SOLICITUD DE CONCESION DE LA MENCIÓN DE …semejantes, sino potencialmente atractiva para aquellos...

SEUI – DGU. Mención de Calidad de los estudios de doctorado para el curso 2006-07 Documentación específica.

SECRETARÍA DE ESTADO DE

UNIVERSIDADES E INVESTIGACIÓN MINISTERIO DE EDUCACIÓN Y CIENCIA DIRECCIÓN GENERAL

DE UNIVERSIDADES

SOLICITUD DE CONCESION DE LA MENCIÓN DE CALIDAD A LOS ESTUDIOS DE DOCTORADO DE LAS UNIVERSIDADES ESPAÑOLAS - CURSO ACADÉMICO 2006-2007.

DOCUMENTACIÓN ESPECÍFICA DEL PROGRAMA

INFORMACIÓN RELATIVA A LA PROPUESTA DE LOS ESTUDIOS DE DOCTORADO Y A LA FORMACIÓN DE INVESTIGADORES (apartado 1.1.2. del Anexo A de la convocatoria) DENOMINACIÓN DE LOS ESTUDIOS DE DOCTORADO:

Estadística y Optimización

UNIVERSIDAD RESPONSABLE/COORDINADORA:

Universidad Politécnica de Valencia a) Contenidos y estructura de los estudios de doctorado 1. Antecedentes del programa El Departamento de Estadística e Investigación Operativa Aplicadas y Calidad (DEIOAC) de la Universidad Politécnica de Valencia (UPV) produjo sus primeros doctores en 1985 y ha mantenido ininterrumpidamente desde entonces un programa de doctorado, que ha dado lugar a un total de 31 doctores, entre los que se incluyen un Catedrático de universidad, 11 Profesores Titulares de Universidad, 6 Profesores Titulares de Escuela Universitaria y 4 Profesores Colaboradores. De forma análoga, el Departamento de Estadística e Investigación Operativa (DEIO) de la Universitat de València (UV) produjo sus primeros doctores en 1974 y ha mantenido ininterrumpidamente desde entonces un programa de doctorado que ha dado lugar a un total de 57 doctores, entre los que se incluyen 8 Catedráticos de Universidad y 36 Profesores Titulares de Universidad. Los planes de estudios de ambos programas de doctorado han ido evolucionando tratando de adaptarse a las necesidades formativas de los alumnos ingresados y a la propia dinámica de los avances científico-técnicos. Ambos programas fueron reorganizados y adaptados en el momento de la aplicación del Real Decreto 778/1998, de 30 de abril por el que se reguló el tercer ciclo de estudios universitarios españoles. Ambos departamentos gozan de una sólida reputación internacional que, en el caso de sus respectivos programas de doctorado, se ha traducido en la presencia de alumnos y profesores de muchas nacionalidades. Con objeto de consolidar la experiencia aportada por ambos programas de doctorado y de optimizar las sinergias derivadas de sus numerosos puntos de contacto, ambos departamentos decidieron hace tres años sustituir sus respectivos programas de doctorado por un programa de doctorado conjunto de índole interuniversitaria, que inició su andadura en el curso 2003-2004, para ofrecer una formación en el área de la estadística y la optimización combinando tanto los fundamentos teóricos como las aplicaciones prácticas. 2. Justificación de la necesidad y oportunidad del programa La investigación en Métodos Estadísticos y de Optimización es hoy crucial para el avance de un gran número de disciplinas como las distintas ramas de la Ingeniería, la Biología, la Biotecnología, la Bioinformática, la Medicina, la Protección del Medio Ambiente, la Salud Pública, las Técnicas Avanzadas de Producción y de Gestión de Procesos, etc., por lo que la disponibilidad de investigadores de calidad en éstas áreas es un aspecto estratégico para garantizar el desarrollo económico y la calidad de vida de los ciudadanos. En muchos investigadores y profesionales de estos campos se constata una fuerte carencia de formación avanzada en técnicas estadísticas y de optimización que les capacite para poder dar respuesta a los problemas a los que se tengan que enfrentar. El presente programa de doctorado pretende cubrir esa carencia dotando al alumno de la madurez suficiente para aplicar los métodos más eficientes de Estadística y Optimización que le permitan afrontar con garantías la resolución de sus problemas, y en su caso desarrollar nuevos métodos, fruto de su investigación.

El grupo de profesores doctores que imparte este programa de doctorado es multidisciplinar, ya que reúne a Ingenieros de diversas disciplinas y Licenciados en Matemáticas entre los que hay expertos en Estadística, en Gestión y Mejora de la Calidad, y en técnicas de Optimización, combinando tanto los desarrollos teóricos como las aplicaciones prácticas. En los últimos años la investigación producida en los dos Departamentos que proponen este programa se ha concentrado en tres grandes áreas, Estadística Bayesiana, Estadística Industrial y Optimización, todas ellas inscritas en el esfuerzo común de proporcionar métodos y algoritmos que permitan una toma de decisiones coherente, haciendo uso de toda la información disponible, en situaciones caracterizadas por su complejidad, y por la frecuente presencia de elementos estocásticos. El Departamento de Estadística e Investigación Operativa Aplicadas y Calidad de la Universidad Politécnica de Valencia se ha dado a conocer internacionalmente por sus numerosas aportaciones a la Estadística Industrial y a la Calidad, estableciendo importantes relaciones institucionales tanto con el mundo académico como con el mundo empresarial. Por su parte, el Departamento de Estadística e Investigación Operativa de la Universitat deValència se ha constituido a lo largo de los últimos 25 años en un referente mundial para los Métodos Estadísticos Bayesianos; el Departamento ha organizado cada cuatro años los congresos mundiales de esa especialidad; ha sido visitado por muchos de sus investigadores más relevantes; algunos de sus profesores forman parte de los comités directivos de las organizaciones internacionales relevantes, y son autores de libros de texto en la especialidad, y de numerosos artículos en revistas de primera fila. Finalmente, ambos Departamentos han conseguido una notable reputación internacional en el desarrollo de Métodos de Optimización, con importantes aportaciones en los campos de Optimización Combinatoria, Programación Semiinfinita, Programación Multicriterio, Programación Matemática Fuzzy y Programación de la Producción. Las tres áreas descritas tienen importantes puntos de contacto. Por ejemplo, los desarrollos metodológicos Bayesianos tienen importantes aplicaciones en la estadística industrial, y la teoría Bayesiana de la decisión permite integrar en una estructura única los numerosos problemas de elección entre opciones alternativas que sistemáticamente plantean los problemas de optimización. Creemos que la titulación de tercer ciclo que ofertamos en Estadística y Optimización es no sólo necesaria en el entorno de la Comunidad Valenciana (CV), pues no existe en esa autonomía ningún otro programa de doctorado de características semejantes, sino potencialmente atractiva para aquellos ingenieros y licenciados de la CV y de otras Comunidades Autónomas, así como de otros países que se sientan interesados por las técnicas cuantitativas más modernas de decisión racional y, eventualmente, quieran colaborar a su posterior desarrollo. Responde, por tanto, a una necesidad científico-técnica al proporcionar una especialización en los campos de la Estadística Bayesiana, la Estadística Industrial, la Gestión y Mejora de la Calidad, y los métodos de Optimización, aspectos estratégicos en un gran número de disciplinas en la actualidad. 3. Objetivos generales El programa de doctorado está dirigido a estudiantes graduados procedentes tanto de carreras técnicas (ingenierías) como de titulaciones de ciencias (matemáticas, estadística, biología, ciencias de la salud…) de universidades españolas y extranjeras, interesados en el tratamiento estadístico de datos experimentales, en el desarrollo de modelos estadísticos y de optimización, en la utilización de modelos matemáticos y en la implementación informática de los correspondientes algoritmos. Nuestro programa de Doctorado persigue los siguientes objetivos: 1. La formación científico-técnica de los alumnos en el ámbito de la estadística y la optimización. 2. La formación de los alumnos en las técnicas propias de la investigación. 3. Una formación interdisciplinar de los estudiantes. 4. Ofrecer un programa de doctorado de primera fila, capaz de trascender nuestro ámbito natural, la Comunidad Valenciana, y de atraer estudiantes tanto del resto del país como de la Unión Europea y de Latinoamérica. El programa está pensado para que pueda ser adaptado con facilidad a la nueva normativa de los Programas Oficiales de Posgrado (RD56/2005) de cara a la posibilidad de ofrecer en un futuro un posgrado en Estadística y Optimización. Se trata de un programa interuniversitario conjunto de la Universidad Politécnica de Valencia y la Universitat de València. Progresivamente, pretendemos hacer uso de las numerosas conexiones internacionales de que disponemos en ambos Departamentos para introducir colaboraciones con otras instituciones, sea en la forma de seminarios invitados, o en la docencia de algunos de los módulos que componen el programa. Para el curso 2006-2007 ya tenemos el apoyo de dos centros extranjeros de prestigio como son la McMaster University (Canadá) y la University of Colorado at Boulder

SEUI – DGU. Mención de Calidad en los programas de doctorado para el curso 2006-2007 Documentación específica.

(EE.UU.). Pretendemos ampliar la red de instituciones nacionales e internacionales que den apoyo a este programa de doctorado. 4. Relación de los cursos que componen el programa y de los profesores participantes En esta sección se listan, en orden alfabético correspondiente a su profesor responsable, los 17 módulos (de tres créditos cada uno) que componen el programa propuesto. El coordinador del programa es el profesor Alberto Ferrer de la Universidad Politécnica de Valencia, contando con el apoyo del profesor Rafael Martí, coordinador del programa en la Universitat de València. El programa está diseñado para ofrecer a los alumnos dos tipos de cursos: (i) unos cursos de base que les permitan adquirir o afianzar conocimientos básicos en Estadística y en Optimización y (ii) unos cursos que les proporcionen una introducción a un importante abanico de líneas de investigación en Estadística y en Optimización, subrayando aquellos temas en los que sus profesores son investigadores activos. Se ofrecen créditos por trabajos de investigación que preparen la elección de un tema para la tesis doctoral. Los cursos ofertados se enumeran a continuación. 1. Optimización de gráficos de control de calidad (3 créditos) Francisco Aparisi, Universidad Politécnica de Valencia 2. Métodos de regresión (3 créditos) Sebastià Balasch, Universidad Politécnica de Valencia 3. Validación y selección de modelos (3 créditos) María-Jesús Bayarri, Universitat de València 4. Métodos de simulación (3 créditos) José Bermúdez, Universitat de València 5. Métodos bayesianos objetivos (3 créditos) José Miguel Bernardo, Universitat de València 6. Herramientas para la gestión y la mejora de la calidad (3 créditos) Andrés Carrión, Universidad Politécnica de Valencia 7. Control estadístico multivariante de procesos (3 créditos) Alberto Ferrer, Universidad Politécnica de Valencia 8. Estadística espacial en epidemiología y medio ambiente (3 créditos) Antonio López, Universitat de València 9. Programación de la producción (3 créditos) Concepción Maroto, Universidad Politécnica de Valencia 10. Algoritmos heurísticos (3 créditos) Rafael Martí, Universitat de València 11. Fiabilidad (3 créditos) Nieves Martínez, Ana Isabel Sánchez, Universidad Politécnica de Valencia 12. Problemas de distribución y rutas de vehículos (3 créditos) Enrique Mota, Universitat de València 13. Técnicas estadísticas para la evaluación de prestaciones (3 créditos) Ana Isabel Sánchez, Universidad Politécnica de Valencia 14. Programación multicriterio (3 créditos) Pilar Tormos, Universidad Politécnica de Valencia 15. Minería de datos para la gestión de las relaciones con los clientes (3 créditos) Susana San Matías, Universidad Politécnica de Valencia 16. Secuenciación y gestión de proyectos (3 créditos) Vicente Valls, Universitat de València 17. Optimización convexa (3 créditos) Enriqueta Vercher, Universitat de València 5. Metodología y criterios de evaluación Los profesores responsables de la docencia de este programa de Doctorado han consensuado los siguientes criterios metodológicos y de evaluación conjuntos que potencien el esfuerzo común: (i) Cada alumno tiene asignado un tutor elegido en función de los intereses de investigación del doctorando, tras una

entrevista personal. El tutor sugiere el subconjunto de los 17 cursos ofrecidos que el alumno debería cursar para optimizar su formación en el sentido de sus preferencias, y potencia el uso combinado de los recursos de las dos universidades participantes.


(ii) A lo largo del programa, los tutores se responsabilizan de ayudar a sus alumnos en la adquisición del lenguaje científico básico en el tema escogido, así como en la selección y utilización de las fuentes de información y sistemas de búsqueda disponibles.

(iii) Los tutores proporcionan a sus alumnos información sobre los centros internacionales más activos en sus áreas de interés, con especial atención a los que se sitúan en la Unión Europea, y facilitan posibles contactos con ellos de cara a orientar el proceso de tesis para poder optar a la mención de doctorado europeo.

(iv) Las 30 horas de clase presencial de cada curso son participativas y dinámicas, haciendo uso de un ordenador conectado a un proyector, que permite presentar el material docente de forma atractiva y compacta, así como ejecutar programas relevantes de forma interactiva, de acuerdo con las necesidades y preguntas de los estudiantes.

(v) En énfasis de las clases se sitúa en los conceptos generales, dejando los detalles al estudio individual por parte de los alumnos. Los alumnos tienen la oportunidad de mejorar su calificación final tratando de resolver problemas propuestos diseñados para afianzar el conocimiento de los conceptos expuestos.

(vi) A lo largo de cada curso se presta especial atención a la descripción de problemas abiertos, susceptibles de convertirse en el tema de investigación de una futura tesis doctoral.

(vii) Se potencia la atención individualizada a los alumnos a través de tutorías. Cada profesor publica 6 horas semanales de atención a sus alumnos.

(viii) Se potencia el uso de software relevante, tanto de libre distribución, como software comercial para el que alguna de las dos universidades participantes tiene licencia de campus.

(ix) Los materiales docentes relevantes, incluyendo los programas, la bibliografía y los documentos de trabajo más importantes (artículos básicos, problemas, …) están disponibles en Internet en las páginas Web de los profesores o del departamento.

(x) Está en construcción una página Web específica del programa que sistematizará esa información, y contendrá otros enlaces relevantes.

(xi) La correcta asimilación de los contenidos de cada curso requiere su utilización en problemas específicos. Para cada uno de los cursos en que participe, cada alumno podrá realizar un trabajo de curso, que incluya la solución a un problema concreto. El profesor propondrá algunas opciones, pero los alumnos serán animados a trabajar en problemas de su elección, posiblemente relacionados con su futura tesis doctoral.

(xii) Para cada uno de los cursos en que participe, cada estudiante podrá realizar una exposición oral del trabajo realizado, y presentar una memoria escrita, utilizando para ello el formato habitual de los artículos de investigación en revistas especializadas. El profesor potenciará la realización de aquellas mejoras que puedan conducir a transformar en publicaciones las memorias que presenten una calidad adecuada.

(xiii) Terminado el curso, los tutores tendrán entrevistas individualizadas con sus alumnos, con el doble objeto de orientarles en su desarrollo posterior (en particular de la elección de un tema de investigación para la tesis doctoral) y de obtener un feedback que permita la mejora continua del propio programa de Doctorado. Los tutores emitirán un pequeño informe por cada uno de sus alumnos en el que se describan tanto los logros alcanzados como las posibles carencias, que se tendrá en cuenta para evaluar el proceso de enseñanza-aprendizaje y diseñar las acciones de mejora pertinentes para el curso siguiente.

