Dj 30/11/2023

Dv 01/12/2023

Bayesian Analysis of Spatial Point Patterns

Spatial point patterns arise in many contexts. Examples include: ecological processes, e.g., the pattern of trees in a forest; spatial epidemiology, pattern in disease cases, perhaps different patterns for cases vs. controls; syndromic surveillance to identify disease outbreaks, e.g., clustering of cases; the evolution/growth of a city, i.e., urban development.

There is a rich probabilistic literature on stochastic process modeling for point patterns. With regard to spatial point patterns, more recently, there has been consequential attention paid to the applied side - fitting of models and data analysis.

From the Bayesian perspective, this area of spatial analysis has lagged in development behind geostatistical/point referenced effort using Gaussian processes and the lattice/areal unit effort using Markov random fields. However, recently, we have seen substantial progress in Bayesian fitting of spatial point pattern models. Given such models can be fitted, the contribution here concerns development of a strategy for Bayesian inference with regard to model adequacy, model comparison, and full inference under a selected model.

Our approach rests on posterior simulation, as in much of current Bayesian analysis. Here, we need posterior simulation of point patterns from which we can extract posterior inference for features. For us, the bottom line is: if you can simulate point patterns, you can carry out the foregoing inference. Our work draws upon variants of the Georgii-Nguyen-Zessin (GNZ) formula which, for us, immediately supplies posterior Monte Carlo integrations for many features of interest. We also offer an iterated expectation version. We illustrate the above using examples involving nonhomogeneous Poisson processes, log Gaussian Cox processes, and Strauss processes.

Clusters Everywhere: A tour of cluster analysis and its application

This talk will give an overview of cluster analysis, including some history of the development of clustering, the statistical model-based approach to clustering and examples of its application in science, medicine and social science.

Optimization with Social Impact

Analytics focuses on transforming data into insights by applying advanced analytical methods, based on mathematics, statistics, operations research and artificial intelligent models and algorithms, with the objective to improve the performance of an organization. One of the main tools in Analytics is Optimization. In this talk, we present the optimization tools and methodologies that have social impact in Non Profit Organization or Social organizations. We will describe applications of Mathematical Programming Models and Metaheuristics Algorithms to Social and Healthcare organizations. Examples of applications of Optimization in these organizations are: home social and health care logistics and scheduling; location of the primary health care centers or schools; planning a sustainable transportation, etc. We will discuss also the main aspects of these models and algorithms, and the main differences to other more frequent applications, as in manufacturing and retailing industries.

Modeling Complex River Network Datasets in Space and Time

Rivers and streams are vital ecosystems facing unprecedented threats, including habitat degradation and water pollution. The increasing use of in-situ sensors in river systems facilitates near real-time space-time water quality monitoring, although these data come with inherent challenges. In this presentation, we introduce an innovative set of spatio-temporal models tailored for river networks. These models establish spatial dependencies via stream distance and flow connectivity while integrating temporal autocorrelation through vector autoregression techniques. Moreover, we present a robust framework for detecting anomalies in stream data, harnessing the power of these spatio-temporal models to revolutionize water quality monitoring.

Optimización a discreción

En este seminario veremos numerosas aplicaciones de la Optimización Discreta y formularemos algunos de los problemas, dejando su resolución para los solvers comerciales.

The University College Dublin Master of Science program in Business Analytics

In this talk I will give an overview of the University College Dublin (UCD) MSc in Business Analytics. It has run since 2008 and I was programme director from 2009 until 2015. It is ranked 27th in the world in the QS Business Masters Rankings: Business Analytics 2022.

I will discuss the structure of the programme: this runs over three trimesters from September to August; the first two trimesters each comprise four core modules and the final trimester comprises a team Capstone report on a real world business problem as well as two option modules.

I will also discuss the entry requirements and the excellent employment prospects on completing the degree: over 97% of graduates are in employment within 6 to 9 months of completing the degree.

Valid transformations of compositional data

Compositional data analysis, where relative values are of relevance rather than their absolute values, is of interest in many different research fields: geochemistry, biochemistry, and more recently in the various “omics” areas of genomics, microbiomics, metabolomics, transcriptomics, etc... An important line of research, initiated by John Aitchison in the 1980s, uses logarithms of ratios, called logratios, to transform compositional data to a form where regular interval-scale statistical methods can be applied, such as generalized linear models, principal component analysis, clustering, etc.... In this sense, Aitchison’s approach to the analysis of compositions is simple, as he himself said: just pre-transform the data and then carry on as before, simply remembering that the transformed variables (which can be responses or predictors) are logratios, since this affects their interpretation. Unfortunately, this field of research became complicated by the introduction of complex logratios involving geometric means, and the insistence by some researchers that this was the correct and only way to proceed.

