Boletín da SGAPEIO. Novembro de 2019. Número 53

Editorial

Javier Tarrío Saavedra – Vicepresidente de Estatística.

Colaboración

Software

Actividades da SGAPEIO

Novas do IGE

Traballos de Estatística e IO

Coñecéndonos

Estatística recreativa

Dirección:

Paula Raña Míguez

Comunicación coa

SGAPEIO:

www.sgapeio.essecretaria@sgapeio.esboletin@sgapeio.esTwitter @sgapeioLinkedIn Sgapeio

Depósito Legal:

LU-191-1995 - I.S.S.N.:1695-7083

Así como adoita caer o sol no mar de Vigo, grande e intenso, vén de rematar o XIVCongreso da SGAPEIO, deixando en todos nós unha cálida sensación de camaradería,coñecemento e vivencias compartidas. Por tanto, antes de nada, neste luscofusco e desdea pequena xanela que temos no Informest, quería agradecer todo o inxente e eficientetraballo feito polo Comité Organizador e polo Comité Científico, desde a planificacióndas sesións e dos cursos á organización dos premios, pasando polo magnífico programasocial. Fago extensivo o agradecemento a todos os participantes, por marcar nas vosasaxendas estas datas, por facer posible un congreso de alta calidade, que, partindo doámbito autonómico ten vocación nacional e internacional.

Co agradecemento ao grupo Sidor nos labios, cruzo o Berbés, baixo ao Areal, subo aUrzaiz e collo o tren de volta ao norte coa impresión de termos creado e, o que é máisdifícil, mantido, un proxecto único, unha familia cuxo vínculo é unha mesma formacióne un xeito similar de entender a Estatística e a súa aplicación. E medra a certidumede que nesta horta vén agromando unha serie de froitos entre os que destacan a nosapropia sociedade, a SGAPEIO, titulacións comúns ás tres universidades galegas comoo Mestrado en Técnicas Estatísticas e un programa de doutoramento conxunto, entreoutros moitos fitos como, por exemplo, o ITMATI, que transcenden a conxuntura decompetencia entre universidades para aportar, repito, un substrato, rede, tecido único enEspaña, conectado como poucos co resto do mundo.

Dou en pensar que o noso proxecto-equipo-xeito de ver a Estatística é un balandro comoos que vemos na Estación Marítima de Vigo perfeccionado durante anos para navegar porun determinado mar, cunhas condicións específicas. . . Non obstante, dun tempo a estaparte, o océano polo que navegamos está a mudar, cambian os ventos e as correntes,logo tamén crece a incertidume de chegar a porto. Este é o novo marco para a profesiónque nos presentou Daniel Peña, no Congreso da SEIO en Alcoi. Foi a necesidade deresolver problemas prácticos o que fixo da Estatística, da man da ciencia de datos, unhaferramenta necesaria para a maioría dos perfís profesionais da actualidade. E por istomesmo, non provocando nós o cambio, é preciso que nos adaptemos a el. Dicía DanielPeña que é fundamental abrirse a resolver, desde o rigor do paradigma estatístico, aquelesproblemas que están afrontando desde outras ramas da ciencia, fundamentalmente, desdeas ciencias da computación. A modelización dos novos datos, sexan son, vídeos, imaxes, acombinación de todos, é fundamental para o avance da Estatística tal e como a coñecemos,e só se poderá facer saíndo da nosa zona de confort, incluíndo o eido da docencia. Defeito, os novos profesionais da Estatística deberían incorporar capacidades computacionais(machine learning, bases de datos), pois, se ben hai anos os estatísticos traballaban comoinformáticos, son os informáticos de hoxe os que están traballando como estatísticos. Polotanto, cómpre unha transformación, atinguindo incluso aos cursos básicos de Estatísticaen titulacións aplicadas, que deberiamos orientar a resolver os problemas específicos através ferramentas multivariantes, clúster, dependencia. . . baixando á realidade de cadarama do saber, aínda que sexa sacrificando, en certa medida, o rigor formal ao que estamosafeitos. En Galicia creo que tomamos este camiño, sirvan de mostra as novas titulaciónsrelacionadas coa ciencia de datos, os cambios nos plans de estudos. . . E estou seguro deque nos permitirá seguir navegando por moitos anos cara a un luminoso horizonte.

1| Informest

Colaboración

Algoritmos no combate de incendios forestaispor Ana Belén Buide Carballosa, Manuel Antonio Novo Pérez, María José Ginzo Villamayor

Ana e Manuel son graduados en Matemáticaspola USC. Actualmente, son investigadores contra-tados no Instituto Tecnolóxico de Matemática In-dustrial (ITMATI).María é licenciada en Matemáticas coa especialida-de en Estatística e Investigación Operativa taménpola USC. É investigadora contratada na USC ecolaboradora de ITMATI.Os tres son egresados do Máster interuniversitarioen Técnicas Estatísticas.

O proxecto ENJAMBRE

España é un dos países europeos con maior superficie fo-restal, pois conta cun total de 27,7 millóns de hectáreasde superficie forestal, o que equivale a máis da metadedo seu territorio. Á súa vez, tamén é un dos países máisafectados por incendios forestais, aparecendo nos primei-ros postos en número de incendios e superficie afectada.En concreto, o noroeste de España, e especialmente Ga-licia, é unha das zonas máis afectadas nos últimos anos.

Debido a esta problemática nacional e global xorden va-rios proxectos de investigación e de transferencia. A nivelde transferencia, a través do Centro para o Desenvol-vemento Tecnolóxico Industrial (CDTI) téñense subven-cionado diferentes proxectos, moitos deles a modo deconsorcio formado por empresas, organismos públicos deinvestigación (OPIs) e outras institucións, ao abeiro dediversos programas. Por exemplo, a nivel internacional,o proxecto ”Sistema intelixente para detectar incendiosforestais e dirixir a extinción de incendios baseado en vi-sión artificial, mapas 3D e tecnoloxía GIS“ (EFIRE) doprograma Eurostars (período de execución 2011 a 2014).A nivel nacional, o proxecto ”Tecnoloxías para o combateintegral contra incendios forestais e para a conservacióndos nosos bosques“ (PROMETEO), que contou co maiorfinanciamento concedido ata a data, do Programa CE-NIT (período de execución 2010 a 2014). No caso de Ga-licia o proxecto ”Tecnoloxías avanzadas para a extinciónde grandes incendios forestais“ (LUMES), do programaINNTERCONECTA (período de execución 2013 a 2014),e o proxecto ”Misións críticas de emerxencias con mediosaéreos tripulados e non tripulados en voo cooperativo“(ENJAMBRE) do programa CIEN (período de execución2014 a 2018). O equipo de investigación do que formanparte os autores deste traballo participou no consorciodos dous últimos a través do Instituto Tecnolóxico de

Matemática Industrial (ITMATI). A continuación pre-séntase con máis detalle a participación en ENJAMBREe a concreción en dous dos algoritmos o ”Algoritmo deRutas de Escape das Brigadas“ e o ”Algoritmo deEficiencia nas Descargas de Auga“.

O proxecto ENJAMBRE céntrase en tres prioridades daEstratexia de Seguridade Nacional: a ordenación de flu-xos migratorios, a protección ante emerxencias e catás-trofes e a seguridade marítima, fronte as cales se realizanoperacións de observación e de intervención para mantera seguridade. Os incendios forestais englóbanse na prio-ridade de protección ante emerxencias e catástrofes, e oprincipal obxectivo neste contexto é o desenvolvementode tecnoloxías, entre as que se atopa un servizo de mi-sións críticas de emerxencias que permita a actuación,de forma cooperativa e segura, de aeronaves tripuladase non tripuladas nun mesmo espazo aéreo, desempeñan-do estas últimas tarefas de observación ao servizo deaeronaves tripuladas de intervención, facilitando a tomade decisións durante as operacións e reducindo os custosdas mesmas.

Como xa se comentou, o proxecto está organizado en for-ma de consorcio, liderado pola multinacional Babcock, econta coa participación de empresas como COREMAIN,PILDOLABS, ALAVA e TEMAI e as OPIs Centro Avan-zado de Tecnologías Aeroespaciales (FADA-CATEC), IT-MATI, Universidad de Alicante (UA), Universidad deCórdoba (UCO), Universidad Politécnica de Cataluña(UPC) e Universidad de León (ULE).

