NO EXISTEN CAMBIOS
The subject guide has been updated with the changes mentioned here
La toma de decisiones basada en evidencia científica resulta crucial para el diseño de investigaciones e intervenciones efectivas en el ámbito de las ciencias del comportamiento y de la salud. El Análisis Bayesiano de datos permite integrar información previa con nuevos datos de forma probabilística. Esto proporciona un marco flexible de inferencia estadística, con diferencias y similitudes con la estadística frecuentista o clásica, que permite ampliar las herramientas para la investigación y toma de decisiones en contextos de incertidumbre en base a la credibilidad que se otorga a una determinada hipótesis.
La asignatura “Análisis bayesiano de datos” se propone brindar a los estudiantes del máster una formación en los principios teóricos y aplicaciones prácticas del enfoque Bayesiano aplicado a las ciencias del comportamiento y de la salud. En este curso se explorarán los conceptos fundamentales de la estadística bayesiana, partiendo desde sus fundamentos en el teorema de Bayes, hasta el desarrollo de y estimación de modelos estadísticos y su implementación computacional. El programa de la asignatura abarca una amplia gama de aplicaciones relevantes para las ciencias del comportamiento y de la salud, incluyendo modelos lineales y psicométricos.
A través de un enfoque teórico-práctico, se fomentará el desarrollo de habilidades analíticas y computacionales, capacitando a los estudiantes para manejar herramientas estadísticas bayesianas y utilizarlas en la resolución de problemas relacionados con las ciencias de la salud y la conducta de manera eficiente y rigurosa. Gracias a esto, los estudiantes adquirirán la capacidad de generar conocimiento científico que contribuya a la mejora de la salud, la comprensión de la conducta, y la toma informada de decisiones informada en los ámbitos de aplicación profesional de este máster.
Para cursar la asignatura satisfactoriamente se requieren conocimientos básicos de estadística, modelado estadístico, y análisis/manejo de datos en R. También es recomencable tener al menos nociones básicas de cálculo integral y diferencial.
Es aconsejable haber cursado (e idealmente aprobado) las siguientes asignaturas de máster:
- Análisis de datos y modelos estadísticos
- Métodos informáticos
Para poder utilizar algunos materiales de estudio se requiere al menos un nivel B1 de comprensión lectora en inglés de según el CEFR.
Horario de tutorías: Martes y jueves de 10:00 a 14:00
Los canales de contacto son:
- Correo electrónico: dvmorillo@psi.uned.es
- Teléfono: 91 398 6584
- Tutoría presencial (con cita previa):
Facultad de Psicología, C./ de Juan del Rosal 10 (despacho 2.74)
28040 Madrid
- Tutoría online (con cita previa): A través de Microsoft Teams
- Foros del campus virtual
COMPETENCIAS BÁSICAS:
CG1 - Tomar conciencia de la importancia de la metodología en la adquisición del conocimiento científico, así como de la diversidad metodológica existente para abordar distintos problemas de conocimiento
CG2 - Desarrollar el razonamiento crítico y la capacidad para realizar análisis y síntesis de la información disponible.
CG3 - Saber identificar las necesidades y demandas de los contextos en los que se exige la aplicación de herramientas metodológicas y aprender a proponer las soluciones apropiadas.
CG4 - Planificar una investigación identificando problemas y necesidades, y ejecutar cada uno de sus pasos (diseño, medida,
proceso de datos, análisis de datos, modelado, informe).
CG5 - Obtener información de forma efectiva a partir de libros, revistas especializadas y otras fuentes.
CG6 - Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
COMPETENCIAS ESPECÍFICAS:
CE1 - Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
CE2 - Procesar datos (conocer la estructura de las bases de datos y manejarse eficientemente con ellas).
CE3 - Preparar los datos para el análisis (desenvolverse en la relación entre bases de datos y análisis estadístico).
CE4 - Analizar datos identificando diferencias y relaciones. Esto implica conocer las diferentes herramientas de análisis así como su utilidad y aplicabilidad en cada contexto.
CE6 - Formular, estimar y ajustar modelos capaces de simular procesos psicológicos.
