[Becarios-ifeva] Curso UBA Introducción a los métodos estadísticos bayesianos en Ecología

[Sofía Campana]

El jue, 20 jul 2023 a las 13:22, Pablo Inchausti (<
pablo.inchausti.f en gmail.com>) escribió:

> Buenos días,
> Espero que se encuentren bien.
> Este mail es para enviar información de un curso que será dictado en la
> Fac Ciencias Naturales y Exactas de la Universidad de Buenos Aires y que
> podría ser de interés para colegas o estudiantes de postgrado de sus grupos
> de trabajo.
>
> Mucho agradecería que le dieran a este mail la difusión que crean
> conveniente, y que acepten mis disculpas por cualquier molestia que el
> mismo pudiera causar.
>
> Saludos cordiales,
> PAblo
>
> -------------------------
>
> *Curso de postgrado: *
>
> *Introducción a los métodos estadísticos bayesianos en Ecología*
>
> *Depto. de Ecología, Genética y Evolución - FCEN - UBA*
>
> *Profesor*: Pablo Inchausti (Profesor Titular, Universidad de la
> República, Uruguay)
>
> *Coordinadores*: Adriana Pérez y Gerardo Cueto (Grupo de Bioestadística
> Aplicada)
>
> *Fechas de dictado*: Lunes 25 Septiembre a Martes 4 Octubre 2023, de 9 a
> 17 hs
>
> *Puntaje para el doctorado*: 2 puntos
>
> *Modalidad*: PRESENCIAL. Curso a desarrollarse mediante el uso del
> software R. Se requiere computadora personal. Con evaluación final.
>
> *Requisitos*: conocimientos básicos sobre el concepto de probabilidad, de
> las principales funciones de distribución de probabilidades (binomial,
> Poisson y normal), de nociones de estimación puntual y por intervalo (i.e.
> intervalos de confianza) de parámetros, test de hipótesis estadísticas y su
> relación con los intervalos de confianza, test t para diferencias de
> medias, regresión simple y Análisis de Varianza. Estos temas NO serán
> cubiertos en este curso. Conocimientos básicos de R (i.e. importación de
> datos, generación de gráficos simples, etc.)
>
> *Arancel*: $15000. Exentos: alumnos inscriptos en doctorado de la UBA,
> docentes de la FCEyN
>
> *Cupos y destinatarios*: este curso está principalmente destinado a
> estudiantes de Postgrado en Ciencias Biológicas, Ciencias Ambientales,
> Agronomía y afines. Cupo máximo de 35 estudiantes. La selección será en
> base a un CV y a una carta de motivación detallada donde se indique
> claramente su formación o experiencia previa en Estadística y análisis de
> datos. Tendrán prioridad los estudiantes de doctorado de la FCEyN
> admitidos.
>
> *Pre-inscripción*: los interesados deberán preinscribirse *aquí*
> <https://docs.google.com/forms/d/e/1FAIpQLSfmS4CDw06sPcOVoUOCU_0GU4-gU1GfqYk1s3r8nagsGQa3Wg/viewform?usp=sf_link>
> .
>
> *Cierre de preinscripción*: Lunes 28 Agosto de 2023 a las 12h
>
> *Confirmación de la vacante*: primera semana de Septiembre
>
> *Consultas*: *biometria2exactas en gmail.com* <biometria2exactas en gmail.com>
>
> *Programa del curso**:*
>
> *Objetivo**:* Proporcionar una adecuada comprensión de los principios
> fundamentales de los métodos de análisis bayesianos y adquirir la capacidad
> de utilizarlos en forma crítica y razonada estos métodos en sus actividades
> de investigación.
>
> *Programa analítico**:*
>
> 1. *Introducción general*. Origen y desarrollo histórico de los marcos
> conceptuales para la inferencia frecuentista y bayesiana. Diferencias en la
> interpretación de la probabilidad, variabilidad de los parámetros,
> interpretación y evaluación de precisión de estimación, uso de información
> previa y adicional. Conceptos de Probabilidad condicional y marginal.
> Teorema de Bayes y noción de causalidad inversa.
>
> 2. *Elementos básicos del análisis bayesiano*. Componentes del método
> bayesiano de estimación: función de verosimilitud, funciones de
> probabilidades previas y posteriores. Dificultades y polémica histórica
> acerca de la distribución previa. Principales tipos de distribuciones
> previas: vagas, informativas y no informativas. Principales distribuciones
> de probabilidad empleadas para las distribuciones previas.
>
> 3. *Análisis bayesiano I*: Métodos analíticos para obtener la
> distribución posterior empleando probabilidades previas conjugadas. Métodos
> de simulación de las funciones de probabilidades posteriores basados en la
> optimización estocástica global (cadenas Markovianas Monte Carlo; MCMC).
> Principales métodos de simulación: muestreo de Gibbs, algoritmo de
> Metropolis-Hastings (JAGS) y enfoque Hamiltoniano (Stan) en R.
> Visualización e interpretación de las distribuciones posteriores de los
> parámetros. Ejemplos con el Modelo Lineal General. Diagnósticos de
> convergencia de los algoritmos. Criterios de información (DIC y WAIC) y su
> uso en la selección de modelos estadísticos.
>
> 4.*Análisis bayesiano II*: Los Modelos Lineales Generalizados (GLM) como
