Cargando Eventos

« Todos los Eventos

  • Este evento ha pasado.

Análisis bayesiano con OpenBUGS y JAGS

febrero 6 @ 10:00 am - febrero 7 @ 12:00 pm

Los métodos Bayesianos tenían hasta hace poco tiempo grandes limitaciones, ya que su enorme complejidad los limitaba en la práctica al caso de las familias conjugadas, las únicas para las que existían expresiones cerradas para las distribuciones “a posteriori” y algunas predictivas.

La aparición de los modelos Markov Chain Monte Carlo junto con el muestreo de GIBS ha cambiado radicalmente la situación, por permitir simular la distribución “a posteriori” directamente, y hoy el uso de los métodos bayesianos es posible con mucha mayor generalidad.

En realidad, la forma de trabajar ha cambiado radicalmente, ya que en vez de buscar y utilizar fórmulas para las distribuciones de las variables aleatorias, se trabaja con muestras muy grandes, que, gracias a los ordenadores con gran capacidad de cálculo, permiten calcular los estadísticos que se deseen y responder a las preguntas que se plantean en la práctica.

En los últimos años, se ha realizado un gran esfuerzo para implementar estos métodos en algunos paquetes de software, de forma que su uso sea sencillo y eficiente. Ejemplos de éstos son WinBUGs, OpenBUGS1 y JAGS.

Estos métodos, además de permitir el uso generalizado de los métodos bayesianos en la práctica, permiten también transformar modelos deterministas paramétricos en modelos aleatorios, lo que supone un gran avance en la modelización.

El presente curso pretende introducir a los asistentes en estos paquetes y facilitar el uso de los mismos, ya sea para resolver problemas mediante métodos bayesianos o para poder convertir sus modelos deterministas paramétricos en modelos aleatorios. Esto permitirá enriquecer los artículos de investigación con estas componentes, cosa que antes no era posible en la práctica, lo que, sin duda, hará mucho más útiles los modelos empleados y facilitará la publicación de los trabajos en revistas de impacto.

El curso va dirigido a profesionales, alumnos de Doctorado, investigadores y profesores, a los que permitirá conocer la relevancia de estos nuevos métodos, que pueden emplearse en la resolución de problemas prácticos, y les invitará a presentar sus enseñanzas de una nueva forma, es decir, añadiendo la componente aleatoria, que siempre está presente en nuestra cotidiana realidad. No hay que olvidar que se trata de métodos muy generales, aplicables a cualquier especialidad.

Un resumen del curso puede verse en el enlace:

El acceso al curso completo, que está colgado en la Universidad de Castilla‐La Mancha es: Click Aquí

El acceso a todos mis cursos, de especial interés para estudiantes e investigadores es: Click Aquí

PROGRAMA DEL CURSO

  1. Introducción y motivación del curso.
  2. Los métodos bayesianos. Repaso de los conceptos principales: distribuciones “a priori”,“a posteriori”, distribuciones predictivas y familias conjugadas.
  3. Ejemplos
  4. Introducción a OpenBUGS. Descripción del paquete. Datos necesarios y resultados.
  5. Utilización práctica de OpenBUGS.
  6. Ejemplos de aplicación.
  7. La herramienta Doodle para generar los modelos gráficamente.
  8. Ejemplos.
  9. Trabajo con scripts. Comandos para generarlos.
  10. Ejemplos.
  11. Uso de los resultados de la simulación de OpenBUGS.
  12. El manual de OpenBUGS.
  13. Descripción de los menús de OpenBUGS
  14. Ejecución de ejemplos con Matlab
  15. JAGS y su implementación en Matlab.
  16. Resumen final

1OpenBUGS es una aplicación de software para el análisis bayesiano de modelos estadísticos complejos que utilizan métodos de las cadenas de Markov Monte Carlo (MCMC). Se trata de la versión en código abierto de WinBUGS

(inferencia bayesiana que utiliza Gibbs Sampling).

Detalles

Comienza:
febrero 6 @ 10:00 am
Finaliza:
febrero 7 @ 12:00 pm

Local

Sede IHCantabria
Isabel Torres 15, PCTCAN
Santander, Cantabria 39011 Spain
+ Google Map
Teléfono:
942201616

Enviar comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *