La facultat ofereix cursos optatius anualment, dins les seves capacitats i d'acord amb la normativa universitària. Una característica important que distingeix l'anàlisi de supervivència d'altres àrees de l'estadística és que les dades de supervivència en general.
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 parcial no eliminatori, un examen final i una sèrie de treballs (aprox. 3 durant el curs).
Anàlisi multidimensional i transformació de dades
DOCTORAT EN ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2007). Unitat optativa) GRAU EN CIÈNCIES I TÈCNIQUES ESTADÍSTIQUES (Pla 1999). Fes que els estudiants estiguin còmodes utilitzant una biblioteca d'estructures de dades amb el Java Collection Framework.
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
Hi ha un examen parcial no eliminatori i un examen final a més de la pràctica. Conèixer i aprendre a interpretar els documents més importants en què es basa el sistema d'informació d'una empresa.
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
GRAU EN CIÈNCIES I TÈCNIQUES ESTADÍSTIQUES (Pla 1999). Unitat docent optativa) MÀSTER UNIVERSITAT D'ESTADÍSTICA I INVESTIGACIÓ EMPRESARIAL (Pla 2006). Capacitat per analitzar, sintetitzar i justificar críticament les conclusions d'un estudi estadístic o d'una investigació operativa i, si escau, proposar alternatives.
Fonaments
Després del curs, els estudiants seran capaços de dissenyar i analitzar de manera correcta i eficient estudis orientats al pronòstic mèdic, al diagnòstic, a les intervencions i a l'assignació de recursos. Els estudiants també han de ser capaços d'interpretar críticament els resultats d'altres investigadors i comunicar-ne els resultats de manera transparent.
Mesura
Diagnòstic
Evidència i decisió
Causa i efecte
Models estructurals i de variable latent
- 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 desavantatges dels dos enfocaments. Comprendre el paper que juga la distribució prèvia, com a derivada, i el paper de les distribucions anteriors de referència.
Mostreig d'una llei Normal
L'estudiant ha d'adquirir coneixements formals de les propietats dels estimadors i proves d'hipòtesis, que li permetin escollir la millor de les opcions inferencials en cada cas. L'estudiant ha d'adquirir coneixements formals de les propietats dels estimadors i proves d'hipòtesis, que li permetin escollir la millor de les opcions inferencials en cada cas.
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
DEL CARME RUIZ DE VILLA JUBANY - AResponsable:JAN GRAFFELMAN
També hauríeu d'haver fet un curs d'inferència estadística sobre proves univariades clàssiques (t de Student, F de Fisher). Aplicar les proves d'hipòtesis multivariants més habituals, al vector de mitjanes i a la matriu de covariàncies.
Estadística Descriptiva Multivariant
Els alumnes que hagin superat el primer examen no hauran de presentar l'assignatura de la primera part a l'examen final. En tot cas, cal haver lliurat les tres pràctiques i realitzat els exercicis d'autoavaluació per aprovar-lo.
Inferència Estadística Multivariant
Classificació i obtenció de grups
DEL CARME RUIZ DE VILLA JUBANY - AResponsable:ALEXANDRE RIBA CIVIL
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 coneix els aspectes bàsics d'anàlisi de variància i models lineals necessaris per comprendre correctament el funcionament de l'aplicació informàtica utilitzada per resoldre els problemes.
INTRODUCCIÓ AL DISSENY D'EXPERIMENTS
Recollida i anàlisi de dades: el primer objectiu és que l'estudiant entengui la necessitat d'una bona recollida de dades per obtenir informació rellevant. Anàlisi de la solució: L'estudiant ha de ser capaç d'interpretar correctament els resultats que ofereix una aplicació informàtica i analitzar la informació que proporciona el programa per tal d'arribar a conclusions útils.
MODEL D'EFECTES FIXES. DISSENY D'UN FACTOR
El seu objectiu fonamental és que l'estudiant hagi d'adquirir els coneixements i habilitats necessàries per resoldre els problemes pràctics de disseny i anàlisi d'experiments que es puguin produir en la seva pràctica professional. Disseny d'experiments: Un segon objectiu és que l'estudiant, familiaritzat amb els principals tipus de problemes que requereixen un disseny planificat de recollida de dades, dissenyi l'experiment més adequat en un ampli ventall de casos.
MODEL D'EFECTES FIXES. RESTRICCIONS A L'ALEATORITZACIÓ: BLOQUEIG
Disseny d'experiments i tipus de factors: l'estudiant reconeixerà dissenys creuats de factors imbricats i fixos a partir de factors aleatoris i, per a cada problema, avaluarà l'adequació del seu ús.
DISSENYS FACTORIALS
MODEL D'EFECTES ALEATORIS
DISSENYS JERARQUITZATS
DISSENY EN PARCEL·LES DIVIDIDES. L'ANÀLISI DE MESURES REPETIDES
ESTUDI DE CASOS
El professor utilitza l'ordinador per mostrar exemples pràctics de resolució de problemes de sèries temporals (tots els fitxers utilitzats pel professor són públics a la xarxa FME). S'organitzen sessions específiques en cicles temporals per a estudiants del grau de Matemàtiques que no tinguin coneixements previs.
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
Aquest curs ofereix una visió general de les principals metodologies metaheurístiques actuals amb un èmfasi particular en els aspectes d'implementació i implementació de diversos problemes de programació matemàtica. Davant un problema específic de Programació Matemàtica, dissenyar i implementar un mètode heurístic eficient per resoldre'l.
