Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recuerde que una probabilidad subjetiva es una medida del grado de creencia
personal especifico de un individuo, como tal puede variar de un individuo a otro.
Especificar estas probabilidades, que representan los juicios de los expertos (o
nuestro propio juicio) puede ser muy difícil, esto se realiza a través del proceso de
Elicitación.
¿Qué es elicitación?
Es el proceso que permite representar la información externa (A priori) de un experto o
especialista sobre una o más cantidades inciertas en forma de distribución de probabilidad
(Distribución a priori). En el contexto del análisis bayesiano, surge como un método para
especificar la distribución a priori para una o más parámetros desconocidos de un modelo
estadístico.
En este contexto la distribución a priori será combinada con la verosimilitud (Información de los
datos) a través del Teorema de Bayes para derivar la distribución a posteriori, la cual se puede
interpretar como una distribución única.
Una meta razonable del proceso de elicitación es capturar el “gran mensaje” en la opinión del
experto. La elicitación alienta al experto y al facilitador para considerar el significado de los
parámetros a elicitar (Los parámetros sobre los que necesitamos información y sobre los cuáles
se quieren hacer inferencias).
¿Quién es el experto?
Se ha presentado la elicitación como el proceso de formulación en términos probabilísticos de
las creencias de un experto, pero surge la pregunta: ¿Quién es el experto?...
El uso del término experto sugiere un énfasis en las personas a que la sociedad y/o compañeros
atribuyen un conocimiento especial sobre el fenómeno o problema a tratar. En la práctica, a
menudo tratamos de identificar el mejor conocimiento disponible sobre las cantidades de
interés. En síntesis, un experto es la persona cuyo conocimiento deseamos obtener. El término
"experto" no significa necesariamente más que eso.
Adicional, en esta etapa un punto importante es la identificación del experto (Expertos), Hora
(2007) da los siguientes criterios para medir la experiencia de un experto:
Es importante que el experto esté libre de cualquier sesgo motivacional causado por interés político
o económico.
El experto podría, por ejemplo, creer firmemente en una determinada hipótesis. Al preguntarle por
ella, dirá con alta probabilidad que la hipótesis es cierta, incluso si el resto de la comunidad
considera la ocurrencia de la hipótesis con baja probabilidad.
Etapas del proceso de elicitación
• Identificar los aspectos del problema sobre los cuáles se va a pedir
Preparación información.
• Establecer criterios para definir el experto.
• El enfoque directo, también llamado estructural, elicita información específica sobre los
parámetros; se elicita directamente el conocimiento de un experto sobre el parámetro de
interés, es por esto que suele aplicarse en la elicitación de parámetros que se entienden de
forma intuitiva como el promedio o la proporción, con esta técnica y a pesar de su
naturaleza simple, se pueden producir los peores resultados, sobre todo cuando el experto
no está familiarizado con los conceptos de probabilidad (Denham y Mengersen, 2007).
Se considera una partición del espacio paramétrico Θ en k intervalos de tal forma que
Θ = =𝑖𝑘ڂ1 Θ𝑖 y se le pide al experto la probabilidad que le atribuye al parámetro 𝜃 de
pertenecer a cada intervalo (𝑝𝑖 ∀𝑖=1,2,3,…,𝑘 ) y entonces se representa el histograma. A
partir del histograma puede esquematizarse una densidad 𝜋(𝜃) suave. Se debe hacer
retroalimentación con el experto para averiguar si está conforme con lo obtenido.
Métodos de elicitación
Enfoque directo- Función de distribución acumulada (CDF)
Para este método se hacen preguntas al experto del tipo ¿Qué porcentaje de valores
del parámetro de interés están por debajo de un valor dado, digamos 𝑞𝑖 ?, se repite el
procedimiento para diferentes valores de 𝑞𝑖 y con estos se ajusta un modelo
paramétrico o un modelo empírico.
Este enfoque es el más empleado. Consiste en asumir que 𝜋(∙) tiene una forma
funcional, por ejemplo:
𝜇 = 𝐸 𝜃 𝜎 2 = 𝑉𝑎𝑟(𝜃)
𝑎 𝑎𝑏
𝜃0 ≅ 𝑄1 ≅
𝑎+𝑏 𝑎 + 𝑏 2 (𝑎 + 𝑏 + 1)
Por ejemplo:
𝑎 𝑎𝑏
0.56 ≅ 0.02 ≅
𝑎+𝑏 𝑎 + 𝑏 2 (𝑎 + 𝑏 + 1)
Resolviendo el sistema anterior:
𝑎 = 344.4 𝑏 = 270.6
10
5
0
Muestras hipotéticas futuras (HFS): Una vez el experto ha hecho su evaluación de la cantidad
o parámetro 𝜃, el método HFS examina el efecto que tendría un conocimiento adicional de
una muestra aleatoria sobre su probabilidad original (Hipotética).
