Listado de los minicursos
Análisis de datos discretos: modelos lineales generalizados mixtos para datos correlacionados, sobredispersión e inflación de ceros
Docentes: Raúl E. Macchiavelli, Fernando Casanoves y Julio A. Di Rienzo
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
Propuesta de Minicurso: Los datos discretos constituyen un reto desde el punto de vista de la modelación clásica, ya que los modelos tradicionalmente usados no consideran posible correlación, sobredipersión, exceso de ceros, posibles correlaciones y otras características comunes en estos datos.
Objetivo: Los participantes podrán identificar modelos lineales generalizados aplicables a datos discretos, analizarán herramientas de diagnóstico para evaluar el ajuste de estos modelos, y aplicarán estas ideas en datos reales.
Contenido: Repaso de modelos lineales generalizados datos con distribución binaria, binomial, Poisson y binomial negativa. Sobredispersión. Efectos aleatorios en MLG. Modelos para datos correlacionados. Modelos con ceros añadidos (ZIP, Hurdle, etc.). Herramientas de diagnóstico para MLGM, sobredispersión y exceso de ceros. Aplicaciones de Navure y R (glmmTMB y DHARMa) para analizar recuentos con posible sobredispersión, autocorrelación o exceso de ceros.
Sobre los docentes:
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
Propuesta de Minicurso: Los datos discretos constituyen un reto desde el punto de vista de la modelación clásica, ya que los modelos tradicionalmente usados no consideran posible correlación, sobredipersión, exceso de ceros, posibles correlaciones y otras características comunes en estos datos.
Objetivo: Los participantes podrán identificar modelos lineales generalizados aplicables a datos discretos, analizarán herramientas de diagnóstico para evaluar el ajuste de estos modelos, y aplicarán estas ideas en datos reales.
Contenido: Repaso de modelos lineales generalizados datos con distribución binaria, binomial, Poisson y binomial negativa. Sobredispersión. Efectos aleatorios en MLG. Modelos para datos correlacionados. Modelos con ceros añadidos (ZIP, Hurdle, etc.). Herramientas de diagnóstico para MLGM, sobredispersión y exceso de ceros. Aplicaciones de Navure y R (glmmTMB y DHARMa) para analizar recuentos con posible sobredispersión, autocorrelación o exceso de ceros.
Sobre los docentes:
Raúl E. Macchiavelli es Catedrático de Biometría en la Universidad de Puerto Rico - Mayagüez. Posee un PhD en Estadística en Penn State University. Tiene más de
40 años de experiencia en la enseñanza de estadística aplicada y el análisis de datos. Ha enseñado y colaborado en investigación en universidades e institutos de
investigación de Puerto Rico, Estados Unidos, España, y diversos países de
Latinoamérica y el Caribe.
Fernando Casanoves Profesor del Doctorado en Ciencias Naturales y Desarrollo Sustentable de la Universidad de la Amazonia, Colombia, y Profesor Emérito del
Centro Agronómico Tropical de Investigacion y enseñanza, CATIE, Costa Rica. Es Dr.Sc. en Ciencias Agropecuarias de la Universidad Nacional de Córdoba. Tiene
más de 35 años de experiencia en la enseñanza de estadística aplicada y el análisis de datos en toda Latinoamericana y El Caribe.
El Dr. Julio A. Di Rienzo posee una extensa trayectoria en estadística aplicada a las ciencias biológicas y agropecuarias. Fue Profesor Titular de Estadística y Biometría en la Universidad Nacional de Córdoba y actualmente continúa vinculado a actividades de posgrado, además de desempeñarse como Director
Científico del software estadístico Navure.
Reliability-Centered Maintenance: a short introduction to Industrial Engineering through Reliability models and Multivariate Statistical Process Monitoring
Docentes: Paulo Henrique Ferreira Da Silva, Pedro Ramos y Diego Nascimento
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
The course is divided into 3 days. The following activities will be offered each day:
Introducción a la Confiabilidad [DAY #1]: This introductory short course presents the fundamental concepts of reliability and the main nonparametric and parametric methods for analyzing failure-time data. The course also covers the essential principles of accelerated life testing, highlighting the use of physical-statistical models, such as Arrhenius and inverse power law relationships, to describe acceleration mechanisms and support extrapolation to normal-use conditions. In addition, related regression models and key test-planning strategies are introduced, providing participants with a solid foundation for further study in reliability analysis.