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
Capacitat per dissenyar i implementar estudis estadístics i/o operatius d'investigació, inclosos procediments per a la recollida, processament i anàlisi d'informació, anàlisi de costos i execució adaptats als recursos disponibles i procediments estàndard existents. Capacitat per expressar i resoldre quantitativament les necessitats d'anàlisi d'informació i els problemes de presa de decisions. de diferents organitzacions, identificant les fonts d'incertesa i variabilitat i avaluant la quantitat d'evidència aportada per les dades.
Preliminars
L'objectiu d'aquest curs és presentar les tècniques de càlcul dels conceptes més comuns d'àlgebra lineal en estadística. Pràctica de mètodes utilitzant un llenguatge de programació i/o programari per a càlculs matemàtics (numèrics i/o simbòlics).
Àlgebra lineal
La nota L és la mitjana de les activitats d'avaluació contínua de la classe de problemes i la nota de pràctica proposada, totes ponderades per igual. En aquest cas, la nota d'E s'aconsegueix íntegrament en un examen amb dues parts, preguntes de teoria i un examen de problemes.
Resolució numèrica de sistemes lineals
Durant el curs es realitzarà un examen final amb problemes (P) i un màxim de tres activitats tipus test (T1, T2 i T3). 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.
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
Coneixement de la formulació matemàtica d'alguns dels principals models de programació matemàtica i capacitat per formular-ne de nous. Ser capaç d'implementar i obtenir la solució òptima als problemes de presa de decisions, escollint l'algorisme i el programari d'optimització més adequats per a cada cas.
Modelització de problemes de Programació Lineal (PL)
Davant de la descripció d'un nou problema de presa de decisions, 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)
Nota pràctica (30%): realització de tres tasques individuals per avaluar el nivell de competències adquirides en les diferents assignatures de l'assignatura. Projecte d'assignatura (50%): realització i presentació d'un projecte d'assignatura, per parelles, per avaluar el nivell global de competències adquirides.
Introducció
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 d'ajust estadístic i la seva validesa per al diagnòstic i validació dels models lineals proposats. Conèixer i comprendre alguns dels models més importants de la 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 matriculats 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 sessions de teoria es proposaran els deures per a casa, que s'hauran de lliurar realitzats al següent grup de treball. 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
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.
Estimació de la regressió per splines
Regressió multiple i model additiu generalitzat
Introducció a l'anàlisi de dades funcionals
Implementar mètodes de descomposició utilitzant llenguatges de programació matemàtica algebraica per a diversos models per resoldre'l. Implementar versions senzilles de mètodes de punt interior amb llenguatge 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 (1r. dualitat i descomposició; 2n. mètodes de punt interior).
Mètodes de descomposició
Mètodes de punt interior
Presentar els fonaments teòrics dels principals algorismes d'optimització contínua i les seves eines per resoldre problemes d'alta dimensió. Coneixement de les bases teòriques dels principals algorismes d'optimització contínua sense i amb restriccions, i dels 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
L'avaluació extraordinària del LCTE consistirà en un únic examen de tota l'assignatura que tindrà un pes del 70% i les pràctiques realitzades durant el curs un 30%.
Problemes de mínims quadrats
Condicions d'òptim amb constriccions
Optimització amb constriccions lineals
Optimització amb constriccions qualssevol
Conèixer les funcions de probabilitat generadores i els 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.
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
Conèixer els resultats de la teoria de la dualitat i les seves implicacions en el cas de la programació discreta. Descobrir 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
Conèixer la metodologia bàsica de tota la programació i especialment els mètodes enumeratius i mètodes de tall i possibles combinacions dels anteriors. Ser capaç d'identificar desigualtats vàlides per a problemes típics de programació de nombres enters, com ara el problema de la motxilla i el problema del venedor ambulant.
Mètodes de plans de tall
Ser capaç de formular un model adequat i dissenyar i implementar un prototip de mètode per resoldre un problema concret d'optimització combinatòria.
Característiques dels models de programació sencera
Mètodes enumeratius
Relaxació lagrangiana en programació entera
El problema de la motxilla
El problema del viatjant de comerç
Els conjunts de dades utilitzats per a les pràctiques es poden trobar a la carpeta de l'assignatura del servidor FME o a la intranet. Creeu un procés KDD complet utilitzant la combinació adequada de tècniques de preprocessament, mineria de dades i postprocessament.
Introducció a la mineria de dades
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.
Tècniques Descriptives
Tècniques d'associació entre variables
L'avaluació de l'assignatura es farà en funció de la nota obtinguda en les tres pràctiques realitzades durant el curs. Aquesta darrera pràctica incorpora els elements de les anteriors i pretén resoldre un problema de previsió utilitzant diferents models i la seva comparació.
Models de predicció
La tercera pràctica és gratuïta sobre un problema de predicció, escollit per l'alumne entre diverses alternatives. Aquesta pràctica s'haurà de defensar públicament, i l'estudiant haurà de respondre també les preguntes teòriques sobre els models i mètodes de l'assignatura, i preparar-se per a 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
Es facilitaran articles d'interès de cada assignatura en funció de la temàtica del treball pràctic desenvolupat pels estudiants. Corresponen a classes magistrals segons el pla d'estudis segons l'horari donat a l'inici de curs.
Introducció i nocions bàsiques
Saber escollir el disseny de mostreig més adequat Saber associar els estimadors amb els diferents dissenys Considerar els detalls de l'estudi.
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
L'objectiu de l'assignatura és introduir els mètodes matemàtics per a la valoració 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 parcial no eliminatori i un examen final amb continguts teòrics i pràctics.
Models discrets
Models continus
