<div dir="ltr"><div><div><div>Lamentablemente no podré estar en este merecido homenaje al querido Profesor Ing. Enrique Cabaña.<br></div>Igual deseo manifestar mi apoyo a dicha actividad y acompañarla desde lejos.<br></div>Cordiales saludos,<br></div>José Vieitez.<br><br></div><div class="gmail_extra"><br><div class="gmail_quote">El 7 de diciembre de 2017, 20:51, jgraneri <span dir="ltr"><<a href="mailto:jgraneri@fing.edu.uy" target="_blank">jgraneri@fing.edu.uy</a>></span> escribió:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><br>
Estimados Todos:<br>
<br>
Mando un resumen más detallado de las actividades de homenaje a Enrique Cabaña, que tendrán lugar mañana a partir de las 14 horas en el<br>
salón rojo dela Facultad de Ingeniería.<br>
Cordiales saludos.<br>
J.<br>
<br>
14 a 14:45: Presentación de la actividad a cargo de la Dra. María Simon (Decana de la Facultad de Ingeniería) y del Dr. Roberto Markarian (Rector del la Universidad de la República)<br>
<br>
14:45 a 15:30: Random projections and SVM/ Proyecciones aleatorias y Máquinas de soporte vectorial<br>
<br>
Dra. Carenne Ludeña (Universidad Jorge Tadeo Lozano, Bogotá, Colombia)<br>
<br>
<br>
Resumen: Uno de los problemas de interés al trabajar con grandes volúmenes de datos es el de encontrar estrategias eficientes para agrupar o clasificar muchos datos en espacios posiblemente de gran dimensión o de naturaleza compleja.<br>
 Una de las alternativas más usadas es la de encontrar esquemas de muestreo<br>
o más recientemente  proyecciones aleatorias que permitan encontrar la información relevante sin tener que considerar todo el conjunto de datos. Por otro lado, los métodos basados en kernels se basan en la construcción de un espacio<br>
de características  sobre el cual resulta más natural realizar esta tarea mediante un producto interno definido sobre el nuevo espacio. Una pregunta natural es estudiar estrategias de proyecciones aleatorias para este nuevo espacio,teniendo en cuenta la existencia de direcciones principales definidas por el kernel.<br>
En esta charla presentaremos algunos resultados sobre proyecciones aleatorias para el problema de clasificación y agrupamiento usando kernels.<br>
<br>
<br>
15:30 a 16:15: Un enfoque secuencial para la estimación de estados y parámetros en EDPs lineales dependientes del tiempo.<br>
<br>
Dr. Marco Scavino (Universidad de la República)<br>
<br>
<br>
Resumen: En esta charla se presenta una variante del filtro de Kalman de conjunto (EnKF) inspirada por un método estadístico de marginalización de condiciones de frontera que hemos desarrollado para la estimación de coeficientes en ecuaciones en derivadas parciales lineales. El método ha sido aplicado a un estudio experimental llevado a cabo en una cámara ambiental con el propósito de inferir las propiedades térmicas de una pared de ladrillos [1]. La técnica con marginalización (EnMKF) introducida en [2] permite estimar de manera secuencial el estado del sistema dinámico parcialmente observado y los parámetros de la ecuación en derivadas parciales empleada para la modelación del problema de interés.<br>
En comparación con un método EnKF modificado y sin marginalización de las condiciones de frontera aleatorias, los resultados muestran que EnMKF reduce el error de sesgo de las estimaciones de los parámetros de la pared y evita el colapso del conjunto.<br>
<br>
[1] Marco Iglesias, Zaid Sawlan, Marco Scavino, Raúl Tempone & Christopher Wood (2018). Bayesian inferences of the thermal properties of a wall using temperature and heat flux measurements, International Journal of Heat and Mass Transfer, 116, 417-431.<br>
<br>
