Acerca del curso
Este curso de estadística bayesiana está diseñado para que los estudiantes aprendan y se familiaricen con los conceptos claves del enfoque bayesiano así como con algunas de sus aplicaciones.
Temario
En este curso nos enfocaremos (principalmente) en los siguientes temas.
- Introducción al enfoque bayesiano
- Modelado y aprendizaje bayesiano
- Métodos computacionales
- Modelos de un sólo parámetro
- Modelos de un múltiples parámetros y modelos jerárquicos
- Modelos lineales
- Modelos dinámicos
- Modelos de mezclas
El temario oficial se puede revisar aquí.
Calificación
La calificación final estará conformada por:
- Tareas a realizarse en equipos de máximo 3 integrantes (60%).
- Actividades de programación en DataCamp (10%).
- Evaluación final (30%).
Es importante tener en cuenta los siguientes aspectos de la calificación.
- En caso de entregar una tarea no habrá derecho a NP (salvo casos extraordinarios).
- Se deberá aprobar la evaluación final para aprobar el curso.
- La calificación aprobatoria mínima es de 6 y no se puede renuncia a ella.
Bibliografía recomendada
- Albert, J. (Ed.) (2009). Bayesian computation with R. New York, NY: Springer New York.
- Bernardo, J. M., & Smith, A. F. (2009). Bayesian theory (Vol. 405). John Wiley & Sons, Ltd.
- Damien, P., Dellaportas, P., Polson, N. G., & Stephens, D. A. (Eds.). (2013). Bayesian theory and applications. OUP Oxford.
- Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (1995). Bayesian data analysis. Chapman and Hall/CRC.
- Ghosh, J. K., Delampady, M., & Samanta, T. (2006). An introduction to Bayesian analysis: theory and methods (Vol. 725). New York, NY: Springer New York.
- Robert, C. P. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementation (Vol. 2). New York: Springer.
- Robert, C. P., & Casella G. (1999). Monte Carlo Statistical Methods (Vol. 2). New York: Springer.
Códigos
Los códigos que se vean a lo largo del curso se pueden checar en este repositorio.
Tareas
Datos