Probabilidad y probabilidad condicionada; procesos estocásticos (cadenas de Markov); inferencia estadística; inferencia bayesiana

Representación gráfica de la independencia condicional; Aprendiendo cuándo usar y cómo ajustar modelos gráficos discretos y Gaussianos; montaje e interpretación de modelos lineales de registro; modelos ocultos de Markov; estimación e interpretación de modelos ocultos de Markov; uso de software estadístico para ajustar modelos.

1) Conceptos básicos de modelos gráficos a) Gráficos dirigidos y no dirigios. b) Independencia condicional y su representación gráfica c) Representando modelos gráficos en R d) El clasificador bayesiano ingenuo como modelo gráfico 2) Modelos log-lineales a) Representación como modelos gráfico b) Ajuste de modelos log-lineales c) Ejemplo práctico 3) Redes bayesianas a) Representación b) Ajuste clásico y bayesiano c) Como inferir causalidad d) Ejemplo práctico 4) Redes gaussianas y redes mixtas a) Representación y ajuste b) Ejemplo práctico 5) Modelos gráficos más complejos a) Algoritmos para su resolución: MCMC ... b) Ejemplos prácticos 6) Modelos de Markov ocultos a) Estructura. b) Algoritmos para su estimación. c) Interpretación de estados ocultos. d) Ejemplos prácticos. e) Ajuste rápido de modelos de Markov ocultos: filtros.

Clases teóricas y prácticas (con ordenadores) con exposición y resolución de problemas reales, trabajos individuales y en grupos.