II. Autoridades y personal. - B. Oposiciones y concursos. MINISTERIO DE ASUNTOS ECONÓMICOS Y TRANSFORMACIÓN DIGITAL. Cuerpo Superior de Estadísticos del Estado. (BOE-A-2022-22742)
Resolución de 13 de diciembre de 2022, de la Subsecretaría, por la que se convoca proceso selectivo para ingreso, por el sistema de promoción interna, en el Cuerpo Superior de Estadísticos del Estado.
27 páginas totales
Página
BOLETÍN OFICIAL DEL ESTADO
Miércoles 28 de diciembre de 2022
Sec. II.B. Pág. 186718
Tema 3. Modelos de respuesta multinomial. Respuestas nominales: modelos logit
de categoría base (baseline-category logit models). Respuestas ordinales: modelos logit
acumulativo y modelos probit.
Tema 4. Modelos para datos de recuento. GLMs de Poisson para recuentos y
tasas. Modelos de Poisson/Multinomial para tablas de contingencia. GLMs de binomial
negativa. Modelos para datos cero-inflados (zero-inflated).
Tema 5. Métodos cuasi-verosimilitud. Inflación de la varianza para GLMs Poisson y
Binomial sobredispersas. Modelos Beta-binomial y alternativas quasi-verosimilitud.
Cuasiverosimilitud y mala especificación del modelo.
Tema 6. Modelos de respuestas correladas. Modelos marginales y modelos con
efectos aleatorios. Modelos mixtos lineales normales. Ajuste y predicción para modelos
mixtos lineales normales. MLMG binomial y de Poisson. Ajuste MLMG, inferencia y
predicción. Modelización marginal y ecuaciones de estimación generalizadas.
Tema 7. Modelos lineal y lineal generalizado de Bayes. El enfoque bayesiano a la
inferencia estadística. Los modelos lineales bayesianos. Los modelos lineales
generalizados bayesianos. Modelización empírica bayesiana y jerárquica bayesiana.
Tema 8. Extensiones de los modelos generalizados lineales. Métodos de regresión
robusta y de regularización para el ajuste de modelos. Modelos con un p grande.
Suavizado, modelos generalizados aditivos y otras extensiones del GLM.
Tema 9. Cadenas de Markov. Procesos de Markov. Clasificación de estados.
Clasificación de cadenas. Distribuciones estacionarias y el teorema del límite.
Reversibilidad. Cadenas con muchos estados (finitos).
Tema 10. Procesos estocásticos. Introducción. Procesos estacionarios. Ejemplos
(procesos de renovación, colas y de Wiener). Existencia de procesos.
Tema 11. Introducción a la geoestadística. La necesidad del análisis espacial. Tipos
de datos espaciales. Autocorrelación: concepto y medidas elementales. Funciones de
autocorrelación. El efecto de la autocorrelación en la inferencia estadística.
Tema 12. Introducción al aprendizaje automático. Definición. Aprendizaje
supervisado. Balance entre sesgo y varianza. La maldición de la dimensionalidad.
Sobreajuste. Validación cruzada. Aprendizaje no supervisado. Aplicaciones.
Tema 13. Métodos lineales. Regresión lineal. Reducción de la dimensionalidad:
regresiones Ridge y Lasso. Regresión logística.
Tema 14. Redes neuronales y máquinas de vectores soporte. Redes neuronales.
Retropropagación y descenso por gradiente. Problemas característicos de su ajuste.
Máquinas de vectores soporte. El uso de Kernels.
Tema 15. Modelos basados en árboles. Árboles de decisión. Árboles de regresión.
Propiedades. Bagging. Bosques aleatorios. Boosting. Boosting aplicado a árboles.
Tema 16. Análisis de componentes principales. Introducción. Planteamiento del
problema. Cálculo de las componentes. Propiedades de las componentes. Análisis
normado o con correlaciones. Interpretación de las componentes.
Tema 17. Análisis de correspondencias. Introducción. Búsqueda de la mejor
proyección. La distancia ji-cuadrado. Asignación de puntuaciones.
Tema 18. Análisis de conglomerados. Fundamentos. Métodos clásicos de partición.
Métodos jerárquicos. Conglomerados por variables.
Tema 19. Análisis factorial. La distribución normal k-dimensional. El modelo
factorial. El método del factor principal. Estimación máximo-verosímil. Determinación del
número de factores. Rotación de los factores. Estimación de los factores.
Tema 20. Análisis Discriminante. Introducción. Clasificación entre dos poblaciones.
Generalización para varias poblaciones normales. Poblaciones desconocidas (caso
general). Variables canónicas discriminantes. Discriminación cuadrática.