A participación de ITMATI céntrase no desenvolvemen-to de algoritmos matemáticos que axuden na toma dedecisións na extinción de incendios forestais. Os princi-pais son os seguintes: estimación do perímetro dunincendio a través de imaxes termográficas empregando,entre outras, técnicas de estimación de conxuntos; al-goritmo de anticolisión entre as aeronaves que operannun incendio a partir dos datos en tempo real das súasmonitorizacións, que nos informan da velocidade e datraxectoria que seguen; algoritmo de rutas de esca-pe para as brigadas que operan na extinción tendo enconta a orografía do terreo, a vexetación e vías existen-tes; algoritmo de eficiencia nas descargas de augarealizadas polos medios aéreos que traballan no procesode extinción e algoritmo de xestión de recursos aé-reos tendo en conta a normativa vixente para pilotos eaeronaves.

Informest | 2

Colaboración

Algoritmo de Rutas de Escape das Briga-das

Na extinción dun incendio forestal o uso de brigadas éun elemento esencial para o control do incendio desde aterra. Por isto, é necesario manter unha boa comunica-ción e organización das mesmas para que se enfrontencon seguridade a este, evitando que o incendio, na súaevolución, chegue a cercalas. Esta situación pode estarmotivada porque o terreo situado por detrás das briga-das se vai secando polo efecto da enerxía que desprendeo incendio, de maneira que aumenta a probabilidade deque se incendie e, como consecuencia, a brigada quedeatrapada, privándoa dunha ruta de escape.

O obxectivo deste algoritmo é calcular unha ruta de esca-pe para a evacuación dos medios de extinción terrestres,proporcionándolle ao director de extinción unha ruta se-gura para retirarse, desde o incendio, ata o destino se-leccionado. Para isto empréganse funcións de tempo mí-nimo en base ás distintas velocidades de desprazamentodunha persoa en función da pendente do terreo, do tipode vexetación e do tipo de vía. As rutas obtidas conectana posición das brigadas de extinción coa zona de seguri-dade máis próxima, evitando os posibles obstáculos quevan encontrar no camiño e non poden sortear.

Para a obtención da ruta de escape para a brigada,dende a posición que se atopa ata unha zona de evacua-ción segura dada de antemán, é preciso calcular o custode desprazamento da brigada polo terreo, isto é, a ve-locidade máxima á que se pode desprazar en funciónda pendente do terreo, da vexetación existente, das víasdispoñibles e dos obstáculos presentes. A metodoloxíaempregada para realizar este cálculo foi a seguinte:

1. A partir do modelo dixital de elevacións (MDE), doInstituto Geográfico Nacional (IGN), que represen-ta as elevacións sobre o terreo, obtense a pendentedo mesmo, segundo Horn (1981).

2. Unha vez calculada a pendente, obtense a veloci-dade máxima de desprazamento aplicando a fór-mula proposta por Tobler (1993).

3. Reclasifícase a vexetación existente, asignando unscoeficientes que reducen a velocidade en funciónda estrutura da vexetación, baseados nos valorespropostos por Wood and Schmidtlein (2011) pa-ra cada tipo de modelo de combustible, de acordocoa clasificación Prometheus (Arroyo et al., 2006).

4. Calcúlanse os coeficientes que reducen a velocida-de en función do tipo de vía baseados nos valorespropostos por Wood and Schmidtlein (2011). Pa-ra isto, previamente, foi preciso obter unha capavectorial cos distintos tipos de vías considerados(estrada convencional, camiño, pista, carreiro, cor-talumes). Fíxose uso da base de datos xeográficaa escala 1:25000 dispoñible para todo o territorionacional (BTN25) do IGN, que dispón dun am-plo contido de fenómenos xeográficos en formato

SHAPEFILE. Dos datos correspondentes á zona doincendio extraéronse os elementos que conformanos distintos tipos de vías, facendo uso do códigoque presentan na súa nomenclatura, uníndoos to-dos nunha única capa vectorial cun novo campo cocorrespondente valor do coeficiente de redución davelocidade e que posteriormente foi preciso raste-rizar.

5. Créase unha capa ráster onde cada píxel represen-ta a velocidade máxima á cal se pode desprazar abrigada en función da pendente, da vexetación edo tipo de vía.

6. Extráese da base de datos BTN25 da zona do in-cendio os elementos considerados como obstáculos(ríos, encoros. . . ) seguindo o procedemento indi-cado no punto anterior (5). Neste caso, dada atipoloxía dos elementos considerados como obs-táculos, obtéñense dúas capas vectoriais (unha, ti-po liña e outra, polígono) que tamén se rasterizan.

7. Intégranse os obstáculos e o incendio na capa rás-

ter de velocidade, asignándolle valores nulos aospíxeles correspondentes. O incendio vén dado porunha capa vectorial que define o perímetro do mes-mo.

Calculada a capa ráster dos custos de desprazamentocoa metodoloxía anterior, obtense a ruta de escape dabrigada desde a posición na que se atopa ata unha zonasegura seleccionada previamente. Para iso, transfórmasea capa ráster nunha matriz de transición establecendo ovalor de transición entre cada par de píxeles á media dosdous valores que está conectando, e permitindo move-mentos diagonais entre os oito píxeles adxacentes. Trasisto, faise unha corrección consistente en dividir os valo-res da matriz entre a distancia dos centros dos píxeles,debido a que moverse en diagonal supón percorrer maiordistancia que moverse en liña recta. Finalmente, calcúla-se o camiño máis curto entre o punto de inicio e o puntode destino (van Etten, 2013).

A ruta obtida proporciónase como unha capa vectorialnos formatos SHAPEFILE e KML que se poden visuali-zar mediante ferramentas que empregan sistemas de in-formación xeográfica (SIX) e os atributos dan conta davelocidade media da ruta, do tempo que levaría percorre-la e da distancia da mesma. Tamén se proporcionan ascoordenadas dos puntos característicos da ruta obtida,entendendo como característicos aqueles onde a traxec-toria cambia, xunto co rumbo que se debe seguir parachegar ao seguinte punto e a distancia (en liña recta),seguindo ese rumbo, que hai que percorrer para alcanzaro seguinte punto. Isto resulta de utilidade, debido a quenunha situación extrema ou en determinadas localiza-cións o GPS pode perder o sinal, polo que os brigadistasnon poderían guiarse pola ruta proporcionada, pero, aodispoñer destes puntos e da información proporcionada,

3| Informest

Colaboración

coa utilización dun compás poderían chegar á zona se-gura. Na Figura 1 amósase o resultado dunha execucióndo algoritmo. En cor laranxa represéntase o incendio, opunto azul fai referencia á posición inicial da brigada eo verde, á zona segura cara a onde se quere desprazar abrigada.

Figura 1: Resultado da execución do Algoritmo

Rutas de Escape. En cor laranxa represéntase o

incendio, o punto azul fai referencia á posición

inicial da brigada e o verde, á zona segura á que

se quere desprazar a brigada. En cor azul claro

amósase a ruta de escape.

Algoritmo de Eficiencia nas Descargas deAuga

Os medios aéreos xogan un papel moi importante naextinción dos incendios forestais. Por iso, considéraseimportante coñecer se as descargas de auga que estesrealizan están sendo efectivas para saber se se están uti-lizando unha cantidade adecuada de recursos. Medir oanterior é o obxectivo deste algoritmo.

O Algoritmo de Eficiencia nas Descargas de Augaemprega datos da monitorización das aeronaves que par-ticipan nun incendio, as cales proporcionan a posición daaeronave e outras características do voo, por exemplo, omomento no que se realizan certos eventos, como podeser o instante no que realizan as descargas de auga. Parao cálculo da eficiencia das descargas son precisos ou-tros datos, non só as monitorizacións, como son imaxestérmicas do incendio, unha delas, anterior ás descargasde auga e outra, posterior, necesarias para coñecer a di-ferenza de temperatura entre ambas as dúas. Coa infor-mación anterior pódese xerar unha imaxe tipo ráster naque, en cada píxel, se proporciona a eficiencia median-te un indicador que consiste no cociente da diferenzade temperatura entre as dúas imaxes pola cantidade deauga descargada.

