ENDía 2
9:00
Plenary Session: George Mohler
En esta charla, primero brindamos una descripción general del modelado de procesos puntuales de eventos de sobredosis y discutimos los enfoques para manejar la información faltante, las covariables de alta dimensión y el contagio. Luego discutimos dos aplicaciones de estos modelos a las intervenciones de aplicación de la ley. Primero, investigamos la relación entre las incautaciones de drogas de las fuerzas del orden público y las sobredosis accidentales en Indianápolis utilizando pruebas de Knox bivariadas modificadas que controlan la autoexcitación en los datos. En segundo lugar, discutimos los resultados de un experimento de campo en Indianápolis donde se utilizaron índices de daño de espacio-tiempo basados en procesos puntuales para informar la distribución de información sobre el tratamiento de la adicción.
9:45
10:05
10:25
Invited V: Vinicius Mayrink
En este estudio, desarrollamos un análisis factorial para explorar los datos de área recopilados en el espacio y el tiempo. El objetivo principal es incorporar interacciones no lineales para manejar un efecto aleatorio espaciotemporal en la estructura de una regresión lineal generalizada mixta. La dependencia espacial entre regiones se establece a través del modelo CAR especificado para cada columna de la matriz de cargas. Se considera dependencia temporal para asociar las columnas de la matriz de puntajes factoriales. La presencia de interacciones no lineales pretende mejorar la detección de grupos, ya que pueden surgir nuevos tipos de grupos como una combinación de los efectos de los factores principales y el efecto de interacción. Nuestro estudio se centra en los casos logístico y de Poisson, pero puede extenderse a otros modelos lineales generalizados basados en la familia exponencial. Se lleva a cabo un estudio de simulación integral para investigar el desempeño de la propuesta. Este trabajo fue motivado por el análisis de datos de electrocardiograma (ECG) relacionados con pacientes afectados por infarto agudo de miocardio (IAM). Los datos fueron recopilados entre 2013 y 2016 a través de un sistema de telediagnóstico de ECG que cubre el estado de Minas Gerais en Brasil. El sistema es mantenido por el Centro de Telesalud del Hospital das Clínicas de la Universidad Federal de Minas Gerais. La metodología propuesta que define la interacción no lineal en el entorno espaciotemporal y el análisis del nuevo conjunto de datos de ECG son las contribuciones centrales.
11:00
11:30
Invited VI: FRANCISCO RODRIGUEZ
Consideramos el problema de la detección de características en presencia de ruido en procesos puntuales en una red lineal. Para el caso en el plano, estudios previos abordaron el tema de la eliminación del ruido del vecino más cercano. Nosotros extendemos esta metodología de clasificación a un contexto geométrico más complejo, donde las propiedades clásicas de un proceso puntual cambian y la visualización de los datos no es intuitiva. Como resultado, el método es adecuado para una característica con ruido como dos procesos de Poisson superpuestos en la misma red lineal, sin suposiciones sobre las formas de las características. Presentamos simulaciones y ejemplos de accidentes de tránsito que resultaron en lesiones o muertes en dos ciudades de Colombia para ilustrar el método.
12:05
12:25
INVITED I: RUBEN FERNANDEZ
En esta charla se pretende hacer una revisión de algunos de los métodos de geoestadística no paramétrica en los que hemos estado trabajando en los últimos años, incluyendo algunos detalles sobre su implementación en la práctica con el paquete npsp. Nos centraremos en el caso de procesos geoestadísticos homocedásticos con tendencia determinista. El primer paso es el modelado del proceso que consiste en la estimación conjunta de la tendencia y del variograma, sin asumir ninguna forma paramétrica para estas funciones. Para ello se emplea un algoritmo iterativo, en el que se tiene en cuenta la dependencia espacial para la selección del grado de suavizado y se corrige el sesgo debido al uso de residuos en la estimación del variograma (función np.fitgeo). A partir de estas estimaciones se pueden obtener predicciones en posiciones no observadas mediante kriging residual (función np.kriging). También se ha desarrollado un método bootstrap no paramétrico que permite realizar inferencias adicionales sobre el proceso (función np.boot), como la obtención de intervalos de confianza (o de predicción), el contraste de hipótesis o la construcción de mapas de riesgo incondicionales. Este método bootstrap puede ser modificado para realizar inferencias sobre la distribución de la respuesta en nuevas localizaciones condicionada a los valores observados, por ejemplo, para la construcción de mapas de riesgo condicionales.
13:20
15:00
CONTRIBUTED V
Invited VIII: Sergio Castillo
En la presente charla nos centraremos en construir mapas de riesgo considerando procesos espaciales con media no estacionaria y bajo heterocedasticidad. Los componentes del modelo se estiman no paramétricamente, utilizando el estimador lineal local y un proceso iterativo que corrige los sesgos debido al uso directo de los residuos en dichas estimaciones. Por otra parte, la probabilidad de excedencia se estima a partir de un método bootstrap, basado tanto en procesos de simulación geoestadística condicional e incondicional. Los resultados de ambos métodos se comparan mediante estudios numéricos y se aplican a datos reales de precipitación en EEUU.
15:35
15:55
INVITED IX: ORIETTA NICOLIS
Los terremotos representan uno de los fenómenos naturales más destructivos a nivel mundial, con un efecto masivo sobre la economía y la vida humana.
Los modelos de procesos de puntos autoexcitantes se han convertido en componentes esenciales en la evaluación del riesgo sísmico. Una clase particular la dan los modelos Epidemic Type Aftershock Sequence (ETAS) que han demostrado ser útiles en la descripción y modelado de ocurrencias de terremotos en determinadas ubicaciones geográficas y períodos de tiempo.
Recientemente, la predicción de eventos sísmicos utilizando modelos de aprendizaje automático ha ganado relevancia debido a la disponibilidad de una gran cantidad de datos, así como a la mejora de los métodos computacionales, especialmente a través de modelos de redes neuronales de aprendizaje profundo.
En esta presentación se abordan diferentes métodos: en primer lugar, se propone la red neuronal Long Short Term Model (LSTM) en una estructura multicolumna para predecir la función de intensidad ETAS en una ubicación y tiempo determinados utilizando variables exógenas. Luego, se introduce una nueva clase de algoritmo de agrupamiento de densidad ST-BSCAN para agrupar eventos sísmicos con características similares y clasificarlos en categorías denominadas sismo anterior, sismo principal y réplica. A continuación, se utilizan redes neuronales LSTM y transformadoras para predecir la etiqueta del último evento.
Los métodos anteriores se prueban en el catálogo sísmico chileno, dado que Chile es uno de los países más sísmicos del mundo debido a la subducción de la placa de Nazca debajo de la placa continental sudamericana. Los resultados muestran que los modelos de redes neuronales pueden predecir la ubicación y hora de ocurrencia de un evento sísmico con un R2 mayor a 0.80 y la etiqueta del último evento con una precisión mayor al 95%.
