Professional Documents
Culture Documents
Estadstica Bayesiana
Modelos uniparamtricos Ms Carlos Lpez de Castilla Vsquez
Universidad Nacional Agraria La Molina
2013-0
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Distribucin binomial
Permite estimar una proporcin poblacional a partir de una secuencia de ensayos independientes de Bernoulli y1 , , yn cuyos resultados son xito o fracaso. Debido a la propiedad de intercambiabilidad los datos pueden resumirse usando y el nmero total de xitos en los n ensayos. El modelo binomial queda denido por:
n y (1 )ny f (y |) = y
|y BE (y + 1, n y + 1)
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Distribucin binomial
La distribucin predictiva a priori es: 1 n y d = 1 n y f (y ) = y (1 ) n+1 0
y = 0, 1, , n
La probabilidad de obtener xito en un nuevo ensayo usando la distribucin predictiva posterior es:
Pr ( y = 1|y ) =
1 1
Pr ( y = 1|) f (|y ) d
f (|y ) d = E (|y ) =
y +1 n+2
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
E (|y ) = w E () + (1 w )
0<w <1
En el ejemplo binomial anterior la media posterior se encuentra entre la media a priori y la proporcin muestral de xitos.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Familias conjugadas
La funcin de verosimilitud binomial es de la forma:
f (y |) y (1 )ny
Si la distribucin a priori tiene la misma estructura:
f () 1 (1 ) 1
La densidad posterior para es:
f (|y ) BE (y + , n y + )
Se dice que la distribucin beta es una familia conjugada con la verosimilitud binomial.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Familias conjugadas
Si F es una clase de distribuciones muestrales f (y |) y P es una clase de distribuciones a priori para entonces la clase P es conjugada para F si:
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Ejemplo
Un mdico sugiere un nuevo tratamiento para una forma de cncer. Sea la probabilidad de que un paciente con el nuevo tratamiento sobreviva ms de seis meses. Se sabe que: E () = 0,45 Var () = 0,012
Suponga que el mdico decide representar sus creencias usando la distribucin beta cules seran los parmetros? Un ao ms tarde 15 pacientes han recibido el tratamiento y 6 de ellos han sobrevivido ms de seis meses. Hallar la distribucin posterior del mdico para el parmetro .
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Familias exponenciales
La clase F es una familia exponencial si todos sus miembros tienen la forma:
l (|y) =
n i =1
n i =1
u (yi )
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin binomial Relaciones entre la media a priori y posterior Distribuciones a priori no informativas Familias conjugadas Familias exponenciales
Familias exponenciales
La estructura de la funcin de verosimilitud con respecto de es: l (|y) g ()n exp ()T t (y) donde t (y) = Si la distribucin a priori es:
f () g () exp ()T
La distribucin posterior es:
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
f (y |) =
1 =
0 +
1 2 0
1 2
1 1 1 2 = 2 + 2 1 0
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
La distribucin predictiva posterior tiene una media igual a la media posterior y dos componentes de variancia: la variancia del modelo y la variancia debida a la incertidumbre posterior sobre .
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
f (|y) f () l (|y )
2 donde: La distribucin posterior |y N n , n
2 0
n =
ny 0 + 2
1 2 0
n + 2
1 1 n = 2+ 2 2 n 0
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
Funcin de verosimilitud
Suponga que f y |, 2 = N y |, 2 con conocida y 2 desconocida. La funcin de verosimilitud para un vector y = (y1 , , yn ) de observaciones independientes es:
l 2 |y
n exp
2 n/2
1 2 2
n i =1 n
(yi )2
exp
2 2
n i =1
(yi )2
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
f 2 |y
l 2 |y f 2 1 2 + n exp 2 0 0 2
((n+0 )/2+1)
y as:
2 |y 2 inversa de escala 0 + n,
Ms Carlos Lpez de Castilla Vsquez
2 + n 0 0 0 + n
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
Ejemplo
Un pequeo estudio piloto evalu la efectividad de una droga experimental en el control de la presin sangunea de pacientes con moderada hipertensin. El cambio en la presin sangunea de los pacientes (en mmHg) despus de tomar la droga tiene una distribucin normal con media desconocida y variancia 25. El experimento fue llevado a cabo con una muestra de 8 pacientes obtenindose los siguientes resultados (valores negativos signican que la droga disminuy la presin sangunea, valores positivos que la increment): 3.7, 6.7, 10.5, 6.1, 17.6, 2.3, 7.9 y 8.9.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Estimacin de la media con varianza conocida Estimacin de la varianza con media conocida
Ejemplo
Calcule la distribucin posterior para la media a partir de una distribucin a priori:
N (0, 100)
La droga ser aceptable si la probabilidad posterior de que le disminuya la presin sangunea a un paciente es mayor al 90 %. Cul es el valor de esta probabilidad usando la distribucion posterior? Hallar la distribucin predictiva posterior para el cambio en la presin sangunea de un nuevo paciente.
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Funcin de verosimilitud
Si y tiene distribucin de Poisson con tasa media de ocurrencias entonces:
f (y |) =
y exp {} y!
y = 0, 1,
n y. i =1 i
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
G (, )
La distribucin posterior es:
|y G ( + ny , + n)
La distribucin predictiva a priori considerando solo una observacin y es: y BN (, )
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Ejemplo
Suponga que el nmero de incendios semanales ocurridos en una ciudad tiene distribucin de Poisson con parmetro . Se decide utilizar una distribucin a priori conjugada G (, ). La media y variancia de la distribucin marginal del nmero de incendios semanales ocurridos son 1 y 2 respectivamente. Hallar la distribucin a priori para y luego su distribucin posterior si el nmero de incendios observados en una muestra de 100 semanas fue 40.
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Funcin de densidad
La distribucin exponencial es usada para modelar tiempos de espera. Su funcin de densidad es:
f (y |) = exp {y }
y el parmetro es llamado la tasa.
y >0
Se trata de un caso especial de la distribucin gamma con parmetros (, ) = (1, ). La distribucin exponencial tiene la propiedad de prdida de memoria, lo cual la convierte en un modelo natural para informacin de supervivencia o tiempos de vida.
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribucin posterior
Para n observaciones independientes y1 , , yn con tasa constante , la funcin de verosimilitud es:
G (, )
La correspondiente distribucin posterior es:
|y G ( + n, + ny )
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Ejemplo
Suponga que el tiempo de vida de un componente elctrico tiene distribucin exponencial con parmetro y que su distribucin a priori G (45, 5). En una muestra de 100 componentes se encontraron las siguientes medidas de resumen (en miles de horas): Media Desviacin estndar 0.1125 0.0283
Hallar la distribucin posterior para y luego la probabilidad que el tiempo medio de vida sea mayor de 100 horas.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
Distribuciones no informativas
Muchas veces se desea contar con distribuciones a priori que puedan garantizar una mnima inuencia en la distribucin posterior. Tales distribuciones son algunas veces llamadas distribuciones a priori de referencia y la densidad a priori es descrita como vaga, plana, difusa o no informativa. La razn para utilizar distribuciones a priori no informativas es dejar que los datos hablen por s mismos de modo que el proceso de inferencia no se encuentre afectado por informacin externa a ellos.
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
La distribucin inicial no es tcnicamente posible ya que su integral es innito lo cual viola el supuesto para una funcin de densidad. Se llamar a una densidad a priori propia si no depende de los datos y su integral es igual a uno.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
f () = f ()
d d
El principio de Jereys es que cualquier regla para determinar la densidad a priori f () debe conducir a un resultado equivalente si se aplica al parmetro transformado.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
f () [J ()]1/2
donde J () es la informacin de Fisher:
J ( ) = E
d log f (y |) d
= E
d 2 log f (y |) d 2
Los resultados anteriores pueden ser extendidos a modelos multiparamtricos pero los resultados son controvertidos.
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
Ejemplos
Sea la distribucin fundamental:
y | BI (n, )
Hallar la distribucin a priori no informativa de Jereys para . Sea la distribucin fundamental:
y |, 2 N , 2
con 2 conocida. Hallar la distribucin a priori no informativa de Jereys para . Hallar la distribucin a priori no informativa de Jereys para 2 considerando que es conocida.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
f ( ) [J ( )]1/2
donde J ( ) es el determinante de la matriz de informacin de Fisher: d log f (y | ) J ( ) = E d Una alternativa es considerar una distribucin a priori con parmetros independientes y luego usar el producto de sus distribuciones a priori de Jereys.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
f () =
k i =1
wi fi ()
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
f (|y ) f () f (y |) k wi fi () f (y |) i =1 k = wi fi (|y ) i =1
Estadstica Bayesiana
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
Distribucin binomial Distribucin normal Distribucin de Poisson Distribucin exponencial Distribuciones a priori no informativas
Distribuciones a priori no informativas Distribuciones a priori propias e impropias Principio de invariancia de Jereys Mixtura de distribuciones a priori
Ejemplo
Suponga que una moneda se hace girar sobre una mesa y sea la probabilidad de que aparezca cara. Dada las posibles imperfecciones en el borde de la moneda, se podra pensar que es aproximadamente 0.3 0.7. Como la distribucin beta es una familia conjugada para la verosimilitud binomial podra usarse la distribucin a priori: 1 1 BE (|6, 14) + BE (|14, 6) 2 2 Hallar la distribucion posterior asumiendo que en diez lanzamientos de la moneda se observaron 4 caras y 6 sellos.
Ms Carlos Lpez de Castilla Vsquez Estadstica Bayesiana