Una característica clau que diferencia l'anàlisi de supervivència d'altres camps de l'estadística és que les dades de supervivència són generals. El curs d'Anàlisi de Supervivència inclou una sèrie de procediments i tècniques d'anàlisi de dades censurades i/o Altres: LANGOHR, KLAUS GERHARD // JULIÀ DE FERRAN, OLGA.
Regressió semiparamètrica: El Model de Cox
Distingeix entre el magatzem de dades corporatiu (magatzem de dades), el magatzem de dades departamental (magatzem de dades) i el magatzem de dades operacionals (magatzem de dades operacionals). Reconèixer els diferents tipus de dades que es troben en un magatzem de dades i enumerar-ne les característiques.
Introducció a les bases de dades relacionals
SQL i álgebra relacional
Transaccions Vistes i Indexos
Drivers, Java i la JDBC
Disseny conceptual i lògic
Magatzems de dades
Hi ha un examen de subassignatura no eliminatori, un examen final i un apartat de treballs (aproximadament 3 al llarg del curs).
Anàlisi multidimensional i transformació de dades
Assegureu-vos que els estudiants se sentin còmodes i segurs dissenyant i implementant programes orientats a objectes. Has de ser competent per dissenyar programes eficients i correctes basats en classes d'objectes per resoldre problemes del teu interès.
Repàs de conceptes bàsics
Classes i objectes senzills
Tipus primitius versus classes i objectes
Disseny de classes amb taules
Herència i enllaç dinàmic
Introdució a una biblioteca d'estructures de dades
Programació amb threads
A més dels exercicis, hi ha un examen parcial d'assignatura no eliminatori i un examen final. Aprendre a comunicar-se amb els clients en un nou entorn alhora que s'identifica un problema des d'una perspectiva científica, econòmica i comercial.
HABILITATS INFORMACIONALS
Capaç de comunicar verbalment els resultats d'un estudi estadístic d'una manera rigorosa però comprensible per als no estadístics.
ESCRIPTURA D'INFORMES
HABILITATS PERSONALS I CONSULTORIA ESTADÍSTICA
PRESENTACiÓ DE RESULTATS
Comprendre els conflictes entre els interessos legítims de les persones dins de l'organització i entre les organitzacions. Recerca d'informació relacionada amb l'assignatura i tractament de les dades obtingudes, per fer una exposició a classe, si cal.
Problemes i objectius econòmics
Els agents econòmics: famílies, empreses i sector públic
Fonaments d'economia de l'empresa
Subsistemes de l'empresa
L'administració de l'empresa
La presa de decisions a l'empresa
Capacitat per expressar i resoldre quantitativament les necessitats d'anàlisi d'informació i els problemes de presa de decisions de diverses organitzacions, alhora que s'identifiquen fonts d'incertesa i variabilitat i es quantifiquen l'evidència aportada per les dades. Utilitzarà eines d'inferència (valor CI i P) per abordar els objectius d'aprenentatge de la ciència i tècniques de presa de decisions (per exemple, alfa i beta) per ajudar a la gestió.
La estadística com a motor del progrès de la Medicina
Coneixeràs la necessitat de diferents metodologies per a la seva valoració i l'existència de guies de publicació específiques per als estudis de.
Predicció (pronòstic) en front de intervenció
Diagnóstic i concordància
Inferència en front de decissió
Fiabilitat i validessa de la mesura
Inferència causal, disseny de experiments i estudis observacionals
- Model Bayesià
- Inferència Bayesiana
- Computació Bayesiana
- Models
- Elecció i Validació de models
- Estudi de casos pràctics
Distingir els fonaments de l'estadística freqüentista dels fonaments de l'estadística bayesiana i presentar els avantatges i els desavantatges dels dos enfocaments. L'estudiant ha d'adquirir coneixements formals de les propietats dels estimadors i proves d'hipòtesis i això li ha de permetre escollir la millor de les opcions d'inferència en cada cas.
Mostreig d'una llei Normal
Famílies de distribucions: exponencial i de localització i escala
Estadístics suficients. Estimadors UMVUE
El mètode de la màxima versemblança
Estimació per intervals
Proves d'hipòtesis
Introducció a la inferència Bayesiana
Nocions d'estadística no paramètrica
Nocions de mètodes de remostreig: bootstrap i jacknife
El mètode dels moments
Saber definir i aplicar els tests estadístics multivariants bàsics en la resolució dels problemes multivariants més habituals. També hauríeu d'haver fet un curs d'inferència estadística sobre les proves univariants més clàssiques (t de Student, F de Fisher).
Descripció d'una taula de dades
Inferència estadística multivariant
Anàlisi discriminant
Capacitat per aplicar tècniques estadístiques, optimització i investigació operativa en entorns tecnològics i industrials per millorar la qualitat i la productivitat. Coneixements de tècniques estadístiques: l'estudiant coneixerà els aspectes bàsics d'anàlisi de variància i models lineals, necessaris per comprendre correctament el funcionament d'una aplicació informàtica utilitzada per resoldre problemes.
INTRODUCCIÓ AL DISSENY D'EXPERIMENTS
Anàlisi de la solució: l'estudiant ha de ser capaç d'interpretar correctament els resultats que ofereix l'aplicació informàtica i analitzar la informació que proporciona el programa per extreure conclusions útils.
MODEL D'EFECTES FIXES. DISSENY D'UN FACTOR
MODEL D'EFECTES FIXES. RESTRICCIONS A L'ALEATORITZACIÓ: BLOQUEIG
DISSENYS FACTORIALS
MODEL D'EFECTES ALEATORIS
DISSENYS JERARQUITZATS
DISSENY EN PARCEL·LES DIVIDIDES. L'ANÀLISI DE MESURES REPETIDES
ESTUDI DE CASOS
Adquirir fonaments teòrics i experiència en l'ús de la metodologia per construir models i obtenir previsions d'exemples reals de sèries temporals en diversos àmbits, especialment en aplicacions economètriques i financeres. Es faran classes especials per a estudiants de grau de matemàtiques que no tinguin coneixements previs en sèries provisionals.
Dades atípiques, efectes calendari i anàlisi d'intervenció
Aplicacions a l'econometria: arrels unitàries i cointegració
Espai d'estat, filtre de Kalman i aplicacions
Models estructurals en espai d'estat
Introducció als models amb volatilitat
GRAU EN CIÈNCIES I TÈCNIQUES ESTADÍSTIQUES (Pla 1999). Unitat docent optativa) MÀSTER UNIVERSITAT D'ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2006). DOCTOR EN ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2007). Unitat docent optativa) MÀSTER UNIVERSITAT D'ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2006).
Introducció: Mètodes heurístics i metaheurístics
Mètodes constructius: anàlisi de l'estructura del problema, procediments greedy
Mètodes de millora: k-intercanvis, cerca local
Anàlisi de heurístiques: comportament en el pitjor cas, comportament mitjà
Mètodes aleatoreitzats: GRASP
Com sortir dels òptims locals. Simulated Annealing, Tabu Search
Mètodes basats en poblacions
Cerca de profunditat variable: Variable Neighborhood Search
Mètodes reactius: autoadaptació dels valors del paràmetres
Aplicacions a problemes de Programació Matemàtica
Coneixements bàsics d'àlgebra lineal: noció d'espai vectorial, noció d'aplicació lineal, noció de vector propi i valor propi i mètodes de resolució de sistemes lineals. L'objectiu d'aquest curs és introduir les tècniques de càlcul dels conceptes d'àlgebra lineal més comuns en estadística.
Preliminars
Practicar els mètodes utilitzant un llenguatge de programació i/o programari de càlcul matemàtic (numèric i/o simbòlic).
Àlgebra lineal
La puntuació L és la mitjana de les activitats d'avaluació contínua de la classe de problemes i la puntuació de pràctica suggerida, totes igualment ponderades. En aquest cas, la nota E s'obté íntegrament en un examen que consta de dues parts, preguntes teòriques i un examen de problemes.
Resolució numèrica de sistemes lineals
Hi haurà un examen final de problemes (P) i un màxim de tres activitats tipus test (T1, T2 i T3) durant el curs. Qualsevol intent d'engany realitzat durant el curs comportarà l'aplicació de la normativa acadèmica general de la UPC i la iniciació d'un expedient disciplinari.
Càlcul de valors i vectors propis
L'anàlisi matemàtica juga un paper fonamental en el desenvolupament de la teoria bàsica subjacent a la metodologia estadística. Durant el curs es fan dos exàmens parcials, un a la meitat del quadrimestre i un altre l'últim dia del curs, cadascun dels quals suposa el 40% de la nota final.