Statistical Learning for Reliability and Failure-Time Prediction [DAY #2] A statistical learning framework for modeling reliability data and predicting failure times under censoring is presented. The course connects classical reliability analysis with modern survival learning methods, covering penalized Accelerated Failure Time models with LASSO and Ridge regularization, penalized Cox proportional hazards models, survival trees, random survival forests, and boosting-based survival models, including Cox boosting. The focus is on prediction targets relevant to reliability-centered maintenance, such as failure probability before a planning horizon, risk ranking of components, and remaining useful life. The methods are discussed under a common time-to-event formulation that incorporates operational, environmental, and maintenance-related covariates. Model assessment is carried out using the concordance index, graphical diagnostics, and variable importance measures. A real-data study illustrates how these methods can support failure prediction, data-driven maintenance planning, and explainability through reproducible R workflows.
CEP multivariante [DAY #3] Statistical Process Control (SPC) techniques have difficulty in simultaneously detecting changes in quality characteristics when extrapolated from the multivariate normality (Gaussian) assumption. Especially, the Internet of Things (IoT) Era, Social Networks, Media Analytics, and Smart Cities, which bring a large volume of data with dependence (temporal or spatial). This study focused on the SPC multivariate case (dimension d ≥ 2) using dependence, control chart visualization (for statistical and ML models' validation), which takes over the high-frequency data, dependence, or marginal asymmetry, as well as dynamic correlation TS estimation into account if needed. It is important to mention alternatives to symbolic representation and dynamic modeling analysis.
Sobre los docentes:
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
The course is divided into 3 days. The following activities will be offered each day:
Introducción a la Confiabilidad [DAY #1]: This introductory short course presents the fundamental concepts of reliability and the main nonparametric and parametric methods for analyzing failure-time data. The course also covers the essential principles of accelerated life testing, highlighting the use of physical-statistical models, such as Arrhenius and inverse power law relationships, to describe acceleration mechanisms and support extrapolation to normal-use conditions. In addition, related regression models and key test-planning strategies are introduced, providing participants with a solid foundation for further study in reliability analysis.
Statistical Learning for Reliability and Failure-Time Prediction [DAY #2] A statistical learning framework for modeling reliability data and predicting failure times under censoring is presented. The course connects classical reliability analysis with modern survival learning methods, covering penalized Accelerated Failure Time models with LASSO and Ridge regularization, penalized Cox proportional hazards models, survival trees, random survival forests, and boosting-based survival models, including Cox boosting. The focus is on prediction targets relevant to reliability-centered maintenance, such as failure probability before a planning horizon, risk ranking of components, and remaining useful life. The methods are discussed under a common time-to-event formulation that incorporates operational, environmental, and maintenance-related covariates. Model assessment is carried out using the concordance index, graphical diagnostics, and variable importance measures. A real-data study illustrates how these methods can support failure prediction, data-driven maintenance planning, and explainability through reproducible R workflows.
CEP multivariante [DAY #3] Statistical Process Control (SPC) techniques have difficulty in simultaneously detecting changes in quality characteristics when extrapolated from the multivariate normality (Gaussian) assumption. Especially, the Internet of Things (IoT) Era, Social Networks, Media Analytics, and Smart Cities, which bring a large volume of data with dependence (temporal or spatial). This study focused on the SPC multivariate case (dimension d ≥ 2) using dependence, control chart visualization (for statistical and ML models' validation), which takes over the high-frequency data, dependence, or marginal asymmetry, as well as dynamic correlation TS estimation into account if needed. It is important to mention alternatives to symbolic representation and dynamic modeling analysis.
Sobre los docentes:
Diego Nascimento received the Ph.D. degree in statistics from the University of São Paulo (ICMC-USP/UFSCar), the M.Sc. degree in business management from the Federal University of Pernambuco (UFPE), and B.Sc. degree in statistics from the Federal University of Rio Grande do Norte (UFRN). From 2021 to 2024, he was a Visiting Professor at the University of Atacama, Chile. He is currently an Assistant Professor with the NEOMA Business School, France. His research involved several industrial projects, including mining companies, Customer Experience, Supply Chain Management/Forecasting (around South American companies), and neuroscience data; across the research topics, he studies statistical learning, Bayesian inference, spatiotemporal modeling, clustering time series, data visualization, and symbolic data analysis (SDA).
