Introducción a los Modelos ARIMA para Series de Tiempo

Aula 9 del CIVE (4º. Nivel), Capacidad: 30
Miércoles, Jueves y Viernes 8:30-9:50

Dr. Víctor M. Guerrero Guzmán
ITAM
guerrero@itam.mx

Temario

1. Introducción al análisis de series de tiempo
   1. Elementos estadísticos en el análisis de series de tiempo
   2. Series de tiempo vistas como procesos estocásticos
   3. Procesos estacionarios
2. Estudio de ecuaciones en diferencia
   1. Introducción a las ecuaciones en diferencia
   2. Representación de algunos procesos divergentes
3. Modelos para series de tiempo univariadas
   1. Modelos autoregresivos (AR)
   2. Modelos de promedios móviles (MA)
   3. Modelos ARMA
   4. Modelos ARIMA

Bibliografía

Guerrero, G. V. M. (2009). Análisis Estadístico y Pronóstico de Series de Tiempo Económicas.3ª edición. México: JIT Press.

Métodos Computacionales Bayesianos

Aula 10 del CIVE (4º. Nivel). Capacidad: 30
Miércoles, Jueves y Viernes 8:30-9:50

Dr. Raúl Rueda Díaz del Campo
IIMAS-UNAM

En este curso se mostrará la importancia de los métodos Monte Carlo en la práctica de la estadística.

Temario

1. Introducción y motivación
   1. Generadores de números aleatorios uniformes
   2. Algoritmos generales
   3. El método Monte Carlo
2. Monte Carlo vía cadenas de Markov
   1. Introducción a cadenas de Markov
   2. Algoritmo de Metrópolis-Hastings
   3. Algoritmo de Gibbs
   4. Métodos de diagnóstico de convergencia
3. Optimización
   1. Introducción y algoritmos básicos
   2. Método EM
   3. Optimización estocástica.

Bibliografía

Chen, M.-H., Shao, Q.-M. & Ibrahim, J.G. (2000). Monte Carlo Methods in Bayesian Computation. Springer-Verlag, New York.

Evans, M. & Swartz, T. (2000). Approximate Integrals via Monte Carlo and Deterministic Methods. Oxford, University Press.

Gamerman, D. (1997). Markov Chain Monte Carlo. Chapman and Hall, London.

Gilks, W.R., Richardson, S. & Spiegelhalter, D.J. (eds.) (1996). Markov chain Monte Carlo in Practice. Chapman and Hall/CRC, Boca Raton.

Liu, J.S. (2004). Monte Carlo Strategies in Scientific Computing. Springer-Verlag, New York.

Monahan, J.F. (2001). Numerical Methods of Statistics. Cambridge, University Press.

Press, W.H., Flannery,B.P., Teukolsky,S.A. y Vetterling,W.T. (1992). Numerical Recipes in Fortran. Cambridge, University Press.

Ripley, B.D. (1987). Stochastic Simulation. Wiley, New York.

Robert, C.P. & Casella, G. (1999). Monte Carlo Statistical Methods. Springer-Verlag, New York.

Robert, C.P. & Casella, G. (2010). Introducing Monte Carlo Methods with R. Springer-Verlag, New York.

Tanner, M.A. (1996). Tools for Statistical Inference. 3rd. Edition. Springer-Verlag, New York.

Van Laarhoven, P.J.M. y Aarts, E.H.L. (1988). Simulated Annealing: Theory and Applications. Dordrecht: Kluwer Academic Publishers.

Modelos Lineales Generalizados

Centro de Capacitación 1 (Centro de Cómputo Universitario). Capacidad: 19
Jueves y Viernes 8:30-9:50

Dr. Sergio Pérez Elizalde y Dr. Paulino Pérez Rodríguez
Colegio de Postgraduados

En este curso se introducirán los modelos lineales generalizados, una clase rica de modelos estadísticos, que se pueden aplicar a muchos problemas comunes para el análisis de datos. En el curso también se mostrará cómo usar el software R en éstos modelos.

Temario

1. Introducción
2. Breve revisión del modelo lineal
3. La familia exponencial simple
4. Componentes del Modelo Lineal Generalizado
5. Estimación
6. Regresión binaria y Poisson
7. Modelos con respuesta nominal y ordinal

Software a usar

R - http://www.r-project.org

Bibliografía

McCullagh, P. y Nelder, A. (1989). Generalized Linear Models. Second Edition CRC-Press.

Dobson, J. (2002). An Introduction to Generalized Linear Model. Second Edition. Chapman & Hall.