(xiv) La evaluación final en cada asignatura tendrá en cuenta las soluciones aportadas a los ejercicios propuestos en las clases, el contenido, la calidad de su exposición, y el informe general emitido por su tutor. En los casos en que se estime oportuno, esta información puede ser complementada con el resultado de una prueba escrita.

(xv) Se pretende que la evaluación de cada alumno no se limite a medir el nivel de los conocimientos adquiridos, sino que recoja además su capacidad de emplearlos en la resolución de nuevos problemas reales, y el nivel de participación mostrado en el desarrollo del programa.

6) Estructura general del programa. Para cada uno de los 17 cursos que componen el programa, se detallan a continuación: Titulo del curso y profesor responsable Objetivos Contenido Bibliografía Afinidad de los contenidos con las líneas de investigación del profesor responsable La información relativa a cada curso aparece orden alfabético correspondiente a su profesor responsable.

Optimización de gráficos de control de calidad Francisco Aparisi

Universidad Politécnica de Valencia


Objetivos

Proporcionar a los alumnos una panorámica sobre los últimos avances y procedimientos que se pueden emplear para seleccionar el tamaño de muestra, frecuencia de muestreo y parámetros de los gráficos de control, con el fin de obtener gráficos más eficientes (óptimos) a la hora de detectar cambios en la calidad de procesos productivos. Contenido

1. Introducción Presentación del problema en la elección de los parámetros del plan de muestreo y del gráfico de control, tanto en

el caso univariante como multivariante. Panorámica del curso. 2. Optimización estadística Procedimientos para obtener gráficos óptimos cuando el criterio que se selecciona es la potencia del gráfico de

control. Modelización mediante cadenas de Markov. Estudio de los distintos tipos de optimización estadística. 3. El problema de Woodall Planteamiento del problema. Zonas de máxima potencia, mínima potencia e indiferente. Relación con la capacidad

del proceso. Uso de algoritmos genéticos para la optimización. Software desarrollado. 4. Modelos económicos y su optimización Presentación de los diversos modelos económicos. Análisis de sensibilidad. Críticas a los modelos económicos.

Software desarrollado. 5. Interpretación de la señal en gráficos multivariantes Planteamiento del problema: eficiencia en la detección de las variables que están fuera de control. Métodos

gráficos y estadísticos para la interpretación de la señal. Control mediante redes neuronales e interpretación de la señal mediante redes neuronales. Software desarrollado.

6. Líneas de investigación futuras. Presentación de diversos problemas en lo que se está trabajando: Optimización multiobjetivo, “Empirical

Likelihood”, … Bibliografía

Montgomery, D.C. (2001). Introduction to Statistical Quality Control. (4th edition) John Wiley. Afinidad

Francisco Aparisi es autor de numerosas publicaciones en Optimización de Gráficos de Control de Calidad. Entre ellas: Aparisi, F., Jabaloyes, J. and Carrión, A. (2001). Generalized Variance Chart Design with Adaptive Sample Sizes. The

bivariate case. Communications in Statistics: Simulation and Computation 30, 931–948. Aparisi, F., y Haro, C. (2001). Hotellings T2 Control Chart with Variable Sampling Intervals. InternationalJournal of

Production Research 39, 3127–3140 Aparisi, F. y Haro, C. L. (2003). A comparison of T2 control charts with variable sampling schemes as opposed to

MEWMA chart. International Journal of Production Research 41, 2169–2182. Aparisi, F. y García-Díaz, J. C. (2004). Optimization of univariate and multivariate exponentially weighted moving average

control charts using genetic algorithms. Computers and Operations Research 31, 1437–1454. Aparisi, F. y García-Díaz, J. C. (2006). Design and Optimization of EWMA Control Chart with Regions of Maximum and

Minimum Power. Computers and Operations Research 37 (11), 1011-1021. García-Díaz, J. C. y Aparisi, F. (2006). Methodology for the optimum economic design of EWMA control charts using

regions of maximum and minimum ARL. IIE Transactions (en prensa). Sus líneas actuales de investigación son: Control de calidad multivariante. Optimización de gráficos de control de calidad. Redes neuronales aplicadas al control de calidad. El profesor Aparisi está trabajando con dos especialistas en el área, Charles W. Champ de la Georgia Southern University (EE. UU.) y Francesco Bartoluci de la Universidad de Perugia (Italia) y ha sido el responsable de la asignatura de Optimización de Gráficos de Control de Calidad en el programa de doctorado durante los últimos años.

Métodos de Regresión Sebastià Balasch



Objetivos

La asignatura pretende desarrollar la teoría y aplicaciones de los modelos de regresión múltiple, con especial énfasis en los aspectos de la modelización de problemas y la validación y explotación de los diferentes tipos de modelos. En ese sentido, se abordan las vulneraciones más usuales de las hipótesis del modelo (multicolinealidad, heterocedasticidad y autocorrelación), definiéndose en cada caso la naturaleza del problema y sus consecuencias, así como la forma de detectarlo y corregirlo. Se expone también el concepto de observaciones anómalas o atípicas con su posible influencia sobre la estimación del modelo. Con el fin de facilitar la construcción del modelo de regresión en situaciones de elevada colinealidad entre las potenciales variables explicativas, se presentan la regresión stepwise y la regresión all posible subsets. Finalmente se desarrollan los modelos de regresión logística y multinomial, de enorme interés práctico en situaciones con variable respuesta cualitativa. Contenido

1. El modelo de regresión lineal Planteamiento general del problema. Fases de un estudio mediante modelos de regresión. El modelo de regresión

lineal simple. Generalizaciones del modelo: modelos de regresión lineal múltiple; consideración de relaciones no lineales; inclusión de variables cualitativas; inclusión de interacciones. Estimación del modelo: fundamento del proceso de estimación; distribución del estimador mínimo-cuadrático; estimación de la varianza residual. Significación global del ajuste. Coeficiente de determinación. Significación del efecto de una variable explicativa. Contraste general de hipótesis en modelos de regresión. Predicciones en modelos de regresión. Métodos gráficos de análisis de residuos. Estudio de efectos de dispersión. Aplicación práctica.

2. Diagnosis y validación del modelo de regresión Hipótesis del modelo de regresión. El problema de la multicolinealidad: definición, detección y corrección. El

problema de la heterocedasticidad: definición, detección y consecuencias. El problema de la autocorrelación: definición, detección y consecuencias. Estimación del modelo de regresión por mínimos cuadrados generalizados. Detección de observaciones anómalas e influyentes. Relación entre ellas.

3. Estrategias de construcción de modelos de regresión Modelos de regresión paso a paso (“stepwise regression”). Exploración de todos los subconjuntos de variables

explicativas (“all possible subsets regression”): criterios de selección. Aplicación práctica de las estrategias de construcción de modelos de regresión.

4. Regresiones logística y multinomial Inconvenientes de la utilización del modelo de regresión múltiple en situaciones con respuesta binaria.

Interpretación de parámetros en el modelo de regresión logística. Estimación máximo-verosímil de los parámetros. Significación estadística de los coeficientes del modelo.

Bibliografía

Balasch, S., Romero, R. and Ferrer, A. (2004). A logistic regression model applied to evaluate the influence of operating time of AgI ground acetonic generators on the size and hardness of hail. Natural Hazards 32, 345-355.

Christensen, R. (1997). Log-linear Models and Logistic Regression. Berlin: Springer. Dixon, W. J. (1990). BMDP Statistical Software Manual. Berkeley: University of California Press. Draper, N. and Smith, H. (1981). Applied Regression Analysis. Chichester: Wiley. Guardia, M. D., Estany, J., Balasch, S., Oliver, M. A., Gispert, M. and Diestre, A. (2004). Risk assessment of PSE

condition due to pre-slaughter conditions and RYR1gene in pigs. Meat Science 67, 471-478. Gujarati, D. N. (1990). Econometría. New York: McGraw-Hill. Hosmer, D. W. and Lemeshow, S. (2000). Applied Logistic Regression. Chichester: Wiley. Jobson, J. D. (1991). Applied Multivariate Data Analysis. 1: Regression and Experimental Design. Berlin: Springer. Jobson, J. D. (1992). Applied Multivariate Data Analysis. 2: Categorical and Multivariate Methods. Berlin: Springer. Miller, A. (2002). Subset Selection in Regression. London: Chapman and Hall. Montgomery, D. C. and Peck, E. A. (1992). Introduction to Linear Regression Analysis. Chichester: Wiley. Peña, D. (1992). Estadística. Modelos y Métodos. 2: Modelos Lineales y Series Temporales. Madrid: Alianza. Ryan, T. P. (1996). Modern Regression Methods. Chichester: Wiley. Afinidad

Sebastià Balasch es autor de numerosas aplicaciones de métodos de regresión, entre las que destacan: Fernández, N., Molina, M. P., Balasch, S., Torres, A. and Adriaens, F. (2001). Bovine somatotropin dose titration in

lactating dairy ewes. 3.Treatment interval. J. Dairy Science 84, 2170–2176. Althaus, R. L., Torres, A., Montero, A., Balasch, S. and Molina, M. P. (2003). Detection limits of antimicrobial in ewe milk

by Delvotest photometric measurements. J. Dairy Science 86, 457–463. Espinós, F. J., Tomás, A., Pérez, L. M., Balasch, S., and Jover, M. (2003). Growth of dentex fingerlings (Dentex dentex)

fed diets containing different levels of protein and lipid. Aquaculture 218, 479–490.


Molina, M. P., Althaus, R. L., Balasch, S., Torres, A., Peris, C. and Fernández, N. (2003). Evaluation of screening test for detection of antimicrobial residues in ewe milk. J. Dairy Science 86, 1947-1952.

Peris, C., Díaz, J. R., Balasch, S., Beltrán, C., Molina, M. P. and Fernández, N. (2003). Influence of vacuum level and overmilking on udder health and teat thickness changes in dairy ewes. J. Dairy Science 86, 3891-3898.

Guardia, M. D., Estany, J., Balasch, S., Oliver, M. A., Gispert, M. and Diestre, A. (2004). Risk assessment of PSE meat due to pre-slaughter conditions and RYR1 gene in pigs. Meat Science 67, 471-478.

Balasch, S., Romero, R. and Ferrer, A. (2004). A logistic regression model applied to evaluate the influence of operating time of AgI ground acetonic generators on the size and hardness of hail. Natural Hazards 32, 345-355.

Guardia, M. D., Estany, J., Balasch, S., Oliver, M. A., Gispert, M. and Diestre, A. (2004). Risk assessment of DFD meat due to pre-slaughter conditions in pigs. Meat Science 70, 709-716.

Gómez, J. D., Balasch, S., Gómez, L. D., Martino, A. and Fernández, N. (2006). A comparison between intravaginal progestagen and melatonin implant treatments on the reproductive efficiency of ewes. Small Ruminant Research (en prensa).

Asturiano, J. F., Marco-Jiménez, F., Pérez, L., Balasch, S., Garzón, D. L., Peñaranda, D. S., Vicente, J. S., Viudes-de-Castro, M. P. and Jover, M. (2006). Effects of hCG as spermiation inducer on European eel semen quality. Theriogenology (en prensa).

Sus líneas actuales de investigación son: Metodologías estadísticas aplicadas a la mejora del ganado. Control estadístico multivariante en explotaciones acuícolas. El profesor Balasch ha acumulado una notable experiencia como consultor en problemas de regresión y ha sido el responsable de la asignatura de Métodos de Regresión en el programa de doctorado durante los últimos años.

Validación y selección de modelos María-Jesús Bayarri García

Universitat de València Objetivos

En esta asignatura se estudian los métodos Bayesianos para la evaluación (critica) de modelos paramétricos. La validación suele afrontarse como un análisis exploratorio preliminar al análisis estadístico propiamente dicho; En otros problemas, como en la validación de complejos simuladores computaciones, tiene interés en si mismo. La selección de modelos es un tema puntero, que abarca no sólo los contrastes de hipótesis, selección de variables, etc., sino que engloba asimismo la ponderación de modelos (que tiene en cuenta la incertidumbre acerca del mismo); alguna de sus ramificaciones son de indudable actualidad, como las comparaciones múltiples en la minería de datos y en el análisis de microarrays. Se hará especial hincapié en la selección objetiva de modelos. Contenido

1. Preliminares. Problemas de contraste de hipótesis; Probabilidades a posteriori y factores Bayes; Aproximación de una hipótesis

nula precisa por una puntual; Previas tradicionales en la alternativa: subjetivas, objetivas, Bayes robustas; Incompatibilidad entre los p-valores y las respuestas Bayesianas; Calibración de p-valores; Mas de dos modelos: formulación general del problema de selección de modelos.

2. Motivaciones de la aproximación Bayesiana. Interpretación. Consistencia. Optimalidad predictiva. Efecto de la cuchilla de Ockham. Selección secuencial. 3. Dificultades de la aproximación Bayesiana. Inadecuación de las previas impropias. Significado de los parámetros. Dificultad (imposibilidad) de las

asignaciones subjetivas. Evaluación de los procedimientos. Calculo (numérico) de los factores Bayes (predictivas). Exploración de grandes espacios de modelos.

4. Soluciones Objetivas Tradicionales. Ortogonalización de parámetros. Previas convencionales (Jeffreys, Zellner-Siow, g-previas). Inducción de previas

en modelos encajados. Aproximaciones asintóticas (Laplace, AIC, BIC, GBIC, DIC) 5. Entrenamiento de factores Bayes. Muestras de entrenamiento reales e imaginarias. Factores Bayes intrínsecos: aritmético, geométrico, mediana.

Previas intrínsecas. Factores Bayes fraccionales. 6. Previas predictivamente emparejadas. Previas que están calibradas para todos los modelos. Asignación subjetiva de la predictiva; Emparejamiento de

momentos; Emparejamiento en muestras de entrenamiento; Previas EP; Medida de Haar por la derecha problemas invariantes.

7. Aplicaciones de la selección de modelos.


Selección de variables en el modelo lineal general. Modelos de mixturas. Comparaciones múltiples. Inferencia no-paramétrica a través de selección de modelos.

8. Otras características de la incertidumbre acerca del modelo. Ponderación de modelos; Modelos predictivamente óptimos; Aproximaciones basadas en la función de utilidad;

Critica y validación de modelos. Bibliografia

Bayarri, M.J, and Berger, J.O. (2006). Basics of Model Selection. Tech. Rep., ISDS, Duke University. Berger, J. (1985),. Statistical Decision Theory and Bayesian Analysis (2nd edition) New York: Springer-Verlag. Berger, J. and Pericchi, L. (2004). Training samples in objective Bayesian model selection. Ann. Statist. 32, 841—869. Clyde, M.A. and George, E. (2004). Model uncertainty. Statistical Science 19, 81—94. . Datta, G.S., Mukerjee, R., Ghosh, M., and Sweeting, T.J. (2000). Bayesian prediction with approximate frequentist validity.

Ann. Statist 28, 1414--1426. P. Lahiri, ed. (2001). Model Selection. Institute of Mathematical Statistics Lecture Notes -- Monograph Series, volume 38,

Beachwood Ohio. Raftery, A., Madigan, D. and Hoeting, J. (1997). Bayesian Model Averaging for Linear Regression Models. Journal of the

American Statistical Association 92, 179--191. Schervish, M. (1995). Theory of Statistics. New York: Springer. Afinidad

La profesora Bayarri ha dirigido varias tesis doctorales en el área e impartido docencia en los siguientes cursos: Curso de Doctorado "Inferencia Bayesiana" del programa de doctorado ofertado por el Departamento de Estadística e

Investigación Operativa de la Universitat Politècnica de Catalunya, bajo el programa de Doctorado de Calidad. Junio - Julio 1997

Graduate course Sta395 (ISDS, Duke University) a lo largo de varios cursos con las siguientes ponencias: Calibration and Validation of complex models. November, 2002; Bayesian Checking of Hierarchical Models. January 2003; Multiple Testing: the Problem and some Solutions, January 2004; Objective Priors for Testing General Hypotheses in Linear Models, January, 2005; Divergence-Based (DB) priors for Objective Bayes Hypothesis Testing, December 2005.

