Indice (en construcción)

Estructura


  • Diseño estadístico experimental y control de calidad.

  • AplicacionesEstadística computacional




  • Modelos y métodos estadísticos espacio-temporales




  • Análisis de series temporales




  • Simulación de procesos estocásticos e inferencia estadística




  • Técnicas estadísticas multivariantes y aplicaciones




  • Ecología numérica








    • Diseño y Análisis de Experimentos
    1. Introducción. Principios y directrices del diseño de experimentos
    2. Análisis de la varianza de una sóla via
    3. Regresión lineal simple y múltiple
    4. Diseños por bloques aleatorizados completos e incompletos
    5. Diseños de cuadrado latino y grecolatino
    6. Diseños factoriales
    7. Diseños factoriales fraccionarios
    8. Diseños jerárquicos
    9. Métodos y diseños de superficies de respuesta
    Biblio:
    • Box, G. E., Hunter, J.S. y Hunter, W.G. (2008). Estadística para investigadores. Diseño, Innovación y descubrimiento. Editorial Reverté.
    ISBN 13: 978-84-291-5044-5.
    • Brenton, R. C. (2008). Linear models: the theory and applications of analysis of variance. ISBN: 978-0-470-0566-6.
    • Clarke, G. M. (1994). Statistical and experimental design: an introduction for biologists and biochemists. Edward Arnold.
    • Davis, Ch. S. (2002). Statistical methods for the analysis of repeated measurements. Springer.
    • Dobson, A.J. y Barnett, A.G. (2008). An introduction to generalized linear models. Series: Chapman & Hall/CRC texts in statistical science.
    • Fisher, R.A. (2003). Statistical methods, experimental design, and scientific inference. ISBN: 978-0-19-852229-4.
    • Gutiérrez P.H. (2003). Análisis y diseño de experimentos. McGraw-Hill.
    • Hocking, R. R. (2003). Methods and applications of linear models: regression and the analysis of variance. Wiley Series in Probability and Statistics. ISBN: 978-0-471-23222-3.
    • Kish, L. (2004). Statistical design for research. Wiley Interscience.
    • Lindman, H. R. (1992). Analysis of variance in experimental design. Springer-Verlag.
    • Kuehl, R. O. (2001). Diseño de experimentos. Principios estadísticos del diseño y análisis de investigación. Thomson Learning.
    • Peña, D. (2002). Regresión y diseño de experimentos. Alianza.
    • Montgomery, D. C. (2002). Diseño y análisis de experimentos. Limusa-Wiley.
    • Scheiner, S.M. (2001). Design and analysis of ecological experiments. Oxford UniversityPress.
    • Toutenburg, H. (2002). Statistical analysis of designed experiments. Springe


    • Estadística Computacional
    1. Computación Estadística y Estadística Computacional. Evolución histórica.
    2. Lenguajes de programación: Visual Basic.
    3. Metodología del Análisis Estadístico Computacional con SPSS.
    4. Metodología del Análisis Estadístico Computacional con los entornos de análisis y
    programación estadística R y S+.
    5. Casos prácticos: análisis estadístico de datos reales. Comparación de software.
    6. Resolución práctica de problemas clásicos de la Estadística con R y S+.
    • Contrastes de hipótesis e intervalos de confianza paramétricos y no
    paramétricos.
    • Análisis de Regresión: estimación paramétrica.
    • Estimación no paramétrica de curvas notables: regresión y densidad.
    • Métodos multivariantes.
    Biblio:
    1. Arriaza Gómez, J., Fernández Palacín, F., López Sánchez, M.A., Muñoz
    Márquez, M., Pérez Plaza, S. y Sánchez Nava, S. (2008). Estadística Básica
    con R y R-Commander. Disponible libremente on-line
    (http://knuth.uca.es/ebrcmdr).
    2. Ceballos, F.J. (1996). Enciclopedia de Visual Basic. Ed. Rama
    3. Crawley, M.J. (2007). The R book. John Wiley & Sons Inc.
    4. Faraway, J.J. (2002). Practical Regression and Anova using R. Ed. el autor.
    5. Gentle, J.E. (2002). Elements of Computational Statistics. Springer-Verlag,
    New York, Inc.
    6. Harriger, A.R., Lisack, S.K., Gotwals, J.K., y Lutes, K.D. (2004). Introduction to
    computer programming with Visual Basic 6. A Problem-Solving Approach.
    Series in Programming and Development. E&T.
    7. Lizasoan, L. y Joaristi, L. (1999). SPSS para Windows. Ed. Rama
    8. Pérez, C. (2004). Técnicas de Análisis Multivariante de Datos. Aplicaciones
    con SPSS. Ed. Pearson.Prentice Hall.
    9. Pérez, C. (2001). Técnicas estadísticas con SPSS. Ed. Prentice.
    10. Spector, P. (2008). Data Manipulation with R. Springer Science+Business
    Media, LLC.
    11. Visual Basic. Manual del usuario.
    12. SPSS para Windows. Manual del usuario.


    • Modelos y Métodos estadísticos espacio-temporales. Aplicaciones
    1. Conceptos básicos y fundamentos.
    2. Modelos geoestadísticos espacio-temporales.
    3. Estimación de parámetros. Estimación, inter/extrapolación y filtrado.
    4. Procesos puntuales.
    5. Análisis de valores extremos.
    6. Diseño de redes de observación.
    7. Simulación y aplicaciones.
    Biblio:
    1. Chilès, J.P. y Delfiner, P. (1999) Geostatistics: Modeling Spatial Uncertainty.
    Wiley.
    2. Christakos G. (1992) Random Field Models in Earth Sciences. Academic Press.
    3. Christakos G. (2000) Modern Spatiotemporal Geostatistics. Oxford University
    Press.
    4. Cressie, N. (1993, 2ª ed.) Statistics for Spatial Data. Wiley.
    5. Diggle, P.J., Ribeiro, P.J. (2007). Model-Based Geostatistics. Springer.
    6. Le, N.D., Zidek, J.V. (2006) Statistical Analysis of Environmental Space-Time
    Processes. Springer.
    7. Ripley, B. (2004) Spatial Statistics. Wiley.
    8. Stein, M.L. (1999) Interpolation of Spatial Data. Some Theory for Kriging.
    Springer.
    9. Webster, R. (2004) Geostatistics for Environmental Scientists. Wiley.
    10. Yaglom, A.M. (1987) Correlation Theory of Stationary and Related Random
    Functions (I, II). Springer-Verlag.


    • Análisis de Series Temporales
    1. Introducción y fundamentos. Predicción.
    2. Modelos ARIMA.
    3. Análisis espectral de series temporales.
    4. Causalidad. Modelos de regresión dinámica.
    5. Modelos de series temporales múltiples.
    6. Modelos de espacio de estados. Filtrado de Kalman.
    7. Modelos condicionalmente heteroscedásticos. Análisis de volatilidades.
    8. Modelos fraccionarios. Dependencias de largo rango.
    Biblio:
    1. Brockwell, Peter and Davis, Richard (2002). Introduction to Time Series
    and Forecasting. Springer-Verlag
    2. Cryer, Jonathan D. and Chang, Kung-Sik (2008). Time Series Analysis with
    Applicantions in R. Springer-Verlag.
    3. Jaén García, Manuel y López Ruiz, Estefanía (2001). Modelos
    Econométricos de Series Temporales. Teoría y Práctica. Septem
    Ediciones.
    4. Kirchgässner, Gebhard (2007). Introduction to Modern Time Series
    Analysis. Springer-Verlag.
    5. Luetkepohl, Helmut (Editor) (2004). Applied Time Series Econometrics.
    Cambridge University Press.
    6. Shumway, Robert and Stoffer, David (2006). Time Series Analysis and its
    Applications. Springer-Verlag.


