Profesor | Fernando Baltazar Larios | lu mi vi | 12 a 13 | P202 |
Ayudante | ma ju | 12 a 13 | P202 |
Inferencia para procesos de Markov
Fernando Baltazar-Larios
Departamento de Matemáticas Facultad de Ciencias
UNAM fernandobaltazar@ciencias.unam.com
OBJETIVO:
Conocer, analizar y aplicar las principales técnicas para hacer estimación de parámetros por má- xima verosimilitud en procesos de Markov cuando se tiene información completa o imcompleta.
Duración:
48 horas.
Software:
R, Julia y Fortran
Requisitos:
Probabilidad, Procesos Estocásticos, Estadística y Programación.
CONTENIDO
1. Conceptos básicos de teoría de verosimilitud
Duración: 5 hrs.
1.1. Método de máxima verosimilitud
1.2. Intervalos de verosimilitud e intervalos de confianza
1.3. Pruebas de verosimilitud
1.4. Ejemplos
2.Método de Monte Carlo vía cadenas de Markov
Duración: 5 hr.
2.1. Metropolis-Hastings
2.2. Muestreo de Gibbs
2.3. Diagnóstico
2.4. Ejemplos
3. Algoritmo Esperanza y Máximización (EM)
Duración: 5 hr.
3.1. Introducción y conceptos básicos
3.2. Algoritmo EM Monte Carlo
3.2.1. Algorimo EM estocástico
3.3. Ejemplos
4. Inferencia para cadenas de Markov
Duración: 10 hr.
4.1. Estimación Máximo verosímil
4.2. Propiedades de los estimadores
4.3. Intervalos de confianza
4.4. Estimación para muestras incompletas
4.4.1. Método de Monte Carlo vía cadenas de Markov
4.4.2. Algoritmo EM
4.5. Ejemplos
5. Inferencia para procesos de saltos de Markov
Duración: 10 hr.
5.1.Estimación Máximo verosímil para procesos continuamente observados
5.2. Propiedades de los estimadores
5.3. Intervalos de confianza
5.4. Estimación Máximo verosímil para procesos discretamente observados
5.4.1. Puentes de Markov
5.4.2. Método de Monte Carlo vía cadenas de Markov
5.4.3. Algoritmo EM
5.5. Ejemplos
6. Inferencia para proceso de difusión
Duración: 13 hr.
6.1. Función de verosimilitud 6.2.
6.3. Métodos de verosimilitud exacta
6.3.1. Estimación para procesos de difusión discretamente observados
6.3.2. Puentes de Difusión Método de aproximación
6.4. Estimación para procesos integrados de difusión
6.5. Ejemplos
Referencias
[1] Basawa, B. L. S. Prakasa Rao. “Statistical Inference for Stochastic Processes”.
[2] Billingsley, P. “Statistical Inference for Markov Processes“
[3] Christiane Fuchs. “Inference for Diffusion Processes: With Applications in Life Sciences”. [4] Fishman, G. (2006).“A First Course in Monte Carlo. Belmont, CA : Thomson Brooks“. [5] Iacus, Stefano. “Simulation and Inference for Stochastic Differential Equations”
[6] Malempati M. Rao. “ Stochastic Processes Inference Theory.”