MISIN Formar profesionales altamente capacitados, desarrollar investigacin y realizar actividades de extensin en Matemticas y Computacin, as como en sus diversas

aplicaciones.

ESTADSTICA BAYESIANA Y TEORA DE DECISIONES

ESPECIALIZACIN EN ESTADSTICA

2010

Curso de Especializacin en Estadstica

ESPECIALIZACIN EN ESTADSTICA

Objetivo general del plan de estudios

Formar especialistas de alto nivel capaces de aplicar los principales mtodos estadsticos para el anlisis de datos, as como de comprender los conceptos matemticos necesarios para la aplicacin correcta de dichos mtodos.

Objetivos especficos Formar especialistas capaces de: 1. Comprender los conceptos matemticos requeridos para la aplicacin de las diversas tcnicas estadsticas con un enfoque ms aplicado que terico;

2. Planear y disear experimentos o identificar modelos estadsticos apropiados para los problemas propios de su rea;

3. Proponer soluciones a problemas previamente identificados, mediante mtodos estadsticos cuya utilidad ha sido demostrada en los diversos campos de la investigacin;

4. Ofrecer asesora estadstica a instituciones pblicas, privadas y centros de investigacin que requieran recolectar, analizar e interpretar datos; y

5. Apoyar a las instituciones educativas, en lo que respecta al contenido estadstico, en la superacin de la calidad de la enseanza de la estadstica en los distintos niveles educativos.

Pgina 2 de 7

Curso de Especializacin en Estadstica

ESTADSTICA BAYESIANA Y TEORA DE DECISIONES

Asignatura: Obligatoria Horas totales: 60 Horas tericas: 60 Horas prcticas: 0 Crditos: 8 OBJETIVO GENERAL Que el alumno sea capaz de hacer inferencia para parmetros de inters desde la perspectiva de la estadstica bayesiana y de formular un problema de toma de decisiones (incluyendo la estimacin de parmetros) usando la teora correspondiente. OBJETIVOS ESPECFICOS Al finalizar el curso, el alumno ser capaz de: 1. Explicar las diferencias entre la estadstica bayesiana y la frecuentista. 2. Identificar y postular los elementos que involucra abordar un problema desde el enfoque de estadstica bayesiana. 3. Hacer inferencia para un parmetro de inters utilizando la distribucin posterior. 4. Identificar y postular los elementos que intervienen en el proceso de toma de decisiones. 5. Abordar un problema de toma de decisiones (inferencia) usando las herramientas correspondientes. DESCRIPCIN DEL CURSO En la primera parte del curso (Unidades 1 y 2) se estudia la denominada Estadstica Bayesiana. Se inicia con un repaso de las principales distribuciones de probabilidad, haciendo nfasis en el tipo de variable aleatoria que cada una de ellas puede modelar. Posteriormente se presenta el paradigma Bayesiano para hacer inferencias acerca de parmetros, identificando los elementos que intervienen en el clculo de la densidad posterior: el modelo para los datos y la distribucin a priori para el parmetro de inters. A travs de ejemplos y ejercicios se ensea el proceso de postulacin de la distribucin a priori, incluyendo algunos mtodos que se usan en la prctica para postular un valor para cada parmetro de dicha distribucin. Finalmente, se estudia el uso de la distribucin posterior en el proceso de inferencia y se abordan problemas prcticos, de preferencia con datos reales. La segunda parte del curso (Unidades 3 y 4) inicia con el estudio de los elementos de la Teora de Decisiones: espacio de acciones, espacio de estados de la naturaleza y funcin de prdida. Seguidamente se presentan algunas funciones de prdida comnmente utilizadas. A travs de ejemplos prcticos se ensea la manera de tomar decisiones utilizando los elementos antes mencionados.
Pgina 3 de 7

Curso de Especializacin en Estadstica

Para terminar el curso se presentan ejemplos en los que se conjunta el uso de la Estadstica Bayesiana y de la Teora de Decisiones para abordar problemas de inferencia y decisin, utilizando elementos estudiados en el curso. Los ejemplos que se presenten sern motivados a partir de problemas reales en lo posible propuestos por los estudiantes. Durante todo el curso el alumno resolver diversos problemas a travs de los cuales adquirir habilidad para manejar los temas que se aborden. ANTECEDENTES ACADMICOS DESEABLES Conocimientos del perfil de ingreso: 1. 2. 3. 4. 5. 6. Los conceptos fundamentales de probabilidad y estadstica. Las tcnicas y medidas bsicas de estadstica descriptiva. El concepto de variable aleatoria y su distribucin. Los modelos probabilsticos ms comunes. Conceptos fundamentales de lgebra bsica. Los conceptos y resultados bsicos de clculo diferencial e integral.

CONTENIDO 1. Conceptos bsicos, Informacin a priori y Probabilidad Subjetiva. Objetivo: El alumno ser capaz de obtener informacin relevante (a priori) con que se cuenta para abordar un problema de estimacin y de expresarla en forma de una distribucin de probabilidad. Asimismo, entender el rol que desempea esta densidad en la inferencia bayesiana. 1.1.- Introduccin: distribuciones de probabilidad. 1.2.- Paradigma Bayesiano. 1.3.- Probabilidad Subjetiva. 1.4.- Determinacin subjetiva de la densidad a priori para un parmetro. 1.4.1.- A priori no informativa. 1.4.2.- A priori de mxima entropa. 1.4.3.- Uso de la distribucin marginal para determinar una a priori. 1.5.- Determinacin subjetiva de la densidad a priori para varios parmetros: a priori Jerrquica. 1.6.- Aplicaciones. 2. Anlisis Bayesiano. Objetivo: El alumno ser capaz de abordar problemas de estimacin utilizando el paradigma Bayesiano, aplicando el teorema de Bayes para obtener la distribucin posterior, a partir de la cual realizar el proceso de inferencia que se requiera. 2.1.- Introduccin. 2.2.- Distribucin posterior. 2.2.1.- Uso del teorema de Bayes.

