Académicos de Costa Rica, Panamá, España y Ecuador compartirán sus conocimientos en la Estadística, en actividades abiertas y gratuitas para la comunidad universitaria
La actividad es organizada por la Universidad Estatal a Distancia (UNED) y la Universidad de Costa Rica (UCR)
Expertos nacionales e internacionales impartirán un ciclo de cinco videoconferencias denominado “Estadística: Reducción de la dimensionalidad en matrices de datos”, que expondrá con casos reales las últimas técnicas estadísticas relacionadas con la reducción de la dimensionalidad en matrices de datos, así como los algoritmos y paquetes estadísticos que existen para su utilización.
En total, el ciclo comprende cinco videoconferencias y se mantendrá activo del 26 de mayo hasta el 2 de julio, a través de la plataforma Zoom. Las actividades son abiertas y gratuitas para la comunidad universitaria. Para participar, debe ingresar aquí.
El grupo de personas expertas son:
- El Dr. Greibin Villegas Barahona, de la Universidad Estatal a Distancia Universidad (UNED) de Costa Rica (26 de mayo, 8:00 a.m.): “Historia de las técnicas de la reducción de la dimensionalidad de matrices de datos. Técnica CUR y presentación del software DinamicCUR”.
- La Dra. Mitzi Cubilla Montilla, de la Universidad de Panamá (28 de mayo, 8:00 a.m.): “Contribuciones al análisis Biplot basadas en soluciones factoriales disjuntas y en soluciones Sparse”.
- La Dra. Nerea González García, de la Universidad de Salamanca, España (11 de junio, 9:00 a.m.): “Análisis Sparse de tensores multidimensionales”.
- El Doctorando Carlos Martín Barreiro, de la Universidad ESPOL, Ecuador (26 de junio, 3:00 p.m.): “Disjoint PCA”.
- Katherine Barquero Mejía, Stefany Matarrita Muñoz y César Gamboa Sanabria, estudiantes de la Maestría en Estadística Escuela de Estadística, Universidad de Costa Rica, (2 de julio, 5:00 p.m.): “Presentación del paquete estadístico en R dCur (Dinamic CUR)”.
“El concepto de reducción de la dimensionalidad de matrices de datos es una técnica estadística que consiste en encontrar componentes principales de una matriz de datos, la cual se fundamenta en la descomposición en valores singulares (DVS). El problema que presenta el uso de la DVS es que cada componente principal es una combinación lineal de todas las variables originales y esto lamentablemente dificulta la interpretación de dichos componentes”, acotó Villegas Barahona.
De acuerdo con el experto en Estadística, a lo largo de los años se han desarrollado distintos enfoques para eliminar su principal desventaja, pero es en las últimas dos décadas que han surgido los principales métodos para eliminar el problema de la interpretabilidad de los componentes principales encontrando un pequeño subconjunto de las variables originales más relevantes.
“Todo ello ha dado lugar a la aparición de técnicas como la Descomposición de la matriz CUR, el análisis de componentes principales Sparse, las soluciones factoriales disjuntas y los componentes principales disjuntos”, agregó.
Si desea más información puede escribir al correo electrónico gvillegas@uned.ac.cr
Comentarios