Varios Tutorials y Overview Lectures invitados: Hypothesis Testing and Model Selection (M.J. Bayarri and J.O. Berger) en el 7th Valencia International Meeting on Bayesian Statistic (Junio 2002); TC1: Hypothesis Testing; TC2: Model Selection, en el 5th International Workshop on Objective Bayes Methodology O’Bayes5 (Junio 2005); Objective Bayesian Testing and Model Selection (with J.O. Berger), Joint Statistical Meetings (Agosto 2005).

La profesora Bayarri es autora de numerosas publicaciones en selección y validación de modelos, entre las que destacan: Bayarri, M.J. (1999). Invited discussion of "Bayesian Model Choice: What and Why? " by Key, J.T., Pericchi, L.R., and

Smith, A.F.M. In Bayesian Statistics 6 (J.M. Bernardo, J.O. Berger, A.P. Dawid, A.F.M. Smith, eds.). Oxford: Clarendon Press, 357-359.

Bayarri, M.J. and Berger, J.O. (2000). P-values for composite null models. Journal of the American Statistical Association 95, 1127-1142. Rejoinder, 1168-1170.

Bayarri, M.J., Berger, J.O. and Sellke, T. (2001). Calibration of p-values for Testing Precise Null Hypotheses. The American Statistician 55, 62-71.

Bayarri, M.J. and Castellanos, M.E. (2001). A comparison between p-values for goodness-of-fit checking. In Bayesian Methods with Applications to Science, Policy, and Official Statistics (E.I. George, editor). Luxembourg: Office for Official Publications of the European Comunities, 1-10.

Bayarri, M.J. and Berger, J.O. (2001). P-valores, esos desconocidos. Proceedings de la VIII Conferencia Española de Biometría (ISBN 84-95075-50-4. M.D. Ugarte y A.F. Milition, eds.) Universidad Pública de Navarra. 27-34.

Bayarri, M.J. and J. Morales, J. (2003). Bayesian Measures of Surprise for outlier detection (2003). Journal of Statistical Planning and Inference 111, 3 – 22.

R. Hubbard and M.J. Bayarri (2003). Confusion over measures of evidence (p’s) versus errors (α’s) in classical statistical testing. The American Statistician 57, 171 – 182 (with discussion).

M.J. Bayarri (2003). Which ‘base distribution’? In Highly Structured Stochastic Systems (P. Green, N. Hjort and S. Richardson, eds.). Oxford University Press.

R. Hubbard and M.J. Bayarri (2003). P-values are NOT error probabilities. Technical Report TR14-2003. Departamento de Estadística e I.O., Universitat de València.

Bayarri, M.J., Berger, J., Molina, G., Rouphail, N.M., and Sacks, J. (2004). Assessing uncertainties in traffic simulation: a key component in model calibration and validation. Transportation Research Record 1876, 32-40.

Bayarri, M.J, and Berger, J.O. (2006). Basics of Model Selection. Tech. Rep., ISDS, Duke University. M.J. Bayarri, J.O. Berger, R. Paulo, J. Sacks, J.A. Cafeo, J. Cavendish, C.H. Lin, and J. Tu (2005). A Framework for

Validation of Computer Models. Tech. rep., National Institute of Statistical Sciences.


http://www.isds.duke.edu/courses/Fall05/sta395/susieabstract.pdf

Bayarri, M.J., Berger, J., Kennedy, M., Kottas, T., Paulo, R., Cafeo, J., Lin, C., and Tu, J. (2005). Bayesian Validation of a Computer Model for Vehicle Collision. Tech. rep., National Institute of Statistical Sciences.

Bayarri, M.J., Berger, J., Garcia-Donato, G., Palomo, J., Sacks, J., Walsh, D., Cafeo, J., and Parthasarathy, R. (2005), Computer Model Validation with Function Output. Tech. rep., National Institute of Statistical Sciences.

Bayarri, M.J., Castellanos, M.E. and Morales, J. (2006). MCMC Methods to approximate conditional predictive distributions. Computational Statistics & Data Analysis (en prensa).

M.J. Bayarri and G. García-Donato (2006). Extending conventional priors for testing general hypothesis in linear models. Biometrika (en prensa).

La profesora Bayarri mantiene estrechos contactos internacionales, entre los que destacan:

Miembro del equipo del Proyecto de Investigación Framework for Statistical Evaluation of Complex Computer Models, subvencionado por la National Science Foundation (USA) bajo el Programa "Focused Reasearch" Groups (FRG), con número DMS-0073952. Periodo de Aplicación: 1/08/2000 a 1/07/2004, Entidad: NISS (National Institute of Statistical Sciences), nº de investigadores seniors: 6, más 2 postdoctoral fellows, más 4 graduate students

Miembro del Convenio suscrito entre General Motors (USA) y NISS (National Institute of Statistical Sciences) sobre Mathematically/Statistically-Based Validation Systems. Periodo de Aplicación: 1/11/2000 a 30/04/2005.

Adicionalmente, ha participado en varias ediciones del SAMSI (Statistical and Applied Mathematical Sciences Institute) (2002, 2003, 2004, 2006), tiene varias publicaciones conjuntas con los profesores J.O. Berger, R. Hubbard y T. Sellke, y ha sido Program Chair del 1st IMS-ISBA Statistical Joint Meeting, and Workhsop on Model Selection. S. Juan de Puerto Rico, July 23-26, 2003. Líneas actuales de investigación relacionadas con la materia: Selección de modelos. Réplicas de experimentos. Medidas de sorpresa. Métodos Bayesianos en farmacología. Estadística espacial y no paramétrica Evaluación de modelos computacionales. La profesora Bayarri ha sido la responsable de la asignatura Validación y Selección de Modelos en el programa de doctorado durante los últimos años.

Métodos de Simulación José D. Bermúdez


En el análisis estadístico de datos aparecen con frecuencia complicados problemas de cálculo numérico, en especial de optimización y cuadratura numérica. Los métodos de simulación se han convertido en una herramienta indispensable en la solución de dichos problemas. En este curso se introducen brevemente las justificaciones teóricas de las técnicas de simulación, empezando con la generación de números aleatorios. Se desarrollan con más detenimiento algunas de sus aplicaciones más importantes, como la integración Monte-Carlo. El énfasis, sin embargo, se sitúa en el estudio de la distribución posterior obtenida en un análisis bayesiano y el cálculo de sus características de interés: momentos, marginales, distribución predictiva, etc. Para ello, además de las técnicas de simulación habituales, se estudian con detalle las técnicas MCMC. El objetivo principal es familiarizar al estudiante con las técnicas de simulación más importantes, especialmente con su uso. Que sea capaz de determinar cuales de ellas pueden ser útiles en una situación concreta, implementar su aplicación e interpretar correctamente los resultados obtenidos. Contenido

1. Generación de variables aleatorias Generación de números pseudo-aleatorios, generadores congruentes y shift register. Generación de variables

aleatorias, métodos basados en transformaciones, composición, aceptación-rechazo y cociente de uniformes. Aplicaciones en estadística bayesiana: Algoritmos ARS y SIR.

2. Simulación en cuadratura numérica y optimización Integración Monte-Carlo, muestreo importante, variedades antitéticas y variedades control. Aplicaciones al cálculo

de momentos y distribuciones marginales. Algoritmos Monte-Carlo EM y Simulated Annealing.


3. Técnicas Monte-Carlo basadas en Cadenas de Markov Algoritmos Data Augmentation y Gibbs Sampling. Métodos Metropolis-Hastings puros y algunas de sus variantes.

Condiciones de validez de los métodos MCMC. Utilización práctica: diagnóstico de la convergencia y obtención de resultados.

Bibliografía

Gelman, A., Carlin, J.B., Stern, H.S. and Rubin, D.B. (2003). Bayesian Data Analysis (2nd edition). Boca Raton (Florida): C.R.C. Press.

Gilks, W.R., Richardson, S. and Spiegelhalter, D.J. (eds.) (1996). Markov Chain Monte Carlo in Practice. London: Chapman and Hall.

Robert, C.P. and Casella, C. (2005). Monte Carlo Statistical Methods (2nd edition). New-York: Springer. Tanner, M.A. (1996). Tools for Statistical Inference (2nd edition). Berlin: Springer. Afinidad

José D. Bermúdez es autor de numerosas aplicaciones de métodos de simulación, algunos ejemplos son los siguientes artículos: Beamonte, E. y Bermúdez, J.D. (2003). A Bayesian semiparametric analysis for additive hazard models with censored

observations. Test 12, 347-363. Beamonte, E.., Bermúdez, J.D., Casino, A. y Veres, E. (2005). A Global Stochastic Index for Water Quality: The Case of

the River Turia in Spain. J. Agric. Biol. Environm. Statist, 10, 424-439. Bermúdez, J.D., Segura, J.V. y Vercher, E. (2006). Improving demand forecasting accuracy using non-linear programming

software. J. Oper. Res. Soc. 57, 94-100. Bermúdez, J.D., Segura, J.V. y Vercher, E. (2006). A decision support system methodology for forecasting of time series

based on Soft Computing. Comp. Stat. and Data Anal. (en prensa). Beamonte, E., Bermúdez, J.D., Casino, A. y Veres, E. (2006). A statistical study of the quality of surface water intended for

human consumption near Valencia (Spain). J. Environm. Statist. (en prensa). Sus líneas actuales de investigación son: Técnicas Numéricas en Estadística Análisis de supervivencia Métodos Estadísticos en Medioambiente Predicción en series temporales El profesor Bermúdez tiene una notable experiencia como consultor en métodos de simulación y ha sido el responsable de la asignatura de Métodos de Simulación en el programa de doctorado durante los últimos años.

Métodos Bayesianos Objetivos José-Miguel Bernardo


El uso de los métodos Bayesianos en la investigación científica requiere la determinación de distribuciones iniciales objetivas (de referencia) que describan una situación en la que la no existe (o no quiere utilizarse) información inicial sobre la cantidad de interés. La formulación de tales distribuciones iniciales de referencia es posible a partir de la teoría de la información. El objetivo de este curso es la definición y determinación de distribuciones iniciales objetivas, la exploración de las distribuciones finales y predictivas que se deducen de ellas, y el análisis de su uso en problemas estimación (puntual y por regiones), y de contraste de hipótesis. Contenido

1. Aproximación Histórica Postulado de Bayes-Laplace. Propuestas de Jeffreys-Perks, Box-Tiao y Jaynes. Desiderata para un procedimiento

bayesiano objetivo. 2. Discrepancia Intrínseca Concepto y Definición. Convergencia Intrínseca. Medidas de Información. Cantidad de Información Desconocida. 3. Distribuciones de Referencia Uniparamétricas Definición General. Caso discreto. Caso continuo regular. Aproximaciones bajo normalidad asintótica. 4. Distribuciones de Referencia Multiparamétricas Algoritmo general. Caso discreto: inducción científica. Caso continuo regular. Aproximaciones. 5. Estimación Puntual


Estimación puntual como problema de decisión. Estimadores puntuales convencionales. Estimación intrínseca. Comportamiento bajo muestreo repetido. Aproximaciones.

6. Estimación por Regiones Intervalos creíbles convencionales: HPD y centrados. Regiones creíbles de mínima pérdida esperada. Regiones

creíbles intrínsecas. Recubrimiento bajo muestreo repetido. Aproximaciones. 7. Contraste de Hipótesis Contraste de hipótesis como problema de decisión. Soluciones convencionales: Factores Bayes. Divergencia

intrínseca esperada. El Criterio bayesiano de referencia: BRC. Probabilidades de error bajo muestreo repetido. 8. Algunos Problemas Abiertos Selección óptima de la sucesión de espacios compactos. Distribuciones de referencia en modelos con espacio

paramétrico numerable, pero no finito. Distribuciones de referencia en modelos jerárquicos. Construcción numérica de distribuciones de referencia.

Bibliografîa

Bernardo, J. M. and Smith, A. F. M. (1994). Bayesian Theory. New York: Wiley. Bernardo, J. M. and Rueda, R. (2002). Bayesian hypothesis testing: A reference approach. Internat. Statist. Rev. 70, 351-

372. Bernardo, J. M. and Juárez, M. A. (2003). Intrinsic estimation. Bayesian Statistics 7. (J, M. Bernardo et al, eds.). Oxford:

University Press 465-475. Bernardo, J. M. (2005). Reference Analysis. Handbook of Statistics 25, (D. K. Dey and C. R. Rao eds.). Amsterdam:

Elsevier, 17-90. Bernardo, J.M. (2005). Intrinsic credible regions: An objective approach to interval estimation. Test 14, 317-384 (invited

paper with discussion). Bernardo, J. M. (2006). Intrinsic point estimation of the normal variance. Bayesian Statistics and its Applications, (S. K.

Upashyay et al eds.) 110-121. Afinidad

Jose-Miguel Bernardo es autor de numerosas publicaciones en métodos bayesianos objetivos, entre las que destacan: Bernardo, J. M. (1979). Reference posterior distributions for Bayesian inference. J. Roy. Statist. Soc 41, 113-147 (with

discussion). Reprinted in Bayesian Inference (N. G. Polson and G. C. Tiao, eds.), Brookfield, VT: Edward Elgar, (1995), 229-263.

Berger, J. O. and Bernardo, J. M. (1992). On the development of reference priors. Bayesian Statistics 4 (J. M. Bernardo et al, eds.). Oxford: University Press, 35-60 (with discussion).

Bernardo, J. M. and Smith, A. F. M. (1994). Bayesian Theory. New York: Wiley. Bernardo, J. M. and Rueda, R. (2002). Bayesian hypothesis testing: A reference approach. Internat. Statist. Rev. 70, 351-

372. Bernardo, J. M. and Juárez, M. A. (2003). Intrinsic estimation. Bayesian Statistics 7. (J, M. Bernardo et al, eds.). Oxford:

University Press 465-475. Bernardo, J. M. (2003). Bayesian Statistics. Encyclopedia of Life Support Systems (EOLSS). Probability and Statistics, (R.

Viertl, ed.). Oxford, UK: UNESCO. On line: www.eolss.net. Bernardo, J. M. (2005). Reference Analysis. Handbook of Statistics 25, (D. K. Dey and C. R. Rao eds.). Amsterdam:

Elsevier, 17-90. Bernardo, J.M. (2005). Intrinsic credible regions: An objective approach to interval estimation. Test 14, 317-384 (invited

paper with discussion). Bernardo, J. M. (2006). Intrinsic point estimation of the normal variance. Bayesian Statistics and its Applications. (S. K.