A estimación da marca de auga, isto é, a área cuber-ta polas descargas de auga realizadas, é necesaria parao cálculo da eficiencia. Esta área suponse que ten formaelíptica e calcúlanse en base a modelos estatísticos deregresión (Rodríguez y Silva e González-Cabán, 2010),que permiten calcular o longo e o largo da elipse a partirdo volume da descarga de auga, a altura da mesma e a

velocidade da aeronave, orientando a elipse en funciónda dirección da aeronave no momento da descarga e su-poñendo que a auga da descarga se distribúe de formahomoxénea. Unha vez obtidas as marcas de auga de ca-da unha das descargas realizadas, calcúlase unha caparáster que representa a marca de auga total e onde cadapíxel representa o total de litros descargados polas ae-ronaves que actúan no incendio. Finalmente, calcúlasea capa de eficiencia das descargas a partir das elipsesestimadas e das dúas imaxes térmicas, proporcionandopara cada píxel a diminución de temperatura por litro deauga descargado polas aeronaves.

Cando se utiliza o algoritmo en tempo real, é común noncontar con imaxes térmicas do incendio, xa que, a tomade imaxes actualmente é unha das misións da aeronavede coordinación que non ten por que estar presente du-rante toda a duración do incendio. A pesar diso, seguesendo de interese coñecer a marca de auga das descargasque realizan as aeronaves para determinar se se están arealizar nos lugares axeitados. Por iso, considerouse estaopción no algoritmo, e, no caso de non dispoñer de ima-xes térmicas do incendio entre as que se están a realizaras descargas, proporciónase unha imaxe ráster xeorefe-renciada da última descarga realizada por cada aeronave,o que permite coñecer onde se están realizando as des-cargas.

Na Figura 2 represéntanse as marcas de auga das des-cargas realizadas por varias aeronaves que participaronnun incendio en Galicia no verán do 2017.

Figura 2: Marca de auga das descargas reali-

zadas por varias aeronaves que participaron na

extinción dun incendio ocorrido en Galicia no

verán do 2017.

Para o desenvolvemento destes dous algoritmos em-pregouse o software estatístico R, https://www.r-project.org/ e QGIS https://qgis.org/es/site/.

Agradecementos

Os autores desde traballo agradecen o apoio do proxec-to ENJAMBRE do CDTI con expediente IDI-2014 1237e aos fondos FEDER a través do Programa Operativode Crecimiento Inteligente. Igualmente, a todo o persoalhumano do mesmo e, de maneira especial, aos investi-gadores de ITMATI que colaboraron no mesmo.

Informest | 4

Software

O paquete fda.uscManuel Oviedo de la Fuente

A análise dos datos funcionais (FDA no seu acrónimoen inglés) é unha área de investigación moi activa nosúltimos anos e aparece naturalmente na maioría dasáreas científicas: econometría (curvas diarias de deman-da ou prezo da electricidade), medio ambiente (curvasde niveis de contaminantes), medicina (curvas de crece-mento), quimiometría (datos de espectrometría), etc.

O paquete fda.usc (dispoñible nesta ligazón) presen-ta un marco común para o software R que aglutina demaneira homoxénea e estruturada as propostas das dúastendencias principais na análise de datos funcionais; olibro de Ramsay e Silverman (2005), a partir dunhaperspectiva paramétrica (limitada a espazos de Hilbert),e o libro de Ferraty e Vieu (2006) dende o punto devista non paramétrico (espazos funcionais métricos ousemi–métricos).

Febrero-Bande e Oviedo de la Fuente (2012), presenta-ron unha revisión detallada do estado da arte relacionadoco FDA e os métodos estatísticos que poden aplicarsea un conxunto de datos funcionais. Dende aquela, fixé-ronse 21 versións do paquete co obxectivo de manter,incorporar e propoñer os procedementos máis relevantespublicados na literatura do FDA, algúns deles recollidosen Oviedo de la Fuente (2019). A Figura 1 mostra aevolución das descargas do paquete.

Figura 1: Evolución das descargas do paquete

fda.usc.

O fda.usc ten incorporados os seguintes procedementosque seguen os estándares de programación de R:

A representación do dato funcional empregando aclase “fdata”: As funcións incluídas nesta secciónpermiten definir, operar, transformar, manipulare representar un conxunto de datos funcional demoitas formas, incluíndo derivadas, representaciónen bases e métodos do núcleo. Para o conxunto

de datos da AEMET, o panel superior esquerdo daFigura 2 mostra a curva de temperatura rexistrada(en negro), a suavizada empregando B–splines (envermello) e polo núcleo gaussiano (en verde).

O computo de medidas de centralidade e perife-ria empregando a profundidade funcional (vexaaxuda co comando help(Depth) en R). O panelsuperior dereito da Figura 2 mostra as medidas(localización media) e dispersión (banda de con-fianza bootstrap do 95 %), rexistradas para os ni-veis de NOx nos días laborables ou non laborables.

Modelos de regresión funcional (funcións co pre-fixo “fregre.”): lineal, parcialmente-lineal, xe-neralizado, aditivo, resposta funcional e erroresdependentes (Oviedo de la Fuente et al. 2018).

Clasificación supervisada (funcións co prefixo“classif.”). Os paneis na parte inferior da Fi-gura 2 mostra: na esquerda, a segunda derivadadunas curvas espectrométricas (coloreadas polocontido de graxa), e á dereita, o resultado do cla-sificador DDG empregando a profundidade modal(Cuesta et al., 2017).

Proba de bondade do axuste do modelo lineal fun-cional con resposta escalar (funcións co prefixo“flm.”), Garcia-Portugues et al., (2014).

Utilidades para a detección atípica (funcións coprefixo “outliers.”), ANOVA funcional (fun-cións co prefixo “anova.”), clustering funcional(función kmeans.fd) e selección de variables naregresión (función fregre.gsam.vs), por citar asmáis destacadas.

O paquete foi incluído no conxunto dos 7 paque-tes recomendados no Task View no campo do FDAhttps://cran.r-project.org/web/views/FunctionalData.html.

Para máis documentación sobre o uso do paquete con-sulte a súa axuda na seguinte ligazón e a tarxeta dereferencia:http://doi.org/10.5281/zenodo.3386752.

5| Informest

Software

Figura 2: Exemplos gráficos empregando ferramentas do fda.usc.

Agradecementos:

Grazas ao co-autor do paquete Manuel Febrero Bande e aos contribuíntes: Pedro Galeano, Alicia Nieto e EduardoGarcía-Portugués.

Financiación:

Proxecto MTM2016-76969-P do Ministerio de Economía e Competitividade da Axencia Estatal de Investigación.

Cuesta-Albertos, J. A., Febrero-Bande, M., and Oviedo de la Fuente, M. (2017). The DDG-classifier in the

functional setting. Test, 26(1), 119-142.Febrero-Bande, M., González-Manteiga, W., and Oviedo de la Fuente, M. (2019). Variable selection in functionaladditive regression models. Computational Statistics, 34(2), 469-487.Febrero-Bande, M. and Oviedo de la Fuente, M. (2012). Statistical computing in functional data analysis: the Rpackage fda.usc. Journal of Statistical Software, 51(4):1–28.Ferraty, F. and Vieu, P. (2006). Nonparametric functional data analysis: theory and practice. Springer.Garcia-Portugues, E., Gonzalez-Manteiga, W. and Febrero-Bande, M. (2014). A goodness?of?fit test for thefunctional linear model with scalar response. Journal of Computational and Graphical Statistics, 23(3), 761-778.Oviedo de la Fuente, M., Febrero-Bande, M., Muñoz, M. P., and Domínguez, A. (2018). Predicting seasonalinfluenza transmission using functional regression models with temporal dependence. PloS one, 13(4), e0194250.Oviedo de la Fuente, M. (2019), Advances in functional regression and classification models. Doctoral dissertation,http://hdl.handle.net/10347/18236.R Core Team (2014). R: A language and environment for statistical computing. R Foundation for StatisticalComputing, Vienna, Austria. URL http://www.R-project.org/.Ramsay, J. and Silverman, B. (2005). Functional Data Analysis. Springer.

