统计和应用数学研讨会

当前会谈

日期 扬声器 谈论
2019年10月25日星期五下午2:30在MSPB 213中 澳客网彩票Sandip Barui

用于在附加危险下测量误差的生存数据的半曝光方法 治愈率模型

摘要:确定测量误差急剧产生负面影响 关于数据分析。它不仅可以偏置参数估计,但也可能导致损失 用于测试变量之间关系的力量。虽然存活分析 错误污染的数据引起了广泛的兴趣,相对较少的关注 已经支付了与禁止错误污染的协变量的生存数据 底层人口的特征在于固化部分。在本文中,我们 考虑这个问题,即将出现未治愈的人的生命周期 通过添加剂危险模型和测量误差过程描述了一个 添加剂模型。与估计比例危险模型中的相对风险不同, 添加剂危险模型使我们能够估计相关的绝对风险差异 与协变量。为了允许模型灵活性,我们纳入时间依赖 模型中的协调因子。我们为两种情况开发估算方法,没有 或使用测量误差。所提出的方法是从理论上进行评估的 查看点和数值观点。

以前的会谈

日期 扬声器 谈论
2019年3月15日星期五 大学材料科学与工程系的Kinnor Chattophadhyay 多伦多

从统计过程控制(SPC)到机器学习和基本辅助 分析(FAA):钢铁行业的转型

摘要:凭借超过十亿吨加全球生产,钢铁经常被考虑 作为涉及许多工业的最重要的制造业之一 流程并在物质上并运行成本。 SPC一直是一个积分的 各种钢厂的质量控制方面的一部分,因此,钢铁 植物已经投入大量才能使用SPC方法来改善其过程。有了这个 记住,当钢铁制造商得到时,钢铁行业稳步发展进入20世纪90年代 对基于动态过程控制和人工神经网络的动态感兴趣 基于工厂数据的模型。 2010年,大数据成为钢铁的下一个流行字 磨坊。尽管听起来很好,但钢铁厂数据无处可见“大数据” 与社交网络和营销数据量相比。自2016年以后, 人工智能和机器学习的嗡嗡声变得流行,很多 设备供应商和顾问开始开发智能机器。他们 声称这种努力将通过实时分析来实现过程控制 和机器,以及整个钢铁厂将“自学”。在审查时 这些权利要求的现实,经常观察到静态模型 20世纪80年代正在与鸽友图形用户界面一起回收并命名为“智能”。 钢不易于理解或采用基于AI和ML基于ML的系统的使用 制造商,而且人们仍然相信冶金和炼钢的基本面。 目前,钢铁制造商正在等待基于基础的下一代SPC 协助分析,这将在全球范围内占据钢铁制造的未来。

2017年4月21日星期五 利维亚Corsi,佐治亚理工学院

关于动态系统不变波特的持久性

摘要:鉴于动力系统(有限或无限尺寸),它非常自然 寻找有限维不变子空间,动态非常简单。 特别感兴趣的是动态被缀合的不变性的TORI 一个线性的。在这些物体的扰动下持久性的问题 被广泛研究的开始表格50年代,这引起了庆祝的 kam理论。这次谈判的目的是概述主要困难和 策略,铭记在PDE的申请。

2016年10月12日星期三 Stefan Siegmund,德国德累斯顿理工大学

骨重塑的动态系统方法

摘要:骨重塑是一种终身过程,成熟骨组织被移除 从骨架和新的骨组织形成。这些过程还控制了 在骨折等伤害后重塑或更换骨骼,而且替换骨折,而且是微损伤, 在正常活动期间发生。我们讨论了足够的两阶级 该过程中涉及的细胞类型的三维人口模型 表明两个人群不足以解释什么生物学家观察到。三维 模型类不仅解释了观察,而且解释了所谓的Paget 振荡或紊乱骨质重塑的疾病。数学工具是 逐步开发并描述了“无限远的”分叉理论的基础知识“ 具有相同耦合结构的常微分方程的数量'。这个 是联合工作与Thilo总,Martin Zumsande和Dirk Stefs。

2016年3月24日星期四 Susmita Sadhu, Georgia College & State University

双营养生态模型中的小径,混合模式振荡和混沌:敏感性 参数和环境波动

摘要:我们考虑了一个双营养的生态模型,包括两个捕食者竞争 对于同一个猎物。在假设猎物的增长率大得多 而不是掠夺者,问题被视为一个奇异的扰动系统 一个快速和两个缓慢的变量。我们假设其中一个掠夺者(领土) 表现出密度依赖性死亡率。在没有非领土的情况下 捕食者,子系统展示了一个筒爆炸,这是指来自的变化 两种物种均衡状态下的小振荡的爆发动力学 超过一个极狭窄的间隔。作为领土捕食者的死亡率 变化,全系统展现出各种丰富的动态,包括但不是 限于放松振荡(代表穿插的周期性爆发 群体的折叠),混合模式振荡(这是级联 表明适应性的小幅度和大幅度振荡 延长繁荣循环的物种,以及混乱。数值模拟 进行以证明系统对初始条件的敏感性 和参数。最后,如果时间允许,我们将简要讨论效果 系统上的“噪音”。

2015年11月16日星期一 澳客网彩票Rajarshi Dey

K维ROC歧管的假设试验

摘要:根据一定的标记考虑K组的任何分类程序 X。让; Xi 〜F.i; i = 1,2,...,k其中fi 对于i = 1,2,...,k是连续的。测量性能最常见的指数 标记是ROC(接收器运行的歧管下)的嗡嗡声(歧管下) 该标记获得的特征)歧管。随机标记得到嗡嗡声 1 / k!因此,用于测试标记性能的自然设置是h0:哼哼= 1 / k!与H.A: HUM > 1/K!. However, for even moderately large K; this test is useless as 1/K! converges 到0.我将讨论两个新测试,用于测试K的标记的性能 (> 2) group classification problem.

2015年11月9日星期一 Frazier Bindele,澳客网彩票

基于秩的不可忽视丢失的响应推断

摘要:每当收集数据时,缺少的观察都会发生。机制 导致缺失的特征在于其随机性程度。在这方面 谈话,重点是在上下文中缺少答复的观察 回归建模。假设这种缺失不适用于随机 - 也知道 作为不可知的。估算回归模型参数的现有方法 当数据包含异常值或在存在重尾的误差分布时, 提供效率低下和/或不强大的估计。我们提出了一种基于级别的 估算缺失响应的真正回归参数的方法 通过简单的估算或逆边缘概率估算抵消。 然后将归纳方法包含在导致A的回归模型中 通过考虑的目标函数强大的基于级别的参数估计。 建议估算机的大型样本属性在轻度规范下建立 条件。蒙特卡罗仿真实验进行并表明基于等级的 每当错误分布时,估计器比最小二乘估计器更有效 重尾或污染,在不可忽略的反应下。最后,一个说明性的 讨论了示例。