Vés al contingut (premeu Retorn)

A punt la Jornada Pearson FME, el 8 de març a la sala d'actes de la Facultat.

Amb tres conferències de professors experts que ajudaran a conèixer la vida i obra del bioestadístic Karl Pearson, el matemàtiic del curs FME 2016-2017.
A punt la Jornada Pearson FME, el 8 de març a la sala d'actes de la Facultat.

La Jornada Pearson de la Facultat de Matemàtiques i Estadística de la UPC tindrà lloc dimecres 8 de març 2017 a la sala d'actes de de l'FME amb el programa següent:

9h45

Benvinguda i presentació


 

 

 Imatge vertical Pearson

 

 

 

 

10h

Correlación lineal y correlación de distancias. 

José Ramón Berrendero, professor titular d'Estadística i Investigació Operativa del Departament de Matemàtiques de la Universitat Autònoma de Madrid.

11h

Pausa-cafè

11h30                       

Un updated review of Goodness-of-Fit test for regression models with some recent results

Wenceslao González-Manteiga, catedràtic d'Estadística i Investigació Operativa de la Universitat de Santiago de Compostela.

12h35

Lliurament premis als guanyadors del Concurs Pearson, activitat conjunta de l’assignatura Història de la Matemàtica i la Biblioteca FME.

12h45

Els mètodes kermel i perquè els hauríem d'estimar.

Lluís a. Belanche, professor titular del Departament de Ciències de la Computació de la Universitat Politècnica de Catalunya.

Més informació:

  • Concurs Pearson (activitat conjunta de l'assignatura d'Història de la Matemàtica i la Biblioteca FME)

Correlación lineal y correlación de distancias.     

Resumen:

La mayoría de los científicos ha calculado alguna vez el coeficiente de correlación de Pearson para cuantificar el grado de asociación lineal entre dos variables. Aunque es una medida muy sencilla y útil, la correlación de Pearson no siempre es efectiva para detectar relaciones no lineales entre las variables. En esta charla se presentará una medida alternativa, la correlación de distancias, propuesta por Székely, Rizzo y Bakirov en un influyente artículo publicado en 2007. La correlación de distancias es una coeficiente relativamente sFoto_Berrenderoimple y bastante eficaz para detectar relaciones no lineales entre variables. Se comentarán sus ventajas e inconvenientes, en comparación con los de la correlación lineal, así como sus aplicaciones en diversos problemas estadísticos.

 

José Ramón Berrendero es Licenciado en Matemáticas por la Universidad Complutense de Madrid y Doctor en Economía por la Universidad Carlos III de Madrid. Actualmente es Profesor Titular de Estadística e Investigación Operativa en el Departamento de Matemáticas de la Universidad Autónoma de Madrid. Dentro del área de la estadística ha publicado trabajos de investigación relacionados con remuestreo, clasificación, métodos robustos, órdenes estocásticos, análisis de datos funcionales y estimación de conjuntos. 

Un updated review of Goodness-of-Fit test for regression models with some recent results.

Abstract:

The term Goodness–of–Fit (Gof) was introduced by Pearson at the beginning of the last century and refers to statistical tests which check how a distribution fits to a data set in a omnibus way. Since then, many papers were devoted to the χ2 test, the Kolmogorov-Smirnov test and other related methods. The pilot function used for testing was mainly the empirical distribution function. In the last twenty five years, there has been an explosion of works that extended the GoF ideas to other types of functions: density function, regression function, hazard rate function and intensity function.

In this talk, we will give a modern review approach for the GoF theory, illustrating applica- tions in topics of great interest and showing some advances with recent results in (a) testing for interest rate models, (b) testing with directional data and (c) testing for regression with functional covariables.


Wenceslao González-Manteiga es Catedrático de Estadística e I.O. de la Universidad de Santiago de Compostela. Es el coordinador deFoto González_manteigal grupo de Modelización Estadística y Aplicaciones (MODESTYA) seleccionado como grupo competitivo en la Comunidad de Galicia e investigador principal de proyectos activos en este momento,

a nivel autonómico, nacional y europeo. Tiene experiencia liderando proyectos de investigación que tienen que ver con la transferencia tecnológica, con colaboraciones y convenios con diversas empresas desde hace más de 20 años.

Es autor o coautor de unas 180 publicaciones en revistas de impacto en diversos ámbitos, incluyendo el campo del medioambiente y la energía.  En los últimos años ha sido y es editor asociado de diversas revistas de impacto de Estadística y organizador principal de diversos eventos científicos, en particular relacionados con la transferencia. Ha participado en la gestión universitaria como director de departamento y en la evaluación científica a todos los niveles: sexenios, proyectos de investigación y acreditación de profesores.

Els mètodes kermel i perquè els hauríem d'estimar.

Resum: Molts problemes d'aprenentatge automàtic es poden formular com problemes clàssics de l'estadística multivariant; per exemple, el reconeixement de patrons, la regressió o la reducció de la dimensió. Cada cop és més freqüent que els problemes vinguin descrits per dades que no segueixen la representació clàssica de vectors de nombres reals. Per exemple, seqüències de proteïnes, documents de text i XML, imatges, grafs o sèries de temps són comunes en biologia computacional, text mining, web mining, en el reconeixement de veu, etc.

 

Els mètodes kernel són una classe d'algorismes que estenen l'aplicabilitat de molts mètodes estadístics a pràcticament qualsevol tipus de dades, sense la necessitat de vectorització o codificació explícita. També tenen la virtut de convertir un mètode fonamentalment lineal en un de no lineal, subjecte a certes condicions d'EFoto_belancheuclidianitat. En aquesta xerrada s'ofereix una panoràmica dels mètodes kernel i s'il·lustra el seu potencial aplicant-les a algunes de les tècniques de l'estadística multivariant: regressió lineal, PCA i MDS.

 

Lluís A. Belanche is an Associate Professor at Universitat Politècnica de Catalunya in Barcelona. He received a B.Sc. in Computer Science from the UPC in 1990 and and a M.Sc. in Artificial Intelligence in 1991. He joined the School of Computer Science in 1990, completing his doctoral dissertation in 2000. His current research involves artificial neural networks and kernel-based learning methods (with a focus on kernel design) for pattern recognition and function approximation, and their application to workable artificial learning systems.