Pedro Ramos is an Assistant Professor at Pontificia Universidad Católica de Chile; he holds a Ph.D. in Statistics at the University of São Paulo (USP) and Universidade Federal de São Carlos (UFSCar) through the Interinstitutional Program, Master's degree in Applied and Computational Mathematics and a Bachelor's degree in Statistics from Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP). Currently, I serve as a Ph.D. advisor in the Statistics program at the Faculty of Mathematics at Pontificia Universidad Católica de Chile and as an advisor in the Ph.D. program in Engineering and Sciences with Industry at the same university. I am an associate researcher at the Center for Research in Applied Mathematics to Industry, Cepid/CeMEAI, and a collaborating researchers at PETROBRAS and Master's program in Applied and Computational Mathematics at FCT-UNESP, as well as an advisor in the professional Master's program in Applied Mathematics, Statistics, and Computation to Industry at the University of São Paulo. I have experience in the field of Probability and Statistics, with an emphasis on Bayesian and Classical Inference, primarily focusing on the following topics: model selection, reliability analysis, and quality control.
Paulo H. Ferreira received his B.Sc., M.Sc., and Ph.D. degrees in Statistics from the Federal University of São Carlos (UFSCar), Brazil, and completed postdoctoral training at the University of São Paulo (USP), Brazil. He is currently a Professor of Statistics at the Institute of Mathematics and Statistics of the Federal University of Bahia (IME-UFBA), where he also serves as the Coordinator of the Graduate Program in Statistics and Data Science (PGECD). He has extensive experience in applied projects, including collaborations with SENAI CIMATEC and Petrobras.
Más allá de OLS: modelando relaciones espacialmente variables con GWR
Docente: Agustín Alesso
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
Propuesta de Minicurso: Muchos fenómenos naturales y socioeconómicos presentan relaciones que varían a través del espacio, violando el supuesto de estacionariedad que subyace en los modelos de regresión clásicos (OLS). La Regresión Geográficamente Ponderada (GWR) y su extensión multiscala (MGWR) ofrecen un marco flexible para modelar esta heterogeneidad espacial, permitiendo que los coeficientes de regresión varíen localmente en función de la ubicación geográfica.
Objetivo: Este mini curso introduce los fundamentos teóricos y la implementación práctica de GWR y MGWR en R, contrastando con modelos OLS globales como punto de partida. Los participantes ajustarán modelos, interpretarán coeficientes localmente variables, generarán mapas de resultados y aprenderán a evaluar críticamente cuándo la complejidad adicional está justificada frente a un modelo global más simple. Tambien se cubriran aspectos generales del diagnóstico, limitaciones y extensiones de GWR. Se utilizarán datos reales del ámbito agropecuario y ambiental.
Sobre el docente:
Lugar: a confirmar
Días: a confirmar
Horario: a confirmar
Propuesta de Minicurso: Muchos fenómenos naturales y socioeconómicos presentan relaciones que varían a través del espacio, violando el supuesto de estacionariedad que subyace en los modelos de regresión clásicos (OLS). La Regresión Geográficamente Ponderada (GWR) y su extensión multiscala (MGWR) ofrecen un marco flexible para modelar esta heterogeneidad espacial, permitiendo que los coeficientes de regresión varíen localmente en función de la ubicación geográfica.
Objetivo: Este mini curso introduce los fundamentos teóricos y la implementación práctica de GWR y MGWR en R, contrastando con modelos OLS globales como punto de partida. Los participantes ajustarán modelos, interpretarán coeficientes localmente variables, generarán mapas de resultados y aprenderán a evaluar críticamente cuándo la complejidad adicional está justificada frente a un modelo global más simple. Tambien se cubriran aspectos generales del diagnóstico, limitaciones y extensiones de GWR. Se utilizarán datos reales del ámbito agropecuario y ambiental.
Sobre el docente:
Agustín Alesso es Ingeniero Agrónomo (UNL), Doctor en Ciencias Agropecuarias (UNC) y realizó una estancia postdoctoral en la Universidad de Illinois (USA). Actualmente se desempeña como Profesor Asociado de Estadística en la Facultad de Ciencias Agrarias de la UNL. Ha trabajado con métodos de estadística espacial aplicados a agricultura de precisión, con publicaciones en revistas internacionales del área agronómica. Es docente de grado y posgrado en estadística y análisis de datos en R. Sus intereses actuales se orientan al uso de métodos de aprendizaje estadístico para el modelado de procesos agropecuarios con énfasis en la heterogeneidad espacial a escala de lote.