
Introducción a la Estadística Bayesiana
By Juan Carlos Correa Morales, Carlos Javier Barrera CausilLength8h 56m
About this audiobook
La relevancia que ha tomado la estadística bayesiana en distintas áreas lleva a escribir este texto, cuyo objetivo es contribuir en el crecimiento de los métodos bayesianos en América Latina e incentivar a los estudiantes a aplicar dichas herramientas en sus investigaciones.
Aquí se presentan los elementos básicos de la estadística bayesiana, estadística bayesiana computacional y aplicaciones.
Esta estructura contiene en total 14 capítulos que ilustran al lector en un gran número de procedimientos. El lector puede solicitar al correo electrónico de los autores la información correspondiente de las bases de datos necesarias para implementar paso a paso los códigos de R y OpenBUGS presentados en esta obra.
Audiobook details
GenreScience and Nature
Length8 hrs 56 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateFeb 1, 2019
LanguageSpanish
Table of contents
1INTRODUCCIÓN A LA ESTADÍSTICA BAYESIANA
781 R
2I. Barrera Causil, Carlos Javier
799.1.1. Glosario de cadenas de Markov
3II. Título
801 n
4III. Serie
811 R
5Diseño de carátula LEONARDO SÁNCHEZ
82Es claro que si los vectores {θr}R ] ˆΦ
Show all chaptersShow less
6Prefacio
83resu<-sample(pis,10000,prob=res.a posteriori,replace=T)
7Índice general
841 R
8I Elementos básicos
85Xd
95.7.1. 5.7.2. 5.7.3. Media y precisión desconocidas
86# Gibbs para una Poisson Bivariada
10Introducción
87# usando el paquete gibbs.met de R, tenemos: require(gibbs.met)
11tadística desde el punto de vista bayesiano:
88Figura 9.8: distribución marginal del número promedio de goles de los locales
121.2. Probabilidad personal o subjetiva
89Γ(κ)
131.4. Problemas con la aproximación clásica
90MTF = µ + κλ
14Hipótesis P0 P1
911 c xi − µ λ
152 + j j
929.1.5. Algoritmo Metropolis-Hastings
16Teoría bayesiana
93El algoritmo se resume así:
17Capítulo 2
94α = m´ın
182.2. Distribuciones a priori no informativas
95λ = log
19P (A gane el torneo) =
969.2.3. Una prueba simple de convergencia
20P (A no gane el torneo) =
97es utilizar el muestreador de Gibbs.
21Lotería B La persona gana X si ocurre E.
98prevalencia π.
22e≺r2, si, y solo sí, U (r1) ≤ U (r2).
99El programa completo y descrito en forma detallada sería como el siguiente:
23Capítulo 3
100xlab=’Omega’,ylab=’Densidad’)
24Análisis preposterior
101Capítulo 10
25Capítulo 4
102Diagnósticos de los muestreadores MCMC
26θ: parámetro desconocido (escalar o vector o matriz)
103Cuatro gráficos MCMC
27∑ n i=1 xi.
104El diagnóstico de convergencia es:
28ˆπ (1 − ˆπ) n
1051 m
29Γ(α + β) Γ(α)Γ(β)
106carta:
30litud, L(θ):
107if(runif(1)<cociente){
31Edwards [89] presenta una reflexión interesante entre hipótesis y modelo:
108Mean 3rd Qu.
32Edwards [89] apunta
109esenciales de una relación estadística:
33Distribuciones conjugadas
110Y ∼ N
34da).
111) β0 − ˆβ
35,θ
1121 n
36V arianza =
1130 X′). Se sigue que:
37Frecuencia
1142wqn
386 o más. π6+
1151 es el elemento i,i de M−1
39Estimate Std. Error t value Pr(>|t|) 0.0002460 -3.178
1161 R
40F1
117RM−1
41= nf
118X∗β∗
42El algoritmo
119Otros
431 m
120El código en OpenBUGS es:
44Φ
121Nodo 1 alpha 2 beta 3 Precio175 4 Precio175indi
45−τ
122Parámetro Estimación 108.66667 0.60893
46∝ exp
123El Factor de Occam:
47× exp
124≈ L(ˆθi) ≈ Máxima Verosimilitud × Factor de Occam
48Entonces:
125La lectura de datos es:
49× exp
126Mean
50Capítulo 6
127IPC.acum<-sum(IPC); precio2<-precio2*(1+IPC.acum/100)
51Distribuciones a priori no informativas
128(Intercept) año2
52El análisis estadístico debe aparecer como «objetivo».
129Mean
53Así π ∼ Beta es propia.
130Modelo lineal generalizado
54Capítulo 7
13112.1. Modelo logístico
551 n
132Duración de la Diabetes Datos Previos Datos Actuales
56L: Una función de pérdida
133 y
57Función de pérdida error absoluto:
134(βo)
58Bajo el supuesto que el modelo muestral sea el del punto anterior:
135Estimate Std. Error z value Pr(>|z|)
59En el ejemplo que teníamos nos da:
136Estimate Std. Error z value Pr(>|z|) 0.307
60Intervalos basados en la razón de verosimilitud relativa
137Number of Fisher Scoring iterations: 4
611 n
1381 n i=1 xi!
62Para la Poisson tenemos:
139http://www.openbugs.net/w/FrontPage
63Φ
140cumplir:
64Mean 3rd Qu.
141Wiley & Sons, New York, 1989.
65Adjusted R-squared: 0.8886 F-statistic: p-value: < 2.2e-16
142Social Scientists. Springer, New York, 2007.
66∑ n
143John Wiley & Sons, Singapore, 2010.
67Para H1
144American Political Science Review, 88(2):412–423, 1994.
681 M
145Technical Report. Duke University, 1999.
692πσ0
146The American Statistician, 40(4):313–315, 1986.
701 M
147Journal of the American Statistical Association, 62(317):48–62, 1967.
71Muestra 1 Muestra 2
148and asymmetry over the business cycle. 71(1):151–168, 2003.
72M0 M1
149models. The Statistician, 52(3):381–393, 2003.
73Bji
150data. Computational Statistics & Data Analysis, 23:207–218, 1996.
74+ o
151American Statistical Association, 90(431):921–927, 1995.
75F (Yi |θi)ξ(θi |τ )dθi
152my,Cornell University, 199*.
76Placebo
153Introducción a la Estadística Bayesiana
77(La precisión)