Upadhyay, U. Singh and D. K. Dey, eds.), 110-121 Bernardo, J. M. (2006). A Bayesian mathematical statistics primer Proc. 7th International Conference on Teaching

Statistics (A. Rossman and B. Chance, eds.). IASE (invited paper, in press). Sus líneas actuales de investigación son: Contraste de hipótesis científicas. Determinación de regiones creíbles. Estimación intrínseca. Métodos numéricos de análisis de referencia. José-Miguel Bernardo es el creador del análisis de referencia (Bernardo, 1979; Bernardo and Berger, 1992; Bernardo, 2005, citados arriba), hoy considerado como la piedra angular de los métodos objetivos de inferencia estadística bayesiana. En los últimos años ha estado combinando el análisis de referencia con funciones de pérdida basadas en la teoría de la información para proporcionar, desde una perspectiva bayesiana objetiva, una alternativa integrada a los problemas convencionales de estimación y contraste de hipótesis. El módulo propuesto proporciona una visión de conjunto sobre esta nueva perspectiva.


http://www.eolss.net/

En colaboración con el profesor Adrian Smith (Imperial College London), el profesor Bernardo ha escrito la monografía para postgraduados: Bernardo, J. M. and Smith, A, F. M. (1994. Bayesian Theory. New York: Wiley, cuya segunda edición esta prevista para Junio de 2006, y que, como puede comprobarse haciendo en Internet la búsqueda relevante, forma parte de la bibliografía recomendada de la gran mayoría de los cursos postgraduados en estadística bayesiana que se imparten en el mundo. José-Miguel Bernardo es el creador de los Valencia International Meetings on Bayesian Statistics (1979, 1983, 1987, 1991, 1994, 1998 y 2002), foro mundial sobre Métodos Estadísticos Bayesianos que, patrocinado por la Universidad de Valencia, se reúne cada cuatro años en algún lugar de España. Los correspondientes Proceedings, publicados por Oxford University Press, constituyen una referencia obligada para los investigadores que trabajan dentro de la metodología Bayesiana. La octava edición esta programada para Junio de 2006. Además, el profesor Bernardo organizó la Second International Workshop on Objective Bayesian Methodology (Valencia, 1999), ha formado parte del comité organizador de las otras cuatro conferencias internacionales celebradas sobre el tema (West Lafayette, USA, 1996; Ixtapa, Mexico, 2000; Aussois, France, 2003 y Missouri, USA, 2005) y forma parte del comité organizador de la próxima: 6th International Workshop on Objective Bayesian Methodology, Roma Italia, 2007. Fue co-Presidente fundador de la International Society for Bayesian Analysis y ha sido el responsable de la asignatura de Métodos Bayesianos Objetivos en el programa de doctorado durante los últimos años.

Herramientas para la Gestión y Mejora de la Calidad Andrés Carrión García

Universidad Politécnica de Valencia Objetivos:

La asignatura pretende dotar a los alumnos de los conocimientos que le permitan ubicar el tema de Calidad y su gestión dentro de las organizaciones, definiendo el marco en el que se usan las herramientas tratadas en esta y en otras asignaturas del programa de doctorado. Se presentan una serie de herramientas, tanto cuantitativas como de gestión, que permiten trabajar en la mejora de la calidad de las organizaciones. Contenidos:

Parte I. La gestión de la Calidad 1. La Gestión de la Calidad. Introducción al concepto de calidad. Enfoques Históricos y conceptos de Calidad de los diferentes autores.

Nociones generales sobre sistemas de gestión. 2. Modelos de Gestión de Calidad. Revisión de los principales modelos de gestión y aseguramiento de la calidad, con especial mención a las normas

internacionales del grupo ISO 9000:2000, e introducción al modelo EFQM (expuesto en detalle en el siguiente tema) en su relación con ISO 9000.

3. El modelo EFQM. Revisión de las características, elementos y procedimientos de actuación y evaluación asociados el modelo

europeo de excelencia EFQM. 4. Integración de Sistemas de Gestión. Relación de los sistemas de gestión de calidad con otros sistemas de gestión de la empresa, en especial con el

sistema de gestión medioambiental y con el sistema de prevención de riesgos laborales. Relación entre las respectivas normas (ISO 9000, ISO 14000 y OHSA 18000)

Parte II. Herramientas para la Calidad 5. Análisis de los Modos y Efectos del Fallo. Revisión de la naturaleza, objetivos y procedimientos de esta herramienta de revisión del diseño y de prevención

de fallos. 6. Análisis de Sistemas de Medida. Características de un sistema de medida. Factores influyentes en la calidad de la medida. Calibración y evaluación

de los sistemas de medida por variables y por atributos. Estudios R&R. 7. Análisis de relaciones en el sistema de producción. Estudio de técnicas matriciales para describir y evaluar el grado de relación existente entre las características de

calidad de un producto, entre las operaciones del procesos de producción y entre ambos grupos. Este conocimiento


resulta de gran importancia en la definición de los planes de control de calidad, especialmente en procesos productivos de la industria manufacturera.

8. Herramientas para la Gestión de la Calidad. Revisión del grupo de herramientas asociadas a la mejora de la gestión de la calidad (Diagrama de afinidades,

Diagrama de Afinidad, Diagrama de Relaciones, Diagrama de Árbol, Matrices de Priorización, Diagrama Matricial, Diagrama de Procesos de Decisión, Diagrama de Flechas).

Bibliografía:

Haider, S.I. (2001). ISO 9000:2000 Document Development Compliance Manual. CRC Press. J. Ribera, et al. (1997). Calidad: Definirla, Medirla y Gestionarla. IESE – Universidad de Navarra. Juran, J.M; Gryna, F.M. (1990). Quality Planning and Analysis. McGraw-Hill. Stamatis, D. H. (2003). Failure Mode and Effect Analysis: FMEA from Theory to Execution. American Society for Quality. Doebelin, E. (1990). Measurement Systems: Application and Design. Mcgraw-Hill Series in Mechanical and Industrial

Engineering. (2002) Measurement Systems Analysis. Ford-Chrysler-General Motors Manual (3rd Edition). (2002) How to Use the Model. Implementing the EFQM Excellence Model. British Quality Foundation, Afinidad:

El profesor Carrión trabaja en el tema de calidad, tanto desde el punto de vista de la investigación, como de la docencia universitaria y en empresas desde el año 1984. Es miembro de la Asociación Española para la Calidad y ha sido miembro del comité organizador del Primer Congreso de Calidad de la Comunidad Valenciana. Es coordinador del programa de postgrado de la UPV (título propio) en Gestión y Control de la Calidad. Ha dirigido un total de cuatro tesis en diversos ámbitos de la calidad (desde la gestión al control estadístico de procesos). Es autor o coautor de publicaciones y comunicaciones a congresos en el campo de la calidad, entre las que se destacan: Carrion, A.; Jabaloyes, J. (1995). La Matriz de Características en Control de Calidad. XXIII Congreso Nacional de

Estadística e Investigación Operativa. Sevilla. Carrion, A.; Jabaloyes, J.; Aparisi, F. (1997). Comparación de la potencia de los gráficos de control univariantes de la

varianza con el gráfico de la varianza generalizada para el control en proceso de la dispersión. XXIII Congreso de Estadística e Investigación Operativa Valencia.

Carrion, A.; Jabaloyes, J.; Aparisi, F. (1998). Grafico de la varianza generalizada con tamaño de muestra variable. Caso bidimensional. XXIV Congreso Nacional de Estadistica e Inv. Operativa. Almeria.

Aparisi, F., Jabaloyes, J. and Carrión, A. (1999). Statistical Properties of the S Multivariate Control Chart. Communications in Statistics: Theory and Methods 28, 2671–2686.

Carrion , A.; Jabaloyes, J.; Santofimio, T. (1999). Auditorias de Calidad y Medio-ambientales. ISBN: 84-7721-837-4. Editorial UPV. 435 páginas.

Carrion, A.; Lopez De Murillo, A. (2000). Desarrollo de una herramienta para análisis y validación del diseño de procesos. XXV Congreso Nacional de Estadistica e Inv. Operativa. Vigo.

Carrion, A.; Algaba, A.; Alberich, J. (2001). Two statistical packages for teaching quality and reliability. QUALITA 2001. Annecy (Francia).

Aparisi, F., Jabaloyes, J. and Carrión, A. (2001) Generalized Variance Chart Design with Adaptive Sample Sizes. The bivariate case. Communications in Statistics: Simulation and Computation 30, 931–948.

Carrion, A.; Jabaloyes, J.; San Matías, S. (2001). Nuevas estrategias de precontrol vs. Método clásico. XXVI congreso de la SEIO. Jaen.

Papic, L.; Aronov, J.; Carrión, A.; San Matías, S. (2002). Reliability testing plan according to availability criterion. 8th ISSAT International Conference. Proceedings, Anaheim, California (USA), 346-350.

Carrion, A., San Matias, S. (2002). Design for Quality, Scope and Tools. Conferencia Invitada DQM 2002. Quality Management And Dependability Conference. Belgrado (Serbia).

Lopez, A.; Carrión, A. (2002). Cuantificación de las relaciones entre operaciones de un proceso y características de calidad. Epiciclos ISSN 1657-5636. Vol. 1. Pags. 81-96.

Carrion, A.; Carot, J.M.; Jabaloyes, J.; San Matias, S.: Miro, P. (2003). A quantitative Analysis of the Applicability of the EFQM Model. The Case of the Ceramic Tile Sector. QUALITA 2003. Nancy (Francia).

Carrion, A.;San Matias, S.; Jabaloyes, J. (2003). Initial Process capability Evaluation : new Alternatives for the Pre-Control Techniques. QUALITA 2003. Nancy (Francia).

Carrion, A., San Matias, S., Papic, L (2003). Mejora Del Control de procesos por atributos con defectos múltiples. XXVII Congreso Nacional de Estadistica e Inv. Operativa. Lérida (España).

Carrion, A., Perez, E., Jabaloyes, J. (2003). Aplicación de la metodología de Daudin a los gráficos por atributos. XXVII Congreso Nacional de Estadistica e Inv. Operativa. Lérida (España).

Carrión, A; San Matía, S.; Papic, L. (2003). A new approach to the multiple control of attributes with multiple defects. Communications in Dependability and Quality Management 6, 5-11.

Carrión, A; San Matías, S.; Jabaloyes, J. (2003). Some Modifications of the Classical Pre-control Technique Quality and Reliability Engineering International 20 (1), 47-60.


Carrión, A; San Matías, S.; Papic, L. (2004). The problem of unequal frequencies in multiple defects control charts. Metodni Menashmenta Tchatesva 4 (4), 37-40 (en ruso).

Carrión, A.; Martínez, N.; Romero, R.; San Matías, S. (2004). Advances in reliability models. Conferencia Invitada DQM 2004 Quality Management and Dependability Conference. Belgrado (Serbia).

Carrion, A. ; San Matias, S. ; Papic, L. (2005). Una mejora de los gráficos de control por atributos. El caso del sector servicios. Sesión Invitada XV Congreso De Matemáticas Capricornio (COMCA). Antofagasta (Chile).

Miembro del Comité Científico de la International Conference on Dependability and Quality Management (DQM), ediciones 2002, 2003, 2004 y 2005. Belgrado (Serbia).

Sus líneas actuales de investigación son: Evaluación de los sistemas de gestión de la calidad. Métodos estadísticos en control de calidad. Fiabilidad y calidad de servicio en redes de suministro de agua potable.

Control Estadístico Multivariante de Procesos Alberto Ferrer

Universidad Politécnica de Valencia Objetivos

Introducir al alumno en la problemática particular del análisis, monitorización y diagnóstico de fallos en los modernos procesos industriales continuos o por lotes (batch), altamente automatizados, con multitud de variables de proceso medidas con mucha frecuencia (minutos, segundos, ...), con lazos de control y con algunas variables de calidad medidas con menor frecuencia y con cierto retardo entre el momento en que se toma la muestra y el que se obtiene el resultado, a menudo, tras alguna operación analítica. Discutir las limitaciones que en estos contextos tienen las técnicas clásicas de análisis multivariante y presentar las técnicas estadísticas multivariantes de proyección sobre estructuras latentes como herramientas eficientes para el control estadístico multivariante de este tipo de procesos. Contenido

1. Problemática de los modernos procesos altamente automatizados Características de las matrices de datos típicas en estos contextos. Limitaciones de las técnicas clásicas de análisis

multivariante. Introducción a las técnicas estadísticas multivariantes de proyección sobre estructuras latentes. 2. Álgebra matricial y estadística multivariante Repaso de conceptos básicos. 3. Análisis de componentes principales (PCA) Algoritmo NIPALS; manejo de datos faltantes. Determinación del número de componentes del modelo: validación

cruzada. 4. Regresión en mínimos cuadrados parciales (PLS) Interpretación geométrica y matemática; algoritmo NIPALS. Predicciones. Relaciones con otros modelos

predictivos: regresión en componentes principales, análisis de correlaciones canónicas, redes neuronales, ...). PLS en procesos con dinámica.

5. Control estadístico multivariante mediante PCA y PLS Procesos continuos y procesos por lotes. Cálculo de los límites de control. Herramientas de diagnóstico de fallos:

gráficos de contribución. 6. Problemas abiertos

Bibliografía

Ferrer, A. (2003). Control estadístico megavariante para los procesos del siglo XXI. Actas del XXVII Congreso Nacional de Estadística e I.O., 24-38.

Geladi, P.; Kowalski, B.R. (1986). Partial Least-Squares Regression: A Tutorial. Analytica Chimica Acta 185, 1-17. Höskuldsson, A. (1988). PLS Regression Methods. Journal of Chemometrics, 2, 211-228. Jackson, J. E. (1991). A User´s Guide to Principal Components. John Wiley & Sons, New York, NY. Kourti, T.; MacGregor, J.F. (1996). Multivariate SPC Methods for Process and Product Monitoring. Journal of Quality

Technology 28 (4), 409-428. Louwerse, D.J.; Smilde, A.K. (2000). Multivariate statistical process control of batch processes based on three-way models.

Chemical Engineering Science 55, 1225-1235. MacGregor, J.F.; Jaeckle, C.; Kiparissides, C.; Koutoudi, M. (1994). Process Monitoring and Diagnosis by Multiblock PLS

Methods. AIChE Journal 40 (5), 826-838. Nomikos, P.; MacGregor, J.F. (1995). Multivariate SPC Charts for Monitoring Batch Processes. Technometrics 37 (1), 41-

59. Westerhuis, J.A.; Kourti, T.; MacGregor, J.F. (1999). Comparing alternative approaches for multivariate statistical analysis

of batch process data. Journal of Chemometrics 13, 397-413.


Wold, S., Esbensen, K., and Geladi, P. (1987). Principal Component Analysis. Chemometrics and Intelligent Laboratory Systems 2, 37-52.

Afinidad

El profesor Ferrer es autor de numerosas publicaciones en el área del Control Estadístico Multivariante de Procesos, entre las que destacan: Arteaga, F.; Ferrer, A. (2002). Dealing with missing data in MSPC: several methods, different interpretations, some

examples. Journal of Chemometrics 16, (8-10), 408-418. Ferrer, A. (2002). Detección, diagnóstico de fallos y mejora de procesos batch mediante técnicas de control estadístico

multivariante. Automática e Instrumentación 326, 2-12. Arteaga, F.; Ferrer, A. (2003). Monitorización de procesos multivariantes con datos faltantes mediante Análisis de

Componentes Principales. Actas del XXVII Congreso Nacional de Estadística e I.O., 785-806 . Ferrer, A. (2003). Control estadístico megavariante para los procesos del siglo XXI. Actas del XXVII Congreso Nacional

de Estadística e I.O., 24-38. Ferrer, A. (2004). Control estadístico de procesos con dinámica: revisión del estado del arte y perspectivas de futuro.

Estadística Española 46 (155), 19-47. Palau Estevan, V.; Arregui de la Cruz, F.; Ferrer, A. (2004). Using multivariate principal component analysis of injected

water flows to detect anomalous behaviours in a water supply system – a case study. IWA Journal Water Science and Technology: Water Supply 4 (3), 169-181.

