Capacitat per utilitzar 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 relatives a la protecció de dades i.
QUADRE DE MÒDULS, MATÈRIES I ASSIGNATURES DEL MESIO UPC-UB
BIOINFORMÀTICA 35
BIOESTADÍSTICA 15
Anàlisi longitudinal de dades Tècniques quantitatives de màrqueting @ Programació estocàstica Anàlisi de dades multivariant (per It.1). Anàlisi multivariant de dades (per It.1) Anàlisi multivariant de dades (per It.1) Anàlisi multivariant de dades (per It.1) Anàlisi de dades longitudinals.
Itinerari 2
Intensificació Optatives 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 heu completat prèviament un curs d'aprenentatge automàtic o
MASTER FOUNDATIONS OF DATA SCIENCE (FMI, UB)
SCTL, Master in Supply Chain and Transort Logistics (UPC)
Master in Automatic Control and Robotics (ETSEIB – UPC)
Master in Biomedical Engineering (Faculty of Physics-UB and ETSEIB-UPC)
El primer és per a estudiants amb poca o cap experiència en R, el segon per a estudiants que han treballat amb R abans, com ara els estudiants amb una titulació en estadística. Totes les sessions es fan a aules d'informàtica on s'utilitzaran els dos paquets de programari estadístic.
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
Macros en SAS
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 obligatòria per a tots els estudiants graduats en estadística o matemàtiques (itinerari 1) i Fonaments d'inferència estadística és obligatòria per a tots els estudiants d'altres graus (itinerari 2). Els estudiants de l'itinerari 2 poden triar l'assignatura Inferència estadística avançada després de Fonaments d'inferència estadística com a optativa.
Introducció
Estimació puntual 1: Mètodes per trobar estimadors
Estimació puntual 2: Avaluació d'estimadors
Proves d'hipòtesis
Cada tema s'avalua mitjançant una presentació individual de problemes i una pràctica amb R (PRA) i un qüestionari (V) que es discuteixen en grups reduïts durant l'hora de classe.
Regions de confiança
S'assumeix el coneixement dels conceptes bàsics de la teoria de la probabilitat per part de l'estudiant. Conèixer els tipus bàsics de mostres i distribucions en mostreig en les situacions més habituals i derivar les distribucions més habituals derivades de la llei normal i el seu ús en inferència estadística.
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
El model d'anàlisi de la variancia Dedicació: 10h 30m
Capacitat per seleccionar el mètode i/o tècnica d'investigació estadística o operativa més adequada per aplicar aquest model a cada situació o problema concret. Pràctiques: Tracta d'utilitzar les facilitats de programació matricial per realitzar una anàlisi multivariant mitjançant conjunts de dades multivariants.
Estadística Descriptiva Multivariant
Inferència Estadística Multivariant
Es faran dos exàmens, un examen parcial a la primera meitat del curs i un examen final a la segona meitat. La ponderació de les diferents parts de l'avaluació és la següent: examen parcial primera part (35%), examen final segona part (35% si només la segona part, 70% si també inclou la primera part), pràctiques de laboratori i problemes. (15 %), treball (15 %).
Classificació i obtenció de grups Dedicació: 32h
Els estudiants que hagin fet el primer examen no hauran de presentar-se a l'assignatura de la primera part a l'examen final. TREBALL EN EQUIP: Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com a membre més o realitzant tasques directives, per tal de contribuir al desenvolupament de projectes amb pragmatisme i sentit de la responsabilitat, assumint compromisos tenint en compte els recursos disponibles.
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 la durada 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 economètric, la metodologia de l'assignatura es pot aplicar a diferents àrees (ecologia, epidemiologia, enginyeria,). L'objectiu de l'assignatura és que l'estudiant aprofundeixi en la sistemàtica i l'anàlisi de regles univariants i multivariables de sèries temporals, 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
- Model Bayesià
- Inferència Bayesiana
- Computació Bayesiana
- Models Jeràrquics
- Validació i construcció de models
- Casos Pràctics
L'objectiu principal d'aquest curs és que l'estudiant adquireixi un bon coneixement i domini al final. Apliqueu mètodes de Montecarlo mitjançant un programari especial que us permeti simular la distribució posterior i com fer inferències amb aquestes simulacions. Tasca: exercici resultant de la resolució d'exercicis i problemes tant en classes pràctiques com teòriques.
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)
En l'avaluació de les Pràctiques es tindrà en compte un 10% l'autoavaluació i l'avaluació entre companys de diferents grups. En la part teòrica i problemàtica, l'estudiant pot NO disposar del material del curs; només papereria i calculadora. c2). A la part pràctica, l'estudiant pot disposar de tot el material del curs (en paper i/o en format digital).