    • Simulación de Procesos Estocásticos e Inferencia Estadística
    1. Métodos de generación de variables aleatorias discretas y continuas.
    2. Generación de recorridos aleatorios, movimiento Browniano y proceso de Poisson.
    3. Generación de procesos markovianos.
    4. Generación de procesos puntuales y procesos relacionados.
    5. Principios de la simulación Monte Carlo.
    6. Simulación Monte Carlo de procesos estocásticos. Procesos en finanzas.
    7. Métodos Monte Carlo para la inferencia estadística.
    8. Métodos MCMC y algoritmos de optimización para la inferencia probabilística.
    Biblio:
    • Binder, K., Kinder, K. y Heermann, D.W. (2002). Monte carlo Simulation in Statistical Physics: An Introduction. Springer.
    • Chang, H.S., Hu J., Fu, M.C., y Marcus S.I. (2007). Simulation-Based Algorithms for Markov Decision Processes. Springer-Verlag.
    • Davison, A.C. y Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press.
    • Efron, B. y Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman & Hall.
    • Evans, M.J. y Swartz, T. (2000). Approximating Integrals via Monte Carlo and Deterministic Methods. Oxford University Press.
    • Fishman, G.S. (1996). Monte Carlo. Concepts, Algorithms, and Applications. Springer-Verlag.
    • Gentle, J.E. (2003). Random Number Generation and Monte Carlo methods. Springer.
    • Gilks, W.R., Richardson, S. y Spiegelhalter, D.J. (1996). Markov Chain Monte Carlo in Practice. Chapman & Hall.
    • Glasserman, P. (2004). Monte Carlo Methods in Financial Engineering. Springer.
    • Iacus, S.M. (2008). Simulation and Inference for Stochastic Differential Equations: with R Examples. Springer.
    • Manly, B. F. J. (1998). Randomization, bootstrap and Monte Carlo Methods in Biology. Chapman and Hall.
    • McLeish, Don L. (2005). Monte Carlo Simulation and Finance. Wiley.
    • Richardson, S. y Gilks, W. R. (1996). Markov Chain Monte Carlo in Practice. Chapman and Hall.
    • Ripley, B.D. (2006). Stochastic Simulation. John Wiley.
    • Robert, C.P. y Casella, G. (2004). Monte Carlo Statistical Methods. Springer-Verlag.
    • Ross, S.M. (1990). A Course in Simulation. Macmillan.
    • Rubinstein, R.Y. y Melamed, B. (1998). Modern Simulation and Modeling. Wiley.
    • Shedler, G.S. (1993). Regenerative Stochastic Simulation. Academic Press.


    • Análisis Multivariante de datos
    1 Análisis de Componentes Principales
    2 Análisis Factorial.
    3 Análisis Discriminante.
    4 Análisis Cluster.
    5 Análisis de Correspondencias.
    6 Otras técnicas multivariantes paramétricas.
    Biblio:
    1. Anderson, TW. (1984). An Introduction to Multivariate Statistical Analysis, second Edition, Wiley & Sons.
    2. Basilevsky, A. (1994). Statistical Factor Analysis and Related Methods. Theory and Applications, Wiley & Sons.
    3. Gutiérrez-Sánchez, R. (2004). Análisis Estadístico Multivariante con SPSS. Curso Básico.
    4. Gutiérrez, R and González, A. (1991). Estadística Multivariante. Introducción al Análisis Multivariante. Volumen 1.
    5. Hair, JF., Anderson, E. Tatham, L. and Black, C. (1999). Análisis Multivariante. 5ª Edición. Prentice-Hall. 1999.
    6. Johnson, RA. and Wichern, DW. (1988) Applied Multivariate Statistical Analysis, Second Edition, Prentice-Hall.
    7. Pérez, C. (2004). Técnicas de Análisis Multivariante de Datos. Aplicaciones con SPSS. Ed. Pearson, Prentice Hall.
    8. Sharma, S (1996) Applied Multivariate Techniques, Wiley & Sons.
    9. SPSS para Windows. Manual del usuario.


    • Ecología numérica
    1 Crecimiento poblacional ilimitado (Stevens)
    2 Crecimiento poblacional denso-dependiente (Stevens)
    3 Competencia interespecífica (Stevens)
    4 Comunidades (datos, clasificación, ordenación, interpretación) (Ludwig & Reynolds_1988)
    5 Análisis de patrones espaciales (Ludwig & Reynolds_1988)
    6 Relaciones especies-abundancia (Ludwig & Reynolds_1988)
    7 Afinidad de las especies (Ludwig & Reynolds_1988)
    8 No-linealidad y estocasticidad en dinámica poblacional (Takeuchi)

    Comentarios