Documentos de Académico
Documentos de Profesional
Documentos de Cultura
bayesiana es fácil
Mike Wiper
Departamento de Estadística
Examinar las situaciones cuando se pueden hacer los cálculos necesarias para la
inferencia bayesiana de forma sencilla.
1
f (θ) = θα−1 (1 − θ)β−1
B(α, β)
1
f (θ) = θα−1 (1 − θ)β−1
B(α, β)
1
f (θ) = θα−1 (1 − θ)β−1
B(α, β)
Z 1
P(X = x) = P(X = x|θ)f (θ) dθ
0
Z 1
n 1
= θx (1 − θ)n−x θα−1 (1 − θ)β−1 dθ
0 x B(α, β)
Z 1
n 1
= θα+x−1 (1 − θ)β+n−x−1 dθ
x B(α, β) 0
n B(α + x, β + n − x)
= para x ∈ 0, 1, ..., n.
x B(α, β)
nα nαβ(α + β + n)
E [X ] = , V [X ] = .
α+β (α + β)2 (α + β + 1)
14 7
E [θ|datos] = = .
14 +8 11
14 7
E [θ|datos] = = .
14 +8 11
α + cruces
E [θ|data] =
α + β + cruces + caras
α+β α tiradas cruces
= × + ×
α + β + tiradas α + β α + β + tiradas tiradas
α+β
= wE [θ] + (1 − w )θ̂ donde w = .
α + β + tiradas
R1
Es una distribución impropia porque
0 f (θ) dθ = ∞.
¾Importa?
R1
Es una distribución impropia porque
0 f (θ) dθ = ∞.
¾Importa?
R1
Es una distribución impropia porque
0 f (θ) dθ = ∞.
¾Importa?
k
X
f (θ) = wi f (θ|αi , βi )
i=1
1 1
f (θ|datos) ∝ 0,6 θ5−1 (1 − θ)5−1 + 0,4 θ3−1 (1 − θ)1−1 θ9 (1 − θ)3
B(5, 5) B(3, 1)
0,6 0,4
∝ θ14−1 (1 − θ)8−1 + θ12−1 (1 − θ)4−1
B(5, 5) B(3, 1)
0,6B(14, 8) 1
∝ θ14−1 (1 − θ)8−1 +
B(5, 5) B(14, 8)
0,4B(12, 4) 1
θ11−1 (1 − θ)4−1
B(3, 1) B(12, 4)
0,6B(14,8)
∗ ∗ ∗ B(5,5)
=w Beta(14, 8) + (1 − w )Beta(12, 4) donde w = 0,6B(14,8) 0,4B(12,4)
.
B(5,5) + B(3,1)
n
Y 1
l(θ|data) ∝
(1 + (yi − θ)2 )
i=1
n
h(yi )g (θ) exp (η(θ)T (yi )) ∝ g (θ)n exp nT̄ (y)η(θ)
Y
l(θ|datos) =
i=1
1 Pn
donde T̄ (y) = n i=1 T (yi ) es un estadístico suciente.
∗
f (θ|datos) ∝ g (θ)a exp (b ∗ η(θ)) ,
donde a∗ = a + n y b ∗ = b + nT̄ .
La distribución tiene la misma forma que la a priori, sólo cambiando los
parámetros. ½La distribución a priori es conjugada!
(tθ)x e −tθ
P(X = x|θ) = .
x!
¾Es una familia exponencial?
(tθ)x e −tθ
P(X = x|θ) = .
x!
¾Es una familia exponencial?
x
t −tθ
P(X = x|θ) = e|{z} exp |{z}
x log θ .
x! |{z}
|{z} g (θ) T (x) η(θ)
h(x)
(tθ)x e −tθ
P(X = x|θ) = .
x!
¾Es una familia exponencial?
x
t −tθ
P(X = x|θ) = e|{z} exp |{z}
x log θ .
x! |{z}
|{z} g (θ) T (x) η(θ)
h(x)
a
f (θ) ∝ e −tθ exp (b log θ) .
¾Reconocemos esta distribución?
a
f (θ) ∝ e −tθ exp (b log θ)
b −atθ
∝ θ e
∝ θα−1 e −βθ donde α = b + 1, β = at.
a
f (θ) ∝ e −tθ exp (b log θ)
b −atθ
∝ θ e
∝ θα−1 e −βθ donde α = b + 1, β = at.
β α α−1 −βθ
f (θ) = θ e
Γ(α)
para θ > 0.
La media a posteriori es
α+x
E [θ|datos] =
β+t
β α t x
= +
β+t β β+t t
x
= wE [θ] + (1 − w )θ̂ donde θ̂ = es el EMV.
n
La media a posteriori es una media ponderada de la media a priori y el EMV
donde el peso de la media a priori es w = β/(β + t).
1
f (θ) ∝
θ
y la distribución a posteriori es
θ|datos ∼ Gamma(x, t)
x
con media E [θ|datos] = t = θ̂.
1
f (y ) = 2 para y ∈ R.
y −θ
ψπ 1 + ψ