[2] Marco Iglesias, Zaid Sawlan, Marco Scavino, Raúl Tempone & Christopher Wood (2017). Ensemble-marginalized Kalman filter for linear time-dependent PDEs with noisy boundary conditions: Application to heat transfer in building walls, <a href="https://arxiv.org/abs/1711.09365" rel="noreferrer" target="_blank">https://arxiv.org/abs/1711.093<wbr>65</a>, Noviembre.<br>
<br>
<br>
<br>
16.15 a 17: Construcción de Procesos Continuos Autoregresivos mediante iteraciones del proceso Ornstein-Uhlenbeck<br>
<br>
Dr. Argimiro Arratia (Universitat Politécnica de Catalunya)<br>
<br>
<br>
Resumen:  Expondré trabajo conjunto con Alejandra Cabaña y Enrique<br>
Cabaña sobre la construcción de un proceso continuo que al observarse<br>
en  tiempo discreto coincide en sus  covarianzas con ARMA(p,p-1). La<br>
construcción se hace mediante iteración del proceso de<br>
Ornstein-Uhlenbeck.<br>
<br>
17 a 17:45 Pausa Café<br>
<br>
<br>
17:45 a 18:30.  Trabajando con Enrique<br>
<br>
Dra. Alejandra Cabaña (Universitat Autónoma de Barcelona)<br>
<br>
<br>
Resumen: Un recorrido por los 18 artículos que hemos publicado con<br>
Enrique desde 1994 hasta ahora.  Desde las transformaciones de<br>
procesos empíricos y procesos de residuos hasta las interpolaciones en<br>
ley de series temporales estacionarias.<br>
<br>
<br>
18:30 a 19:15. Métodos Estocásticos para el Análisis de Olas Marinas.<br>
<br>
Dr. Joaquín Ortega Sánchez (CIMAT, Guanajuato, México)<br>
<br>
Resumen: Los modelos estocásticos para el análisis del movimiento de la superficie del mar comenzaron a desarrollarse en la segunda mitad del siglo pasado, principalmente a partir del trabajo de Pierson y Longuet-Higgins, quienes propusieron un modelo basado en la teoría de procesos aleatorios Gaussianos estacionarios. Sin embargo, ambas hipótesis, estacionaridad y gaussianidad, tienen limitaciones. El mar sólo es estacionario por períodos cortos de tiempo mientras que la gaussianidad depende de las condiciones del mar así como de su profundidad en el punto de estudio.<br>
Los datos que se obtienen a partir de boyas situadas en la superficie del mar se pueden considerar como una serie de tiempo registrada a una cierta frecuencia de muestreo, y cuyo ‘estado’ cambia en el tiempo, es decir, la serie sólo es estacionaria por intervalos y hay períodos de transición entre ellos. Uno de nuestros puntos de interés está en el análisis y modelación de la evolución de los estados del mar, reflejados en los cambios que se observan en esta serie de tiempo. En consecuencia, las herramientas principales están asociadas al estudio de series temporales y en especial a su representación espectral, que permite resumir el comportamiento oscilatorio de la serie en la densidad espectral. Presentaremos resultados recientes sobre agrupamiento (clustering) de series temporales como un método para determinar períodos de comportamiento estacionario. Estos métodos están basados en el uso de la distancia en variación total entre espectros normalizados. También presentamos resultados basados en técnicas de análisis de datos funcionales, tanto para agrupamiento como para comparación de poblaciones.<br>
<br>
<br>
19:15 a 20:00. Mesa redonda coordinada por el Dr. Ernesto Mordecki<br>
(Facultad de Ciencias) y por el Dr. José R. León (Facultad de Ingeniería)<br>
<br>
<br>
19:15 a 20:00. Mesa redonda coordinada por el Dr. Ernesto Mordecki<br>
(Facultad de Ciencias) y por el Dr. José R. León (Facultad de Ingeniería)<br>
<br>
<br>
______________________________<wbr>_________________<br>
Todosdmel mailing list<br>
<a href="mailto:Todosdmel@unorte.edu.uy" target="_blank">Todosdmel@unorte.edu.uy</a><br>
<a href="http://unorte.edu.uy/mailman/listinfo/todosdmel" rel="noreferrer" target="_blank">http://unorte.edu.uy/mailman/l<wbr>istinfo/todosdmel</a><br>
</blockquote></div><br></div>