Cuantificación de Incertidumbre

IDMI310 - Introducción a la Cuantificación de Incertidumbre en Ingeniería

Estudiante: Asignación 2
Francisca Fernanda Cárdenas Fuentealba
Universidad Austral de Chile
Profesor:
Luis Ulises Medina Uzcátegui Facultad de Ciencias de la Ingeniería
Fecha: Magíster en Ingeniería Mecánica y
04 de Noviembre, 2022 Materiales

1. Respecto al ejemplo de las canicas o bolitas (marbles), que desarrolla el autor del video, ¿qué representa
la columna derecha que es identificada en la Fig. 1?

Figura 1: Figura 1 Ejemplo tomado de [1]

En el video, el autor explica la probabilidad de sacar una combinación de canicas dependiendo de las canicas
que hay dentro de una bolsa, considerando que cada vez se devuelve la canica seleccionada. La probabilidad
es calculada para cada una de las posibles bolsas que salen en la primera columna de la figura 1. La combi-
nación de canicas que se busca es azul, blanco y azul, como la probabilidad para cada iteración es indepen-
diente, la columna demarcada indica la probabilidad final y corresponde a la multiplicación de la probabili-
dad de que la última canica sea azul por la probabilidad arrastrada de antes de que la primera sea azul y la
segunda sea blanca.

2. En el ejemplo que hace referencia a la proporción de agua en el globo terrestre, el autor indica una den-
sidad previa (prior) tal como se señala en la Fig. 2 ¿Qué representa esa densidad?
Cuando el autor se refiere a la densidad previa (“prior”), indica que corresponde a la información que tene-
mos de un cierto dato antes o previamente a “hacer el lanzamiento”, es decir, la información que poseemos
antes de nuestras propias observaciones, en el caso del video es una dato que se va “actualizando” con cada
observación para la siguiente.

1
 Figura 2: Figura 2 Ejemplo sobre proporción de agua y tierra en el globo terrestre. Tomado de [1]

3. De acuerdo a lo señalado por el autor, y a partir de lo ilustrado en la Fig. 3, puede concluirse que: en
inferencia bayesiana es más relevante el estimador de tendencia (por ejemplo, moda o valor medio) que la
distribución del valor del parámetro estimado. Explique si esta afirmación es o no correcta.

Figura 3: Figura 3 Sobre la estimación de tendencia. Tomado de [1]

La afirmación hecha en el enunciado es falsa, lo que indica el autor es que si bien en la industria podría para
algunas aplicaciones solicitarse algún indicador de tendencia central para algo específico, en el trabajo ex-
perimental lo que se busca es siempre la curva de distribución y en caso de informes o paper’s lo que debe
mostrarse es la función de densidad.

4. El autor discute sobre la estimación de un intervalo para el valor “real” del parámetro de interés, que
en la Fig. 4 correspondería a la proporción de agua. De acuerdo a lo argumentado por el autor, ¿es correc-
to concluir que la probabilidad adecuada para estimar tal intervalo debe ser 89 % y no 95 %? Explique su
respuesta utilizando la información proporcionada por el autor en el video.
No es correcto, lo que el autor indica es que cualquier intervalo que se seleccione es arbitrario y representati-
vo. Y se seleccionan en base de lo que se quiera demostrar o informar. Lo que señala es que usualmente por
convención o gusto de quien informa se usan intervalos como 50 %, 89 o 95 % y algunas de las conclusiones
que se sacan basándose en estos son por convención también.

2
 Figura 4: Figura 4 Sobre estimación de intervalos en inferencia bayesiana. Tomado de [1]

5. En el problema de muestras de agua (W) y de tierra (L) tomadas del globo terrestre, considerando co-
mo parámetro la proporción de agua en el globo terrestre (p), el autor plantea una distribución binomial.
Observe el gráfico de la derecha en la Fig. 5. ¿Qué representa ese gráfico? ¿De acuerdo con ese gráfico, cuál
es, de forma aproximada, el valor esperado del parámetro p? ¿Qué distribución previa del parámetro p se
asume en este problema?

Figura 5: Figura 5 Distribución posterior estimada para problema de muestras de agua y tierra del globo
terrestre, siendo la proporción de agua en el planeta el parámetro del modelo. Tomado de [1]

El gráfico demarcado representa la curva de densidad para el valor p luego de 1000 observaciones. De acuer-
do al gráfico, el valor para p con mayor probabilidad de ocurrir es aproximadamente 0.6, es decir, que el
60 % del planeta está cubierto de agua. Para la obtención de este modelo se asume como prior una distri-
bución uniforme, donde cada valor de p es igual de probable.

Referencias
[1] R. McElreath, “Statistical rethinking 2022 lecture 02 - bayesian inference,” 2022.