Tema 21. Análisis de correlación canónica. Introducción. Construcción de las
variables canónicas. Análisis muestral. Interpretación geométrica. Contrastes.
Extensiones a más de dos grupos. Relación con otras técnicas estudiadas.
cve: BOE-A-2022-22742
Verificable en https://www.boe.es
Núm. 311
Miércoles 28 de diciembre de 2022
Sec. II.B. Pág. 186718
Tema 3. Modelos de respuesta multinomial. Respuestas nominales: modelos logit
de categoría base (baseline-category logit models). Respuestas ordinales: modelos logit
acumulativo y modelos probit.
Tema 4. Modelos para datos de recuento. GLMs de Poisson para recuentos y
tasas. Modelos de Poisson/Multinomial para tablas de contingencia. GLMs de binomial
negativa. Modelos para datos cero-inflados (zero-inflated).
Tema 5. Métodos cuasi-verosimilitud. Inflación de la varianza para GLMs Poisson y
Binomial sobredispersas. Modelos Beta-binomial y alternativas quasi-verosimilitud.
Cuasiverosimilitud y mala especificación del modelo.
Tema 6. Modelos de respuestas correladas. Modelos marginales y modelos con
efectos aleatorios. Modelos mixtos lineales normales. Ajuste y predicción para modelos
mixtos lineales normales. MLMG binomial y de Poisson. Ajuste MLMG, inferencia y
predicción. Modelización marginal y ecuaciones de estimación generalizadas.
Tema 7. Modelos lineal y lineal generalizado de Bayes. El enfoque bayesiano a la
inferencia estadística. Los modelos lineales bayesianos. Los modelos lineales
generalizados bayesianos. Modelización empírica bayesiana y jerárquica bayesiana.
Tema 8. Extensiones de los modelos generalizados lineales. Métodos de regresión
robusta y de regularización para el ajuste de modelos. Modelos con un p grande.
Suavizado, modelos generalizados aditivos y otras extensiones del GLM.
Tema 9. Cadenas de Markov. Procesos de Markov. Clasificación de estados.
Clasificación de cadenas. Distribuciones estacionarias y el teorema del límite.
Reversibilidad. Cadenas con muchos estados (finitos).
Tema 10. Procesos estocásticos. Introducción. Procesos estacionarios. Ejemplos
(procesos de renovación, colas y de Wiener). Existencia de procesos.
Tema 11. Introducción a la geoestadística. La necesidad del análisis espacial. Tipos
de datos espaciales. Autocorrelación: concepto y medidas elementales. Funciones de
autocorrelación. El efecto de la autocorrelación en la inferencia estadística.
Tema 12. Introducción al aprendizaje automático. Definición. Aprendizaje
supervisado. Balance entre sesgo y varianza. La maldición de la dimensionalidad.
Sobreajuste. Validación cruzada. Aprendizaje no supervisado. Aplicaciones.
Tema 13. Métodos lineales. Regresión lineal. Reducción de la dimensionalidad:
regresiones Ridge y Lasso. Regresión logística.
Tema 14. Redes neuronales y máquinas de vectores soporte. Redes neuronales.
Retropropagación y descenso por gradiente. Problemas característicos de su ajuste.
Máquinas de vectores soporte. El uso de Kernels.
Tema 15. Modelos basados en árboles. Árboles de decisión. Árboles de regresión.
Propiedades. Bagging. Bosques aleatorios. Boosting. Boosting aplicado a árboles.
Tema 16. Análisis de componentes principales. Introducción. Planteamiento del
problema. Cálculo de las componentes. Propiedades de las componentes. Análisis
normado o con correlaciones. Interpretación de las componentes.
Tema 17. Análisis de correspondencias. Introducción. Búsqueda de la mejor
proyección. La distancia ji-cuadrado. Asignación de puntuaciones.
Tema 18. Análisis de conglomerados. Fundamentos. Métodos clásicos de partición.
Métodos jerárquicos. Conglomerados por variables.
Tema 19. Análisis factorial. La distribución normal k-dimensional. El modelo
factorial. El método del factor principal. Estimación máximo-verosímil. Determinación del
número de factores. Rotación de los factores. Estimación de los factores.
Tema 20. Análisis Discriminante. Introducción. Clasificación entre dos poblaciones.
Generalización para varias poblaciones normales. Poblaciones desconocidas (caso
general). Variables canónicas discriminantes. Discriminación cuadrática.
Tema 21. Análisis de correlación canónica. Introducción. Construcción de las
variables canónicas. Análisis muestral. Interpretación geométrica. Contrastes.
Extensiones a más de dos grupos. Relación con otras técnicas estudiadas.
cve: BOE-A-2022-22742
Verificable en https://www.boe.es
Núm. 311
