amb Valors No Observats (Missing Data Analysis)
Conèixer alguns dels problemes d'optimització contínua més importants en l'àmbit de la investigació estadística i operativa i poder resoldre'ls amb l'algorisme d'optimització més eficient. Ser capaç de formular i resoldre numèricament exemples reals de problemes d'optimització contínua en investigació estadística i operativa mitjançant programari d'optimització professional.
Modelització i resolució computacional de problemes d'optimització matemàtica
Optimització sense constriccions
Optimització amb constriccions
L'objectiu de l'assignatura és introduir l'estudiant en els problemes de modelització de sistemes en presència d'incertesa, i familiaritzar-lo amb les tècniques i algorismes per tractar-los. Proporciona la base per al modelatge i la programació estocàstica i es pretén que al final del curs l'estudiant sigui capaç d'identificar, modelar, formular i resoldre problemes de decisió que involucren variables tant deterministes com estocàstiques.
Modelització Estocastica
La nota final constarà d'un 65% de la part teòrica i un 35% de la part pràctica.
Propietats bàsiques
Mètodes de resolució
Implementar mètodes de descomposició mitjançant llenguatges de programació matemàtica algebraica per a diversos models per resoldre'ls. Implementar versions senzilles de mètodes de punt interior amb llenguatges d'alt nivell (matlab), i conèixer les eines d'àlgebra lineal necessàries.
Dualitat
Mètodes de descomposició
Mètodes de punt interior
- Models multivariants de gestió de riscos
- Mesures de dependència i còpules
- Mesures de risc
- Teoria del valor extrem Dedicació: 9h Grup gran: 9h
- Anàlisi estructural de dades d'enquesta
- Modelització de dades d'enquestes
- Preguntes obertes i comentaris lliures
TREBALL EN EQUIP: Capacitat de treballar com a membre d'un equip interdisciplinari, ja sigui com a membre més o realitzant tasques de gestió, per contribuir al desenvolupament de projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos tenint en compte els recursos disponibles. Els conceptes relacionats amb la prova d'hipòtesis i la significació estadística seran útils, així com una bona comprensió de l'anàlisi de la variància.
Disseny de nous productes. Anàlisi conjunt (Conjoint analysis)
Avaluació sensorial de productes
Planificació d'experiències i anàlisi de dades
Mètodes holístics per a la comparació de productes
L'objectiu fonamental és situar la utilitat de les tècniques estadístiques que l'estudiant ja coneix en el context empresarial i destacar els beneficis que pot aportar el seu ús. Convèncer els responsables (vendes) dels avantatges i beneficis d'utilitzar la tècnica estadística en qüestió. Objectius d'aprenentatge de l'assignatura.
Estadística pro activa
L'estadística en altres àrees: gestió de clients, serveis financers, gestió de processos
La venta de l'estadística: interna i externa
Data Science: aspectes organitzatius (papers i responsabilitats) i de gestió. Valorització
PRESENTACIONS
Tindrà dos components: un 50% d'exemples, presentacions i activitats desenvolupades durant el curs, i un 50% addicional de proves realitzades a classe. L'avaluació es basarà en la resolució de qüestionaris sobre els casos, en la discussió a classe i finalment en la presentació dels informes.
EXAMEN FINAL
L'estudiant ha d'estar familiaritzat amb els conceptes de prova d'hipòtesis, significació estadística i anàlisi de variància. Introduir l'anàlisi de problemes reals en el món de la producció, la logística, la millora de processos o el dimensionament i personalització dels serveis.
Introducció
Descripció d'exemples
Paradigmes
Disseny dels experiments
Verificació, validació i acreditació
Sistemes de simulació
Nous paradigmes
Nous components
Casos pràctics
Entorn institucional i legal de l'estadística oficial
Processos de la producció d'informació estadística
Les pràctiques es presentaran a classe segons un horari predeterminat i la correcció entre companys es farà l'última setmana de classe.
Fonts i sistemes d'indicadors socials Dedicació: 41h 40m Grup gran: 10h
Recomanació de la Comissió, de 23 de juny de 2009, sobre metadades de referència per al Sistema Estadístic Europeu. Els estudiants han de familiaritzar-se amb els conceptes de prova d'hipòtesis i significació estadística en el marc de models lineals.