Los objetivos de aprendizaje incluyen las bases teóricas del análisis Bayesiano de datos y su aplicación mediante programación estadística. A nivel teórico, la asignatura comprende los siguientes conceptos de teoría de la probabilidad: ley de la probabilidad total, probabilidad condicionada, teorema de Bayes, funciones de distribución habituales en estadística bayesiana. También se aprenden los conceptos de inferencia estadística (estimación y contraste) mediante simulación Monte Carlo con cadenas de Markov.
La parte práctica consiste en la aplicación a modelos estadísticos: regresión basada en el modelo lineal generalizado y modelo lineal mixto. Las aplicaciones en psicometría incluyen teoría de respuesta al ítem, análisis factorial y análisis de redes sociales y psicométricas.
La asignatura incluye el aprendizaje de los lenguajes de programación informática habituales en este ámbito.
1. Definición de probabilidad. Ley de la probabilidad total y teorema de Bayes.
- Definición de probabilidad.
- Ley de probabilidad total.
- Teorema de Bayes.
2. Probabilidad: Distribución, probabilidad y densidad. Probabilidad conjunta, marginal y condicional.
- Función de distribución, probabilidad y densidad de probabilidad.
- Valor esperado y varianza de una variable aleatoria.
- Probabilidad conjunta, marginal y condicional.
3. Inferencia Bayesiana.
- Inferencia bayesiana.
- Intervalos de credibilidad.
- Distribuciones previa y posterior.
- Distribuciones previas conjugadas.
4. Método de Monte Carlo.
- Método de Monte Carlo.
- Error estándar de Monte Carlo.
- Estimación modal posterior.
- Estimación esperada posterior.
5. Evaluación de modelos.
- Factor de Bayes.
- Contraste de hipótesis usando el factor de Bayes.
6. Predicción.
- Modelo predictivo posterior.
- Comprobaciones predictivas posteriores.
7. Simulación mediante cadenas de Markov.
- Simulación mediante el método de Cadenas de Markov.
- Muestreador de Gibbs.
- Algoritmo Metrópolis-Hastings.
- Algoritmo Metropolis-within-Gibbs.
- Convergencia de cadenas.
8. Aplicaciones en estadística: modelo lineal generalizado y modelo lineal mixto.
- Modelo lineal generalizado.
- Modelo lineal mixto.
9. Aplicaciones en psicometría: teoría de respuesta al ítem, análisis factorial y análisis de redes sociales y psicométricas.
- Análisis factorial.
- Teoria de respuesta al ítem.
- Análisis de redes.
Cada tema incluirá:
- Una introducción del contenido y los objetivos, facilitada por el equipo docente a través del campus virtual.
- Una o varias lecturas relacionada con el tema. En el caso de que haya más de una, se indicará cuántas han de leerse (si es una u otro número, a elegir, o todas las facilitadas).
- Bibliografía adicional.
- Un foro de debate en el campus virtual.
- Una o varias actividades de evaluación formativa.
Los temas de aplicaciones (8 y 9) no incluirán actividades de evaluación formativa. En su lugar, cada estudiantes elegirá una aplicación sobre la cual desarrollar un trabajo consistente en la aplicación del análisis Bayesiano a un problema de su elección, utilizando un modelo estadístico apropiado para ello.
Cada estudiante deberá estudiar los materiales introductorios, leer la(s) lectura(s) propuestas, y realizar las actividades de evaluación. En los temas de aplicaciones (8 y 9) la(s) lectura(s) obligadas serán las indicadas para la aplicación elegida por cada esudiante.
Las dudas y preguntas se resolverán preferentemente en el foro de debate de cada tema, de forma que las respuestas estén disponibles para el resto de estudiantes y fomentar el apoyo de los pares en el aprendizaje.
