CURSO:METODOS BAYESIANOS AVANZADOS TRADUCCION:ADVANCED BAYESIAN METHODS SIGLA:EPG4205 CREDITOS:05 MODULOS:02 CARACTER:OPTATIVO TIPO:CATEDRA,LABORATORIO CALIFICACION:ESTANDAR PALABRAS CLAVE:MODELO BAYESIANO JERARQUICO,REGRESION LINEAL,REGRESION LOGISTICA NIVEL FORMATIVO:MAGISTER INTEGRIDAD ACADEMICA Y CODIGO DE HONOR La Universidad tiene un compromiso con la construccion de una cultura de respeto e integridad. Quienes participen de este curso se adscriben al Codigo de Honor UC y adquieren el compromiso de aportar a la construccion de una cultura de Integridad Academica, actuando en consonancia con los valores de veracidad, confianza, respeto, justicia, responsabilidad y honestidad en todo el trabajo academico. I.DESCRIPCIÓN DEL CURSO En este curso el estudiantado analizara modelos Bayesianos complejos, incluyendo modelos jerarquicos parametricos y no parametricos. Con este objeto, se presentaran las principales propiedades de los modelos y las tecnicas eficientes para la exploracion numerica de la distribucion a posteriori. Las principales metodologias son la de proyecto y los talleres practicos de laboratorio. Las evaluaciones seran mediante laboratorios computacionales y proyecto. II.RESULTADOS DE APRENDIZAJE 1.Aplicar modelos Bayesianos jerarquicos con errores Gaussianos en problemas que se presenten en diferentes areas profesionales. 2.Aplicar modelos Bayesianos jerarquicos con errores no-Gaussianos en problemas que se presenten en diferentes areas profesionales. 3.Aplicar modelos Bayesianos no-parametricos en diversos contextos reales. III.CONTENIDOS 1.Modelos jerarquicos Gaussianos 1.1.Intercambiabilidad e intuicion de modelos jerarquicos 1.2.Estructura jerarquica: parametros, hiperparametros y distribuciones hiperpriori 1.3.Modelo Normal jerarquico con parametros intercambiables (varianza conocida) 1.4.Modelo de regresion lineal jerarquico Normal 2.Modelos jerarquicos no-Gaussianos 2.1.Modelos jerarquicos conjugados: casos con solucion analitica 2.2.Regresion logistica jerarquica 2.3.Modelos jerarquicos para datos de conteo 2.4.Simulacion de la distribucion a posteriori en modelos jerarquicos IV.ESTRATEGIAS METODOLOGICAS -Clases expositivas. -Resolucion de problemas. -Talleres practicos de laboratorio. V.ESTRATEGIAS EVALUATIVAS -Laboratorios computacionales: 50% -Proyecto: 50% VI.BIBLIOGRAFIA Minima Gelman, A., Carlin, J., Stern, H., Dunson, D., Vehtari, A. y Rubin, D. (2014). Bayesian Data Analysis (3a.ed.). CRC Press. Complementaria McElreath, R.(2020). Statistical Rethinking: A Bayesian Course with Examples in R and STAN (2da.ed.). CRC Press. PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE FACULTAD DE MATEMATICAS / DICIEMBRE 2025