Model Lineal Mixt Generalitzat (GLMM). Dedicació: 25h
Durant les sessions de teoria s'introduiran les propietats bàsiques dels problemes i algorismes d'optimització contínua, amb especial interès en tots els aspectes relacionats amb la solució numèrica de problemes pràctics d'optimització contínua sorgits en l'estadística i la investigació operativa. Conèixer alguns dels problemes d'optimització contínua més importants en estadística i investigació operativa i poder resoldre'ls amb l'algorisme d'optimització més eficient. Ser capaç de formular i resoldre numèricament casos reals de problemes d'optimització contínua en estadístiques i investigació 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 a l'estudiant els problemes de modelització de sistemes en presència d'incertesa, i familiaritzar-lo amb les tècniques i algorismes per tractar-los. Aporta la base de 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 tant deterministes com aleatòries. 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
Implementar mètodes de descomposició utilitzant llenguatges algebraics per a la programació matemàtica per a diversos models per resoldre'ls. Conèixer les diferències entre el mètode simplex per a PL i els mètodes de punts interns, i quan és preferible utilitzar un o l'altre. Implementar versions senzilles de mètodes de punts interns 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
- Anàlisi estructural de dades d'enquesta
- Modelització de dades d'enquestes
- Preguntes obertes i comentaris lliures
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. Veure el paper de les tècniques de gestió i utilització de dades en el procés de presa de decisions. Valorar l'aportació de les tècniques estadístiques i informàtiques i, alhora, desenvolupar l'esperit crític a l'hora de tractar els resultats obtinguts.
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
El 60% de les classes i materials didàctics i exàmens són en anglès, el 40% de les caselles en castellà. L'objectiu bàsic és situar l'aplicabilitat de les tècniques estadístiques que l'estudiant ja coneix en un context professional i destacar els avantatges que pot aportar el seu ús. Convèncer els responsables (vendedor) 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
RESOLUCIÓ D'EXERCICIS I PROBLEMES
PRESENTACIONS
RESOLUCIÓ DE CASOS PRÀCTICS
Consta de dos components: un 50% dels casos, presentacions i activitats desenvolupades durant el curs i un altre 50% de proves fetes a classe. L'avaluació es basarà en respondre qüestionaris sobre els casos, en la discussió a classe i, finalment, en la presentació d'informes.
EXAMEN FINAL
L'estudiant ha d'estar familiaritzat amb els conceptes de prova d'hipòtesis, significació estadística i anàlisi de variància. El curs assumeix una bona actitud davant els problemes relacionats amb l'empresa i la presa de decisions, encara que també s'analitzaran els problemes ambientals i socials per la seva relació inherent amb l'empresa i la presa de decisions. Idealment, aquest curs s'oferiria després de la introducció a la simulació com a part d'un pla d'estudis orientat a la simulació.
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
Els exercicis 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/Teoria: 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. A les classes magistrals, els estudiants s'introduiran en els continguts teòrics de la lliçó, complementats amb exercicis pràctics.
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 d'un camp en el qual és necessària l'aplicació de models i mètodes estadístics o la investigació operativa per resoldre problemes del món real. Capacitat per formular i resoldre problemes reals de presa de decisions en els diferents àmbits d'aplicació, sabent triar el mètode estadístic i l'algoritme d'optimització més adequat per a cada ocasió. Capacitat d'utilitzar el programari més adequat per realitzar els càlculs necessaris per resoldre un problema.
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
Aquests conceptes inclouen: dades censurades, probabilitat en presència de censura, distribucions paramètriques no normals contínues, l'estimador de Kaplan-Meier de la funció de supervivència, la prova de rang logarítmic, el model de vida accelerat, el model de riscos proporcionals de Cox, diagnòstic en el model de regressió de Cox. .. tècniques per a dades censurades i truncades" de Klein i Moeschberger. 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 variacions poden canviar amb el temps, així com presenta anàlisis multivariant dos o dos. més vegades en un esdeveniment i introdueix breument l'anàlisi conjunta de les dades de supervivència i longitudinal. Els fonaments teòrics de l'anàlisi de supervivència són aquells que s'aprenen a partir de la teoria dels processos comptables, dades i informació en l'àmbit de l'especialitat, i avaluen críticament els resultats d'aquesta gestió.
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 diferenciar els diferents tipus de problemes d'alineació de seqüències: cerca per parells, cerca múltiple i cerca en bases de dades. L'objectiu d'aquest curs és revelar els problemes a l'origen de l'aparició de tècniques massives de generació de dades ("alt rendiment") i mostrar com s'utilitzen l'estadística (i la bioinformàtica) per tractar-los. Introducció a la Biologia Molecular, Òmica i Tecnologies de Generació de Dades Òmica i Tecnologies de Generació de Dades.