Informest | 6

Actividades da SGAPEIO

Actividades da SGAPEIO

XIV Congreso Galego de Estatística eInvestigación de Operacións

por Javier Roca Pardiñas e Alejandro Saa-vedra NievesComo resposta á petición da Sociedade Galega para aPromoción da Estatística e da Investigación de Opera-cións (SGAPEIO), o Departamento de Estatística e In-vestigación Operativa da Universidade de Vigo (UVigo)organizou o XIV Congreso Galego de Estatística e Inves-tigación de Operacións (SGAPEIO2019), celebrado naEscola de Enxeñería Industrial (sede cidade) da UVigodo 24 ao 26 de outubro do 2019.

Este encontro forma parte dos congresos bianuais pro-movidos pola SGAPEIO e, coma en edicións anteriores, asúa finalidade foi a divulgación na investigación e no en-sino das innovacións na Estatística e na Investigación deOperacións. Nesta edición, a programación oficial contoucunha sesión especial de Biometría, que foi organizadaconxuntamente pola propia SGAPEIO e a Sociedade Por-tuguesa de Estatística (SPE), e que dá continuidade aosEncontros Galaico-Portugueses organizados polas dúassociedades dende o ano 2013. Esta colaboración permitea promoción e divulgación da Estatística e da Investi-gación de Operacións en distintas áreas de aplicación,fomentando novas ideas e colaboracións de interese paraambas as dúas comunidades.

O congreso tivo un amplo programa científico compos-to por catro conferencias plenarias, dúas mesas redon-das, sete sesións de comunicacións orais e dúas sesiónsde pósters. Como xa se mencionou, tivo lugar unha se-sión especial de Biometría, organizada pola SGAPEIO ea SPE. Contouse cunha exposición do Museu de Mate-màtiques de Catalunya e impartíronse dous obradoiros.Ademais, houbo un amplo número de actividades sociaisenmarcadas na cidade de Vigo e na súa contorna.

O congreso contou cun total de 115 persoas inscritas,coa participación de representantes das tres universida-des galegas e tamén de fóra de Galicia, desde a Univer-sidad Complutense de Madrid ata a Universidad de laLaguna, a UNED, a Universidad Miguel Hernández de

Elche, pasando tamén polas de Salamanca e Valencia.Do ámbito internacional, son salientables a UniversidadNacional de San Agustín de Perú, así como varias uni-versidades portuguesas, de Bélxica, de Suíza e dos PaísesBaixos. Ademais de representantes do ámbito universi-tario, contouse tamén coa participación de numerososprofesionais do ensino medio, da propia Xunta de Gali-cia, dos Institutos, galego e nacional, de Estatística; doCentro Tecnolóxico do Mar, así como de empresas e or-ganismos de carácter privado como Abanca ou Hijos deRivera.

Presentáronse un total de 51 traballos, dos cales 33 fo-ron presentacións orais e 18, comunicacións en formatopóster.

A continuación, detállase de maneira resumida o crono-grama das actividades científicas e sociais acontecidasdurante os tres días do congreso.

Xoves, 24 de outubro

O encontro iniciouse co acto oficial de apertura do Con-greso. Contou coa presenza da Tenente de Alcalde e Con-celleira delegada da área de Urbanismo do Concello deVigo, María Xosé Caride, en representación do alcaldeda cidade; do Deputado Provincial Carlos López Font,en representación da presidenta da Deputación de Pon-tevedra; do director do Instituto Galego de Estatística,José Antonio Campo Andión e do presidente do comi-té organizador do SGAPEIO2019, Javier Roca Pardiñas.Unha vez rematada a apertura oficial do congreso, tivolugar a primeira sesión plenaria a cargo do presidente doInstituto Nacional de Estadística, Juan Manuel Rodrí-guez Poo.

7| Informest

Actividades da SGAPEIO

Tras un breve receso, celebrouse a segunda das sesiónsplenarias programadas, impartida por Juan José SalazarGonzález, profesor da Universidad de La Laguna.

Ao remate discutiuse sobre a “Investigación Operativae Empresa” durante a primeira mesa redonda. Esta foimoderada por Salvador Naya Fernández (Universidadeda Coruña, UDC), e contou coa presenza de Silvia Lo-renzo Freire (UDC), Julio González Díaz (Universidadede Santiago de Compostela, USC) e Jorge López Muñiz(Grupo Hijos de Rivera - Estrella Galicia) como poñen-tes.

Como feito relevante, cómpre mencionar a Sesión espe-cial de Biometría que tivo lugar á primeira hora da tardedo xoves. Foi moderada por María José Ginzo Villamayor(USC) e nela participaron Rosa Crujeiras (USC), Mag-da Monteiro (Universidade de Aveiro) e Soraia Pereira(Universidade de Lisboa). En paralelo coa anterior, pre-sentáronse 11 comunicacións orais noutras dúas sesións:“Investigación operativa e teoría de xogos”, e “Estatís-tica pública”.

A continuación expuxéronse os pósters correspondentesda primeira sesión e rematouse coa presentación de 12comunicacións orais en tres sesións paralelas: “Aplica-cións da estatística”, “Contribucións en bioestatística”e “Premios da SGAPEIO (I)”. A última das menciona-das correspóndese coa primeira sesión adicada aos pre-mios ás mellores comunicacións presentadas no congre-so SGAPEIO2019 por investigadores/as novos/as. Como

en convocatorias anteriores, ditos premios foron convo-cados en dúas categorías: á mellor comunicación teóricae á mellor comunicación aplicada.

Rematouse o día coa recepción oficial do congreso, ofre-cida polo Concello de Vigo e realizada no Pazo de Qui-ñones de León, dentro da contorna do Parque de Castre-los (Vigo). Antes do discurso das autoridades presentes,contouse coa interpretación das Sete Cantigas de Amigode Martín Códax (Brais González) por parte do Coro deCámara Rías Baixas.

Venres, 25 de outubroO segunda día empezou coa celebración de dúas sesiónsde comunicación orais en paralelo, “Regresión” e “Pre-mios da SGAPEIO (II)”, nas que se presentaron un totalde 9 traballos.

A continuación celebráronse dúas sesións plenarias im-partidas respectivamente por Carmen Armero, da Uni-versitat de València, e por Ingrid Van Keilegom, da KULeuven (Bélxica).

Informest | 8

Actividades da SGAPEIO

Entre ambas as dúas plenarias tivo lugar a segunda dassesións de pósters programadas no congreso. A activi-dade da mañá do venres concluíu coa celebración daAsemblea Xeral da SGAPEIO.

Pola tarde, e ao remate das actividades científicas pro-gramadas para ese día, os participantes desfrutaron dun-ha ruta en barco pola Ría de Vigo. Despois dunha brevetravesía, puideron visitar as illas de San Simón e SanAntón (Redondela).

A xornada concluíu co concerto do pianista vigués BraisGonzález no Vitruvia Café.

Sábado, 26 de outubroDurante a mañá do último día impartíronse os dous obra-doiros incluídos na programación do congreso:

Minería de datos con R. Este taller, impartido porM. Carmen Iglesias Pérez, Ricardo Luaces Pazos eAntonio Vaamonde Liste da UVigo, concluíu cun-ha última sesión presencial tras máis de 30 horasimpartidas en liña.

Elaboración de gráficos con R. Este taller foi im-partido por Javier Tarrío Saavedra, da UDC.

Unha vez finalizados, houbo un taller da exposición doMuseu de Matemàtiques de Catalunya. Foi impartido po-los membros do museo que nos acompañaron durante ostres días de congreso, Enric Brasó e Aleix Mestre.

Tras este pequeno taller, os asistentes puideron asistirá mesa redonda “A importancia da Estatística na vidadiaria” e que foi moderada por Covadonga Rodríguez-Moldes Rey (IES de Mugardos). Nela interviñeron JesúsDíaz López (IES Universidade Laboral de Culleredo), Jo-sé Roberto García Olano (Instituto Galego de Estatística)e Xaime Suárez Blanco.

Antes do peche do congreso, tivo lugar o acto de entre-ga de premios aos investigadores novos. Foron os traba-llos de Marta Cousido Rocha e Alejandro Saavedra Nie-ves os que resultaron premiados nas categorías á mellorcomunicación teórica e á mellor comunicación aplicada,respectivamente. Despois deste momento, o presidenteda SGAPEIO, César Sánchez Sellero, xunto con Jacobode Uña Álvarez e Javier Roca Pardiñas, presidentes docomité científico e do organizador do congreso respecti-vamente, pecharon o congreso.

Finalmente, celebrouse o xantar de confraternidade docongreso no Restaurante Albatros, ubicado na EstaciónMarítima de Vigo.

