Pla docent de l'assignatura

 

 

Català English Tanca imatge de maquetació

 

Imprimeix

 

Dades generals

 

Nom de l'assignatura: Mètodes Bayesians

Codi de l'assignatura: 361222

Curs acadèmic: 2021-2022

Coordinació: XAVIER PUIG ORIOL

Departament: Facultat d'Economia i Empresa

crèdits: 6

Programa únic: S

 

 

Hores estimades de dedicació

Hores totals 150

 

Activitats presencials i/o no presencials

60

 

-  Teoricopràctica

Presencial i no presencial

 

30

 

-  Pràctiques d'ordinadors

Presencial i no presencial

 

30

Treball tutelat/dirigit

40

Aprenentatge autònom

50

 

 

Recomanacions

 

Tenir nocions bàsiques de probabilitat, inferència i de R.


Altres recomanacions

Tenir inquietuds per aprendre a través de la informació que ens donen les dades.

 

 

Competències que es desenvolupen

 

   -

Capacitat d'identificar les propietats dels diferents mètodes d'estimació, els seus avantatges i inconvenients, contextualitzats en una situació concreta.

   -

Capacitat d'utilitzar els diferents procediments de contrast d'hipòtesi per respondre preguntes en un context específic.

   -

Capacitat de detectar i formular les necessitats pel que fa a l'anàlisi d'informació en les diferents institucions i situacions, i d'identificar les fonts de variabilitat i incertesa.

   -

Capacitat d'utilitzar els procediments matemàtics específics habituals en estadística i investigació operativa.

Objectius d'aprenentatge

 

Referits a coneixements

L’objectiu principal d’aquesta assignatura és que l’estudiant acabi amb un bon coneixement i domini de la modelització bayesiana pel que respecta a coneixement tant teòric com pràctic. Aquest coneixement li ha de permetre, davant d’un objectiu o una pregunta, d’una banda, intervenir en el disseny de l’experiment o experiments necessaris per obtenir les dades objecte d’estudi i, de l’altra, analitzar-les satisfactòriament i treure’n conclusions per aconseguir l’objectiu o respondre la pregunta.

I els objectius específics són:

— Conèixer el paper de la distribució a priori i el de les distribucions a priori de referència i saber com es pot passar de la distribució a priori a la distribució a posteriori.

— Resoldre problemes d’inferència bayesiana de manera analítica quan s’utilitzen models de la família exponencial i distribucions a priori conjugades.

— Utilitzar els mètodes de Montecarlo, mitjançant programari específic, que permeten simular la distribució a posteriori, i saber fer inferència utilitzant aquestes simulacions.

— Conèixer la diferència entre model bayesià jeràrquic i el no jeràrquic.

— Conèixer com es validen i comparen els models bayesians i com es fan les prediccions.

 

 

Blocs temàtics

 

1. Model bayesià

1.1. Model estadístic

1.2. Els quatre problemes de l’estadística

1.3. La versemblança

1.4. Model bayesià

1.5. Distribució a posteriori

1.6. Distribució predictiva a priori i a posteriori

1.7. Elecció de la distribució a priori

2. Inferència bayesiana

2.1. Distribució a posteriori com a estimador

2.2. Estimació puntual

2.3. Estimació per interval

2.4. Proves de dues hipòtesis

2.5. Generalització de les proves d’hipòtesi

3. Computació bayesiana

3.1. Necessitat d’integrar

3.2. Simulació de Montecarlo basada en cadenes de Markov (MCMC)

3.3. Convergència de les cadenes

4. Models jeràrquics

5. Validació i construcció de models

 

 

Metodologia i activitats formatives

 

Pretenem centrar els objectius d’aprenentatge en l’estudiant, i adequar la docència a l’assoliment d’aquests objectius. Per això volem que les classes siguin valuoses per aprendre i que les tasques que cal fer estiguin ben pensades i definides.

Hi ha dos tipus de sessions, repartides a parts iguals: classes de teoria i classes de pràctiques.

A les classes de teoria s’exposen els conceptes teòrics i, en general, són classes expositives, en què s’intercalen exercicis i debats entre l’alumnat. En aquestes sessions també es treballa l’aprenentatge a través de casos pràctics.

A les classes de pràctiques es resolen casos pràctics amb l’ajuda del programari estadístic R, WinBugs, JAGS o STAN.

Algunes classes, especialment si són de problemes/ordinadors, es desdoblen en diferents grups, la composició dels quals la decideix el professorat.

 

 

 

Avaluació acreditativa dels aprenentatges

 

L’avaluació de l’assignatura té una doble finalitat: d’una banda, verificar el grau en què cada estudiant ha assolit els objectius, qualificant-lo amb una nota; de l’altra, donar-li realimentació al llarg del curs sobre com treballa per tal de poder redreçar a temps situacions no adequades.

La nota de l’assignatura es calcula de la manera següent:

Nota = 0.4*Npract + 0.2*NParc + 0.4*NTreball

en què NPract es calcula a partir de tots els exercicis pràctics i teòrics lliurats durant el curs, NParc correspon a un examen Parcial que es realitzará a finals de Novembre, i NTreball és la nota d’un treball que es lliura a final de curs.

L’alumnat que vulgui renunciar a l’avaluació continuada i acollir-se a l’avaluació única ha de fer-ho abans de la data que s’estableixi, que es fa pública amb antelació suficient.

 

Avaluació única

L’avaluació única consisteix en una prova final i única que es fa en la data fixada pel Consell Docent.

 

 

Fonts d'informació bàsica

Consulteu la disponibilitat a CERCABIB

Llibre

BOLSTAD, William M. Introduction to Bayesian Statistics. 2nd ed. Hoboken, N.J.: John Wiley, 2007

Catàleg UB  Enllaç

GELMAN, Andrew. Bayesian data analysis. 3rd ed. London: Chapman & Hall, 2014

Catàleg UB  Enllaç

CONGDON, Peter. Applied Bayesian Modelling. Wiley, 2014

Catàleg Col.lectiu Universitats Catalanes (ed. 2003)  Enllaç

KRUSCHKE, John K. Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Amsterdam: Academic Press, 2015.

Catàleg UB  Enllaç
Versió en línia (ed. 2015) Accés restringit als usuaris de la UOC   Enllaç