O próximo 1 de decembro ás 13:00 celebraremos un novo seminario impartido pola profesora Graciela Boente da Universidade de Buenos Aires, baixo o título “Robust estimators in functional quadratic regression”. Esta actividade formativa, realizarase o 1 de decembro de 2022 ás 13 h na Aula-Seminario 4 da Facultade de Ciencias Económicas e Empresariais no Campus das Lagoas.
Para consultar máis información sobre este seminario: resumo_seminiario_graciela_boente
Desde o pasado día 21 de novembro, a investigadora Graciela Boente está realizando unha estadía no Departamento de Estatística e IO, que se prolongará ata o 9 de decembro.
Esta actividade dá continuidade a un ciclo de seminarios que desde o grupo SiDOR se viñeron desenvolvendo ao longo do mes de novembro.
Así, o pasado 24, a profesora Ana Bianco da Universidade de Buenos Aires impartiu un seminario titulado “Ajuste robusto de curvas ROC condicionales”
Nesta charla a poñente centrouse nas curvas ROC como unha ferramenta gráfica útil para analizar a precisión dunha regra de asignación determinada. Neste sentido, dado un clasificador binario, a curva ROC correspondente brinda unha perspectiva xeral da capacidade do clasificador para discriminar entre dous grupos diferentes. A eficacia discriminatoria do marcador en estudo pode verse afectada por diversos factores. Cando esta información rexístrase en covariables adecuadas, é sensato incluílas para mellorar a análise ROC.
Na súa intervención, e mediante un estudo Monte Carlo, avaliou o desempeño dos estimadores propostos e comparounos co dos estimadores clásicos, tanto en mostras limpas como contaminadas, ilustrando así o seu enfoque a través da análise dun conxunto de datos reais.
O ciclo iniciábase o pasado 17 de novembro, coa intervención da investigadora Anabel Forte Deltell da Universitat de València e presidenta da Sociedade Española de Bioestatística. A investigadora Forte Deltell impartiu un seminario, co título de “Selección Bayesiana de variables. Retos presentes y futuros” onde abordou o reto de coñecer cal pode ser o modelo estatístico que mellor explique un proceso de interese e sen caer nun exceso de complexidade. Esta cuestión é, quizais, máis urxente na era dos datos na que vivimos, pois converteu este reto en case unha necesidade. Ademais, a crecente capacidade de recompilar e procesar datos engade novas arestas ao problema. Tratar con datos faltantes, seleccionar entre modelos matemáticos complexos ou moverse en escenarios onde o número de variables explicativas é maior que o tamaño mostra son só algunhas destas arestas ás que debemos facer fronte. Neste seminario, a investigadora mostrou como a Estatística Bayesiana presenta un atractivo marco conceptual no que tratar de afrontar estes novos obxectivos combinando as diferentes fontes de incerteza sobre o problema.