9| Informest

Actividades da SGAPEIO

Gustaríanos agradecer á Universidade de Vigo, ao Conce-llo de Vigo, á Deputación de Pontevedra, á Xunta de Ga-licia, aos principais grupos de investigación de estatísticade Galicia (SiDOR, ECOSOT, MODESTYA, MODES),ECOBAS, rede Biostatnet, e a outras entidades, tantopúblicas como privadas, que de maneira desinteresadacolaboraron na realización deste evento. Este agradece-mento é extensible tamén a todos aqueles asistentes aocongreso que, coa súa presenza, o fixeron posible.

Para rematar, non podemos esquecernos dos nosos com-pañeiros e das nosas compañeiras do comité organizador:Javier Roca Pardiñas - Presidente (UVigo), Ana MaríaDomínguez Puente (IES Castelao - Vigo), María JoséGinzo Villamayor (USC), María Gómez Rúa (UVigo),María del Carmen Iglesias Pérez (UVigo), María JesúsLonga Sayáns (Uvigo), Leticia Lorenzo Picado, Juan Car-los Pardo Fernández (UVigo), Alejandro Saavedra Nie-ves (UVigo) e Antonio Vaamonde Liste (UVigo). O grantraballo realizado por este equipo fixo posible que o con-greso resultase todo un éxito.

Sesión de biometría no XIV CongresoGalego de Estatística e Investigaciónde Operacións

por Rosa Crujeiras CasaisA Sociedade Portuguesa de Estatística (SPE) e a SGA-PEIO organizaron conxuntamente unha sesión de biome-tría o venres 25 de outubro, no marco do XIV Congre-so Galego de Estatística e Investigación de Operacións.Magda Monteiro, da Universidade de Aveiro, e Soraia Pe-reira, da Universidade de Lisboa, foron as representantesda SPE, participando Rosa M. Crujeiras (da Universida-de de Santiago de Compostela) por parte da SGAPEIO.

Na sesión presentáronse problemas de aplicación prácticano ámbito da bioloxía e do medio ambiente, abordadoscon diferentes metodoloxías. Magda Monteiro centrou asúa presentación na detección de puntos de cambios nastaxas de crecemento de series de temperaturas en cida-des europeas, como un indicador do cambio climático.Pola súa banda, Soraia Pereira analizou, mediante ferra-mentas da estatística Bayesiana (concretamente, utili-zando INLA), o patrón xeoestatístico dos ovos de sardiñana costa de Portugal, un estudo cuxos resultados podencontribuír a unha mellora da xestión dos bancos de peixescon obxectivos de sustentabilidade económica e ambien-

tal. Finalmente, Rosa M. Crujeiras presentou modelosnon paramétricos de regresión con covariables categóri-cas na presenza de observacións de natureza circular, un-ha metodoloxía con aplicación no estudo de orientaciónsde animais. O exemplo concreto que se analizou tratabade modelar a orientación das pulgas de praia en distin-tos escenarios (que trataban de recoller a intervenciónna paisaxe), tendo en conta a influencia da temperaturaou do acimut do sol.

Informest | 10

Actividades da SGAPEIO

A novidade e aplicabilidade das temáticas tratadas, asícomo a discusión sobre as presentacións, puxeron de ma-nifesto o importante pulo que se lle ten dado á estatísticaaplicada ao ámbito biométrico en Galicia e Portugal: uncampo onde as dúas comunidades científicas teñen moi-to que achegar, aprender e compartir facendo posiblea transferencia de coñecemento á sociedade en ámbi-tos tan relevantes como o control medioambiental ou aconservación das especies.

A sesión foi organizada por María José Ginzo, secretariada SGAPEIO, e Giovani Silva.

Asemblea Xeral da SGAPEIO o día 25de outubro de 2019

por Ma José Ginzo e Paula Raña

O día 25 de outubro celebrouse no Salón de Actos daEscola de Enxeñería Industrial (sede cidade) da Univer-sidade de Vigo unha Asemblea Xeral de SGAPEIO.

En primeiro lugar aprobouse a Acta da Asemblea Xeraldo 13/04/2018. A continuación informouse do estadodo número de socios, que actualmente é de 175 sociosindividuais e de 5 institucionais. Animouse aos sociosa fomentar a incorporación de novos socios. En cantoao Informest, coméntase que se segue a traballar cos 3números habituais por ano. Anímase a todos os sociosque queiran participar a que se poñan en contacto coasociedade.

A continuación, fíxose un repaso polas actividades pre-vistas en 2019 e 2020. Infórmase de que o día 4 de outu-bro se celebrou na Facultade de Matemáticas o PhDay

(web) entre os alumnos de doutoramento das tres univer-sidades galegas. A SGAPEIO outorgou o premio á mellorcomunicación oral e agasallou a todos os asistentes cunlibro de Estatística en Caricaturas.

O día 24 de outubro tivo lugar a sesión de biometríacoorganizada coa Sociedade Portuguesa de Estatísti-ca (SPE). Os convidados foron: Rosa Crujeiras Casais(USC, convidada da SGAPEIO), Magda Monteiro (Uni-versidade de Aveiro, convidada da SPE) e Soraia Pereira(Universidade de Lisboa, convidada da SPE).

Infórmase que dende a SGAPEIO se organiza a Xorna-da de Formación para Profesores de Ensino Secundarioen colaboración con AGAPEMA. Participarán os profe-sores dos traballos gañadores na IX edición do Concursode “Incubadora de Sondaxes e Experimentos”, Ma Jo-sé Ginzo Villamayor e María Martín Vila impartirán unobradoiro e Paula Raña Míguez impartirá a conferenciadivulgativa (web).

Así mesmo infórmase de que o día 8 de novembro terálugar a sesión de biometría coorganizada coa SPE e a So-ciedade Española de Biometría (SEB) no Congreso Na-cional da SPE en Amarante. Os convidados serán: PaulaSaavedra Nieves (USC, convidada da SGAPEIO), An-drea Meilán Vila (UDC, convidada da SGAPEIO), NunoSepúlveda (London School of Hygiene and Tropical Me-dicine convidado da SPE) e Juan Ramón González (Uni-versidad Autónoma de Barcelona, convidado da SEB).

En canto ao concurso “Incubadora de Sondaxes e Ex-

perimentos”, explícanse os pasos que se levan dado naorganización e posta en marcha da súa décima edición.Infórmase de que na fase nacional modificaron un poucoas bases e que a SGAPEIO, na medida das súas posibi-lidades, tratará de adaptarse ás mesmas.

Sobre o XIV Congreso Galego de Estatística e Investiga-ción de Operacións, Javier Roca Pardiñas comenta queestá contento do transcurso do que vai de Congreso equere agradecer o traballo realizado tanto polo comitécientífico como polo comité organizador.

César Sánchez comenta que asistiu á xornada de clausu-ra dos Estalmat. Entregouse a cada un dos egresados unexemplar do libro Estatística en Caricaturas como aga-sallo.

En canto ao vindeiro congreso (XV Congreso Galego deEstatística e Investigación Operativa), infórmase de que,de momento, non se pode anunciar onde será, pero quepor quenda, en ausencia doutras propostas, correspon-dería en Santiago de Compostela. O Comité Executivoestá aberto a suxestións e nos vindeiros días reunirasee decidirá quen será o próximo organizador e cal será acidade onde se celebrará.

Infórmase de que se asinou recentemente un conveniode reciprocidade coa Sociedade Portuguesa de Estatísti-ca (SPE).

A profesora Rosa M. Crujeiras Casais, como organi-zadora do Congreso Advances in Directional Statistics

(ADISTA20), quere solicitar colaboración da SGAPEIOpara financiar o premio “Kanti Mardia” ao mellor póster.

Para rematar, Ma José Ginzo Villamayor explica o balan-ce para o ano 2018 e o orzamento previsto para o ano2019. Apróbanse ambos por asentimento.