Pgina 4 de 7

Curso de Especializacin en Estadstica

2.2.2.- Familias conjugadas. 2.3.- Inferencia Bayesiana. 2.3.1.- Estimacin de parmetros. 2.3.2.- Conjuntos de credibilidad. 2.3.3.- Pruebas de hiptesis. 2.4.- Anlisis Bayesiano Jerrquico. 2.5.- Robusticidad Bayesiana. 2.5.1.- Introduccin. 2.5.2.- El rol de la distribucin marginal. 2.5.3.- Robusticidad posterior: conceptos bsicos. 2.6.- Clculos Bayesianos. 3. Conceptos bsicos de Teora de Decisiones. Objetivo: El alumno conocer y aplicar los principios y elementos bsicos de la teora de decisiones y ser capaz de identificarlos en problemas prcticos. 3.1.- Introduccin. 3.2.- Elementos bsicos. 3.2.1.- Espacio de acciones. 3.2.2.- Espacio de estados de la naturaleza. 3.2.3.- Funcin de prdida. 3.3.- Funciones de prdida comnmente usadas. 3.3.- Prdida esperada, reglas de decisin y riesgo. 3.4.- Principios de toma de decisiones. 3.4.1.- Principio de decisin condicional de Bayes. 3.4.2.- Principios de decisin frecuentistas. 3.5.- Fundamentos. 3.5.1.- Perspectiva condicional. 3.5.2.- Principio de verosimilitud. 3.6.- Estadsticos Suficientes. 4. Utilidad y Prdida. Objetivo: El alumno resolver problemas prcticos de inferencia y decisin aplicando correctamente los elementos bsicos de la teora de decisiones. 4.1.- Introduccin. 4.2.- Teora de utilidad. 4.3.- La utilidad expresada en unidades monetarias. 4.4.- La funcin de prdida. 4.4.1.- Desarrollo a partir de la teora de utilidad. 4.4.2.- Algunas funciones de prdida estndares. 4.4.3.- Problemas de inferencia. 4.4.4.- Problemas de prediccin. 4.5.- Funcin de prdida para vectores de parmetros. 4.6.- Teora de decisin bayesiana.
Pgina 5 de 7

Curso de Especializacin en Estadstica

4.6.1.- Anlisis de decisin posterior. 4.6.2.- Estimacin. 4.7.- Aplicaciones.

RECURSOS DIDCTICOS Pizarrn, equipo audiovisual, material de lectura y software estadstico. METODOLOGA DE LA ENSEANZA Las clases sern impartidas con un enfoque eminentemente prctico. A partir de ejemplos, de preferencia de estudios de caso reales, se estudiarn los elementos tericos correspondientes. Se enfatizar la importancia de cada tema en las aplicaciones de la estadstica y su relacin con las asignaturas correspondientes de la Especializacin en Estadstica y en general de la disciplina. En lo posible se trabajar con datos de casos reales, se identificar los elementos del tema en consideracin y se enfatizar la interpretacin de los resultados. En donde sea pertinente se utilizar un paquete estadstico y se indicar su importancia como herramienta en el anlisis estadstico de datos. Para la asignacin de tareas y en su caso de proyectos, se utilizarn en la medida de lo posible ejemplos de problemas reales de diversas disciplinas. ESTRATEGIAS DE ENSEANZA Exposicin, interrogatorio, discusin de problemas prcticos, tareas, discusin dirigida, proyectos individuales o grupales y empleo de software estadstico.

CRITERIOS DE EVALUACIN Menor o igual Exmenes: 60 puntos Tareas: 60 puntos Proyectos escritos: 60 puntos La suma de la puntuacin deber ser igual a 100. La calificacin mnima aprobatoria es 80 puntos.

BIBLIOGRAFA 1. Berger, J.O. (1985). Statistical Decision Theory and Bayesian Analysis. New York. Springer Verlag. 2. Bernardo, J.M. y Smith, A.F.M. (2004). Bayesian Theory. New York. John Wiley and Sons. 3. Box, G.E.P. and Tiao, G.C. (1992). Bayesian Inference and Statistical Analysis. New York. John Wiley and Sons.

Pgina 6 de 7

Curso de Especializacin en Estadstica

4. Carlin, J.B. and Louis, T.A. (2000). Bayes and Empirical Bayes Methods for Data Analysis. 2a ed. New York: Chapman & Hall. 5. Casella, G. y Berger, R.L. (2002). Statistical Inference. Pacific Grove, Calif.: Duxbury: Thompson Learning. 6. Chernoff, H. y Moses, L. (1959). Elementary Decision Theory. Wiley. New York. 7. Degroot, M. (1970). Optimal Statistical Decision. Wiley. New York. 8. Klugman, S.A. (1992). Bayesian Statistics in actuarial science: with emphasis on credibility. Boston: Kluwer academic publishers. 9. Leonard, T. and Hsu, J. (1999). Bayesian Methods. New York: Cambridge University Press. 10. Mendenhall, W., Scheaffer, R.L. y Wackerly, D.D. (1986). Estadstica matemtica con aplicaciones. Ed. Iberoamericana. PERFIL PROFESIOGRFICO Especialista en Estadstica, preferentemente con maestra o doctorado y experiencia docente, de investigacin o de trabajo en el rea. ELABOR: Dr. Jorge Armando Argez Sosa. FECHA DE ELABORACIN Agosto de 2010.

Pgina 7 de 7