Integral impròpia
Integral de Riemann-Stieltjes
Introducció a la integració complexa
Transformada de Fourier
Aproximació de funcions
Conèixer i comprendre alguns dels exemples més importants de problemes de programació lineal, enter, no lineal i fluid en xarxes. Saber implementar i obtenir la solució òptima per als problemes de presa de decisions, triar l'algorisme i el programari d'optimització més adequats per a cada cas individual.
Modelització de problemes de Programació Lineal (PL)
Davant la descripció d'un nou problema de decisió, ser capaç de formular correctament el problema d'optimització associat.
Modelització de problemes de Fluxos en Xarxes (FX)
Modelització de problemes de Programació Lineal Entera (PLE)
Modelització de problemes de Programació No Lineal (PNL)
L'objectiu de l'assignatura és familiaritzar l'estudiant amb els problemes de modelització de sistemes en presència d'incertesa i familiaritzar-lo amb les tècniques i algorismes per tractar-los. Aporta els fonaments de la modelització i programació estocàstica i es pretén que al final del curs l'estudiant sigui capaç d'identificar, modelar, formular i resoldre problemes de presa de decisions que involucren variables deterministes i aleatòries.
Introducció
La nota final constarà d'un 65% de la part teòrica i un 35% de la part pràctica.
Modelització Estocastica
Propietats bàsiques
Mètodes de resolució
- Introducció als models estocàstics de la Investigació Operativa
- Models analítics i models de simulaci
- La simulació de models discrets
- La caracterització de l'aleatorietat de l'input de les dades de simulació
- Simulació i generació de mostres de variables aleatòries
- La generació de nombres pseudoaleatoris
- La simulació dels sistemes discrets
- L'anàlisi dels resultats de simulació
- Verificació i validació de models de simulació
- Estudi de casos d'aplicació de la simulació
L'estudiant coneixerà els indicadors estadístics de bondat d'ajust i la seva validesa per al diagnòstic i validació dels models lineals proposats. Conèixer i comprendre alguns dels models més importants de relació lineal entre variables de la família exponencial.
Model de regressió múltiple
Anàlisi de la variança i de la covariança
Models de resposta binària
Models de resposta politòmica
Models per a resposta entera no-negativa
Tots els estudiants inscrits poden presentar-se a l'examen parcial i final, independentment dels resultats parcials.
Introducció als models de supervivència
Introducció als models d'efectes aleatoris
A les classes teòriques es proposarà fer treballs a casa, que s'hauran d'entregar a la següent classe de problemes. Sabreu aplicar tècniques d'estimació de funcions no paramètriques a problemes habituals com la descripció de dades, l'anàlisi discriminant o el contrast de models paramètrics.
Proves no paramètriques clàssiques
Introducció als mètodes de suavització de corbes
Estimació no paramètrica de la densitat
Estimació de la funció de regressió
Estimació de la regressió per splines
Regressió multiple i model additiu generalitzat
Es realitzarà un examen final global de l'assignatura que es dividirà en dues parts: una de teoria i problemes habituals, i una altra que es farà a l'aula d'informàtica. La nota de l'assignatura serà: Nota = 0,4*NP + 0,6*NF on la NP dependrà dels exercicis i pràctiques impartides per l'assignatura, i la NF dependrà de l'examen final.
Introducció a l'anàlisi de dades funcionals
Implementar mètodes de descomposició utilitzant llenguatges algebraics per a la programació matemàtica per a diversos models per resoldre'ls. Implementar versions senzilles de mètodes de punts interns amb llenguatges d'alt nivell (matlab) i conèixer les eines d'àlgebra lineal necessàries.
Dualitat
Realització de treballs pràctics en cadascuna de les parts de l'assignatura (1. dualitat i descomposició; 2. mètodes de punt interior).
Mètodes de descomposició
Mètodes de punt interior
Presentar les bases teòriques dels principals algorismes d'optimització contínua i les seves eines per resoldre problemes d'alta dimensió. Coneixement de les bases teòriques dels algorismes més importants per a l'optimització contínua sense i amb restriccions, i els procediments per resoldre problemes d'alta dimensió.
Conceptes bàsics
Practicar l'ús d'eines professionals d'optimització contínua, tant en l'àmbit públic com comercial.
Optimització sense constriccions
Problemes de mínims quadrats
L'avaluació extraordinària del LCTE consistirà en un examen de tota l'assignatura que tindrà un pes del 70% i els exercicis realitzats durant el curs tindran un pes del 30%.
