La majoria de les assignatures que curses inclouen paquets de programari d'aprenentatge necessaris per gestionar bases de dades i aplicacions d'alt nivell, orientats a les necessitats i requeriments del mercat laboral actual. L'anàlisi de supervivència s'utilitza en molts camps per analitzar dades que representen la durada entre dos. També conegut 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.
Una característica important que distingeix l'anàlisi de supervivència d'altres àrees de les estadístiques és que les dades de supervivència generalment es censuren i de vegades es trunquen. El curs d'Anàlisi de Supervivència cobreix una sèrie de procediments i tècniques per analitzar dades censurades i/o truncades i quan la hipòtesi de normalitat és inadequada. Identifiqueu els tres components de cada model de dades (estructures, operacions i restriccions d'integritat) i il·lustreu-los amb el model relacional.
Distingim entre un magatzem de dades corporatiu (magatzem de dades), un magatzem de dades departamental (data mart) i un magatzem de dades operacionals (magatzem de dades operacionals). Identificar els diferents tipus de dades que es troben en un magatzem de dades i enumerar-ne les característiques.
26304 - CPR - COMPLEMENTS DE PROGRAMACIÓ // PROGRAMACIÓ
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
26340 - CRI - CONSULTORIA I REDACCIÓ D'INFORMES
HABILITATS INFORMACIONALS
ESCRIPTURA D'INFORMES
CONSULTORIA ESTADÍSTICA
PRESENTACiÓ DE RESULTATS
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
26332 - FEM - FONAMENTS D'ESTADÍSTICA MÈDICA//ESTADÍSTICA MÈDICA
Assaig clínic
Assaig comunitari
Agregació de informació
Estudis epidemiològics observacionals
Estudis diagnòstics
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
El estimador tipus nucli de la funció de densitat
Nocions de mètodes de remostreig: bootstrap i jacknife
El mètode dels moments
- Inferencia Estadística
- Inferència Bayesiana
- Elecció de la Distribució a Priori
- Models
- Computació Bayesiana
- Validació de Models
- Models més Complexes
Comprendre el paper que juga la distribució prèvia, com a derivada, i el paper de les distribucions anteriors de referència. Comprendre com es valida un model bayesià i com es pot utilitzar per fer prediccions.
L'avaluació constarà de dos exàmens, un a la meitat del curs i l'altre al final, a més de la realització de tres pràctiques de laboratori. Els estudiants que hagin fet el primer examen no hauran de presentar l'assignatura de la primera part a l'examen final.
Descripció d'una taula de dades
Inferència estadística multivariant
Anàlisi discriminant
També hauríeu d'haver fet un curs d'inferència estadística sobre les proves univariants més clàssiques (t de Student, F de Fisher).
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. Coneixements de tècniques estadístiques: l'estudiant coneixerà els aspectes bàsics d'anàlisi de variància i models lineals necessaris per comprendre correctament el funcionament de l'aplicació informàtica utilitzada per a la resolució de problemes.
INTRODUCCIÓ AL DISSENY D'EXPERIMENTS
MODEL D'EFECTES FIXES. DISSENY D'UN FACTOR
MODEL D'EFECTES FIXES. RESTRICCIONS A L'ALEATORITZACIÓ: BLOQUEIG
DISSENYS FACTORIALS
Com a base s'utilitzarà l'avaluació contínua, encara que els alumnes que no la puguin seguir es podran inscriure a un examen final.
MODEL D'EFECTES ALEATORIS
DISSENYS JERARQUITZATS
DISSENY EN PARCEL·LES DIVIDIDES. L'ANÀLISI DE MESURES REPETIDES
Competències bàsiques d'àlgebra matricial: saber calcular el rang i el determinant d'una matriu, saber invertir matrius, saber fer operacions amb matrius. Competències bàsiques d'estadística: conèixer les principals distribucions de probabilitat, conèixer la distribució de l'estadística mostral, tenir els coneixements bàsics d'inferència. Conèixer el model de regressió lineal: conèixer la regressió lineal múltiple, saber ajustar models de regressió a les dades, conèixer la inferència amb coeficients de regressió, conèixer la matriu de variàncies-covariàncies.
Competències bàsiques en l'ús d'un paquet de programari estadístic: saber fer gràfics, saber ajustar models lineals, saber interpretar una llista de sortida, conèixer els menús.
Anàlisi i modelització de sèries temporals univariants
Dades atípiques, efectes calendari i anàlisi d'intervenció
Aplicacions a l'econometria: arrels unitàries i cointegració
Aplicacions del filtre de Kalman
Models estructurals en espai d'estat
Coneixement de la distribució del coeficient de correlació lineal en el cas gaussià.