In this presentation I will review what I consider to be valid data transformations for good practice in compositional data analysis. I will also include transformations other than logratios, which can be shown to function well as alternatives. These alternative transformations can be applied to compositional data with zero values, which are what I call the “Achilles heel” of the logratio approach, which requires strictly positive data. Several applications are included, using geochemical and microbiome data.

Group cross-validation and variational corrections in R-INLA

In this talk I will discuss two recent developments in the R-INLA project, which aim to provide approximate Bayesian inference based in the INLA approach for the class of latent Gaussian models.

I would first discuss is our approach to correcting marginal density estimates by making use of the variational form of Bayes theorem [Zellner 1988]. We aim to correct the mean, variance and finally, the skewness; each is increasingly more involved. The overall design  riteria for doing these corrections, is to maintain good computational scalability with respect to model size and data size.

Secondly, I will discuss our new take on cross-validation (CV), an approach which is justified using independence-like assumptions. With dependent data, then leave-one-out CV make less sense, as we are evaluating interpolation properties rather than prediction properties. We can adapt the CV idea to dependent data, by removing a set of ``near-by'' data-points, before predicting, but the issue is then how to do this in practice, which is less evident for more involved models. I will discuss our approach which also can automatically can select appropriate groups of data, named group-CV.

Bayesian hierarchical space-time models with nonseparability and nonstationarity, for air pollution exposure assessment.

The starting point of this talk is a project at the BCAM aiming to assess exposure to air pollution in Euskadi, both during peaks (leading to admissions in hospitals) and in the long term (leading to chronic diseases). Several pollutants (fine particles, Nitrogen Oxides, Sulfur Dioxide) are monitored. The method I chose is to use a Bayesian space-time model for prediction purposes.
This work aims to combine 3 ingredients which should allow for better predictions and interpretations: Nonseparability, Multivariablity and Nonstationarity with moderation. However, this project is a computational Pandora's box :
1. A data set with modest marginal dimensions can have a mean total number of observations.
2. It is needed to assess the strengths of space, time and inter-variate links, the model will be dense
in the Markovian sense.
3. Auto-correlation within the model is a problem.
4. The parallelizability of the algorithms is a critical point to provide scalable methods.
This talk will present the model and outline the methods used to deal with the computational difficulties I met until now.

Mercedes Landete
Universitat Miguel Hernández d'Elx

Cooperación de agentes en problemas de localización

La cooperación entre agentes es un tema relevante en los modelos recientes de localización y rutas. Planteamos situaciones en las que los usuarios de una red de servicio cooperan para ahorrar costes. En algunas ocasiones, las instalaciones envían el producto a un subconjunto de usuarios a los que se desplazan el resto de clientes. En otras ocasiones, las instalaciones cooperan transfiriendo capacidad: las que tienen exceso ceden a  las que carecen. También planteamos problemas de rutas en los que los vehículos recogen o entregan la carga a un subconjunto de clientes a quienes viajan los clientes restantes.

Curso de implementación de algoritmos metaheurísticos utilizando Python

Actualment s'està produint un gran desenvolupament tecnològic en el camp de la Intel·ligència Artificial i l'aprenentatge a partir de dades, propiciant una demanda creixent en el disseny i l'anàlisi de tècniques basades en Intel·ligència Artificial. Actualment Python és el llenguatge líder en aquests camps, per la qual cosa el curs aborda en primer lloc l'aprenentatge d'aquest llenguatge de programació i, a continuació, la implementació d’algorismes metaheurístics. Abans d’acudir al curs, li demanem que tinga instal·lat PyCharm i Python3 en el seu ordinador portàtil. 

Modelización espacial del nivel de crimen en relación a la proximidad a focos de riesgo

En esta charla se describe un modelo no lineal con efectos aleatorios espaciales que permite analizar el nivel de crimen en función de la proximidad a focos de riesgo, entendidos estos como lugares de una ciudad que pueden facilitar la ocurrencia del delito. Se comentan diferentes versiones e implementaciones, incluyendo tanto modelos basados en procesos puntuales como modelos sobre datos agregados. Se muestran los resultados de un estudio llevado a cabo en las ciudades de Alicante, Castellón de la Plana y València.

El método de Transformación de Variables Aleatorias para resolver ecuaciones diferenciales con incertidumbre

Las ecuaciones diferenciales son herramientas útiles para modelizar numerosos fenómenos de interés en diversas disciplinas. Estos modelos suelen depender de parámetros, como los coeficientes o las condiciones iniciales. Estas magnitudes se obtienen realmente mediante experimentos, por lo que contienen errores de medición. Además, existen factores externos aleatorios que pueden afectar al sistema bajo estudio. Todo esto, hace aconsejable considerar estos valores como variables aleatorias o procesos estocásticos en lugar de constantes o funciones deterministas. El objetivo principal de este seminario es mostrar la capacidad del método de Transformación de Variables Aleatorias para resolver, desde un punto de vista probabilístico, ecuaciones diferenciales con incertidumbre. A partir de esta técnica obtenemos la primera función de densidad de probabilidad del proceso estocástico de solución en problemas particulares. Incluimos algunos ejemplos numéricos, así como aplicaciones a datos reales.

