统计与应用数学研讨会

加性危害下测量误差生存数据的半参数方法 治愈率模型

摘要:测量误差对测量精度的负面影响是众所周知的 十大彩票网投平台数据分析. 它不仅会对参数估计产生偏差，还可能造成损失 检验变量间关系的幂. 尽管生存分析 受错误污染的数据引起了广泛的兴趣，但很少引起人们的注意 在处理带有错误的协变量的生存数据时 潜在人群的特征是治愈部分. 在本文中，我们 考虑这个问题，未治愈个体的寿命是有特点的 通过加性危害模型和测量误差过程的描述 加性模型. 与比例风险模型中的相对风险估算不同， 加性风险模型使我们能够估计相关的绝对风险差 用协变量. 为了允许模型的灵活性，我们加入了与时间相关的 模型中的协变量. 我们为这两种情况开发了评估方法，没有 或者测量误差. 从理论上对所提出的方法进行了评价 视角和数值视角.

从统计过程控制(SPC)到机器学习和基础辅助 分析(FAA):钢铁工业的转型

摘要:全球钢铁产量超过10亿吨，钢铁经常被认为是一个重要的问题 作为最重要的制造业之一，它涉及到许多工业 这是资本和操作成本密集的过程. SPC一直是不可或缺的 部分质量控制方面适用于各种钢厂，因此，钢材 工厂已经投入大量资金使用SPC方法来改进他们的工艺. 用这个 在人们的脑海中，钢铁行业稳步发展，进入了20世纪90年代，钢铁制造商得到了 对动态过程控制和基于动态的人工神经网络感兴趣 基于工厂数据的模型. 2010年，大数据成为钢铁业的下一个热词 米尔斯. 尽管听起来很好，但钢铁厂的数据离“大数据”还差得远。 与社交网络和营销数据量相比. 自2016年起， 人工智能和机器学习的嗡嗡声变得流行起来，而且很多 设备供应商和顾问开始开发智能机器. 他们 声称这样的努力将通过实时分析实现过程控制 这些机器和整个钢铁厂都会“自我学习”. 在回顾 这些说法的真实性，人们经常观察到静态模型的发展 20世纪80年代的图形用户界面更加花哨，并被命名为“智能”. 基于人工智能和机器学习的系统的使用并不容易被钢铁公司认可或采用 制造商，相反，人们仍然相信冶金和炼钢的基本原理. 目前，基于基本面因素，钢铁制造商正在等待下一代SPC 辅助分析将在全球范围内主导未来的钢铁制造.

十大彩票网投平台动力系统不变环面的持久性

摘要:给定一个动力系统(有限维或无限维)，它是很自然的 寻找动力学非常简单的有限维不变子空间. 特别有趣的是动力学共轭的不变环面 变成线性的. 这类物体在扰动下的持续性问题 从50年代开始被广泛研究，这就产生了著名的 锦理论. 这次谈话的目的是对主要的困难和困难进行概述 策略，考虑到PDE的应用.

骨重塑的动力系统方法

骨重塑是一个终身的过程，其中成熟的骨组织被移除 从骨骼和新的骨组织形成. 这些过程也控制着 在骨折或微损伤后进行骨重塑或置换， 在正常活动中会发生什么. 我们讨论了二和的适当的一般类 这一过程中涉及的细胞类型的三维种群模型 证明两个种群不足以解释生物学家所观察到的. 一个三维的 模型类不仅解释了观测结果，还解释了所谓的佩吉特现象 骨重塑紊乱的疾病. 数学工具是 一步一步地发展并描述了一个“无限分岔理论”的基础 具有相同耦合结构的常微分方程个数. 这 是与Thilo Gross, Martin Zumsande和Dirk Stiefs的合作作品吗.

鸭，混合模式振荡和混沌在双营养生态模型:敏感性 参数和环境波动

摘要:我们考虑一个由两种捕食者竞争组成的双营养生态模型 同样的猎物. 假设猎物的生长速度要大得多 与捕食者的问题相比，这个问题被看作是一个单一的扰动系统 一个快变量和两个慢变量. 我们假设其中一个掠食者(领地) 死亡率与密度有关. 在无非领土的情况下 捕食者，子系统表现出鸭式爆炸，这是指从 一个爆发的动态到两个物种平衡状态附近的小振荡 在极短的时间间隔内. 领地捕食者的死亡率 是多样的，全系统表现出各种丰富的动态，包括但不包括 限于松弛振荡(它代表周期性的爆发穿插) 随着种群的崩溃，混合模式振荡(这是串联 小振幅和大振幅振荡)，表明适应性 延长繁荣与萧条的周期，以及混乱. 数值模拟 是为了证明系统对初始条件的敏感性 和参数. 最后，如果时间允许，我们将简要讨论……的影响 系统上的“噪音”.

k维ROC流形的假设检验

摘要:考虑基于某个标记的K类的任意分类过程 X. Let; X_i ~ F_i; i = 1, 2, ...， K，其中F_i 是连续的， ...,K. 最常用的衡量性能的指标 标记是ROC (Receiver Operating)的HUM (hypervolume Under Manifold) 特征)由该标记获得的流形. 随机标记获得的HUM值为 1/K!. 因此，测试标记性能的自然设置是H₀: hum = 1/ k! vs. H_A: HUM > 1/K!. However, for even moderately large K; this test is useless as 1/K! 是收敛的 to 0. 我将讨论两个用于测试K上的标记性能的新测试 (> 2) group classification problem.

不可忽略缺失响应的基于等级的推理

摘要:数据采集过程中经常会出现观测缺失现象. 的机制 导致缺失的特征是其随机性程度. 在这个 谈话时，重点放在那些在语境中缺少回应的观察上 回归建模. 这种缺失被认为不是随机的——也被认为是已知的 作为不可忽略. 回归模型参数估计的现有方法 当数据包含异常值或存在重尾误差分布时， 提供效率低下和/或不健壮的估计. 我们建议以等级为基础 估计缺失响应为的真实回归参数的方法 通过简单估算或逆边际概率估算来估算. 然后将这些方法纳入回归模型，从而得到a 通过考虑的目标函数对参数进行稳健的基于秩的估计. 在温和的正则性下建立了该估计量的大样本性质 条件. 进行了蒙特卡罗仿真实验，证明了基于秩的方法 无论误差分布如何，估计量都比最小二乘估计量更有效 是重尾还是受污染，处于不可忽视的反应状态. 最后，举个例子 讨论了实例.