Introducció als models amb volatilitat
26342 - MHPM - MÈTODES HEURÍSTICS EN PROGRAMACIÓ MATEMÀTICA
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
La nota final constarà d'un 50% de la part teòrica i un 50% de la part pràctica.
L'objectiu d'aquesta assignatura és introduir les tècniques de càlcul dels conceptes d'àlgebra lineal més comuns en estadística. Practicar els mètodes utilitzant un llenguatge de programació i/o programari de càlcul matemàtic (numèric i/o simbòlic). Classes de teoria; consistirà en l'exposició de conceptes, mètodes i tècniques bàsiques de l'assignatura, amb el suport d'exemples i problemes.
Per realitzar aquestes tasques s'utilitza el programari MATLAB i la plataforma Atena per a l'avaluació contínua d'aquestes sessions. A més de les classes de problemes cal realitzar d'un a tres exercicis, que s'avaluen i es puntuen.
Preliminars
Àlgebra lineal
Resolució numèrica de sistemes lineals
Càlcul de valors i vectors propis
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. Durant el curs es realitzarà un examen final basat en problemes (P) i un màxim de tres activitats de prova (T1, T2 i T3). En el cas de T<4, l'examen final constarà de dues parts, un examen de teoria (T) i un examen de problemes (P), que es prometrà per a E.
En aquest cas, la nota E s'obté íntegrament en un examen de dues parts, preguntes teòriques i examen de problemes. Qualsevol intent d'engany durant el curs comportarà l'aplicació de la normativa acadèmica general de la UPC i la iniciació d'un expedient disciplinari.
Integral impròpia
Integral de Riemann-Stieltjes
Introducció a la integració complexa
Transformada de Fourier
Aproximació de funcions
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.
26309 - MLG - MODELS LINEALS GENERALITZATS
Conèixer i comprendre alguns dels models més importants de la relació lineal entre variables de la família exponencial. Saber dissenyar correctament un model estadístic connectat adequat a partir de la descripció del conjunt de dades. Davant de la formulació d'un model lineal amb una resposta familiar exponencial d'un paràmetre, estimeu els paràmetres del model utilitzant un paquet estadístic adequat.
Davant dels resultats de l'estimació d'un model lineal amb resposta familiar exponencial d'un paràmetre mitjançant un paquet estadístic adequat, avaluar la bondat del model interpretant la informació proporcionada pel programa estadístic. Davant els resultats de l'estimació d'un model lineal amb la resposta de la família exponencial d'un paràmetre mitjançant un paquet estadístic adequat, sap interpretar els seus estimadors en funció de la funció d'enllaç utilitzada. Tenint en compte els resultats de l'estimació d'un model lineal amb una resposta familiar exponencial d'un paràmetre mitjançant un paquet estadístic adequat, avalueu gràficament la bondat del model sempre que es redueixi el nombre de paràmetres (fins a tres variants).
Davant de diversos models lineals generalitzats per a un conjunt fix de dades, apunta a l'elecció del millor model: ús de variables com a factors o com a covariables, introducció de termes d'ordre superior al lineal en les covariables. Conèixer i comprendre les limitacions de les propietats asimptòtiques dels estadístics implicats en l'estimació i validació de models lineals generalitzats.
Introducció
Model de regressió múltiple
Anàlisi de la variança i de la covariança
Models de resposta binària
Models de resposta politòmica
Tots els estudiants matriculats poden presentar-se als exàmens parcials i finals, independentment dels resultats del quadrimestre. Competències bàsiques d'anàlisi matemàtica: comprendre i saber identificar obertes, tancades, saber representar gràficament funcions d'una i dues variables; conèixer el vector gradient i la matriu hessiana d'una funció escalar d'una variable vectorial, saber calcular-los i relacionar-los amb les propietats de la funció.
Models per a resposta entera no-negativa
Introducció als models de supervivència
Introducció als models d'efectes aleatoris
26339 - MPM - MODELITZACIÓ EN PROGRAMACIÓ MATEMÀTICA
Nota pràctica (30%): realització de tres treballs individuals per avaluar el nivell de competències adquirides en les diferents àrees de l'assignatura. Projecte d'assignatura (50%): realització i presentació d'un projecte d'assignatura, per parelles, per avaluar el nivell general de competències adquirides.