MODELS ECONOMÈTRICS
MODELS ECONOMÈTRICS PER SÈRIES TEMPORALS. ARRELS UNITÀRIES
MODELS ECONOMÈTRICS PER A DADES DE PANEL
MODELS ECONOMÈTRICS PER A VARIABLE DEPENDENT LIMITADA
MODELS ECONOMÈTRICS PER A DADES ESPACIALS
Valoració d'opcions i mesurament del risc
Models de volatilitat
Capacitat per dominar la terminologia específica del camp on es requereix l'ús de models i mètodes estadístics o d'investigació operativa per resoldre problemes del món real. La capacitat de dissenyar i resoldre problemes reals de presa de decisions en diversos camps d'aplicació, el coneixement de com triar el mètode estadístic i l'algorisme d'optimització més adequat per a cada ocasió.
A1: Anàlisi de dissenys paralels
A2: Anàlisi de dissnys paralels amb valors incials
A3: Anàlisi de dissenys amb intercanvi
A4: Disseny, protocol i plà d'anàlisi estadístic
A5: Directrius pee registre i publicació
B1: Ètica i multiplicitat
B2: Equivalència. Dissenys pragmàtics
B3: base de la grandària mostral
B4: Aleatorització
B5: Assignació a l'atzar de grups
B6: Revisions sitemáticas i meta-anàlisi
El curs d'Anàlisi de supervivència avançada prepara l'estudiant per fer front a situacions en què les dades presenten patrons de censura complexos, on les covariables poden variar al llarg del temps, així com presenta una anàlisi multivariant de dos o més períodes de temps previs a un esdeveniment i introdueix breument el conjunt anàlisi de dades de. supervivència i longitudinal. Els fonaments teòrics de l'anàlisi de supervivència s'aprenen de la teoria dels processos de recompte. de responsabilitat, alhora que assumeix obligacions, tenint en compte els recursos disponibles.
B1: Extensions del model de Cox
B2: Anàlisi multivariat de la supervivència
B3: Censura en un interval
B4: Processos comptadors
- Introducció a la Bioinformàtica
- Conceptes bàsics de Biologia Molecular
- Bases de dades biològiques: Conceptes, Tipus i Aplicacions
- Alineament de seqüències
- Models probabilístics de seqüències biològiques
- Predicció de gens i anotació de genomes
- Genòmica funcional i de sistemes
- Introducció a la biologia mol·lecular, les òmiques i les tecnologies de generació de dades
- Anàlisi de dades de microarrays
- Anàlisi d'altres dades d'alt rendiment
Comprendre i distingir entre els diferents tipus de problemes associats a l'alineació de seqüències: cerques per parelles, múltiples i bases de dades. L'objectiu d'aquest curs és reconèixer els problemes que apareixen a l'arrel de l'aparició de tècniques per a la generació massiva de dades ("alta productivitat") i mostrar com s'apliquen l'estadística (i la bioinformàtica) per fer-hi front.
Introducció a l'epidemiologia
Mesures epidemiològiques: conceptes i estimació
Aspectes d'estudis epidemiològics
Anàlisi d'estudis epidemiològics Dedicació: 15h
Capacitat d'utilitzar el programari més adequat per realitzar els càlculs necessaris per resoldre un problema. És molt recomanable que feu el curs d'Optimització d'Enter i Combinatòria, del qual es considera un complement molt convenient.
Introducció als models discrets en xarxes i a les seves aplicacions
Conceptes bàsics en models discrets en xarxes
Tipus de demanda en optimització en xarxes
Alternatives de modelització per als models discrets en xarxes
Aplicacions de models discrets en xarxes
Mètodes de solució
Realització de la pràctica
Pel que fa a la teoria de la probabilitat, els estudiants haurien de conèixer les distribucions de probabilitat. Tanmateix, mirar la regressió lineal i/o l'anàlisi de la variància ajudarà a una millor comprensió del curs.
Model Lineal
Famílies exponencials de probabilitat
Això inclourà tant una part teòrica com una part pràctica que es realitzarà a l'ordinador. El 40% restant s'obté de les activitats d'avaluació contínua realitzades durant el curs.
Models Lineals Generalitzats Dedicació: 16h 30m Grup gran: 9h
Cada estudiant pot triar entre dos nivells diferents per completar l'assignatura: introductori o avançat, en funció dels seus interessos i coneixements previs d'investigació operativa. Per seguir-lo correctament i treure'n el màxim profit, cal un estudi previ de les assignatures 1-5 o coneixements de tècniques de modelització i models bàsics d'investigació operativa i programació lineal.
