Seminarios

Próximas Charlas

Dia 2019-08-27 14:00:00-03:00
Hora 2019-08-27 14:00:00-03:00
LugarInstituto de Estadística (Eduardo Acevedo 1139)

Comparación de particiones a través del Matching Error

Mathias Bourel (IMERL, FING, UdelaR)

La mayoría de los métodos de clustering dan como resultado una partición del conjunto de datos y, a menudo, una partición del espacio donde se encuentran estos datos. Se pueden usar varios índices para comparar particiones provenientes de un mismo conjunto de datos, entre los cuales el índice Rand, el índice Rand ajustado, el índice Jaccard, etc. La mayoría de ellos carecen de un análisis matemático real, y casi no existe información sobre su distribución.

Consideramos en este trabajo un índice de comparación entre particiones, the Matching Error, inspirado de la tasa de error de clasificación utilizada en el aprendizaje supervisado. Estudiamos sus propiedades con el objetivo de diseñar una prueba de hipótesis para comparar dos particiones.

Dia 2019-08-30 10:30:00-03:00
Hora 2019-08-30 10:30:00-03:00
LugarSalón de seminarios del piso 14, CMAT

Optimización para la Simulación

Ebert Brea (Universidad Central de Venezuela)

Abstract: La simulación de sistemas de eventos discretos ha ocupado, en los últimos años, un
importante lugar en el análisis de sistemas y en la evaluación de tomas de decisiones. Por otra parte, la optimización también ha representado ser una útil herramienta para la búsqueda de soluciones que mejoren el desempeño de los sistemas estudiados. Sin embargo, éstos dos puntos de vistas inicialmente han sido desarrollados separadamente, en donde ambos campos han establecido sus linderos. No obstante, el surgimiento de nuevas aplicaciones a sistemas cada vez más complejos han requerido la vinculación de lo que antes se estudiaban por separado. La motivación este trabajo es presentar los puntos de vistas de las respuestas a las preguntas: ¿Es la simulación la que ha ayudado a la optimización de los sistemas? o por el contrario, ¿Es la optimización la que ha asistido a la experimentación en simulación? En principio podría decirse que las respuestas de estas interrogantes son afirmativas y es en este artículo donde serán  presentadas la justificación de ambas aristas a través de ejemplos prácticos y casos de estudios por una
parte, y de desarrollos de métodos y técnicas, en donde se podrá apreciar que ninguno de los
campos domina, y más aún, ambos coexisten y hoy en día su vinculación ”por” y ”para” son
de gran importancia en la resolución de problemas reales

Dia 2019-09-06 10:30:00-03:00
Hora 2019-09-06 10:30:00-03:00
LugarSalón de seminarios del piso 14, CMAT

Análisis de series temporales: patrones ordinales

Nicolás Rubido (Facultad de Ciencias)

La habilidad creciente que poseemos para recabar más y mejores datos, nos lleva también a aunar esfuerzos para mejorar nuestra capacidad de análisis de los mismos. Por ejemplo, podemos querer saber cuántos datos de una serie temporal necesitamos para poder decir que la distribución que econtramos para sus valores es estacionaria (es decir, no varía aunque recabemos más datos). O podríamos intentar distinguir diferencias entre conjuntos de datos, y entonces preguntarnos cuántas comparaciones necesitamos para poder decir que el resultado es significativamente diferente. En cualquier caso, el método por el cuál elijamos hacer el análisis nos facilitará o complicará el trabajo. En esta charla, presentaré un método no lineal de análisis de series temporales que es conocido como el análisis por patrones ordinales (OPs). Los OPs son simples de implementar e interpretar, sus distribuciones muestran robustez en señales ruidosas, y los resultados permiten interpretaciones similares a las que muestran los métodos espectrales clásicos (como el espectro de potencia y la coherencia). En particular, mostraré resultados que hemos obtenido en el Laboratorio de Neurobiología del Sueño para caracterizar estados del ciclo vigilia-sueño por medio de medidas de EEGs intra-craneales en ratas. Mientras que los métodos clásicos no encuentran diferencias significativas entre los estados del ciclo, los OPs revelan claramente estos cambios, y notablemente, independientemente de la region cortical analizada.

REFS [1] J. González, M. Cavelli, A. Mondino, C. Pascovich, S. Castro Zaballa, A. Falconi, P. Torterolo, and N. Rubido, "Decreased time-series complexity distinguishes sleep dynamics from wakefulness", pre-print (2019). [2] A. Aragoneses, N. Rubido, J. Tiana-Alsina, M. C. Torrent, and C. Masoller, "Distinguishing signatures of determinism and stochasticity in spiking complex systems", Nature Sci. Rep. 3, 1778 (2013). [3] N. Rubido, J. Tiana-Alsina, M. C. Torrent, J. García-Ojalvo, and C. Masoller, "Language organization and temporal correlations in the spiking activity of an excitable laser: Experiments and model comparison", Phys. Rev. E 84, 026202 (2011). [4] J. M. Amigó, Permutation Complexity in Dynamical Systems-Ordinal Patterns, Permutation Entropy, and All That (Springer-Verlag, Berlin, 2010). [5] C. Bandt and B. Pompe, "Permutation Entropy: A Natural Complexity Measure for Time Series", Phys. Rev. Lett. 88(17), 174102(4) (2002).