Temario

• Enfoques de la inferencia estadística. Estimación por Máxima Verosimilitud. InferenciaBayesiana.
• Regresión lineal simple y múltiple. Estimación de mínimos cuadrados. Análisis de supuestosdel modelo. Inferencia. Diagnósticos de Influencia. Multicolinealidad. • Transformaciones. Variables dummies. Interacción. Métodos de selección de variables.
• Odds y Riesgo Relativo. Regresión logística binaria. Logits. Estimación MV. Inferencia en elmodelo. Pruebas de ajuste de Hosmer y Lemeshow. Métodos de selección de variables.Medidas diagnósticas. Clasificación con Regresión logística. Regresión logísticamultinomial y ordinal.
• Comparación de modelos y algoritmos. Evaluación y selección de modelos. LRT y devianza.Indicadores de ajuste y comparación más utilizados: AIC, BIC, RMSEA, KS, medidas deparsimonia, AUC, etc. Métodos gráficos: curvas ROC, gráficos lift, gráficos de ganancia,gráficos de riesgo, etc. Factor Bayes.
• Redes bayesianas. Condición de Markov. Distribuciones asociadas a una RB. Aprendizajes enuna RB. Propagación de la evidencia. Aprendizaje paramétrico: MV versus Bayesiano.Redes para clasificación. Naive Bayes.

Algunos tópicos a desarrollar en los trabajos de intensificación

• Nociones de muestreo y remuestreo. Validación cruzada. Bootstrap, Jacknife, y métodosrelacionados.
• Gibbs Samping: aplicaciones.
• Regresión Ridge y Lasso.
• Regresión por mínimos cuadrados parciales (PLSR).
• Tratamiento de datos faltantes