11| Informest

Novas do IGE

Novas do IGE

Novidades na información estatísticapublicada

Escenario macroeconómicoO Escenario macroeconómico refírese á evolución previs-ta do Produto Interior Bruto (PIB) e dos seus compo-ñentes desde a óptica da demanda: consumo privado,consumo público, formación bruta de capital, exporta-cións e importacións de bens e servizos. O cadro com-plétase coas previsións do emprego: postos de traballoequivalentes a tempo completo e taxa de paro. A infor-mación de base para elaborar as previsións son as Contaseconómicas anuais e as Contas económicas trimestraiselaboradas polo IGE.O método utilizado é un modelo de estimación de agre-gados macroeconómicos a curto prazo, nun marco cohe-rente cos escenarios propostos para as economías espa-ñola e internacional. Un resumo do mesmo pode versena seguinte ligazón.Segundo o Escenario macroeconómico, a economía deGalicia prevese que medre un 2 % no ano 2019 e un 1,9 %no ano 2020. Por outra parte, a taxa de paro situaraseno 11,4 % no 2019 e no 10,6 % no 2020.

Carga de poboación estacional dos conce-llos de GaliciaO Instituto Galego de Estatística (IGE) publica a activi-dade estatística Carga de poboación estacional dos con-cellos de Galicia, cuxo obxectivo é cuantificar a poboa-ción que soportan os concellos en cada trimestre do ano.A estimación da carga de poboación concíbese como un-ha estatística de síntese que aproveita as fontes estatís-ticas existentes sobre a poboación residente e as persoasque se desprazan por motivos de turismo, estancias ensegundas vivendas, estudos, traballo e problemas de saú-de. Esta información sobre a carga de poboación podeser útil para a toma de decisións en cuestións como a do-tación de servizos sanitarios, planificación do transportepúblico, etc.A carga de poboación representa a media trimestral depersoas equivalentes a tempo completo que soporta unconcello. Obtense a partir da poboación residente, su-mándolle a poboación de entrada (non residentes pre-sentes) e restándolle a poboación de saída (residentesausentes). O saldo poboacional entre os non residentesque entran e os residentes que saen mide a diferenza en-tre a poboación presente e a poboación residente.No primeiro, segundo e cuarto trimestre de 2017, os con-cellos con maiores saldos poboacionais son as sete gran-des cidades, xunto cos concellos de Sanxenxo, O Porriño,O Grove (no segundo trimestre) e San Cibrao das Viñas(no primeiro e cuarto trimestre). Agora ben, no terceiro

trimestre de 2017, os concellos de Ferrol, O Porriño eSan Cibrao das Viñas xa non se atopan entre os dez queteñen un maior saldo poboacional, sendo substituídospolos concellos costeiros do Grove, Nigrán e Baiona.

Enquisa estrutural a fogares. Coñecementoe uso do galegoA Enquisa estrutural a fogares (EEF) é unha actividadeestatística anual dirixida aos fogares galegos co obxectode obter información sobre as súas características socio-económicas. Consta de dúas partes: unha primeira, decarácter xeral, que se repite todos os anos, deseñadapara recoller información sobre variables básicas e unhasegunda, de carácter específico.No ano 2018 un dos módulos específicos está dedicadoao coñecemento e uso da lingua galega. Neste móduloanalízanse, entre outras cousas, o grao de coñecementodo idioma galego nas súas distintas formas (oral e escri-to) e o seu uso en distintos ámbitos sociais.No ano 2018 o 57,59 % dos galegos e das galegas de 5ou máis anos manifesta que sabe falar o galego moito;o 30,46 %, bastante e o 11,95 %, pouco ou nada. Entrea poboación menor de 15 anos, a porcentaxe de per-soas que saben falar pouco ou nada o galego sitúase no23,90 %, mentres que entre a poboación de 65 ou máisanos sitúase no 8,84 %.Tamén en 2018, o 30,57 % da poboación de Galicia falasempre en galego. Esta porcentaxe é inferior á rexistradahai 5 anos en 0,63 puntos.

Outras novidades

Pleno do Consello Galego de Estatística21/06/2019O 21/6/2019 celebrouse o Pleno do Consello Galego deEstatística no que se aprobou a acta da sesión anteriore se presentou o informe de seguimento do ProgramaEstatístico Anual 2018 (PEA 2018). O Director do IGEresumiu os resultados do PEA 2018, formado por 144estatísticas propias e 33 actuacións complementarias dedifusión e análise. O grao de execución global foi do98 % e os indicadores de calendario amosan un 77 % depuntualidade e desfases entre datas de referencia e di-fusión de 13 meses, nas estatísticas estruturais, e de 3,nas conxunturais. Ademais, tamén se someteu á consi-deración do Consello unha addenda do proxecto técnicoda operación Indicadores demográficos.

ConveniosO 22 de outubro de 2019 firmouse o convenio de cola-boración entre a Universidade da Coruña e o IGE paraa realización de prácticas académicas externas de estu-dantes da Facultade de Socioloxía.

Informest | 12

Traballos de Estatística e IO

Traballos de Estatística e Investigación Operativa no SUGTeses

C ontributions to distributional regression models. Applications in biomedicine

Jenifer Espasandín Domínguez.Directores: Carmen Cadarso-Suárez, Francisco Gudel e Thomas Kneib.Data da defensa: 19 de xullo de 2019. USC.

O traballo de investigación realizado na presente tese parte da converxencia das liñas de investigación de dousgrupos: un, de estatística (Group in Biostatistics and Biomedical Data Science, GI-2127) e outro, de medicina clínica(Research methods, C017), ambos pertencentes ao Instituto de Investigación Sanitaria de Santiago de Compostelae coordinados dende hai anos para levar a cabo investigación interdisciplinar no ámbito da Bioestatística.

Nesta tese, realízanse contribucións metodolóxicas no ámbito da Estatística, para a investigación de factores deter-minantes na glicación de proteínas. Especificamente, como resultado de varios proxectos previos, disponse dunhaampla mostra da poboación xeral adulta que permite investigar diversos retos actuais no campo das enfermidadescrónicas, como a diabetes. Ademais, contouse cos resultados da monitorización continua da glucosa intersticialdurante unha semana. Disponse, polo tanto, dos perfiles de glucosa de cada individuo como dato funcional.

Especificamente, dende un punto de vista estatístico, nesta investigación revísanse e compáranse modelos deregresión distribucional frecuentistas e Baiesianos para respostas univariantes e bivariantes, con gran flexibilidadetanto no modelado da variable resposta como nas posibles covariables preditoras, fronte aos modelos de regresiónclásica.

Así mesmo, as ferramentas para a análise de datos funcionais son de grande utilidade para poder incorpora, nosmodelos de regresión, toda a información dispoñible nos perfís de glucosa mencionados. Na presente investigación,adaptáronse as técnicas introducidas por Brockhaus et al. (2018) para permitir a incorporación de datos funcionaiscomo covariables no ámbito da regresión distribucional univariante. No contexto multivariante, estendeuse a meto-doloxía de McLean et al. (2014) para posibilitar a consideración de covariables funcionais nos modelos de regresióndistribucional baseados en cópulas propostos por Marra and Radice (2017). Segundo o noso coñecemento, ata adata, non existe ningún outro modelo de regresión de cópula que permita modelar covariables funcionais cunhaflexibilidade similar.

Traballos Fin de Máster

Traballos do Máster Interuniversitario en Técnicas Estatísticas.

Métodos estatísticos para a estimación daárea de actividade dun animal: home range

Andrea Vilar Álvarez.Directora: Beatriz Pateiro López.USC, modalidade académica.

O termo home range emprégase para designar a área deactividade dun animal, é dicir, a porción de terreo na queun animal realiza as actividades do día a día: alimenta-ción, apareamento, coidado de crías. . .

Dende o punto de vista biolóxico, coñecer o home ran-

ge dunha especie supón coñecela máis profundamente,

o que facilita a xestión de recursos e, en xeral, a anti-cipación a situacións adversas, polo que é un conceptocun enorme interese biolóxico.

Así, neste traballo revisamos as técnicas existentes naliteratura para a estimación do home range tanto condatos independentes como para datos con dependenciatemporal, dende un punto de vista xeométrico que soa-mente nos dá unha estimación da área do home range,pero tamén dende un enfoque probabilístico, que ade-mais nos permite obter a frecuencia de uso. Logo, me-diante un estudo de simulación avaliamos a calidade decada estimador para detectar a xeometría subxacente dohome range ou a distribución non uniforme das observa-cións. Finalmente, realízase a estimación do home range

sobre un conxunto de datos reais.