Por ejemplo, suponga que se quiere evaluar la proporción π de estudiantes que son hombres,
se pueden realizar preguntas del tipo: "Suponga que se toma una muestra al azar de 100
estudiantes de clase y 60 fueron hombres. Ahora ¿Cuál es la probabilidad que un estudiante
elegido al azar sea hombre?". En general, el experto se enfrenta a varias muestras hipotéticas
en las que varían el número de estudiantes y la proporción de los que son hombres. Cada una
da una estimación por separado de los hiperparámetros y se utiliza alguna forma de promedio
para unirlas.
Bayes empírico (Empirical Bayes)
Uno de los desafíos prácticos con los métodos de inferencia bayesiana es que requiere que se
tenga alguna creencia previa del parámetro que está tratando de estimar. Entonces:
Una forma podría ser asignar una distribución a priori donde se especifica que cada valor del
parámetro es igualmente probable (Uniforme). Otra forma es usar Empirical Bayes, donde sus
datos se utilizan para estimar al distribución a priori (La cual se le puede dar una interpretación
frecuencia).
El método Delphi es una técnica formal para la gestión de la interacción grupal. El método procede en
una primera obtención de las opiniones de los expertos por separado y luego alimentar los puntos de
vista de cada uno de los expertos a todos los demás expertos, junto con la explicación del razonamiento
de este experto. Los expertos luego son invitados a revisar sus propias opiniones. El método es iterativo.
En este caso se requiere de un facilitador muy experto, puede pasar que no se llegue a consenso. La
calidad de los resultados depende, sobre todo, del cuidado que se ponga en la elaboración del
cuestionario y en la elección de los expertos consultados.
Distribución a priori no informativa
Muchas veces no se tiene información a priori o el estado de conocimiento es “Vago” o “difuso”, lo que
lleva a tener que usar una distribución a priori mínimamente informativas que en algún sentido
expresan o representan el estado de ignorancia previa, a estas distribuciones a priori las llamaremos
distribuciones a priori no informativas (Distribuciones de referencia).
Una distribución sobre el parámetro 𝜃 se dice que es no informativa si no contiene información alguna
sobre 𝜃, es decir, no establece ninguna preferencia sobre algunos valores de 𝜃. Estas distribuciones
sirven para:
𝜋 𝜃 =1 𝜃 ∈ 0,1
1 1. Una distribución a priori impropia puede
terminar en una distribución a posteriori
න 1 𝑑𝜃 = 1
impropia y por lo tanto no se podrían hacer
0 inferencias.
2. Una distribución a priori impropia puede
terminar en una distribución a posteriori propia.
Distribución a priori no informativa
Ejemplo:
2
𝑛 𝜃 − 𝑦ത
𝐿 𝜃 𝑌1 , 𝑌2 , … , 𝑌𝑛 ∝ exp − 𝜋 𝜃 ∝1
2 𝜎2
2
𝑛 𝜃 − 𝑦ത
ℎ 𝜃 𝑌1 , 𝑌2 , … , 𝑌𝑛 ∝ exp − ∗1
2 𝜎2
2
𝑛 𝜃 − 𝑦ത
ℎ 𝜃 𝑌1 , 𝑌2 , … , 𝑌𝑛 ∝ exp −
2 𝜎2
2
1 𝜃 − 𝑦ത
ℎ 𝜃 𝑌1 , 𝑌2 , … , 𝑌𝑛 ∝ exp −
2 𝜎2
𝑛
𝜎2
𝜃|𝑌1 , 𝑌2 , … , 𝑌𝑛 ∼ 𝑁𝑜𝑟𝑚𝑎𝑙 𝑦,
ത
𝑛
A pesar que 𝜋 𝜃 sea una distribución impropia la distribución a posteriori es propia.
Referencias
• Correa J., 2011, Elementos de Estadística Bayesiana, Notas de clase.
• Cuevas, J. R. T. (2012). Eliciting beta prior distributions for binomial sampling. Rev. Bras. Biom, 30(1), 159-172.
• Denham R., Mengersen K., 2007, Geographically assisted elicitation of expert opinion for regression models,
Bayesian Analysis, Vol 2, 99-136, No. 1.
• Garthwaite P., Kadane., O'Hagan A., 2005, Statistical Methods for Eliciting Probability Distributions, Journal of
the American Statistical Association, Vol 100, 680-700, No. 470.
• Hora S., 2007, Advances in Desicion Analysis: From Foundations to Applications, Cambridge University
Press,129-153.
• Jekinson D., 2005, The Elicitation of Probabilities - A Review of the Statistical Literature.
• Kynn M., 2008, The Heuristics and Biases Bias in Expert Elicitation,Journal of the Royal Statistical Society, Vol
171, 239-264, No 1.
• Qunitero, Jenny Andrea Tangarife; Morales, Juan Carlos Correa. Elicitación de una distribución a priori para el
modelo logístico. Comunicaciones en Estadística, 2017, vol. 10, no 2, p. 225-246.
• Walker KD., Evans JS., MacIntosh D., 2001, Use of expert judgment in exposure assessment - Part I.
Characterization of personal exposure to benzene, Journal of Exposure Analysis and Environmental
Epidemiology Vol. 11, 308-322.