> marco teórico general para el análisis de datos univariados en escalas
> binaria (Binomial), de conteos (Poisson y Binomial Negativa) y continua
> (Beta, Normal, Gama, Lognormal). Componentes de los GLM: predictor lineal
> de las variables explicativas, función de conexión y errores aleatorios.
> Ajuste de GLM con métodos bayesianos e interpretación de parámetros.
> Validación de modelos estadísticos a través del análisis de residuos y la
> simulación de las distribuciones predictivas posteriores.
>
> 5. *Modelos bayesianos jerárquicos*. Estructuras jerárquicas en la
> naturaleza y en los datos. Definición de efectos fijos y efectos aleatorios
> y su interpretación biológica. Los modelos jerárquicos bayesianos como
> generalización de los modelos lineales generalizados mixtos (GLMM)
> frecuentistas. Formulación y estimación de GLMM con métodos bayesianos e
> interpretación de sus parámetros. Uso de redes bayesianas (gráficos
> acíclicos dirigidos; DAG) para representar dependencias entre variables
> aleatorias y parámetros. Uso de variables latentes para modelar la
> incertidumbre de observación y errores de medición en los modelos
> jerárquicos.
>
> *Modalidad de dictado: e*l curso se dictará en su totalidad en
> laboratorio. Cada clase responderá a la modalidad teórico-práctica. A
> partir de la presentación de casos de estudio, se introducirán y discutirán
> los distintos modelos estadísticos. Las actividades prácticas consistirán
> en el análisis de casos provenientes de las ciencias biológicas aplicando
> los modelos propuestos. Se empleará el programa de análisis estadístico
> gratuito R así como de la interfase R-Studio. Se espera que los estudiantes
> utilicen sus laptops durante los prácticos de este curso. Todos los
> materiales (clases, datos, scripts, libros y artículos) se pondrán a
> disposición de los estudiantes antes del comienzo del curso.
>
> *Evaluación: *los alumnos serán evaluados en una única instancia de
> evaluación a través de un proyecto final de análisis de datos, sobre el
> cual entregarán un informe con la interpretación detallada de los
> resultados. Se aprobará el curso de acuerdo a los requerimientos académicos
> de la Facultad de Ciencias Exactas y Naturales, Universidad de Buenos
> Aires. Este informe será enviado por e-mail dos semanas después del final
> del curso. Además de la nota del curso, los estudiantes recibirán por
> e-mail la corrección comentada de su informe final. Cada estudiante
> admitido en el curso se compromete formalmente a realizar la evaluación
> final del mismo.
>
> *Bibliografía: *
>
> Bolker, B. 2008. Ecological Models and Data in R. Princeton University
> Press. Princeton.
>
> Fletcher D. 2018. Model Averaging. Springer-Verlag. New York.
>
> Gelman A. et al. 2014. Bayesian data analysis, 3rd edition. Chapman &
> Hall/CRC. Boca Raton, USA.
>
> Gelman A. & J. Hill. 2007. Data Analysis Using Regression and
> Multilevel/Hierarchical models. Cambridge University Press.
>
> Inchausti, P. 2023. Inchausti Statistical Modeling With R: a dual
> frequentist and Bayesian approach for life scientists. Oxford University
> Press.
>
> Hoobs N. & Hooten M. 2015. Bayesian Models: a statistical primer for
> ecologists. Princeton University Press.
>
> Kery M. 2010. Introduction to WinBUGS for Ecologists. Academic Press. New
> York.
>
> Kery M. & Schaub M. 2012. Bayesian Population Analysis using WinBUGS.
> Elsevier, New York.
>
> Kruschke J. 2010. Doing Bayesian Data Analysis. A Tutorial with R and
> BUGS. Academic Press. New York.
>
> Lambert J. 2018. A Student's Guide to Bayesian Statistics. Sage
> Publishers. London.
>
> McGrayne S. 2010. The Theory That Would Not Die. Yale University Press.
> New Haven.
>
> McCarthy M. 2007. Bayesian Methods for Ecology. Oxford University Press.
> Oxford. McElreath R. 2020. Statistical Rethinking: A Bayesian Course with
> Examples in R and Stan. 2nd Edition. Chapman & Hall/CRC. Boca Raton, USA.
>
> Royle J. & Dorazio R. 2008. Hierarchical Modelling and Inference in
> Ecology: the Analysis of Data from Populations, Metapopulations and
> Communities. Academic Press. New York
>
> Wang S. et al. 2018. Bayesian Regression Modeling with INLA. Chapman &
> Hall/CRC Boca Raton, USA.
>
>
>

-- 
Sofía Campana
Lic. Cs. Ambientales, Dra. Cs. Agropecuarias
Cátedra de Ecología, Facultad de Agronomía
Universidad de Buenos Aires - Argentina
Research Gate <https://www.researchgate.net/profile/M_Sofia_Campana> - Google
Scholar
<https://scholar.google.com.ar/citations?user=8BwuencAAAAJ&hl=es&oi=ao>
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://listas.agro.uba.ar/pipermail/becarios-ifeva/attachments/20230720/77976343/attachment-0001.html>