Zarzo, M.; Ferrer, A. (2004). Batch process diagnosis: PLS with variable selection versus block-wise PCR. Chemometrics and Intelligent Laboratory Systems 73 (1), 15-27.

Prats-Montalbán, J.M.; Ferrer, A.; Malo, J.L.; Gorbeña, J. (2006). A comparison of different discriminant analysis techniques in a steel industry welding process. Chemometrics and Intelligent Laboratory Systems 80 (1), 109-119.

Arteaga, F.; Ferrer, A. (2006). Framework for regression-based missing data imputation methods in on-line MSPC. Journal of Chemometrics (en prensa. DOI: 10.1002/cem.946. Disponible on-line: www.interscience.wiley.com) Sus lineas actuales de investigación son: Control estadístico multivariante de procesos Análisis, monitorización y diagnóstico de fallos en procesos multivariantes continuos y por lotes Análisis multivariante de imágenes Integración de la monitorización estadística (SPC) con la regulación automática (EPC) de procesos multivariantes Quimiometría de procesos y calibración multivariante Técnicas estadísticas multivariantes para el análisis de microarrays El profesor Ferrer ha actuado como consultor de varias empresas en técnicas estadísticas para la mejora de la calidad y la productividad. Dirige el grupo de investigación en Ingeniería Estadística Multivariante y ha participado como investigador principal en varios proyectos de I+D competitiva en el que han colaborado empresas de diversos sectores (petroquímico, industria del acero, depuración de aguas,…). Ha actuado como revisor de diversas revistas científicas y ha sido el responsable de la asignatura de Control Estadístico Multivariante de Procesos en el programa de doctorado durante los últimos años. Mantiene una estrecha colaboración con varios especialistas en el área: Teodora Kourti, John MacGregor y Román Viveros de la McMaster University (Canadá), y con Age Smilde y Johan Westerhuis de la University of Ámsterdam (Holanda).

Estadística Espacial en Epidemiología y Medio Ambiente Antonio López Quílez Universitat de València

Objetivos

Establecer la problemática del análisis estadístico de la variabilidad espacial inherente a los problemas con datos epidemiológicos y medioambientales. Introducir al estudiante en los rudimentos de la Estadística Espacial de modo que entienda sus objetivos, asimile sus líneas argumentales básicas y sea capaz de aplicar algunos de los modelos de uso más frecuente. Analizar la aplicación de la Geoestadística en el ámbito de la Epidemiología y en el del Medio Ambiente. Presentar la metodología aplicable al contexto, tanto desde una perspectiva frecuentista como Bayesiana. Programa

1. Estadística, Epidemiología y Medio Ambiente. Epidemiología. Ciencias Ambientales. Variabilidad espacial. Estudios observacionales. Datos epidemiológicos y

medioambientales. Modelización estadística. Futuro de la Estadística Espacial. 2. Procesos continuos estacionarios. Procesos estocásticos espaciales. Estacionariedad. Estacionariedad de los incrementos. Modelos de variograma.


3. Estimación del variograma. Estimación empírica del variograma. Estimación paramétrica de modelos de variograma. Validación cruzada del

variograma ajustado. 4. Predicción espacial. Suavización e interpolación. Kriging ordinario. Kriging universal. Kriging pulido por la mediana. Cokriging. 5. Modelos Lineales Generalizados. Definición de Modelo Lineal Generalizado (GLM). Estimación de un GLM. Selección del mejor modelo GLM.

Análisis de residuos. 6. Modelos jerárquicos Bayesianos. Introducción. Definición de modelo jerárquico. Ejemplos de modelos jerárquicos. Procesos espaciales. Inferencia

Bayesiana en modelos jerárquicos. 7. Inferencia Bayesiana para el modelo lineal Gaussiano. Formulación. Parámetros de correlación fijos. Incertidumbre en los parámetros de correlación. 8. Modelos Lineales Generalizados con estructura espacial. Fundamentos teóricos. Predicción. Inferencia Bayesiana. Aplicación con datos discretos.

Bibliografía

Banerjee, S., Carlin, B.P. y Gelfand, A.E. (2004). Hierarchical Modeling and Analysis for Spatial Data. Chapman & Hall, Boca Raton.

Christensen, O.F. y Ribeiro Jr., P.J. (2002). geoRglm: A package for Generalised Linear Spatial Models. R-NEWS 2 (2). (http://cran.r-project.org/doc/Rnews)

Cressie, N. (1993). Statistics for spatial data, (2nd edition). John Wiley and Sons, New York. Diggle, P.J., Tawn, J.A. y Moyeed, R.A. (1998). Model-based Geostatistics (con discusión). Applied Statistics 47, 299-350. Diggle, P.J., Ribeiro, P.J. y Christensen, O.F. (2003). An introduction to Model-based Geostatistics. En Spatial Statistics

and Computational Methods, ed. J. Moller, Springer Verlag, New York. Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation. Oxford University Press, New York. Ripley, B.D. (1981). Spatial Statistics. John Wiley and Sons, New York. R Development Core Team (2000). An introduction to R. (http://cran.r-project.org) Ribeiro, P.J. y Diggle, P.J. (2000). geoR/geoS: functions for geostatistical analysis using R or S-PLUS. Technical Report

ST-99-09, versión revisada. Department of Mathematics and Statistics, Lancaster University. (http://www.maths.lancs.ac.uk/~ribeiro/geoS.html)

Ribeiro Jr., P.J. y Diggle, P.J. (2001). geoR: A package for geostatistical analysis. R-NEWS 1 (2). (http://cran.r-project.org/doc/Rnews)

Venables, W.N. y Ripley, B.D. (1999). Modern Applied Statistics with S-PLUS, (3rd edition). Springer, New York. (http://www.stats.ox.ac.uk/pub/MASS3)

Waller, L.A. y Gotway, C.A. (2004). Applied Spatial Statistics for Public Health Data. John Wiley and Sons, Hoboken, New Jersey.

Afinidad

La Estadística Espacial es el principal área de interés científico del profesor Antonio López Quílez desde el año 1990 en que comenzó su formación predoctoral bajo la dirección del profesor Juan Ferrándiz Ferragud, experto reconocido en la materia. Esto ha conllevado una gran actividad tanto investigadora como docente. La asignatura “Estadística Espacial y Medioambiental”, optativa de la Licenciatura en Matemáticas y de la Licenciatura en Ciencias y Técnicas Estadísticas, está muy relacionada con la materia y ha sido impartida durante los últimos cuatro cursos por el profesor Antonio López Quílez, quien además ha sido el responsable de la asignatura de Estadística Espacial en el programa de doctorado durante los últimos años. Además ha impartido lecciones relacionadas en: Cursos de postgrado de la Universitat de València: “Estadística en Ciencias de la Salud” “Estadística en Ciencias de la Salud y de la Vida” (2 ediciones) “Estadística Aplicada” “Análisis de Datos Espaciales en Ciencias Medioambientales” Cursos de la Escuela Valenciana de Estudios para la Salud: “Análisis de la Variación Geográfica de los Fenómenos de Salud” (2 ediciones) Cursos del Instituto Aragonés de Ciencias de la Salud “Análisis de la Variación Geográfica de los Fenómenos de Salud” (2 ediciones) El profesor López es autor de numerosas publicaciones en el área de la Estadística Espacial aplicada a la Epidemiología y el Medio Ambiente, entre otras: J. Ferrándiz, A. López, A. Llopis, M. Morales y M. L. Tejerizo (1995). Spatial Interaction between Neighbouring Counties:

Cancer Mortality Data in Valencia (Spain). Biometrics 51, 665-678.


Juan Ferrándiz, Antonio López and Pilar Sanmartín (1999). Spatial regression models in epidemiological studies. En Disease Mapping and Risk Assessment for Public Health. Eds. A.B. Lawson, A. Biggeri, D. Böhning, E. Lesaffre, J.F. Viel, R. Bertolini. John Wiley & Sons, Chichester.

M. Cambra, M.T. Gorris, M.P. Román, C. Marroquín, A. López, T.R. Gottwald, M.C. Martínez y A. Hermoso de Mendoza (2000) Incidence and Epidemiology of Citrus Tristeza Virus (CTV) in the Valencian Community of Spain. Virus Research 71, 85-95.

J. Ferrándiz, J.J. Abellán, A. López, P. Sanmartín, H. Vanaclocha, O. Zurriaga, M.A. Martínez-Beneito, I. Melchor, J. Calabuig (2002). Geographical distribution of the cardiovascular mortality in Comunidad Valenciana (Spain). En: GIS for Emergency Preparedness and Health Risk Reduction. Eds. D.J. Briggs, P. Forer, L. Jarup, R. Stern. Kluwer Academic Publishers, Dordrecht.

J.J. Abellán, M.A. Martínez-Beneito, O. Zurriaga, G. Jorques, J. Ferrándiz, A. López-Quílez (2002). Procesos puntuales como herramienta para el análisis de posibles fuentes de contaminación. Gaceta Sanitaria 16, 445- 449.

J. Ferrándiz, A. López-Quílez, V. Gómez-Rubio, P. Sanmartín, M. A. Martínez-Beneito, I. Melchor, H. Vanaclocha, O. Zurriaga, F. Ballester, J. M. Gil, S. Pérez-Hoyos, J. J. Abellán (2003). Statistical relationship between hardness of drinking water and cerebrovascular mortality in Valencia: a comparison of spatiotemporal models. Environmetrics 14, 491-510.

J. Ferrándiz, J.J. Abellán, V. Gómez-Rubio, A. López-Quílez, P. Sanmartín, C. Abellán, M.A. Martínez-Beneito, I. Melchor, H. Vanaclocha, O. Zurriaga, F. Ballester, J.M. Gil, S. Pérez-Hoyos, R. Ocaña (2004). Spatial analysis of the relationship between mortality from cardiovascular and cerebrovascular disease and drinking water hardness. Environmental Health Perspectives 112, 1037-1044.

V. Gómez-Rubio, J. Ferrándiz-Ferragud, A. López-Quílez (2005). Detecting Clusters of Diseases with R. Journal of Geographical Systems 7, 189-206.

V. Gómez-Rubio, A. López-Quílez (2005). RArcInfo: Using GIS Data with R. Computers & Geosciences 31, 1000-1006. M.A. Martínez-Beneito, J.J. Abellán, A. López-Quílez, H. Vanaclocha, O. Zurriaga, G. Jorques, J. Fenollar (2005). Source

detection in an outbreak of legionnaire's disease. En Case Studies in Spatial Point Process Modelling (A. Baddeley, P. Gregori, J. Mateu, R. Stoica and D. Stoyan eds.). Springer-Verlag, 169-182.

El profesor López ha participado en el proyecto europeo “An European Environment and Health Information System for Exposure and Disease Mapping and Risk Assessment (EUROHEIS)” con códigos VS/1999/5279 (99CVF2-606), SI2.29180 (2000CVG2-605) y SI2.329122 (2001CVG2-604). http://www.med.ic.ac.uk/divisions/60/euroheis/homepage.htm Este proyecto ha sido liderado por el Imperial College of Science, Technology and Medicine (UK) y han intervenido importantes instituciones europeas: National Public Health Institute (Finland), Stockholm County Council (Sweden), WHO Environmental and Health (Italy), Public Health Dept, UCD (Ireland), INSERM (France), National Health Board (DK), Universitat de València (España). Esto ha conllevado la elaboración de materiales conjuntos, la organización de los encuentros del grupo y de la Conferencia Internacional EUROHEIS / SAHSU Conference. An International Conference on Health and Environment en marzo de 2003, y la publicación conjunta de su informe final, que recoge las aportaciones del profesor López y las de otros investigadores europeos de prestigio como L. Jarup, P. Elliot, D. Briggs, N. Best, A. Nelly, M. Martuzzi, J. Pekkanen, A. Poulstrup, entre otros. Sus líneas actuales de investigación son: Detección de agrupamientos geográficos en cartografía de enfermedades. Evaluación de la calidad de la información sanitaria y medioambiental: Imputación de datos ausentes. Análisis y caracterización espacio-temporal de enfermedades epidémicas infecciosas Desarrollo de métodos geoestadísticos para la vigilancia de la gripe en la red centinela. Estudio de la mortalidad y la morbilidad hospitalaria en relación a la producción cerámica en la provincia de Castellón. Evaluación del impacto sobre la salud de la contaminación atmosférica en el área metropolitana de Valencia. Difusión espacio-temporal de la incidencia de virus en plantaciones agrícolas.

Programación de la Producción Concepción Maroto


Objetivos

El objetivo de la asignatura es que los alumnos conozcan los modelos y técnicas avanzadas de programación y secuenciación de la producción, con especial énfasis en las modernas técnicas metaheurísticas. Así mismo, se estudiarán aplicaciones a la industria y en particular las que resuelven problemas relevantes del entorno socioeconómico. Contenido

1. Introducción


http://www.med.ic.ac.uk/divisions/60/euroheis/homepage.htm

Definición general de “Scheduling”. Tipos de problemas. Programación en empresas manufactureras y Programación en empresas de servicios. Ejemplos de aplicaciones.

2. Modelos determinísticos Conceptos básicos. Estructura y notación. Clasificación de los programas. Programas activos, semiactivos y de no

retraso. Introducción a la complejidad algorítmica. 3. Métodos heurísticos de programación de la producción

Reglas de despacho simples y compuestas. Otros algoritmos heurísticos. Software de Programación de la Producción: LEKIN.

4. Programación matemática y métodos Branch and Bound Formulaciones de Programación Lineal. Formulaciones de Programación Entera. Formulaciones de Programación Disyuntiva. Métodos Branch and Bound.

5. Métodos metaheurísticos Algoritmos genéticos. Tabu Search. Simulated Annealing. GRASP. Aplicaciones software.

6. Aplicaciones Fabricación de semiconductores. Aplicaciones a la industria española: Secuenciación en una fábrica de cristal y en empresas del sector cerámico. Software Prodplanner.

Bibliografía

Blazewicz, J., K.H. Ecker, E. Pesch, G. Schmidt, J. Weglarz (2002). Scheduling Computer and Manufacturing Processes, (2nd edition). Springer Verlag.