Introducció a l'epidemiologia
Mesures epidemiològiques: conceptes i estimació
Aspectes d'estudis epidemiològics
Anàlisi d'estudis epidemiològics Dedicació: 15h
La capacitat de dissenyar i gestionar la recollida d'informació, així com la codificació, manipulació, emmagatzematge i manipulació d'aquesta informació. Conèixer els procediments de recerca tant per a la producció de nou coneixement com per a la seva transmissió. Capacitat per discutir la validesa, l'abast i la importància d'aquestes solucions i saber presentar i defensar conclusions.
Pel que fa a la teoria de la probabilitat, els estudiants han de conèixer les distribucions de probabilitat. Tanmateix, mirar la regressió lineal i/o l'anàlisi de la variància ajudarà a entendre millor el curs. Aquest coneixement l'ha de permetre, d'una banda, intervenir en el disseny de l'experiment(s) necessari(s) per obtenir les dades de la variable estudiada, i d'altra banda, analitzar satisfactòriament el conjunt de dades obtingut i extreure'n conclusions.
Model Lineal
Famílies exponencials de probabilitat
Contindrà una part teòrica així com una part pràctica que es realitzarà davant l'ordinador. El 40% restant s'obtindrà de les activitats d'avaluació contínua que es realitzaran al llarg del curs.
Models Lineals Generalitzats Dedicació: 16h 30m Grup gran/Teoria: 9h
La tercera part és una introducció a l'àrea de control de publicacions estadístiques o protecció de dades estadístiques. Aquesta disciplina proposa un conjunt de mètodes per garantir la confidencialitat de les dades individuals a l'hora de difondre dades estadístiques, ja siguin microdades o dades agregades en forma de taula. Coneix quina és l'àrea de control de divulgació estadística o protecció de dades estadístiques.
Optimització en problemes estadístics
Introducció a les SVMs
Protecció de dades estadístiques
- Introducció als models i formulacions de la Investigació Operativa
- Optimització Matemàtica
- Models de programació lineal i les seves propietats
- Models de fluxos en xares: flux màxim, flux de cost mínim
- Models bàsics de programació entera i les seves propietats
- Models i mètodes avançats de programació entera i combinatòria
- AVALUACIÓ MITJANÇANT TEMES 1-5
- AVALUACIÓ MITJANÇANT TEMA 6
S'il·lustra l'aplicació de les tècniques estudiades a alguns models clàssics d'optimització combinatòria, com ara el problema del venedor ambulant o el problema de la motxilla. Oferir un complement a la formació bàsica en recerca operativa, especialment en l'àmbit de la programació. Conèixer la metodologia bàsica per a tota la programació i especialment els mètodes enumeratius i els plans de tall així com les possibles combinacions dels anteriors.
Introducció a l'aprenentatge estadístic
Estimadors de regressió penalitzats: Regressió ridge i Lasso
Models Additius Generalitzats
Mètodes basats en arbres
Xarxes Neuronals Artificials
Màquines de suport vectorial
ÚS PROFICIENT DELS RECURSOS D'INFORMACIÓ: Gestionar l'adquisició, estructuració, anàlisi i visualització de dades i informació dins de l'àrea especialitzada, i valorar críticament els resultats d'aquesta gestió. Aquest curs presenta i discuteix eines i tècniques per preparar els estudiants per a la ciència de dades. Els conceptes clau introduïts a la classe inclouran eines i mètodes per a l'emmagatzematge i anàlisi de dades, incloses bases de dades relacionals, bases de dades NoSQL i distribuïdes, informàtica científica, aprenentatge automàtic aplicat i aprenentatge profund amb Python.
Introducció a Python
Treballar amb Python
Primeres passes amb Python
Funcions i programació orientada a objectes
Introducció a la NumPy
Matplotlib
Scikits de Python
Introducció pràctica al scikit-learn
Introducció a Zeppelin, Scala y Programació Funcional
1/2 Treball pràctic final sobre grans bases de dades integrant els conceptes d'ambdós mòduls Sistema de qualificació.
Architecture Spark & Spark Core
Spark SQL
Spark: MLlib
Models factorials jeràrquics, de mesures repetides i dissenys cross-over
BIOEQUIVALÈNCIA
AVALUACIÓ DE LA QUALITAT DE DADES
CONCORDANÇA DE MESURES
INTRODUCCIÓ
ANÀLISI AMB DADES D'ESCALA QUALITATIVA
ANÀLISI AMB DADES D'ESCALA QUANTITATIVA
Master's degree in Statistics and Operations Research
In order to decide whether the students are suitable for the MSc in Statistics and Operations Engineering, their curriculum vitae and previous education will be considered together with their declared interests to ensure that the objectives of the MSc can be met in a reasonable time and with a reasonable effort. In particular, previous academic education, qualifications obtained and work experience will be taken into account. This knowledge will be accredited by attaching a scanned version of the highest level qualification or certificate.
