Documentos de Académico
Documentos de Profesional
Documentos de Cultura
i i i i α − (α+1)
i i i i α − (α+1)
Nombre: Documento:
IID 1 y
i
yi | λ ∼ Exp(λ), i.e., p(yi | λ) = exp − para yi > 0, i = 1, . . . , n, y λ > 0,
λ λ
β α −(α+1)
β
λ ∼ GI(α, β), i.e., p(λ) = λ exp − para α > 0 y β > 0,
Γ(α) λ
2. Mostrar que la media posterior de λ es un promedio ponderado de la media previa y de la media muestral.
β+s
E(λ | y) =
α+n−1
1 1
= β+ s
α+n−1 α+n−1
α−1 β n s
= +
α−1+n α−1 α−1+n n
α−1 n
= E(λ) + ȳ
α−1+n α−1+n
β Pn
donde E(λ) = α−1 y ȳ = ns = n1 i=1 yi . Por lo tanto E(λ | y) es un promedio ponderado de la media previa y de la
α−1 n
media muestral, pues α−1+n + α−1+n = α−1+n
α−1+n = 1.
3. Hallar la distribución predictiva posterior de una observación futura y ∗ .
4. Hallar la distribución previa de Jeffreys para λ asociada con la distribución muestral p(y1 , . . . , yn | λ).
Como p(y | λ) = λ−n exp − λs , y por lo tanto, log p(y | λ) = −n log λ − λs , se tiene que:
d n s d2 n 2s
log p(y | λ) = − + 2 y log p(y | λ) = 2 − 3 .
dλ λ λ dλ2 λ λ
Así, la distribución previa de Jeffreys para λ asociada con la distribución muestral p(y1 , . . . , yn | λ) es:
r √
p n n
pJ (λ) ∝ I(λ) = 2
= ,
λ λ
y en consecuencia, pJ (λ) ∝ λ1 .