Estadística Computacional

Introducción a los métodos de computo- intensivo.
Máxima verosimilitud.
-Estimación puntual
-Estimación por intervalo
-Hipótesis
El Jackknife
-Proceso general.
-Estimación puntual.
-Estimación por intervalo
-Prueba de hipótesis.
-Ejemplos
-Componentes de varianza.
El Bootstrap:
-Estimación puntual.
-Estimación por intervalo
-Prueba de hipótesis.
- Pruebas de permutaciones
-Diferentes usos del Bootstrap
-Bootstrap ¿ t Estudentizado
Algoritmo EM
-Implementación Matlab
-Estimación de proporciones mixtas
-Algoritmo EM para familias exponenciales
Aleatorización y Método de Monte Carlo.
-Consideración general para prueba de hipótesis
-Estimación por intervalos
-Aproximación normal
-Método del percentil promedio
-Análisis de varianza
-Método de Monte Carlo
-Generalización del Método de Monte Carlo
Métodos de Regresión
-Regresión paso a paso y validación cruzada
-Función local
-Modelos generalizados.
-Modelos de árbol.
Métodos de Bayesianos.
-Derivación del teorema de bayes.
-Dos modelos bayesianos simples
-Distribución a priori.

1. Aplicación de la lógica y del pensamiento estadístico.
2. Diseñar programas
3. Escribir programas en lenguaje R o Matlab
4. Aplicar las pruebas de confiabilidad y validación en los programas.
5. Búsqueda de información en fuentes diversas.
6. Distinguir los diferentes métodos para realizar estimaciones.
7. Pensamiento lógico
8. Reconocer limitaciones en los programas ejecutados
9. Revisión y selección de información.