XLIX Coloquio Argentino de Estadística
VII Jornada de Enseñanza de la Estadística
Embedded Files
Conferencia
Análisis de datos usando modelos no paramétricos Bayesianos
Resumen
Muchos métodos de inferencia para problemas de la Bioestadística están basados en varias suposiciones o usan un enfoque simplificado, lo que podría resultar en inferencia y decisiones sub-óptimas. En esta charla presentamos Modelos e Inferencia no-paramétrica Bayesiana (BNP) para mitigar esas limitaciones. Modelos BNP son modelos de probabilidad a priori en espacios de dimensión infinita, incluyendo, por ejemplo, modelos de probabilidad aleatoria, funciones de media de regresión no-lineal, agrupamiento aleatorio, entre otros. Analizamos algunos ejemplos de inferencia tradicional: ajuste de densidades, modelos de efectos mixtos, regresión y agrupamiento (clustering). Para cada ejemplo, introducimos unos modelos BNP apropiados, incluyendo procesos de Dirichlet (DP), procesos de Dirichlet dependientes (DDP), normalized random measures (NRM), árboles de Polya (PT), entre otros.
PETER MÜLLER (*)
(*) Graduado de la Universität Wien and Technische Universität Wien, Austria y Ph.D de la Purdue University, West Lafayette, Indiana. Es Profesor del Departamento de Estadística y Ciencia de Datos y Departamento de Matemática de la Universidad de Texas en Austin, desde 2011, desempeñándose como presidente interino del Departamento de Estadística y Ciencia de Datos desde 2017. Además, desde 2001, es Profesor adjunto del Departamento de Estadística en la Rice University y del UT MD Anderson Cancer Center en Houston, Texas. Su experiencia e intereses en investigación incluyen un amplio trabajo en Métodos Bayesianos no paramétricos aplicado a problemas de investigación biomédica e Inferencia Bayesiana no paramétrica, en particular, Modelos de partición aleatoria y Regresión no-paramétrica. Cuenta con numerosas publicaciones a lo largo de los últimos 15 años en Diseño adaptativo bayesiano de prueba clínica y Métodos Bio-informáticos Bayesianos para información genómica de alto rendimiento, entre los que se destaca una monografía sobre Análisis de Datos Bayesianos no paramétricos y un volumen que recopila Métodos Bayesianos no-paramétricos en Bioestadística y Bioinformática.
Material de la conferencia haciendo click aquí
Page updated
Google Sites
Report abuse