13| Informest

Traballos de Estatística e IO

O problema de empaquetado “The binpacking problema”

Diego Frade Amil.Directora: María Luísa Carpente Rodríguez.USC, modalidade académica.

O “bin packing problema” (BPP) ou problema de em-paquetado en recipientes é un problema de optimizaciónque consiste en asignar un conxunto de elementos cunsdeterminados tamaños ao mínimo número de recipien-tes respectando a capacidade destes. Este problema estápresente en multitude de situacións, tanto da vida cotiá

como no ámbito industrial. Neste traballo realízase unarevisión bibliográfica do mencionado problema, centrán-dose principalmente na versión unidimensional. Expóñen-se as súas principais características e algunhas variantesou problemas relacionados, explícanse varios métodos deresolución e aplícanse a unha serie de conxuntos de datose móstranse ferramentas ou recursos dispoñibles en inter-net para o tratamento deste problema (códigos de algo-ritmos, conxuntos de datos e aplicacións para visualizaras solucións). Ademais, realízase unha breve introduciónao BPP en máis dunha dimensión, incluíndo tamén al-gúns métodos para resolvelo e varios exemplos ilustrandocada caso.

Traballos Fin de Grao

Traballos do Grao en Matemáticas presentados no curso 2018–2019.

Técnicas de clasificación en el contextode “Big Data”

Josefa Arán Paredes.Titor: Wenceslao González Manteiga.

O principal obxectivo deste traballo é introducir a aná-lise discriminante e algunhas técnicas de clasificación,centrándose no seu papel no contexto de Big Data. Noprimeiro capítulo preséntanse os conceptos xerais da cla-sificación, as regras e a idea de “optimalidade”. Os princi-pais métodos paramétricos de clasificación (regras lineaise cuadráticas) e algúns non paramétricos (regra dos k ve-ciños máis cercanos e regras tipo kernel) son explicadosno segundo capítulo. O terceiro trata sobre a avaliacióndas técnicas anteriormente definidas cando son aplica-das na práctica. Os dous últimos capítulos introducen osproblemas que se poden achar nun contexto de Big Da-

ta, particularmente o caso en que a dimensión é maiorque o número de observacións. Preséntanse dúas técni-cas adaptadas a esta situación e finalmente ilústrase oseu funcionamento cun exercicio de simulación e cunhaaplicación a unha base de datos real.

Problemas de rutas de vehículos e algo-ritmos de aforro: o algoritmo de Clarke andWright

Elena Blanco González.Titora: Balbina V. Casas Méndez (cotitor: DavidRodríguez Penas).

Os Problemas de Rutas de Vehículos (VRP) son unexemplo de problemas para os que moitas veces non

é posible aplicar algoritmos que os resolvan en tempopolinomial, principalmente debido ao seu tamaño e ásúa complexidade. Habitualmente para resolver exemplosdeste tipo de problemas usaranse algoritmos heurísticos.Neste traballo presentamos o Problema do Viaxante deComercio (TSP) para continuar cos Problemas de Rutasde Vehículos. A continuación enunciamos o algoritmoheurístico proposto por Clarke and Wright para o VRPcon restricións de capacidade. Finalmente contamos cosdatos dun problema de rutas da vida real que usamospara comparar as solucións obtidas usando unha imple-mentación en R do algoritmo de Clarke and Wright coasolución obtida a dito problema mediante a súa modela-ción con linguaxe AMPL.

Asociación entre variables cualitativas:exemplo práctico de análise de correspon-dencias

Jorge Castiñeiras Rella.Titora: Beatriz Pateiro López.

A análise de correspondencias é unha técnica estatísticaaplicada sobre táboas de continxencia que permite a vi-sualización dunha nube de puntos multidimensional nunespazo de menor dimensión. Crea mapas da nube de pun-tos perdendo o mínimo de información posible para pos-teriormente realizar unha análise exploratoria dos datosrápida e eficaz. Busca asociación e relación entre varia-bles en base a representacións que conserven ao máximoa varianza e posición orixinal dos datos. O desenvolve-mento, explicación e implementación desta técnica vanacompañados de casos e exemplos prácticos para a súamellor comprensión. Finalmente desenvólvese un estudomédico completo buscando asociación entre diversas en-fermidades, hábitos de vida e fortaleza de 820 pacientes.

Informest | 14

Traballos de Estatística e IO

Problemas de regresión e clasificaciónusando SVM

Ángela Dono Caramés.Titor: Manuel Febrero Bande.

O obxectivo deste traballo é estudar un tipo de algo-ritmos de aprendizaxe coñecidos como support vector

machines. Comezamos por introducir un caso sinxelo declasificación binaria, o clasificador de marxe máxima, queempregamos para clasificar datos linealmente. Despoispresentamos o concepto de función kernel, importanteá hora de realizar clasificacións non lineais, e introduci-mos as variables de folgura para mellorar a capacidadede predición. A continuación, estudamos dous métodosque nos permiten traballar con problemas de clasifica-ción multiclase. No segundo capítulo xeneralizamos assupport vector machines aos problemas de regresión me-diante o uso de funcións de perda ǫ-insensitivas, que sebasean en ignorar os erros, se estes son o suficientementepequenos. Ao final do traballo, ilústrase a implementa-ción en R destes algoritmos con dous exemplos reais.

Aplicacións da teoría de xogos ao proble-ma do passepartout

Antón de la Fuente Suárez-Pumariega.Titora: Balbina V. Casas Méndez.

Nun sistema de passepartout, un grupo de provedoresde servizos deciden emitir un passepartout que permiteaos seus clientes acceder aos seus servizos durante unperíodo limitado de tempo e a un prezo fixo. O proble-ma do passepartout consiste en como dividir os benefi-cios comúns obtidos pola venda dos passepartout. Nestetraballo abordamos esta cuestión empregando diferen-tes ferramentas que nos proporciona a teoría de xogoscooperativos, centrándonos no caso no que o sistema depassepartout está formado exclusivamente por museos.

Estabilización da varianza

Alma García Pérez.Titor: César A. Sánchez Sellero.

Cando se constrúen intervalos de confianza para un pará-metro, é frecuente enfrontarse ao problema de que o errotípico do estimador dependa do devandito parámetro.Ocorre, por exemplo, para unha proporción, para o coefi-ciente de correlación, ou para a media dunha distribuciónexponencial ou de Poisson. Para superar esta dificultadeestúdanse dous métodos: o que denominamos usual, quese basea na estimación do erro típico, e o da transforma-

ción estabilizadora da varianza, que consiste en efectuarunha operación sobre o estimador que faga que o seuerro típico xa non dependa do parámetro descoñecido.Ademais, o estimador transformado segue desfrutandodunha aproximación normal, como consecuencia do mé-todo delta. Neste traballo fíxose un estudo de simulaciónen R, aplicado aos exemplos mencionados, para compa-rar os intervalos de confianza obtidos polo método usuale coa transformación estabilizadora da varianza. Obtivé-ronse mellores coberturas coa estabilización da varianza,en especial en distribucións continuas, xunto cunha me-llor aproximación pola distribución normal.

Modelos lineais de regresión cuantil

Lucía Gil Rial.Titora: Mercedes Conde Amboage.

Os modelos de regresión permiten describir o efecto decertas variables independentes sobre unha variable de-pendente. Aínda que a regresión en media axustada polométodo de mínimos cadrados tivo unha gran difusión noséculo XX, os procedementos de regresión cuantil aca-daron un considerable desenvolvemento dende o xurdi-mento da Estatística Robusta, que alcanzou a súa má-xima expansión nos anos 80. O obxectivo deste traballoé ilustrar as principais vantaxes da regresión cuantil quemotivan o interese que suscitan estes modelos no campoda Estatística. Destaca que a regresión cuantil permiteobter unha descrición detallada da distribución condicio-nal da variable dependente, non precisa asumir que adistribución do erro é gaussiana e presenta propiedadesde robustez. Ilustráronse ditas propiedades tanto dendeun punto de vista teórico como práctico grazas aos es-tudos de simulación e aplicacións a datos reais levadosa cabo ao longo do traballo.

15| Informest

Traballos de Estatística e IO

Ferramentas estatísticas para o trata-mento de datos de estrelas binarias da mi-sión astrométrica GAIA

Ángel López Oriona.Titor: César A. Sánchez Sellero.

