catalogo de cursos http://catalogo.uc.cl/index.php?tmpl=component&option=com_catalogo...

Programa

CURSO : INTRODUCCIN A LA COMPUTACIN ESTADSTICA

TRADUCCIN : INTRODUCTION TO COMPUTER STATISTICS
SIGLA : EYP2706
CRDITOS : 15
MDULOS : 04
REQUISITOS : EYP2305 y MAT2605 y EYP2805
CARCTER : MNIMO
DISCIPLINA : ESTADSTICA

I. DESCRIPCIN

Este curso entrega herramientas necesarias para que el alumno sea capaz de implementar
algoritmos de
mediana complejidad que surgen del uso y aplicacin de modelos estadsticos.

II. OBJETIVOS

1. Conocer y comprender algunos procedimientos computacionales que se emplean en la

resolucin de
problemas usuales del quehacer estadstico.
2. Desarrollar las competencias necesarias para el uso de dichos mtodos mediante
implementaciones en
lenguajes tales como R.

III. CONTENIDOS

1. Mtodos de Monte Carlo.

1.1 Generacin de nmeros aleatorios.
1.2 Simulacin de muestras de una distribucin dada.
1.3 Algoritmo y ejemplos.
1.4 Tcnicas de reduccin de varianza.
1.5 Mtodos de aceptacin/rechazo y algoritmo de Importance Sampling.
1.6 Uso de Monte Carlo en algoritmos estadsticos.
1.7 El mtodo Bootstrap y aplicaciones.

2. Mtodos de Monte Carlo con Cadenas de Markov (MCMC).

2.1 Algoritmo de Datos Aumentados y de Datos Aumentados en Cadena.
2.2 El muestreo de Gibbs.
2.3 Uso de WinBUGS.
2.4 Algoritmo de Metropolis-Hastings.
2.5 Algoritmos hbridos y mtodos especiales.
2.6 Diagnsticos e inferencia.
2.7 Aplicaciones varias.

3. lgebra Lineal Numrica y Problemas de Optimizacin en Estadstica.

3.1 El mtodo Q-R.
3.2 El operador SWEEP.

1 de 3 15/12/2016 22:57
catalogo de cursos http://catalogo.uc.cl/index.php?tmpl=component&option=com_catalogo...

3.3 Descomposicin en valores singulares.

3.4 Nmero de condicionamiento de una matriz e inversas generalizadas.
3.5 Aplicaciones a problemas de regresin lineal y de anlisis factorial.
3.6 Mtodos de Newton--Raphson y de scoring de Fisher.
3.7 Mnimos cuadrados iterativamente reponderados.
3.8 Aplicaciones a modelos lineales generalizados.
3.9 Optimizacin restringida y aplicaciones.

PONTIFICIA UNIVERSIDAD CATLICA DE CHILE

FACULTAD DE MATEMTICAS / Diciembre 2012

4. El algoritmo EM.
4.1 Introduccin y problemas tpicos.
4.2 Datos faltantes y definicin del algoritmo.
4.3 Aplicaciones a problemas de mxima verosimilitud, modelos no lineales y
modelos lineales
generalizados.
4.4 Extensiones del algoritmo EM: EM generalizado, EM estocstico, Monte Carlo EM.

IV. METODOLOGA

- Clases expositivas.
- Clases de ejercicios prcticos.
- Laboratorios.

V. EVALUACIN

- Tareas y Proyectos.
- Pruebas.

VI. BIBLIOGRAFA

Gentle, J. A. Numerical Linear Algebra for Applications in

Statistics. New York,
Springer, 1998.

Gelman, A., J. B. Carlin, H. S. Stern & D. B. Rubin

Bayesian Data Analysis. London, Chapman & Hall,
1995.

Gilks, W. R., A. Richardson & D. J. Spiegelhalter (eds.)

Markov Chain Monte Carlo in Practice. London,
Chapman & Hall,
1996.

2 de 3 15/12/2016 22:57
catalogo de cursos http://catalogo.uc.cl/index.php?tmpl=component&option=com_catalogo...

Givens, G. H. & J. A. Hoeting Computational Statistics, Hoboken, New Jersey,

Wiley, 2005.

Lange, K. Numerical Analysis for Statisticians. New York,

Springer, 1999.

Liu, J. S. Monte Carlo Strategies for Scientific Computing.

New York,
Springer, 2001.

Robert, C. P. & G. Casella Monte Carlo Statistical Methods. New York,

Springer-Verlag,
1999.

Tanner, M. A. Tools for Statistical Inference. Methods for the

Exploration of
Posterior Distributions and Likelihood Functions.
3 Ed. New
York, Springer-Verlag, 1996.

Thisted, R. A. Elements of Statistical Computing: Numerical

Computation.
London, Chapman & Hall, 1988.

Venables, W. N. & B. D. Ripley Modern Applied Statistics with S-PLUS. New York,
Springer,
1999.

PONTIFICIA UNIVERSIDAD CATLICA DE CHILE

FACULTAD DE MATEMTICAS / Diciembre 2012

3 de 3 15/12/2016 22:57