ONSITE TEST
|
| Type of exam |
| Type of exam |
Examen tipo test |
| Quiz questions |
| Quiz questions |
10 |
| Duration of the exam |
| Duration of the exam |
60 (minutes) |
| Material allowed in the exam |
| Material allowed in the exam |
Ninguno
|
| Assessment criteria |
| Assessment criteria |
El examen constará de 10 preguntas de opción múltiple con 3 opciones de respuesta. Cada pregunta acertada puntuará 1, cada fallo -0,5, y cada respuesta en blanco 0.
|
| % Concerning the final grade |
| % Concerning the final grade |
20 |
| Minimum grade (not including continuas assessment) |
| Minimum grade (not including continuas assessment) |
|
| Maximum grade (not including continuas assessment) |
| Maximum grade (not including continuas assessment) |
|
| Minimum grade (including continuas assessment) |
| Minimum grade (including continuas assessment) |
5 |
| Coments |
| Coments |
La puntuación del examen estará comprendida entre 0 (los fallos más allá de 0 no restarán) y 10.
Se necesitará obtener al menos una puntuación de 5 en el examen para aprobar la asignatura.
|
| CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK |
CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK
|
| Requires presence |
| Requires presence |
Si |
| Description |
| Description |
La puntuación del examen estará comprendida entre 0 (los fallos más allá de 0 no restarán) y 10.
Se necesitará obtener al menos una puntuación de 5 en el examen para aprobar la asignatura.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the in-person test and/or the assignments in the final grade |
| Weighting of the in-person test and/or the assignments in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
| CONTINUOUS ASSESSMENT TEST (PEC) |
CONTINUOUS ASSESSMENT TEST (PEC)
|
| PEC? |
| PEC? |
Si,PEC no presencial |
| Description |
| Description |
Evaluación formativa:
Cada estudiante deberá responder a las actividades de evaluación formativa de cada tema. Cada actividad completada puntuará hasta sumar un total de 5 puntos como máximo. Cada actividad no completada se calificará con 0 puntos.
La puntuación y fecha de entrega se específicará para cada actividad en el campus virtual de la asignatura.
Aplicación:
Cada estudiante realizará un trabajo de aplicación de análisis bayesiano de datos a un problema real, eligiendo uno de los modelos estudiados en los temas 9 y 10. Los detalles del contenido de este trabajo se darán en el campus virtual, junto con la rúbrica de evaluación del mismo y la fecha de entrega.
El trabajo se puntuará de 0 (en caso de no presentarlo) a 3 puntos.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the PEC in the final grade |
| Weighting of the PEC in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
OTHER GRADEABLE ACTIVITIES
|
| Are there other evaluable activities? |
| Are there other evaluable activities? |
No |
| Description |
| Description |
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting in the final grade |
| Weighting in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
How to obtain the final grade?
|
La nota final será la suma de la puntuación del examen (0-2) y las PEC: Actividades de evaluación formativa (0-5) y trabajo de aplicación (0-3). La nota de la asignatura será una puntuación de 0 a 10.
Para que la asignatura sea evaluable se necesitará:
- Obtener al menos una puntuación de 1 en el examen.
- Haber presentado el trabajo de aplicación.
|
|
CURRENTLY UNPUBLISHED BOOK
ISBN(13):
Title: AN INTRODUCTION TO BAYESIAN REASONING AND METHODS
Author: Ross, Kevin;
Editorial: https://bookdown.org/kevin_davisross/bayesian-reasoning-and-methods/
|
|
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. y Rubin, D. B. (2013). Bayesian Data Analysis, Third Edition. Boca Raton, FL. Chapman & Hall/CRC Texts in Statistical Science.
Serrano Angulo, José. (2003). Iniciación a la estadística bayesiana. Muralla; Editorial Hespérides.
Revuelta, J. y Ponsoda, V. (2005). Fundamentos de estadística, segunda edición. Madrid. UNED Ediciones.
Software para la asignatura:
(Recomendación: Intentar tener instaladas las últimas versiones)
Sitios web:
Libros digitales en internet:
- Johnson, A. A., Ott, M. Q., & Dogucu, M. (2022). Bayes Rules! An Introduction to Applied Bayesian Modeling. CRC Press. (Versión en línea del libro recomendado en la bibliografía básica)
- Nicenboim, B., Schad, D., & Vasishth, S. (2024). An Introduction to Bayesian Data Analysis for Cognitive Science (Texto especialmente enfocado a las ciencias cognitivas)
- Downey, Allen B. (2022). Think Bayes, 2ª edición. (Libro gratuito online sobre estadística bayesiana, basado en código Python como herramienta básica de razonamiento)
Audiovisual:
