Skip to content

Aprenentatge automàtic no-supervisat basat en distàncies - June 28th to July 2nd

Date:

June 28th to July 2nd. Morning from 9.00 to 12.00h

Classroom:

002

Modality:

Face-to -Face  or Streaming

Instructor

Aurea Grané

Aurea Grané es doctora en Ciencias Matemáticas (Universitat de Barcelona,1999). Desde 2009 es profesora Titular en la Universidad Carlos III de Madrid (acreditada a Catedrática desde 2021). Sus contribuciones científicas se enmarcan en cuatro líneas de investigación: bondad de ajuste, métodos basados en distancias, análisis de datos funcionales y detección de atípicos en series financieras. Las cuatro líneas se encuentran estrechamente relacionadas al referirse a técnicas no paramétricas basadas en distancias con aplicación a datos de cierta complejidad. Actualmente cuenta con un total de 33 publicaciones (JCR), 8 capítulos de libro en editoriales de prestigio (Springer, Wiley, Kluwer), 5 libros y más de 25 publicaciones relacionadas con transferencia de conocimiento.

Desde 2010 ha liderado los proyectos MTM2010-17323 y MTM2014-56535-R, en cuyo marco se han dirigido 15 tesinas de máster y 9 tesis doctorales. También ha colaborado en más de 15 proyectos de investigación y en varios contratos-artículo 83 con Cruz Roja Española. Ha formado parte del comité científico y del comité organizador de múltiples congresos internacionales. Ha sido editora del libro Mathematical and Statistical Methods for Actuarial Sciences and Finance - MAF 2018 (Springer, ISBN: 978-3-319-89823-0).

En 2011-2014 fue subdirectora del Departamento de Estadística de la Univ. Carlos III de Madrid y de 2014-2016 co-directora del Máster en Técnicas Cuantitativas para el Sector Asegurador. Actualmente es Vicedecana del Grado en Estadística y Empresa en esa misma universidad

(Código ORCID 0000-0003-0980-6409)

Artículos indexados en JCR (desde 2015)

Albarrán, I., Alonso, P. and Grané, A. (2015) Profile identification via weighted related metric scaling: an application to dependent Spanish children, Journal of the Royal Statistical Society: Series A Statistics in Society 178, pp 1-26.


Albarrán, I., Alonso-González P.J., Arribas-Gil, A. and Grané, A. (2019) How functional data can enhance the estimation of health expectancy: The case of disabled Spanish population. ASTIN Bulletin: The Journal of the International Actuarial Association, vol. 49 (1), 57-84.


Cueto, J.M., Grané, A. and Cascos, I. (2021) How to explain the cross-section of equity returns through Common Principal Components. Mathematics 9(9), 1011


Goyanes, M., Demeter, M., Grané, A., Albarrán, I. and Gil de Zúñiga, H. (2020) A mathematical approach to assess research diversity: operationalization and applicability in communication sciences, political science, and beyond. Scientometrics 125, 2299-23222. DOI: https://doi.org/10.1007/s11192-020-03680-6


Grané, A., Albarrán, I. and Arribas-Gil, A. (2020) Constructing a children's subjective well-being index: An application to socially vulnerable Spanish children. Child Indicators Research 13, 1235-1254.


Grané, A., Albarrán, I. and Lumley, R. (2020) Visualizing Inequality in Health and Socioeconomic Wellbeing in the EU: Findings from the SHARE Survey. International Journal of Environmental Research and Public Health 17(21) 7747.


Grané, A., Albarrán, I. and Merchán-Cano D.E. (2021) Impact of pandemic on European well-being: Visualizing scenarios from the SHARE database. Journal of Environmental Research and Public Health 18(9), 4620.


Grané, A., Albarrán, I. and Guo, Q. (2021) Visualizing Health and Well-Being Inequalities Among Older Europeans. Social Indicators Research,10.1007/s11205-021-02621-x


Grané, A., Martín-Barragán, B. and Veiga, H. (2019) Detecting outliers in multivariate volatility models: A wavelet procedure. SORT–Statistics and Operations Research Transactions 43(2), 289-316.


Grané, A. and Romera, R. (2018) On visualizing mixed-type data: A joint metric approach to profile construction and outlier detection. Sociological Methods and Research, vol. 47 (2), 207-239.


Grané, A., Salini, S. and Verdolini, E. (2021) Robust multivariate analysis for mixed-type data: novel algorithm and its practical application in socio-economic research. Socio-Economic Planning Sciences 73, 100907


Grané, A. and Sow-Barry, A.A. (2021) Visualizing profiles of large datasets of weighted and mixed data. Mathematics 9(8), 891.


Hartikainen, S.M., Jach, A., Grané, A. and Robson, T.M. (2018) Assessing scale-wise similarity of curves with a thick pen: as illustrated through comparison of spectral irradiance. Ecology and Evolution, vol. 8 (20), 10206-10218.


Strzalkowska-Kominiak, E. and Grané, A. (2017) Goodness-of-fit for randomly censored data based on maximum correlation. SORT–Statistics and Operations Research Transactions, vol. 41 (1), 119-138.


Torabi, H., Montazeri, N.H. and Grané, A. (2016) A test for normality based on the empirical distribution function. SORT–Statistics and Operations Research Transactions, vol. 40, 55-88.


Torabi, H., Montazeri, N.H. and Grané, A. (2018) A wide review on exponentiality tests and two competitive proposals with application on reliability. Journal of Statistical Computation and Simulation, vol. 88 (1), 108-139.

Language

Castellano

Description

Se trata de una técnica de visualización de datos de tipo mixto (cuantitativas y cualitativas). Este tipo de datos suele ser muy frecuente en datos provinientes de encuestas, donde también interesa la construcción de perfiles robustos de detección de individuos atípicos.

Course goals

  • Conocer los diferentes tipos de distancias y aprender a utilizarlas según la naturaleza de los datos.
  • Conocer algunas técnicas de visualización de datos de tipo mixto.
  • Aprender a analizar la sensibilidad y la robustez de las configuraciones.
  • Aprender a construir perfiles robustos.
  • Aprender a detectar individuos atípicos en datos de tipo mixto.

Course contents

  1. Distáncias estadística, conjunción de métricas y propiedades
  2. Técnicas de visualización de datos (MDS y ReIMDS)
  3. Sensibilidad y robusteza de las configuraciones
  4. Obtención de perfiles robustos y análisis de perfiles
  5. Algoritmo  de detecciónd e atípicos.

Prerequisites

Análisi multivariante de datos

Targeted at

Estudiantes de máster en Estadística (o similares), investigadores sociales que trabajen con datos provinientes de encuestas.

Evaluation

Entrega de ejercicios.

Computer class or student's laptop?

Student's laptop

Software requirements

Matlab