Optimització amb constriccions lineals
Optimització amb constriccions qualssevol
Conèixer les funcions generadores de probabilitat i moments de les distribucions de probabilitat més ordinàries. Conèixer la funció característica de les lleis de probabilitat més habituals i la seva aplicació al càlcul de moments.
DISTRIBUCIONS MULTIDIMENSIONALS DE PROBABILITAT
Comprendre els diferents modes de convergència de successions de variables aleatòries i el significat exacte de les lleis dels grans nombres i del teorema central del límit. Aprendre a treballar amb cadenes de Markov i el significat de distribucions estacionàries i teoremes ergòdics.
FUNCIONS GENERADORES DE PROBABILITAT I DE MOMENTS
APLICACIÓ: CREIXEMENT D'UNA POBLACIÓ I PROCESSOS DE RAMIFICACIÓ
ALTRES
FUNCIONS CARACTERÍSTIQUES I LA LLEI GAUSSIANA MULTIDIMENSIONAL
CONVERGÈNCIA DE SUCCESSIONS DE VARIABLES ALEATÒRIES
APLICACIÓ: ESTIMACIÓ. MÈTODES DE MONTECARLO
CADENES DE MARKOV
APLICACIÓ: PASSEJADES ALEATÒRIES I ALTRES
EL PROCÉS DE POISSON. PROCESSOS DE NAIXEMENT I MORT
APLICACIÓ: CUES I AVALUACIÓ DE SISTEMES
SIMULACIONS: GENERACIÓ DE NOMBRES ALEATORIS
Conèixer els resultats de la teoria de la dualitat i les seves implicacions en el cas de la programació discreta. Explorar les propietats de la dualitat i les característiques inherents a l'estructura del model matemàtic per a la resolució de problemes discrets.
Problemes d'optimització combinatòria
Ser capaç de formular un model adequat i dissenyar i implementar un prototip de mètode per resoldre un problema concret d'optimització combinatòria. Ser capaç d'identificar desigualtats vàlides per a problemes típics de programació de nombres enters, com ara el problema de la bossa i el problema del venedor ambulant.
Característiques dels models de programació sencera
Mètodes enumeratius
Mètodes de plans de tall
Relaxació lagrangiana en programació entera
El problema de la motxilla
El problema del viatjant de comerç
La mineria de dades és la conversió de dades en coneixement per a la presa de decisions. Creeu un procés KDD complet utilitzant la combinació adequada de tècniques de preprocessament, mineria de dades i postprocessament.
Introducció a la mineria de dades
Creeu informes comprensibles per l'usuari final amb coneixements i resultats descoberts que siguin rellevants per a la presa de decisions posteriors.
Tècniques Descriptives
Tècniques d'associació entre variables
La tercera pràctica és gratuïta per a un problema de predicció, escollit per l'alumne entre diferents alternatives. Aquesta darrera pràctica inclou elements de les anteriors i pretén resoldre un problema de previsió utilitzant diferents models i la seva comparació.
Models de predicció
L'avaluació de l'assignatura es farà a partir de la puntuació obtinguda en els tres exercicis realitzats durant el curs. Aquesta pràctica s'haurà de defensar públicament, i l'estudiant també haurà de respondre preguntes teòriques sobre els models i mètodes de l'assignatura i fer un examen oral final.
Validació i consolidació del coneixement descobert
La integració de tècniques en Mineria de Dades
Sistemes professionals de mineria de dades
Presentació de resultats
Entendre que el pla de mostreig s'ha de tenir en compte en l'anàlisi de dades posterior. Responsables: BECUE BERTAUT, MONICA M. Corresponen a classes magistrals segons el pla d'estudis segons l'horari donat a l'inici de curs.
Introducció i nocions bàsiques
Fonaments teòrics de la teoria de mostreig
Extraccio aleatòria simple
Disseny amb probabilitats desigiuals. Algorismes per escissió
Disseny estratificat
Extracció en varies etàpes. Extracció en conglomerats
Mètodes de recomposició
Correcció de no-respostes
Disseny i anàlisi de dades: effecte dels pesos i del mètode d'extracció
Estimació de la varianza en dissenys complexos
Mostreig indirect
Mostreig espacial
Avaluacions
L'objectiu de l'assignatura és introduir els mètodes matemàtics per a l'avaluació de productes financers moderns. Saber obtenir els preus teòrics de productes financers senzills com les opcions call europees.
Productes financers i arbitratge
Hi haurà un examen d'assignatura no eliminatòria i un examen final amb continguts teòrics i pràctics.
Models discrets
Models continus
