Ministerio de Economía, Comercio y Empresa. II. Autoridades y personal. - B. Oposiciones y concursos. Cuerpo Superior de Estadísticos del Estado. (BOE-A-2024-27554)
Resolución de 22 de diciembre de 2024, de la Subsecretaría, por la que se convocan procesos selectivos para ingreso, por el sistema general de acceso libre y promoción interna, en el Cuerpo Superior de Estadísticos del Estado.
33 páginas totales
Página
Zahoribo únicamente muestra información pública que han sido publicada previamente por organismos oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
BOLETÍN OFICIAL DEL ESTADO
Martes 31 de diciembre de 2024
Sec. II.B. Pág. 187565
Tema 2. Modelos de datos binarios. Funciones de enlace para datos binarios.
Regresión logística: propiedades e interpretaciones. Inferencia sobre los parámetros de
los modelos de regresión logística. Ajuste del modelo de regresión logística. Desviación y
bondad de ajuste para GMLs binarios. Probit y modelos complementarios Log-Log.
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.
cve: BOE-A-2024-27554
Verificable en https://www.boe.es
Núm. 315
Martes 31 de diciembre de 2024
Sec. II.B. Pág. 187565
Tema 2. Modelos de datos binarios. Funciones de enlace para datos binarios.
Regresión logística: propiedades e interpretaciones. Inferencia sobre los parámetros de
los modelos de regresión logística. Ajuste del modelo de regresión logística. Desviación y
bondad de ajuste para GMLs binarios. Probit y modelos complementarios Log-Log.
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.
cve: BOE-A-2024-27554
Verificable en https://www.boe.es
Núm. 315