Introducció a la modelització en programació matemàtica
Repàs dels models bàsics de programació matemàtica i dels seus algorismes
Resolució computacional de models de programació matemàtica
Estudis de cas
26311 - MEIO1 - MODELS ESTOCÀSTICS DE LA INVESTIGACIÓ OPERATIVA 1 //
PROGRAMACIÓ ESTOCÀSTICA
La nota final constarà d'un 65% de treballs teòrics i un 35% de treballs pràctics.
Modelització Estocastica
Propietats bàsiques
Mètodes de resolució
26314 - MEIO2 - MODELS ESTOCÀSTICS DE LA INVESTIGACIÓ OPERATIVA 2 //
SIMULACIÓ
- 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'avaluació combina les notes de dos exàmens, corresponents a la part teòrica de l'assignatura, un examen parcial i un examen final, i la realització del treball pràctic durant el semestre. Les notes de la part teòrica determinen el 60% de la nota final i les de la part pràctica determinen el 40%.
26333 - MNP - MODELS NO PARAMÈTRICS
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
Hi haurà un examen final global de l'assignatura dividit en dues parts: una de teoria i problemes comuns 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 el NP dependrà dels exercicis i pràctiques previstes al llarg del curs, i el NF dependrà de l'examen final.
Estimació de la regressió per splines
Regressió multiple i model additiu generalitzat
Introducció a l'anàlisi de dades funcionals
26341 - OGE - OPTIMITZACIÓ A GRAN ESCALA
Dualitat
Mètodes de descomposició
Mètodes de punt interior
Practicar l'ús d'eines professionals d'optimització contínua, tant en l'àmbit públic com comercial.
Conceptes bàsics
Optimització sense constriccions
Problemes de mínims quadrats
Optimització amb constriccions lineals
Optimització amb constriccions qualssevol
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%. Coneixements bàsics d'Àlgebra: condició de definició d'una matriu, operacions amb matrius i vectors, resolució de sistemes d'equacions lineals, factorització de Choleski d'una matriu, expressions en notació matricial. Coneixements bàsics d'Anàlisi: derivades de funcions en dimensió n, vector gradient i matriu hessiana, jacobiana d'un vector de funcions, derivada direccional, expansió de sèries de Taylor en dimensió n, teorema del punt mitjà.
26300 - PIPE - PROBABILITAT I PROCESSOS ESTOCÀSTICS
Conèixer les funcions generadores de probabilitat i moments de les distribucions de probabilitat més habituals. Conèixer la funció característica de les lleis de probabilitat més habituals i la seva aplicació en el càlcul de moments. Conèixer el teorema central del límit i comprendre el seu significat en la teoria de la probabilitat.
DISTRIBUCIONS MULTIDIMENSIONALS DE PROBABILITAT
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
Problemes d'optimització combinatòria
Característiques dels models de programació sencera
Caracterització dels polítops associats a problemes sencers
Mètodes exactes: mètodes enumeratius i plans de tall
El problema de separació
Relaxació lagrangiana en programació entera
Alguns problemes d'optimització combinatòria
La nota final constarà d'un 40% de la part de teoria, un 30% del treball d'especialització i un 30% dels exercicis personals.
26334 - TMD - TÈCNIQUES DE MINERIA DE DADES//MINERIA DE DADES
Creeu un procés KDD complet utilitzant la combinació adequada de tècniques de preprocessament, mineria de dades i postprocessament. Genereu informes que siguin comprensibles per a un usuari final amb el coneixement descobert i els resultats rellevants per a la presa de decisions posteriors.
Introducció a la mineria de dades
Tècniques Descriptives
Tècniques d'associació entre variables
Models de predicció
Validació i consolidació del coneixement descobert
La integració de tècniques en Mineria de Dades
L'avaluació de l'assignatura es farà en funció de la nota obtinguda en les tres pràctiques realitzades durant el curs. La tercera pràctica és gratuïta sobre un problema de predicció, escollit per l'alumne entre diverses alternatives. Aquesta darrera pràctica incorpora els elements de les anteriors i pretén resoldre un problema de predicció utilitzant diferents models i la seva comparació.
Aquesta pràctica s'haurà de defensar en públic i l'estudiant també haurà de respondre les preguntes teòriques sobre els models i mètodes de l'assignatura i fer un examen oral final.
Sistemes professionals de mineria de dades
Presentació de resultats
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
Normes per a la realització de l'activitat La realització dels exercicis és obligatòria La realització de les tasques és obligatòria.
Estudi de casos. Alguns casos complexos
Avaluacions
26329 - TMMF - TEORIA MATEMÀTICA DELS MERCATS FINANCERS
Hi ha un examen de subassignatura no eliminatori i un examen final amb continguts teòrics i pràctics.
Productes financers i arbitratge
Models discrets
Models continus