Brucker, P. (2004). Scheduling Algorithms (4th Edition). Springer Verlag. Morton, T. and David W. Pentico (1993). Heuristic Scheduling Systems With Applications to Production Systems and

Project Management. John Wiley and Sons. Pinedo, M. (2001). Scheduling: Theory, Algorithms, and Systems (2nd Edition). Prentice Hall. Pinedo, M. and X. Chao (1998). Operations Scheduling with Applications in Manufacturing and Services (with 3.5 Disk

Package). Graw-Hill/Irwin; Book and Disk edition. Afinidad

La profesora Maroto es autora de numerosas publicaciones en Programación de la Producción, entre las que destacan: Lova, A., Maroto, C. and P. Tormos (2000). A Multicriteria Heuristic Method To Improve Resource Allocation in

Multiproject Scheduling. European Journal of Operational Research 127, 408–424. Alcaraz, J. and C. Maroto (2001). A Robust Genetic Algorithm for Resource Allocation in Project Scheduling. Annals of

Operations Research 102, 83–109. Alcaraz, J., Maroto, C. and Ruiz, R. (2004). Solving the Multi-Mode Resource-Constrained Project Scheduling Problem

with Genetic Algorithms. Journal of the Operacional Research Society 54, 614-626. Ruiz, R. and Maroto, C. (2005). A comprehensive review and evaluation of permutation flowshop heuristics, European

Journal of Operational Research 165, 479-494. Ruiz, R. Maroto, C. and Alcaraz, J. (2005). Solving the flowshop scheduling problem with sequence dependent set-up

times using advanced metaheuristics, European Journal of Operational Research 165, 34-54. Ruiz, R., C. Maroto and J. Alcaraz, (2006). Two new robust genetic algorithms for the flowshop scheduling problem,

OMEGA, The International Journal of Management Science 34, 461-476. Ruiz, R. and C. Maroto, (2006). A genetic algorithm for hybrid flowshops with sequence dependent setup times and

machine elegibility, European Journal of Operational Research 169, 781-800. Sus líneas actuales de investigación son: Gestión de Proyectos Programación Flexible de la Producción Modelización y Optimización La profesora Maroto ha impartido la asignatura propuesta en el Programa de Doctorado del Departamento de Estadística e Investigación Operativa Aplicadas y Calidad de la Universidad Politécnica de Valencia durante los últimos años. Es responsable del Grupo de Investigación Operativa (GIO), una de cuyas líneas de investigación es la Programación de la Producción. Investigadora responsable de varios proyectos de investigación interdisciplinares financiados por el Ministerio de Ciencia y Tecnología (con fondos FEDER) y la Universidad Politécnica de Valencia centrados en programación de la producción. Coordinadora de varios proyectos conjuntos entre grupos de universidades españolas (Universidad de la Laguna, Universidad de Alcalá y la Universidad Politécnica de Valencia) concedidos por el Ministerio de Ciencia y Tecnología (2002-2004) y por el Ministerio de Educación y Ciencia (2005-2007). Responsable de varios Contratos de Investigación y Desarrollo Tecnológico para Programación Flexible de la Producción con empresas del Sector Cerámico de la Comunidad Valenciana en el marco del cual se ha desarrollado un prototipo software (Prodplanner) que incorpora métodos metaheurísticos de última generación para resolver problemas reales y transfiere al entorno socioeconómico los resultados de las investigaciones realizadas en el Grupo de Investigación GIO. Directora de trabajos de investigación y tesis


doctorales sobre la temática de la asignatura propuesta. Colabora con otros grupos de investigación que trabajan en la materia, tanto nacionales (ya citados) como extranjeros. Ha sido profesora responsable de la asignatura Programación de la Producción en el programa de doctorado durante los últimos años.

Algoritmos Heurísticos Rafael Martí


Introducir al estudiante en la metodología y aplicación de los métodos heurísticos. Sobre una colección de problemas de optimización de los llamados difíciles, estudiar las diferentes metodologías de resolución abordadas en el curso. De este modo, el estudiante obtendrá una formación completa que incluye tanto los métodos básicos como las últimas líneas de investigación de esta área. Se implementarán los procedimientos de resolución en programas eficientes en lenguajes de relativo bajo nivel como el C. Contenido

1. Introducción 2. Calidad de los Algoritmos 3. El Problema del Viajante 4. Métodos Constructivos Heurísticos del Vecino más Próximo. Heurísticos de Inserción. Heurísticos basados en Árboles

Generadores. Heurísticos basados en Ahorros. 5. Métodos de Búsqueda Local Procedimientos de 2-intercambio. Procedimientos de k -intercambio. Algoritmo de Lin y Kernighan. 6. Métodos Combinados Procedimientos Aleatorizados. Métodos Multi-Arranque. GRASP. 7. Búsqueda Tabu Principios del Procedimiento. Uso de Memoria. Estrategias y Atributos. Mejoras y Especializaciones. 8. Templado Simulado El Modelo Físico. El Modelo de Optimización. Parámetros y Mejoras. 9. Métodos Evolutivos Algoritmos Genéticos. Scatter Search. Re-encadenamiento de trayectorias. 10. Nuevos Métodos Algoritmos meméticos. Colonias de Hormigas. Métodos de entorno variable.

Bibliografía

Davis, L. (1996). Handbook of Genetic Algorithms, International Thomson Computer Press, Londres. Díaz, A., Glover, F., Ghaziri, H.M., Gonzalez, J.L., Laguna, M, Moscato, P. y Tseng, F.T. (1996). Optimización Heurística

y Redes Neuronales, Paraninfo, Madrid. Glover, F. (1986). Future Paths for Integer Programming and Links to Artificial Intelligence, Computers and Operations

Research 13, 533. Glover, F. (1989). Tabu Search: Part I, ORSA Journal on Computing 1, 190. Holland, J.H. (1992). Genetic Algorithms, Scientific American 267, 66. Johnson, D.S., Aragon, C.R., McGeoch, L.A. and Schevon, C. (1989). Optimization by Simulated Annealing: An

experimental evaluation; Part I, Graph Partitioning, Operations Research 37. Laporte, G. (1992). The Travelling Salesman Problem: An Overview of Exact and Approximate Algorithms, European

Journal of Operational Research 59, 231-247. Reeves, C.R. (1995). Modern Heuristic Techniques for Combinatorial Problems, McGraw-Hill, UK. Rinnooy Kan, A.H.G. and Timmer, G.T. (1989). Global Optimization. Handbooks in operations research and management

science, Vol. 1, Ed. Rinnoy Kan and Todds, North Holland, 631-662. Silver, E.A., Vidal, R.V. y De Werra, D. (1980). A Tutorial on Heuristic Methods, European Journal of Operational

Research 5, 153-162.

Afinidad

Rafael Martí es autor de más de 75 publicaciones en el tema de este curso (algoritmos heurísticos) incluyendo 35 artículos en revistas indexadas del área como EJOR, Informs JoC, IIE Transactions, JOGO, C&OR and Discrete and Applied Maths. Es coautor de Scatter Search: Methodology and Implementations in C el primer libro sobre una novedosa técnica de optimización heurística. El profesor Martí es editor de área de la revista Journal of Heuristics en el área dedicada a la optimización heurística inteligente (Adaptive memory programming) y ha sido editor invitado de la revista European


Journal of Operational Research en un volumen sobre métodos heurísticos. Ha participado en la creación de una red temática en Metaheurísticos, del que es investigador principal en el proyecto TIN2004-20061-E financiado por el Ministerio, y que cuenta con 142 participantes de 15 universidades. El profesor Martí ha trabajado como consultor para la empresa dedicada a la optimización heurística Optimization Technologies (USA) y colabora asiduamente con profesores de prestigio internacional en el área como Fred Glover (University of Colorado), Manuel Laguna (University of Colorado), Leon Lasdon (University of Texas) y John Plummer (University of Texas). Además, es miembro del comité director de los congresos MAEB (integrados en el CEDI) dedicados a los algoritmos heurísticos. Ha sido profesor responsable de la asignatura Algoritmos Heurísticos en el programa de doctorado durante los últimos años.

Fiabilidad Nieves Martínez Alzamora, Ana Isabel Sánchez Galdón


Con la creciente competitividad existente en la industria, el problema de modelizar la distribución del tiempo T que transcurre hasta que se produce un suceso de interés: fallo, muerte, recaída,… en un individuo o en un sistema, y el problema de identificar los factores que influyen sobre el tiempo de vida están adquiriendo especial importancia en la investigación de nuevos diseños y en la mejora de diseños ya existentes. Se desarrollan en este curso un conjunto de herramientas de estadística avanzada para el análisis de datos en estudios de fiabilidad industrial, con énfasis especial en modelos de regresión con respuesta censurada. El programa está dividido en cuatro bloques. El objetivo del primer bloque es introducir al futuro investigador en el estudio de la fiabilidad, dándole a conocer los conceptos y modelos básicos, avances hasta el momento, líneas de investigación abiertas y principales fuentes de referencia. El objetivo del segundo bloque es darle a conocer los problemas que han surgido al intentar aplicar las técnicas clásicas de inferencia al estudio de la fiabilidad debido a algunas características particulares que presenta este tipo de análisis como la presencia de datos censurados, distribución asimétrica de T, reducido tamaño muestral, etc. Se describen las principales técnicas específicas desarrolladas hasta el momento y se indican los problemas que siguen abiertos. El objetivo del tercer bloque es darle a conocer los intentos de adaptación del modelo de regresión clásico al estudio de los factores que influyen sobre el tiempo de vida, comentando los problemas que presenta la presencia de datos censurados y la no normalidad de T para la definición del modelo, estimación de parámetros y revisión del modelo. Se describen los principales modelos desarrollados y los problemas que siguen abiertos. Por último, en el bloque cuarto se resumen los principales algoritmos desarrollados para el estudio de la fiabilidad de un sistema en base a la fiabilidad de sus componentes. Contenido

Bloque I: Fundamentos Estadísticos de la fiabilidad

1. Introducción. Estadística y fiabilidad. Perspectiva histórica. Áreas en desarrollo. Bibliografía. Revistas de referencia. Software 2. Distribución del tiempo de vida. Función de fiabilidad. Función de riesgo. Función de riesgo acumulado. Tiempo medio hasta el fallo. Vida media

residual 3. Modelos básicos. Distribuciones asociadas a log T: distribución Weibull, distribución log-normal, distribución log-logística Bloque II: Inferencia en fiabilidad 4. Estimación no paramétrica. Datos completos. Datos censurados. Estimación de Kaplan-Meier. Método actuarial. 5. Estimación paramétrica. Métodos gráficos. Papeles probabilísticos. Métodos analíticos. Estimación máximo-verosímil. Residuos de Cox-

Snell 6. Comparación de poblaciones. Estudio comparativo de algunos contrastes. Contrastes trend. Análisis estratificado Bloque III: Modelos de regresión en análisis de fiabilidad 7. Modelo log-lineal. Definición e interpretación. Validación del modelo. Estimación de parámetros. Contraste de hipótesis. Análisis de

residuos


8. Modelo de Cox. Definición, interpretación y propiedades. Validación del modelo. Estimación de parámetros. Estimación de la

función de fiabilidad. Análisis de residuos. Modelo de Cox estratificado. Uso de variables dependientes del tiempo Bloque IV: Fiabilidad de sistemas 9. Fiabilidad de sistemas.

Configuraciones de un sistema. Métodos de análisis de fiabilidad de sistemas complejos. Sistemas F. Modelos multiestado. Redundancia.

Bibliografía

Crowder, M.J.; Kimber, A.C.; Smith, R.L.; Sweeting, T.J. (1991). Statistical Analysis of Reliability Data. Chapman & Hall. Hoyland, A. and Rausand, M. (1994). System reliability theory. Models and statistical methods. Wiley. Kalbfleisch, J.D. and Prentice, R.L. (1980). The Statistical Analysis of Failure Time Data. Wiley. Meeker, W.Q. and Escobar, L.A.(1998). Statistical Methods for Reliability Data. Wiley. Afinidad

Las profesoras Nieves Martínez Alzamora y Ana Isabel Sánchez Galdón son autoras de varias publicaciones en Fiabilidad y Análisis de Supervivencia. Entre ellas, Atienza F.; Martinez-Alzamora, N.; Velasco, J.A. ; Dreiseitl S.; Ohno-Machado L. (2000) Risk stratification in heart failure

using artificial neural networks. Journal of the American Medical Informatics Association, Suppl S 2000, 32-36 Rojo J.L.; Atienza F.; Martinez-Alzamora N., Arenal A. Piñeiro J. Artes A. (2001) Deconvolution and causality for 1:1

arrhythmia discrimination in dual chamberdefibrillator Computers in Cardiology, 269-272 Martinez-Alzamora, N.; Romero, R. (2003) Use of a log-linear regresión model with non-constant scale parameter for

improving the estimation of extreme percentiles in a failure-time distribution. Communications in Dependability and Quality Management 6, 12-22

Atienza F; Anguita M.; Martinez-Alzamora N.; Osca J.; Ojeda S.; Almenar L.; Ridocci F.; Valles F.; Velasco J.A. (2004) Multicenter randomized trial of a comprehensive hospital discharge and outpatient heart failure management program. European Journal of Heart Failure 6, 643-652

Fuster C; Fuster E.; Martinez-Alzamora N.; Garcia A.; Gimenez J. Vazquez C. (2004) Factores pronóstico del cáncer de mama. Modelo predictivo. Revista de Oncologia 6, 472-482

S. Martorell; J.F. Villanueva; Y. Nebot; S. Carlos; A. Sánchez; J.L. Pitarch; V. Serradell (2005). RAMS+C informed decision-making with application to multi-objective optimization of technical specifications and maintenance using genetic algorithms. Reliability Engineering & System Safety 87, 65 – 75.

S. Martorell; A. Sánchez; S. Carlos; V. Serradell.(2004). Alternatives and challenges in optimizing industrial safety using genetic algorithms. Reliability Engineering & System Safety 86, 25 – 38.

S. Martorell; A. Sanchez; S.Carlos; V. Serradell. (2002). Simultaneous and Multi-criteria Optimization of TS Requirements and Maintenance at NPPs. Annals of Nuclear Energy 29,147-168.

S. Martorell, A. Sánchez, S. Carlos, V. Serradell. (2002). Comparing Effectiveness and Efficiency in Technical Specifications and Maintenance Optimization. Reliability Engineering & System Safety 77, 269 – 277.

S. Martorell, S. Carlos, A. Sanchez & V. Serradell. (2000). Constrained optimization of test intervals using a steady-state genetic algorithm. Reliability Engineering & System Safety 67, 215 – 232.

S. Martorell, A. Sanchez, V. Serradell.(1999). Age-dependent reliability model considering effects of maintenance and working conditions. Reliability Engineering & System Safety 64, 19 – 31.

Sus líneas actuales de investigación son: Modelos de regresión log-lineal con parámetro de dispersión variable Utilización de redes neuronales en estudios de fiabilidad Utilización de modelos de Cox con variables dependientes del tiempo en estudios de fiabilidad Análisis de supervivencia Modelos de regresión en poblaciones con fallo limitado Evaluación de la fiabilidad, seguridad, mantenibilidad y seguridad de equipos y sistemas.

Problemas de Distribución y Rutas de Vehículos. Enrique Mota

Universitat de Valéncia

Objetivos


Este curso pretende introducir al alumno en los problemas de distribución y de rutas de vehículos que, además de su importancia económica por sus múltiples aplicaciones, han motivado notables avances en la Optimización Combinatoria, tanto teóricos como de técnicas de resolución. Contenido

1. Introducción Problemas de distribución y recogida de mercancías y servicios. Problemas de rutas de vehículos. Modelos y

aplicaciones. 2. Problemas de Rutas por Vértices I: el Problema del Viajante (TSP) El Problema del Viajante: formulaciones y variantes. Algoritmos aproximados. Procedimientos exactos. El caso

asimétrico. 3. Problemas de Rutas por Vértices II: el Problema de Rutas de Vehículos con Capacidades (VRP) El VRP: formulaciones y variantes. Algoritmos aproximados. Procedimientos exactos. Generalizaciones. 4. Problemas de Rutas por Arcos I Modelos y aplicaciones. Problemas de rutas por arcos en grafos no dirigidos: el Problema del Cartero Chino

(CPP), el Problema del Cartero Rural (RPP) y el Problema General de Rutas (GRP). Problemas de rutas por arcos en grafos dirigidos: el DCPP y el DRPP. Problemas de rutas por arcos en grafos mixtos: el MCPP, el MRPP y el MGRP.

5. Problemas de Rutas por Arcos II El Problema del Cartero con Viento (WPP). El caso rural (WRPP) y el caso general (WGRP). El Problema de

Rutas por Arcos con Capacidades (CARP). Bibliografía

G. Gutin y A.P. Punnen (eds) (2002). The Traveling Salesman Problem and Its Variations. In Combinatorial Optimization (Vol. 12). Kluwer A.P. Holanda.

E.L. Lawler, J.K. Lenstra, A.H.G. Rinnooy Kan y D.B. Shmoys (eds) (1987). The Traveling Salesman Problem. A Guided Tour of Combinatorial Optimization. John Wiley and Sons. Reino Unido.