A misión Gaia, lanzada pola Axencia Espacial Europeano ano 2013, consiste nun satélite de observación espa-cial, cuxo obxectivo é trazar un mapa tridimensional danosa galaxia, a Vía Láctea, cunha precisión nunca antesacadada.Tomamos datos de catálogos estelares obtidospor esta misión, así como de catálogos previos xa valida-dos, como o correspondente a outro satélite anterior, oHipparcos. Centrámonos no estudo das estrelas dobres,pois crese que constitúen aproximadamente un 70 % dasestrelas totais da Vía Láctea. Realizamos unha valida-ción dos datos da misión Gaia relativos a estrelas dobres,para o que se recorreu a contrastes estatísticos de distri-bucións. Tamén se estudou o problema da estimación dadistancia en Astronomía, que entraña unha complexida-de singular, e cuxa posible solución pasa por un enfoqueprobabilístico bayesiano.

Modelos de regresión con penalizacións

Sergio Mejuto Vázquez.Titor: Manuel Febrero Bande.

Os modelos de regresión baséanse no estimador de mí-nimos cadrados. Pódese ver que é fácil que non sexacapaz de estimar os coeficientes con fiabilidade, no casode variantes dependentes. Para corrixir este problema,creáronse distintos métodos que veremos ao longo destetraballo. A Regresión Ridge e o método LASSO utili-zan o estimador de mínimos cadrados cunha penaliza-ción que restrinxe os posibles valores que poden tomaros coeficientes e, así, logran controlar os seus valores.Por outra parte, o método LAR dános unha ordenacióndas variables segundo a súa importancia que nos permitecrear modelos de regresión collendo só as variables máisimportantes. Con estes métodos conseguimos evitar oproblema das variables dependentes.

Problemas de emparellamento

Estela Vázquez-Monjardín Lorenzo.Titor: Julio González Díaz.

Un problema de emparellamento é un problema de op-timización en redes que busca asociar unha serie de ob-xectos entre si de maneira que se acade un obxectivo.Dependendo de como estean ordenados estes obxectos,pódese distinguir entre problemas bipartitos e non bipar-titos mentres que, dependendo do obxectivo do empa-rellamento, podemos ter un problema ponderado ou unde máxima cardinalidade. Neste traballo revísanse variosalgoritmos para a resolución das distintas versións dosproblemas de emparellamento, así como os resultadosteóricos necesarios para concluír que atopan soluciónsóptimas e a velocidade á cal o fan. Ademais, presénta-se un algoritmo especialmente deseñado para a versiónbipartita de máxima cardinalidade baseado no teoremado camiño aumentador. Aínda que non é moi eficiente,esta técnica de resolución permítenos desenvolver un al-goritmo para a versión máis xeral deste problema (a nonbipartita) despois dunha serie de sinxelas modificacións.

Informest | 16

Coñecéndonos

Coñecéndonos

Coñecendo a unha socia da SGAPEIO: Laura Calaza Díaz.

Laura Calaza Díaz, é Licenciada en Matemáti-cas pola Universidade de Santiago de Compostela(USC). Realizou o mestrado en Técnicas Estatís-ticas e Investigación Operativa e o mestrado deProfesorado de Educación Secundaria Obrigatoria eBacharelato, Formación Profesional e Ensinanza deIdiomas, ambos os dous pola USC. Tras uns anostraballando como investigadora na USC comezoua súa andaina como profesora de ensino secundarioen Galicia no curso 2018/2019.

Cantos anos levas traballando en Estatísti-ca ou IO?

Dende o curso 2014/2015, cando comecei a traballarno grupo de Bioestatística do Departamento de Esta-tística, Análise Matemática e Optimización da USC.

Descríbenos o teu traballo

Hai aproximadamente un ano que son profesora de se-cundaria, na especialidade de Matemáticas, aínda que,neste curso académico, estou exercendo como asesorade formación do profesorado no Centro de Formacióne Recursos de Lugo.

Dende cando es socio da SGAPEIO?

Comecei a ser socia apenas rematei o Mestrado deTécnicas Estatísticas no ano 2015. Pareceume unhamoi boa opción para estar en contacto con profesio-nais da Estatística que traballan en distintos ámbitose para estar en continua actualización sobre as temá-ticas que se están a traballar na nosa terra.

Cal foi o 1o Congreso da SGAPEIO ao queasistiches?

O XII Congreso, que tivo lugar en Lugo no ano 2015.

O tema do teu próximo proxecto/artigo?

Neste momento non estou adicándolle tantas horas co-mo me gustaría á investigación, dado que o traballo eas actividades extras que sempre acaban aparecendoconsomen o tempo máis rápido do que me gustaría. Detodos os xeitos, temos pendente de rematar un arti-go sobre a análise estatística de datos de dialectoloxíaperceptiva empregando modelos mixtos.

Un curso que che gustaría facer?

Polo que comentei anteriormente. . . estaría moi benun curso de xestión do tempo!

Que libro de Estatística ou I.O. recomen-darías?

Un dos grandes referentes, o libro Principios de Infe-rencia Estatística de Vélez-Ibarrola e García-Pérez.

Se non foses estatístico, que che gustaríaser?

Unha das miñas paixóns é o deseño. A xestión do espa-zo e a estética é algo que sempre me resultou atractivo,así que, diría que deseñadora de interiores.

Se oes “estatística”, que é o primeiro queche vén á cabeza?

Creo que depende do contexto no que a escoi-te. . . pensaría en datos, gráficos, información, análi-se. . .

Que é o que máis valoras do labor daSGAPEIO?

Sen dúbida, diría que o seu labor de divulgación da Es-tatística e a I.O. Estanse organizando continuamenteactividades para todos os niveis, desde as que achegana Estatística aos/ás máis novos/as dun xeito atractivoata as que permiten actualizar os coñecementos dos/-das máis expertos/as.

En que cres que deberiamos mellorar?

A Sociedade está a facer un labor de divulgación ede transferencia incansable, iso, sen dúbida. Porén, setivese que pedir algunha mellora, como docente noEnsino Medio, gustaríame que se realizasen máis acti-vidades ou talleres para acercar ao alumnado o traba-llo que se está a facer na Universidade, no IGE. . . quepuidesen observar as múltiples aplicacións da Estatís-tica e a súa conexión con outros ámbitos.

17| Informest

Estatística recreativaA caixa de pílulas por Antonio Vaamonde Liste

Pilar ten unha caixa con 15 pílulas para o colesterol e, durante todo o mes, ten que tomar media pílula cada noite.Sempre colle ao chou, sen mirar: se sae unha pílula enteira, colle a metade e devolve á caixa a outra metade, e, sesae media pílula (con igual probabilidade que a pílula enteira), tómaa e non devolve nada á caixa.

Cantas medias pílulas é de esperar que queden na caixa o día que colle a derradeira pílula enteira?

A solución estará dispoñible, proximamente, nesta ligazón. Permanecede atentos!

Dirección:

Paula Raña Míguez

Equipo editorial:

Ma José Ginzo Villamayor, María Gómez Rúa,María Martín Vila, Carlos Neira Cortizas,Javier Roca Pardiñas,Covadonga Rodríguez-Moldes Rey,Alejandro Saavedra Nieves,César Andrés Sánchez Sellero eJavier Tarrío Saavedra,

Revisión lingüística:

María Miragaya Pereira

Coa colaboración de:

Ana Belén Buide Carballosa,Manuel Antonio Novo Pérez,Manuel Oviedo de la Fuente,Rosa Crujeiras Casais,Laura Calaza Díaz eAntonio Vaamonde Liste.

COLABORA!!!Informest é unha publicación cuadrimestral daSGAPEIO que podes atopar na web da sociedade,www.sgapeio.es/, no apartado PUBLICACIÓNS.

Se queres participar cun artigo de divulgación paraa sección “Colaboracións” ou cunha curiosidadeestatística para o “Sabías que?”, contacta con nósno correo boletin@sgapeio.es onde te informaremosdas normas de edición.

Anímate!!

Comunicación coa SGAPEIO:

Facultade de Matemáticas, Campus Vida, 15706-Santiago de Compostela, A Coruña.

www.sgapeio.essecretaria@sgapeio.es boletin@sgapeio.esTwitter @sgapeioLinkedIn SGAPEIO

Depósito Legal: LU-191-1995 - I.S.S.N.:1695-7083

Informest | 18