Última actualización: 10/05/2021


Curso Académico: 2021/2022

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


Coordinador/a: CABRAS , STEFANO

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Familiarización con la estadística clásica
Objetivos
Competencias que el estudiante adquiere: Competencias Básicas: 1. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación 2. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio 3. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios 4. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades 5. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Competencias Específicas: 1. Aplicar en el desarrollo de métodos de análisis de problemas reales, conocimientos avanzados de inferencia estadística. 2. Utilizar software libre como R y Python para la implementación del análisis estadístico. 3. Predecir y representar eventuales asociaciones entre fenómenos aleatorios, relacionados con problemas reales y reflejados en los datos recogidos, aplicando conceptos de análisis multivariante 4. Desarrollar y aplicar modelos estadísticos complejos para muestras de variables aleatorias no necesariamente independientes, empleando conocimientos de análisis Bayesiano 5. Aplicar los fundamentos estadísticos avanzados para el desarrollo y el análisis de problemas reales, que involucren la predicción de una variable respuesta. 6. Aplicar modelos no-paramétricos para en la interpretación y predicción de fenómenos aleatorios. 7. Aplicar técnicas de optimización en la estimación de los paramentos en modelos muestrales complejos. 8. Identificar correctamente el tipo de análisis estadístico correspondiente a unos objetivos y datos determinados. 9. Aplicar la modelización estadística en el tratamiento de problemas relevantes en el ámbito científico. 10. Aplicar modelos para el aprendizaje supervisado y no supervisado. 11. Modelizar datos complejos con dependencia estocástica.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Conceptos de probabilidad asociados a la Estadística Bayesiana 2. Familias conjugadas de distribuciones 3. Distribuciones a priori subjetivas y objetivas 4. Métodos numéricos y MCMC 5. Estimación y contrastes de hipótesis 6. Regresión y modelos jerárquicos 7. Series temporales y previsión
Actividades formativas, metodología a utilizar y régimen de tutorías
Sesiones prácticas sobre la computación bayesiana y el uso de software bayesiano para la implementación de los algoritmos MCMC. Las clases serán principalmente orientada a practicar y verificar el aprendizaje de los conceptos ilustrados en los correspondientes cápitulos del libro. Queda al estudiante llegar a clase con los conceptos por lo menos memorizados en la única actividad de estudio/memorización demandada a fuera de la clase. Esto en la óptica coerente de la clase invertida.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
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 y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.


Dirección web para más información: http://portal.uc3m.es/portal/page/portal/dpto_estadistica/personal/Stefano_Cabras