P. Toth y D. Vigo (2002). The Vehicle Routing Problem. SIAM Monographs on Discrete Mathematics and Applications. Estados Unidos.

M. Dror. Kluwer A.P. (2000). ARC ROUTING: Theory, Solutions and Applications, Estados Unidos. Afinidad

Enrique Mota es autor de numerosas publicaciones en Distribución y Rutas, entre las que se destacan: Martínez, M.C. and Mota, E. (2000) Del Poliedro del AgenteViajero Gráfico al de Rutas de Vehículos con Demanda

Compartida. Qüestiió 24, 495–528. Berenguer, J. M., Martínez, M. C. and Mota, E. (2000). A Lower Bound for the Split Delivery Vehicle Routing Problem.

Operations Research 48, 801–810. Campos, V. and Mota, E, (2000). Heuristic Procedures for the Capacitated Vehicle Routing Problem.

ComputacionalOptimization and Applications 16, 265–277. Corberán, A., Mota, E. and Salazar, J.J. (2003). Some Recent Contributions to Routing and Location Problems. Networks

42, 109–113. Corberán, A., Mota, E. and Sanchis, J. M. (2004). A Comparison of Two Different Formulations for Arc Routing Problems

on Mixed Graphs. Computers and OR. (pendiente de publicación). Sus líneas actuales de investigación son: Optimización combinatoria Rutas de Vehículos El profesor Mota trabaja en problemas de Optimización Combinatoria y más concretamente en los Problemas de Rutas de Vehículos (tanto por vértices como por aristas). Trabaja en el diseño de nuevos procedimientos aproximados de solución, así como en el estudio teórico de los conjuntos de soluciones posibles, que permite mejorar los procedimientos exactos de resolución de estos difíciles problemas. El grupo de investigadores con el que trabaja el profesor Mota participó en un proyecto financiado por la Unión Europea, dentro del Programa Science, desde 1991 a 1994. Las relaciones se han mantenido y continúan los contactos y visitas, tanto de investigadores europeos como americanos y canadienses. Actualmente el grupo ha recibido financiación dentro de un proyecto coordinado español y continúa desarrollando un Sistema de Ayuda a la Toma de Decisiones en Problemas de Rutas de Vehículos y Localización de Servicios, proyecto dentro del cual se realiza investigación en diversos problemas de rutas de vehículos, diseñando tanto procedimientos aproximados como exactos. Ha sido responsable de la asignatura Distribución y Rutas en el programa de doctorado durante los últimos años.


Técnicas Estadísticas para la Evaluación de Prestaciones Ana Isabel Sánchez Galdón


Proporcionar a los alumnos una visión de las diferentes técnicas estadísticas utilizadas en el ámbito de la evaluación y optimización de prestaciones en base a criterios de seguridad de funcionamiento que incluyen aspectos tales como la fiabilidad, disponibilidad, mantenibilidad y seguridad de equipos y sistemas. En este contexto se presentan diferentes casos de aplicación en diferentes áreas donde la seguridad de funcionamiento adquiere una importancia relevante tal como ocurre en el sector informático o en instalaciones industriales que presentan un elevado riesgo tecnológico como es el caso de la industria química o nuclear. Contenido

1. La evaluación de prestaciones Introducción y conceptos. Fases a seguir en el proceso de evaluación. Parámetros de medida: productividad, fiabilidad, seguridad, disponibilidad y mantenibilidad.

2. Técnicas estadísticas básicas Introducción de conceptos básicos relacionados con el fallo: tiempo hasta el fallo, función de fiabilidad, tasa de

fallo. Distribuciones estadísticas. Técnicas de análisis de sistemas: árboles de fallos y diagrama de bloques de fiabilidad. Programas de fiabilidad. Ejemplos de aplicación.

3. Cadenas de Markov Procesos estocásticos: introducción, clasificación y propiedades. Importancia de los procesos de Harkov:

clasificación y aplicaciones en el modelado de sistemas. Programas informáticos. Ejemplos de aplicación. 4. Teoría de colas Descripción general de un sistema de colas de espera: componentes, terminología, notación y parámetros de

rendimiento. Presentación de diferentes tipos de sistemas de colas de espera y su utilidad en la modelización de sistemas reales. Programas informáticos. Ejemplos de aplicación.

5. Fiabilidad, disponibilidad y mantenibilidad Análisis de los diferentes factores que inciden sobre la fiabilidad, disponibilidad y mantenibilidad. Interrelaciones.

Modelos para la evaluación de la fiabilidad y disponibilidad. Medidas de mantenibilidad. 6. Aplicaciones Ejemplos de aplicación: área informática (redes de interconexión y estaciones de trabajo), área industrial (nuclear,

química). Optimización del mantenimiento, pruebas, tiempos, etc. bajo criterios de seguridad de funcionamiento. Bibliografia

Leemis, L. M. (1995). Reliability. Probabilistic models and statistical methods. Prentice-Hall International series in industrial and system engineering.

Hoyland, A., Rausand, M. (1994). System reliability theory. Models and statistical methods. Wiley series in probability and mathematical statistics.

G. Bolch, S. Greiner, H. de Meer, K.S. Trivedi, (1998). Queueing networks and Markov chains: Modeling and Perrformance Evaluations with Computer Science Applications. Wiley Interscience.

Raj Jain (1991). The art of computer systems performance analysis: Techniques for experimental design, measurement, simulation and modelling. Wiley.

K. S. Trivedi (2001). Probability and Statistics with Reliability, Queueing, and Computer Science Applications, (2nd Edition), Wiley.

Afinidad

Ana Isabel Sánchez es autora de varias publicaciones en el área de optimización de la seguridad de funcionamiento. Entre ellas: S. Martorell, A. Sanchez and S. Carlos (2006). A tolerance interval based approach to address uncertainty for RAMS+C

optimization. Reliability Engineering & System Safety. (En prensa). S. Martorell, S. Carlos, J.F. Villanueva, A.I Sanchez, B. Galvan, D. Salazar and M. Cepin. (2006). Use of multiple

objective evolutionary algorithms in optimizing surveillance requirements. Reliability Engineering & System Safety. (En prensa).

S. Martorell; J.F. Villanueva; Y. Nebot; S. Carlos; A. Sánchez; J.L. Pitarch; V. Serradell (2005). RAMS+C informed decision-making with application to multi-objective optimization of technical specifications and maintenance using genetic algorithms. Reliability Engineering & System Safety 87, 65 – 75.

S. Martorell; A. Sánchez; S. Carlos; V. Serradell.(2004). Alternatives and challenges in optimizing industrial safety using genetic algorithms. Reliability Engineering & System Safety 86, 25 – 38.


S. Martorell; A. Sanchez; S.Carlos; V. Serradell. (2002). Simultaneous and Multi-criteria Optimization of TS Requirements and Maintenance at NPPs. Annals of Nuclear Energy 29, 147-168.

S. Martorell, A. Sánchez, S. Carlos, V. Serradell. (2002). Comparing Effectiveness and Efficiency in Technical Specifications and Maintenance Optimization. Reliability Engineering & System Safety 77, 269 – 277.

S. Martorell, S. Carlos, A. Sanchez & V. Serradell. (2000). Constrained optimization of test intervals using a steady-state genetic algorithm. Reliability Engineering & System Safety 67, 215 – 232.

S. Martorell, A. Sanchez, V. Serradell.(1999). Age-dependent reliability model considering effects of maintenance and working conditions. Reliability Engineering & System Safety 64, 19 – 31.

Sus líneas actuales de investigación son: Evaluación de la fiabilidad, disponibilidad, mantenibilidad, y seguridad (RAMS) de equipos y sistemas. Algoritmos genéticos aplicados a la optimización del mantenimiento. Análisis del efecto de las incertidumbres en la optimización del mantenimiento.

Minería de Datos para la Gestión de las Relaciones con los Clientes. Susana San Matías


El progreso tecnológico en la adquisición y almacenamiento de datos ha dado lugar al crecimiento de enormes bases de datos. La disciplina que engloba la extracción de información de las mismas se conoce como Minería de Datos. El objetivo de esta asignatura es que el alumno aprenda a utilizar técnicas de minería de datos para extraer conocimiento a partir de bases de datos de organizaciones públicas y privadas. En particular, se orientará el curso hacia el uso que una empresa puede hacer de estas técnicas y de la información obtenida por ellas, con el fin de mejorar la relación con sus clientes y los servicios que se presten a los mismos (lo que redundará en una mayor satisfacción del cliente), así como para adquirir nuevos clientes. Contenido

1. Introducción. Qué es el Data Mining. El proceso de extracción del conocimiento. 2. Organización y preparación de datos. Almacenes de datos: Data Warehouse y Datamarts. Limpieza y transformación de datos. Análisis exploratorio y

selección. 3. Técnicas de Minería de Datos. El problema de la extracción de patrones. Modelización estadística paramétrica y no paramétrica. Árboles de

decisión. Redes neuronales artificiales. Métodos basados en casos y vecindad. 4. Evaluación de modelos e implantación. Técnicas de evaluación. Interpretación y uso de modelos. Integración con la toma de decisiones. Fases e impacto

de la implantación. 5. Casos de Negocio. El CRM (Gestión de relaciones con los clientes) y el Scoring de Riesgos: objetivos, análisis y elaboración de

modelos. Otros ejemplos financieros, sociológicos y médicos. Bibliografía

Berry, M.J.A. y Linoff, G. (1997). Data Mining Techniques: for marketing, sales, and customer support. Wiley & Sons. Berry, M.J.A. y Linoff, G. (2000). Mastering Data Mining: the art and science of costumer relationship management.

Wiley & Sons. Cherkassky, V. y Mulier, F. (1998). Learning from Data. Wiley. Giudici, P. (2003). Applied Data Mining: statistical methods for business and industry. Wiley & Sons. Hand, D.J. (1997). Construction ans Assessment of Classification Rules. Wiley. Hand, D.J., Mannila, H. y Smyth, P. (2001). Principles of Data Mining. The MIT Press. Hastie, T., Tibshirani, R. y Friedman, J. (2001). The Elements of Statistical Learning. Springer. Hernández, J., Ramírez, M.J. y Ferri, C. (2004). Introducción a la Minería de Datos. PEARSON Prentice Hall. Michie, D., Spiegelhalter, D.J. y Taylor, C.C. (eds.) (1994). Machine Learning, Neuronal and Statistical Classification.

Ellis Horwood. Pérez, C. y Santín, D. (2005). Data Mining: soluciones con Enterprise Miner. Ra-Ma. Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press. Trueblood, R.P. y Lovett, J.N. (2001). Data Mining and Statistical Análisis using SQL. Apress. Vélez, R.V. y García, A. (1997). Principios de Inferencia Estadística. UNED.


Sus líneas actuales de investigación son: Aplicaciones de Minería de Datos en el sector bancario. Técnicas de Minería de Datos para la Investigación Oncológica. Redes neuronales en Control de Calidad. Algoritmos de Programación No Lineal y MINLP y su aplicación en Control de Calidad. La profesora San Matías tiene importante experiencia como consultora en Minería de Datos. Responsable de varios convenios de investigación sobre aplicaciones de la Minería de Datos en el sector financiero. Actualmente es responsable del Grupo de Investigación Técnicas Estadísticas en Minería de Datos y Optimización. Ha sido la responsable de la asignatura Minería de Datos para la Gestión de las Relaciones con los Clientes en el programa de doctorado durante los últimos años.

Programación Multicriterio Pilar Tormos Juan

Universidad Politécnica de Valencia Objetivos La toma de decisiones es el núcleo de todas las funciones de gestión. El entorno actual cambiante y global obliga a las organizaciones a llevar a cabo un minucioso proceso de toma de decisiones en el que es necesario la consideración explícita de varios objetivos y que debe reflejar además las preferencias empresariales. Es necesario, por tanto, disponer de técnicas útiles en dicho proceso decisional. En este sentido los objetivos del curso se centran en: (i) adquirir destrezas relativas a la modelización matemática mediante el estudio de modelos tipo y la consideración de varios objetivos; (ii) conocer técnicas multicriterio útiles en el proceso de toma de decisiones con objetivos múltiples y su puesta en práctica en problemas realistas y (iii) diseñar sistemas de ayuda a la toma de decisiones basados en técnicas muticriterio. Contenido

1. Modelización de problemas con objetivo no único. Formulación de modelos. Modelos de mezclas. Modelos dinámicos. Modelos de transporte y localización.

Modelos de cubrimiento, corte de materias primas y establecimiento de turnos de trabajo. 2. Técnicas de optimización multicriterio. Conceptos básicos. Principales enfoques multicriterio. Programación Multiobjetivo. Programación Compromiso.

Métodos satisfacientes: Programación por Metas. Métodos de decisión multicriterio discretos. 3. Sistemas de Ayuda a la Toma de Decisiones. Diseño de Sistemas de Ayuda a la toma de Decisiones (DSS) en entornos multicriterio.

Bibliografía

Barba-Romero, Pomerol, J.C. (1997). Decisiones Multicriterio. Fundamentos Teóricos y Utilización Práctica. Servicio de Publicaciones Universidad de Alcalá.

Ignizio, J., Cavalier, T. (1994). Linear Programming. Prentice Hall. Romero, C. (1993). Teoría de la decisión multicriterio: Conceptos, técnicas y aplicaciones. Alianza Editorial Textos. Roy, B. (1971). Problems and Methods with Multiple Objective Functions. Mathematical Programming 1, 239-266. Roy, B. (1991). The Outranking Approach and the Foundations of ELECTRE Methods. Theory and Decision 31, 49-73. Saaty, T.L. (1980). The Analytical Hierarchy Process. McGraw Hill. Schrage, L. (1999). Optimization Modeling with LINGO. Third Edition. Lindo Systems Inc. Winston, W. (2005). Operations Research: applications and algorithms. Fourth Edition. Afinidad Pilar Tormos es autora de numerosas publicaciones en Programación Multicriterio, entre las que destacan: Lova, A., C. Maroto y P. Tormos (2000). AMulticriteria Heuristic Method to Improve Resource Allocation in Multiproject

Scheduling. EJOR 127, 408-424 Tormos, P. y A. Lova (2001). A competitive Heuristic Solution Technique for Resource-Constrained Project Scheduling.

Annals of Operations Research 102, 65-81. Lova, A. y P.Tormos (2001). Analysis of Scheduling Schemes and Heuristic Rules Performance in Resource-Constrained

Multiproject Scheduling. Annals of Operations Research 102, 263-286. P.Tormos y A. Lova (2001). Tools for Resource-Constrained Project Scheduling and Control: Forward and Backward

Slack Analysis. Journal of the Operational Research Society 52, 779-788. P.Tormos y A. Lova (2003). An Efficient Multi-Pass Heuristic for Project Scheduling with Constrained Resources.

International Journal of Production Research 41, 1071-1086


A.Lova, P.Tormos, F.Barber, L.Ingolotti, M.A. Salido, M.Abril (2004). Intelligent Train Scheduling on a High-Loaded Railway Network, LN in Computer Science, pendiente publicación

Sus líneas actuales de investigación son: Programación Multicriterio Problemas de Optimización en sistemas ferroviarios Planificación de Horarios Gestión de proyectos con recursos limitados

La profesora Tormos trabaja actualmente en la aplicación de técnicas de optimización a problemas de scheduling en transporte ferroviario. En este contexto participado y liderado proyectos de investigación competitivos de ámbito local y nacional y forma parte de la red internacional AMORE (Advanced Methods for Optimizing the Railways in Europe) que actualmente tiene concedido el proyecto ARRIVAL (Algorithms for Robust and on-line Railway optimization: Improving the Validity and reliAbility of Large-scale systems) financiado por la Comunidad Europea. El grupo de investigación del que forma parte la profesora Tormos, tiene suscrito actualmente un convenio de colaboración con ADIF (ADministrador de Infraestructuras Ferroviarias). Ha sido la responsable de la asignatura Programación Multicriterio en el programa de doctorado durante los últimos años.

