Última actualización: 26/04/2024


Curso Académico: 2024/2025

Inferencia Bayesiana
(17763)
Máster Universitario en Estadística para la Ciencia de Datos (Plan: 386 - Estudio: 345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: AUSIN OLIVERA, MARIA CONCEPCION

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Probabilidad Inferencia Estadística
Objetivos
Los objetivos principales del curso son: 1. Comprender los conceptos fundamentales de probabilidad relevantes para la estadística bayesiana. 2. Comparar y contrastar los enfoques frecuentista y bayesiano de la inferencia estadística. 3. Aprenda sobre las distribuciones conjugadas y su importancia en el análisis bayesiano. 4. Desarrollar competencia en los métodos computacionales utilizados para la estimación bayesiana. 5. Adquirir conocimientos en Regresión y Modelos Lineales dentro de un marco bayesiano. 6. Explorar modelos lineales generalizados (GLM) desde una perspectiva bayesiana. 7. Estudiar las técnicas de agrupamiento bayesiano para el análisis de datos y el descubrimiento de patrones. 8. Aprender sobre Regresión No Lineal y su aplicación en los métodos bayesianos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Conceptos de probabilidad asociados a la Estadística Bayesiana 2. Enfoque Frecuentista vs. Bayesiano 3. Distribuciones conjugadas 4. Métodos de computación para la estimación bayesiana 5. Modelos lineales y regresión 6. Modelos lineales generalizados 7. Agrupamiento Bayesiano 8. Regresión no lineal
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas: Clase teórica Clases prácticas en clase con el ordenador Trabajo individual Metodologías docentes: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona bibliografía y ejercicios prácticos para complementar el aprendizaje de los alumnos. Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40

Calendario de Evaluación Continua


Bibliografía básica
  • Jeff Gill. Bayesian Methods A Social and Behavioral Sciences Approach Third Edition . CRC Press.
Bibliografía complementaria
  • Bolstad, W.M.. Introduction to Bayesian statistics. Wiley.
  • Box, G.E. and Tiao, G.C.. Bayesian inference in statistical analysis. Wiley.
  • Chen, M-H. Monte Carlo methods in bayesian computation. Springer.
  • Congdon, P.. Applied Bayesian modelling. Wiley.
  • D' Agostini, J.. Bayesian reasoning in data analysis : a critical introduction. World Scientific.
  • Dey, D.K. and Rao, C.R.. Bayesian thinking : modeling and computation. Elsevier.
  • Gamerman, D.. Markov chain Monte Carlo : stochastic simulation for Bayesian inference. Chapman & Hall.
  • Gilks, W., Richardson, S. and Spiegelhalter, D.J.. Markov chain Monte Carlo in practice. Chapman and Hall.
  • Robert, C.P.. The Bayesian choice : from decision-theoretic foundations to computational implementation (2nd edition). Springer.

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.