Un caso de investigación operativa aplicada por la consultora Capgemini

En esta charla vamos a presentar como desde las matemáticas y la programación se puede resolver un problema de interés en el mercado actual, la preparación de pedidos en un almacén. La idea central es dar a conocer las herramientas y algoritmos que se pueden utilizar para resolver un caso como este y como desde Capgemini ofrecemos soluciones a los clientes que sean eficaces en la minimización de los recursos invertidos en el proceso y eficientes en el tiempo de computo.

Dc 24/11/2021

Abraham Duarte
Universidad Rey Juan Carlos

Optimización discreta con búsqueda de entorno variable

La Búsqueda de vecindad variable (Variable Neighbourhood Search, VNS) es una metaheurística general que permite resolver problemas de optimización cuya idea básica es el cambio sistemático de vecindad dentro de una búsqueda local. En esta charla, se introducirán las reglas básicas de la VNS y sus extensiones. Se resumirán brevemente las aplicaciones más relevantes en problemas de interés tanto en ciencia como en ingeniería. Se describirán variantes más avanzadas y, finalmente, se identificarán algunas de sus limitaciones.

Dv 05/11/2021

Miguel Ángel Martínez Beneito
Universitat de València

MEDEA3, una experiencia de modelización espacial multivariante a gran escala

MEDEA3 fue un proyecto de coordinado, integrado por 13 grupos de investigación, financiado por el Instituto de Salud Carlos III. El objetivo principal de este estudio es la descripción de la variabilidad geográfica de la mortalidad en (26) grandes ciudades españolas. A pesar de su marcado carácter aplicado, y orientado a la Salud Pública, la metodología estadística empleada en MEDEA3 es bastante sofisticada, de hecho, en el seno del proyecto se han propuesto desarrollos metodológicos novedosos. En esta charla expondremos la metodología de análisis espacial multivariante utilizada en el proyecto, que comparte información no sólo entre regiones vecinas sino también entre las distintas causas de muerte analizadas. Además, también repasaremos los avances metodológicos, en materia de mapeo de enfermedades, desarrollados e incorporados en los análisis del propio proyecto. Por último, la charla concluirá con un breve resumen de los principales resultados del proyecto, como ejemplo de conclusiones que se pueden obtener de este tipo de estudios.

Dc 27/10/2021
​

Fulgencia Villa
Universitat Politècnica de València

iREVES (innovación en Reubicación de Vehículos de Emergencias Sanitarias): una herramienta ingeligente de decisión

El principal objetivo de los Servicios de Emergencias Sanitarias prehospitalarias es proporcionar una atención médica en el menor tiempo posible para evitar la muerte y/o disminuir las secuelas de un trauma. Es esencial ubicar estratégicamente las bases de los vehículos de emergencias, pero aun en el caso de contar con la ubicación óptima de los mismos, a medida que estos se mueven para atender emergencias, algunas zonas podrían quedarse sin cobertura, siendo difícil mantener un nivel de servicio adecuado. Con un mayor número de vehículos se podría resolver este problema, pero es una opción costosa y poco eficiente. Una solución alternativa es reubicar los vehículos disponibles para alcanzar la mayor cobertura posible. En este trabajo se aborda el problema de reubicación dinámica de ambulancias en tiempo real mediante el diseño y desarrollo de herramientas heurísticas. Se resuelve el caso real del Servicio de Emergencias Sanitarias de la provincia de Valencia.

Dv 22/10/2021

 

Rubén Campoy
Universitat de València

Algoritmos de proyección para problemas de factibilidad

En muchas ocasiones, al enfrentarnos a un problema de optimización observamos cierta estructura de separabilidad que queremos aprovechar. Un ejemplo son los algoritmos de desglose, que fragmentan el problema en partes más sencillas de abordar y resuelven estos subproblemas de forma iterativa. En esta charla nos centraremos en un caso particular: los llamados algoritmos de proyección. Estos métodos permiten encontrar un punto en la intersección de una familia de conjuntos (normalmente convexos) mediante una sucesión que se genera con proyecciones individuales sobre cada conjunto. Revisaremos el esquema de los algoritmos clásicos y algunas de sus aplicaciones, y propondremos un nuevo método que permite encontrar, no solo un punto en la intersección, sino el más cercano a cualquier otro punto dado. A lo largo de la charla ilustraremos la implementación de los algoritmos mediante dos ejemplos: la resolución de Sudokus y la reconstrucción de funciones de densidad con momentos prefijados.