Secuenciación y Gestión de Proyectos Vicente Valls

Universitat de València Objetivos Los objetivos de este curso consisten en proporcionar a los estudiantes de doctorado una formación básica en el área de Secuenciación y Gestión de Proyectos (Temas 1, 2, 4 y 5); una visión panorámica de los problemas de Secuenciación y Gestión de Proyectos estudiados hasta la actualidad con especial énfasis en las líneas de investigación más actuales (Tema 6); una formación en las técnicas utilizadas en la investigación en esta área (Tema 4); el estado actual de dos líneas de investigación novedosas, de indudable interés aplicado, que plantean interesantes problemas de investigación (Temas 3 y 7); un análisis crítico del método de la Cadena Crítica, una metodología pragmática de gestión de proyectos que está teniendo gran aceptación práctica en la planificación de proyectos reales en un ambiente de incertidumbre pero cuyas deficiencias plantean nuevos problemas de investigación (Tema 8); y un conocimiento crítico del software comercial de Secuenciación de Proyectos (Tema 9). Contenido

1. Introducción Introducción a la Gestión, Planificación y Secuenciación de Proyectos. 2. Secuenciación Secuenciación de Proyectos: El modelo básico. El método del Camino Crítico. Contexto aleatorio: El método

PERT. 3. Precedencia generalizada Relaciones de precedencia generalizadas de tipo mínimo y máximo. Análisis temporal. Aplicaciones. 4. Recursos Limitados Secuenciación de Proyectos con Recursos Limitados: el RCPSP (Sistemas de generación de secuencias en serie y

en paralelo; algoritmos heurísticos, metaheurísticos y exactos; la librería PSPLIB). 5. Nivelación de la demanda de recursos El procedimiento de Burgess y Killebrew. Procedimientos exactos. 6. Clasificación Clasificación de los problemas de Secuenciación de Proyectos. Estado actual de la investigación. 7. Secuenciación Robusta de Proyectos Secuenciación e incertidumbre. Secuencias estables. Redes de flujo de recursos. Asignación de unidades de

recursos en una secuencia dada. 8. Restricciones La Teoría de las Restricciones en la Gestión de Proyectos: El método de la Cadena Crítica. 9. Software de gestión de proyectos Estudios empíricos. Manejo de un paquete comercial.

Bibliografía Demeulemeester, E. L. and Herroelen, W. S. (2002). Project Scheduling: A Research Handbook. Dordrecht. Kluwer. Herroelen,W., Demeulemeester and De Reyck, E. (1998). A Classification Scheme for Project Scheduling. Project

Scheduling. Recent Models, Algorithms and Applications. (J. Weglarz, ed). Dordrecht. Kluwer.


Leus, R. (2003). The Generation of Stable Projects Plans. Complexity and exact algorithms. Ph.D. Thesis, Katholieke. Universiteit Leuven.

Maroto, C., Tormos, P. and Lova, A. (1998). The Evolution of Software Quality in Project Scheduling. Project Scheduling. Recent Models, Algorithms and Applications. (J. Weglarz, ed). Dordrecht. Kluwer.

Moder, P. and Davis, D. (1983). Project Management with CPM, PERT and Precedence Diagramming. Amsterdam. North-Holland.

Neumann, K. and Schwindt, C. (1997). Activity on node networks with minimal and maximal time lags and their applications to make-to-order production.OR Spektrum 19, 205–217.

Valls, V, Ballestín, F. and Quintanilla, S. (2001). A Hybrid Genetic Algorithm for the RCPSP. Tech. Rep., Universitat de València.

Valls, V. and Lino, P. (2001). Criticality Analysis in Activity on Node Networks with Minimal Time Lags. Annals of Operational Research 102, 17–37.

Valls, V, Ballestín, F. and Quintanilla, S. (2006). Justification Technique Generalisations, Chapter 9 in the book Topics in Modern Scheduling, edited by J. Weglarz and J. Jozefowska, (en prensa).

Van de Vonder, S., Demeulemeester, E., Leus, R. and Herroelen, W. (2006). Proactive-reactive project scheduling trade-offs and procedures, Chapter 14 in the book Topics in Modern Scheduling, edited by J. Weglarz and J. Jozefowska, (en prensa).

Afinidad Vicente Valls es autor de numerosas publicaciones en secuenciación y gestión de proyectos, entre las que destacan: Valls, V., Laguna, M., Lino, P., Pérez, A. and Quintanilla, S. (1999). Project Scheduling with Stochastic Activity

Interruptions. Project Scheduling. Recent Models, Algorithms and Applications. (J. Weglarz, ed). Dordrecht: Kluwer, 333–353.

Laguna, M., Lino, P., Pérez, A., Quintanilla, S. and Valls, V. (2000). Minimizing weighted tardiness of jobs with stochastic interruptions in parallel machines. European Journal of Operational Research 127, 444–457.

Valls, V. and Lino, P. (2001). Criticality Analysis in Activity-on-Node Networks with Minimal Time Lags. Annals of Operations Research (G. Ulusoy and W. Herroelen, eds). Dordrecht: Kluwer, 17-37.

Valls, V., Quintanilla, S. y Ballestín, F. (2003). Resource-constrained Project Scheduling: A Critical Activity Reordering Heuristic. European Journal of Operational Research 149, 282–301.

Valls, V., Ballestín, F. y Quintanilla, S. (2004). A Population Based Approach to the Resource Constrained Project Scheduling Problem. Annals of Operations Research 131, 305 – 324.

Valls, V., Ballestín, F. y Quintanilla, S. (2005). Justification and RCPSP: A technique that pays. European Journal of Operational Research 165, 375-386.

Sus líneas actuales de investigación son: Técnicas de la justificación en problemas de secuenciación de proyectos. Secuenciación robusta de proyectos en un ambiente de incertidumbre. Secuenciación de Proyectos con Plantillas Heterogéneas de Trabajadores. El profesor Valls es Advisory Editor de la revista Journal of Heuristics, desde 1995. Formó parte del Comité de Programa Fifth International Workshop on Project Management and Scheduling, Poznan, Poland, 1996; del Advisory Committee 2nd Metaheuristics International Conference (MIC’97), Francia, 1997; del Comité de Programa del Sixth Internacional Workshop Project Management and Scheduling, Estambul, Turquía, 1998; del Advisory Committee de la 3rd Metaheuristics International Conference (MIC’99), Brasil, 1999; del Comité de Programa del 7th International Workshop on Project Management and Scheduling, Germany,2000; del Advisory Committee of the 4th Metaheuristics International Conference (MIC’01), Porto, 2001; del Comité de Programa and Chairman, 8th Internat.Workshop Project Management and Scheduling, Spain, 2002; del Advisory Committee of the 5th Metaheuristics International Conference (MIC’03), Kyoto, 2003; del Comité de Programa del 9th Internacional Workshop on Project Management and Scheduling, Nancy, 2004; del Advisory Committee of the 6th Metaheuristics International Conference (MIC’04), Viena, 2005. Es Co-editor (con J. Weglarz) de un número (165) especial del European Journal of Operational Research sobre Project Management and Scheduling. Ha sido profesor responsable de la asignatura Secuenciación y Gestión de Proyectos en el programa de doctorado durante los últimos años.

Optimización Convexa Mª Enriqueta Vercher González

Universitat de València

Objetivos La optimización es una herramienta esencial en la toma de decisiones basada en criterios cuantitativos y en el análisis de sistemas físicos. El concepto de convexidad, que se aplica tanto a conjuntos como funciones, es fundamental en


optimización, pues implica que el problema formulado es accesible en diferentes aspectos. Para los problemas de optimización convexa se ha desarrollado una eficaz teoría de la dualidad y se han establecido resultados sobre condiciones de optimalidad. Además, la clasificación de un problema como perteneciente a la clase de los problemas de optimización convexa presenta dos grandes ventajas: que dichos problemas se resuelven numéricamente de manera eficiente, y que se alcanzan soluciones globales del problema. Los problemas de optimización convexa pueden clasificarse como problemas de optimización irrestringida y con restricciones, y también atendiendo a la consideración de que los coeficientes de la(s) función(es) objetivo y de las restricciones tomen valores rígidos o estén modelizados para incorporar el conocimiento impreciso de los mismos. La optimización convexa incluye el estudio y resolución de los problemas de Programación Lineal, Programación Cuadrática, Programación Geométrica, Programación vectorial, etc. Este curso de Doctorado está dirigido a los estudiantes de tercer ciclo que quieran ampliar su formación básica en el campo de la Programación Matemática de la Teoría de la Optimización. La metodología a seguir pretende hacer hincapié en la complementariedad existente entre el análisis convexo y el desarrollo de los algoritmos de optimización. El objetivo básico radica en establecer los conceptos de función y conjunto convexos y sus propiedades, que serán aplicados en el desarrollo de procedimientos numéricos de búsqueda de soluciones óptimas, y en analizar las condiciones que permiten caracterizar la optimalidad de los puntos encontrados por dichos algoritmos. Se presentarán las teorías y técnicas que son objeto del curso, con un interés especial en los últimos enfoques de la optimización convexa y en las aplicaciones más recientes del análisis convexo. Contenido

1. Conjuntos convexos. Definición y ejemplos. Operaciones sobre conjuntos que mantienen la convexidad. Combinaciones convexas y

envolturas convexas. Interior relativo de un convexo. Cono asintótico. Direcciones de recesión. Puntos extremos, caras y facetas. Operador proyección. Proyección sobre conos. Separación entre convexos. Hiperplanos soportes. Conos poliédricos. Lema de Farkas-Minkowski.

2. Funciones convexas. Definición y propiedades básicas. Funciones convexas diferenciables. Subgradientes. Ejemplos de funciones

convexas. Operaciones funcionales que preservan la convexidad. Caracterización y propiedades de las funciones cuasiconvexas. Operaciones que preservan la cuasiconvexidad. Definición y propiedades de las funciones log-convexas.

3. Optimización irrestringida. Estructura general de los esquemas de optimización. Mínimos locales y puntos estacionarios. Definición de la

dirección de búsqueda. Direcciones de descenso y de descenso más rápido. Métodos de primer orden. Métodos tipo Newton. Direcciones conjugadas. Búsquedas lineales. Métodos casi-Newton. Minimización de funciones no diferenciables.

4. Problemas de minimización convexa con restricciones. Elementos básicos de un problema de optimización. Óptimos locales y globales. Criterios de optimalidad para

funciones diferenciables. Optimización cuasiconvexa. Problemas de optimización cuadrática. Condiciones de optimalidad de primer orden. Métodos primales. Condición suficiente de segundo orden. Métodos de penalización y barrera. Condiciones de Karush-Kuhn-Tucker. Programación Semi-Infinita y Semidefinida.

Bibliografía básica

Avriel, M. and Golany, B., Mathematical Programming for Industrial Engineers, Marcel Dekker, 1996. Bertsekas, D.P., Nonlinear Programming, Athena Scientific, 1995. Boyd, S. and Vandenberghe, L., Convex Optimization, Cambridge University Press 2004. Faigle, U., Kern, W. and Still, G., Algorithmic Principles of Mathematical Programming, Kluwer Academic, Dordrecht,

2002. Goberna, M.A: and López, M.A., Linear Semi-Infinite Optimization, Wiley, 1998. Hiriart-Urruty J-B. and Lemaréchal C., Convex Analysis and Minimization Algorithms I. Springer-Verlag Berlin, 1993. Mangasarian, O.L., Nonlinear Programming. Classics in Applied Mathematics, SIAM, 1994. Nash, S.G. and Sofer, A., Linear and Nonlinear Programming, McGraw-Hill, 1996. Nazareth, J.L., The Newton-Cauchy Framework, Springer, 1991. Peng, J., Roos, C. and Terlaky, T., Self-regularity: A new paradigm for Primal-Dual interior point algorithms, Princeton

University Press, 2002. Polak, E., Optimization. Algorithms and Consistent Approximations, Springer, 1997. Rockafellar, R.T., Convex Analysis, Princeton University Press, 1970. Rustagi, J.S., Optimization Techniques in Statistics, Academic Press, 1994. Afinidad

La profesora Vercher es autora de numerosas publicaciones en Optimización Convexa:


León, T., Sanmatías, S. and Vercher, E. (2000). On the numerical treatment of linearly constrained semi-infinite problems, European Journal of Operational Research 121, 78-91.

León, T. and Vercher, E. (2001). Optimization under uncertainty and linear semi-infinite programming: a survey, en Semi-Infinite Programming. Recent Advances, Goberna, M. A. and López, M. A. (eds), Kluwer Academic, 327-347.

Segura, J. V. and Vercher E. (2001). A spreadsheet modeling approach to the Holt-Winters optimal forecasting, European Journal of Operational Research 131, 375-388.

León, T., Liern, V. and Vercher, E. (2002). Viability of infeasible portfolio selection problems: a fuzzy approach. European Journal of Operational Research 139, 178-189

León, T. and Vercher, E. (2004). Solving a class of Fuzzy Linear programs by using Semi-Infinite Programming techniques, Fuzzy Sets and Systems 146, 235-252.

León, T., V. Liern, P. Marco, Segura, J. V. and Vercher E. (2004). A downside risk approach for the portfolio selection problem with fuzzy returns, Fuzzy Economic Review 9 (1), 61-77.

Bermúdez, J.D., J.V. Segura and Vercher, E. (2006). Improving the demand forecasting accuracy using nonlinear programming software, Journal of the Operational Research Society 57, 94-100.

Bermúdez, J.D., J.V. Segura and Vercher, E. (2006). A decision support system methodology for forecasting of time series based on Soft Computing, Computational Statistics and Data Analysis (en prensa).

Sus líneas actuales de investigación básica son: Programación Semi-Infinita Lineal Programación Matemática Fuzzy Así mismo, la profesora Vercher trabaja actualmente en la aplicación de procedimientos de optimización a problemas de predicción de la demanda y en el desarrollo de modelos para selección de carteras basado en técnicas de Soft Computing. Ha sido responsable de un contrato de investigación con la empresa TECNIDEX, SA, en el marco del cual se ha desarrollado una aplicación informática SIOPRED (Sistema Integrado de Optimización para la Predicción de la Demanda) que ha sido registrada en 2005. El grupo de investigación que lidera la profesora Vercher ha conseguido financiación de la Generalitat Valenciana para grupos de excelencia en la convocatoria de 2005 y de la Subdirección General de Proyectos de Investigación Científica y Tecnológica para el desarrollo del proyecto titulado Datos y modelos en Heurísticas basadas en Soft Computing: Aplicaciones Económico-Financieras (2005-2008). La profesora Vercher formó parte del Scientific Comittee del ORP3 A EURO Conference for young OR researchers and practitioners (Valencia 2005) y fue Cluster Chair de las sesiones de Linear Programming del EURO/INFORMS Joint International Meeting (Istanbul 2003). Ha sido la responsable de la asignatura Optimización Convexa en el programa de doctorado durante los últimos años.


SOLICITUD DE CONCESION DE LA MENCIÓN DE …semejantes, sino potencialmente atractiva para aquellos...

Documents

Transcript of SOLICITUD DE CONCESION DE LA MENCIÓN DE …semejantes, sino potencialmente atractiva para aquellos...