Bayessiana

Introduccion a la estadstica bayesiana, aplicaciones y
metodos
Parte 2
Ana Paula Palacios y Peter Diko
Universidad Carlos III de Madrid
22 de Marzo de 2011
Instituto de Economa y Finanzas

Facultad de Ciencias Economicas
U.N.C.
(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 1 / 42

Programa
1 Muestreo Monte Carlo
2 Modelo Lineal
3 WinBUGS
4 Modelos Jerarquicos

Monte Carlo
Programa
2 Modelo Lineal
3 WinBUGS

Monte Carlo
Problema
El analisis bayesiano proporciona la distribucion para , el parametro de

interes
f (|x) f (x|)f ()
Tenemos interes en cuantas relacionadas con la distribucion a posteriori:

media,moda, mediana, cuantiles en general, intervalos de credibilidad.

Monte Carlo
Problema
El analisis bayesiano proporciona la distribucion para , el parametro de

interes
f (|x) f (x|)f ()
Tenemos interes en cuantas relacionadas con la distribucion a posteriori:

media,moda, mediana, cuantiles en general, intervalos de credibilidad.
Complicaciones
identificar la constante de normalizacion de la a posteriori
la distribucion a posteriori puede no ser tratable analticamente

Monte Carlo
Solucion
Alternativa al tratamiento analtico

construir una muestra 1 , 2 , . . . , n de la distribucion a posteriori.

Monte Carlo
Solucion

calcular la cuanta de interes muestral

Monte Carlo
Solucion

calcular la cuanta de interes muestral
por la Ley de los Grandes Numeros la distribucion emprica converge
a la verdadera
Z n
1X
f (|x)d i
n
i=1
Z n
1X
( )2 f (|x)d (i )2
n
i=1

Monte Carlo
Media a posteriori para beta(1498, 1519)

Monte Carlo
Muestreo por inversion de F
Enfoque para distribuciones univariantes.

Necesitamos conocer la funcion de distribucion F (x).

Monte Carlo

Algoritmo
1 Generamos un valor u de la distribucion uniforme U(0, 1).
2 La cuanta z = F 1 (u) es una observacion aleatoria de F (x).

Monte Carlo

Algoritmo
1 Generamos un valor u de la distribucion uniforme U(0, 1).
2 La cuanta z = F 1 (u) es una observacion aleatoria de F (x).
Comprobaremos que Z = F 1 (U), donde U es uniforme (0, 1) tiene

distribucion F (x)
P{Z x} = P{F 1 (U) x} = P{U F (x)} = F (x)

Monte Carlo
Rejection sampling
La clave es encontrar una distribucion g (x) facil de muestrear que cumpla

para un m fijo
f (x) m g (x)
en todo el soporte de f (x).

Monte Carlo
Rejection sampling
La clave es encontrar una distribucion g (x) facil de muestrear que cumpla

para un m fijo
f (x) m g (x)
en todo el soporte de f (x).
Algoritmo
1 Generamos un valor z de una distribucion g (x).
f (z)
2 Calculamos el ratio R = mg (z) .
3 Generamos un valor u de una uniforme (0, 1). Acceptamos z como
observacion aleatoria de f (x) si u < R.

Monte Carlo
Rejection sampling
Ventajas
No necesitamos conocer la constante de normalizazion. f (x)
Valido para el caso multidimensional.
Facil de implementar.

Monte Carlo
Rejection sampling
Ventajas
No necesitamos conocer la constante de normalizazion. f (x)
Valido para el caso multidimensional.
Facil de implementar.
Desventajas
Encontrar la densidad g (x) puede ser difcil.
Si la g (x) no es buena, el algoritmo puede ser ineficiente. Alta
proporcion de rechazos.
Problemas en alta dimension.

Monte Carlo
Algoritmos MCMC
Solucion para casos de densidades complejas y de alta dimension.
Particionamos la densidad a muestrear en densidades multivariantes o

univariantes mas manejables.
muestreo de una o varias dimensiones de la a posteriori
exploracion de todo el soporte de la distribucion paso por paso

Monte Carlo
Muestreo de Gibbs
En estadstica Bayesiana desde Gelfand and Smith (1990).

Conocido en fsica antes de 1990.
Algoritmo apropiado en casos cuando

el muestreo de la distribucion conjunta no es posible
conocemos las distribuciones condicionadas para cada dimension (o
bloques de dimensiones)
f (1 , 2 )
f (1 |2 ), f (2 |1 )

Monte Carlo
Muestreo de Gibbs
Algoritmo
1 Empezamos con unos valores iniciales de 10 , 20 . j = 1
2 Generamos una observacion 1j de la distribucion condicionada
f (1 |2j1 ).
f (2 |1j ).
4 Siguiente paso j := j + 1 y volvemos al paso 2.

Monte Carlo
Muestreo de Gibbs
Algoritmo
1 Empezamos con unos valores iniciales de 10 , 20 . j = 1
f (1 |2j1 ).
f (2 |1j ).
Obtenemos una cadena de Markov (10 , 20 ), (11 , 21 ), . . . , (1n , 2n ) con

distribucion estacionaria f (1 , 2 ).
Decartando las primeras observaciones generadas, nos quedamos con la

muestra aleatoria de la distribucion a posteriori conjunta.

Monte Carlo
Muestreo de Gibbs

Monte Carlo
Muestreo de Gibbs

Monte Carlo
Algoritmo de Metropolis-Hastings
Algoritmo basado en Metropolis et al. (1958) para explicar movimiento de

partculas. Generalizado por Hastings (1970)
proporciona muestra del parametro conjunto
no necesitamos conocer la constante de normalizacion
contiene paso de aceptacion-rechazo

Monte Carlo
Algoritmo basado en Metropolis et al. (1958) para explicar movimiento de

partculas. Generalizado por Hastings (1970)
proporciona muestra del parametro conjunto
no necesitamos conocer la constante de normalizacion
contiene paso de aceptacion-rechazo
Los candidatos se generan a partir de una distribucion conveniente

g (|j1 ). Aceptacion del candidato se evalua a base del ratio
f (C )g (j1 |C )
R=
f (j1 )g (C |j1 )

Monte Carlo
Algoritmo
1 Empezamos con un valor inicial 0 , j = 1.
2 Generamos un candidato C de la distribucion g (|j1 ).
3 Calculamos el ratio
f (C )g (j1 |C )
R=
f (j1 )g (C |j1 )
4 Generamos u de una distribucion uniforme (0, 1). Si u < R
aceptamos el candidato j := C , en caso contrario j := j1

Monte Carlo
Obtenemos una cadena de Markov 0 , 1 , . . . , n con distribucion

estacionaria f () pero
Mala eleccion del punto inicial puede complicar las cosas.
Ratio de rechazos alto causara observaciones repetidas, mucha
correlacion de la cadena y convergencia lenta.
Ratio de rechazos bajo puede significar exploracion lenta del espacio
parametrico.

Monte Carlo
Obtenemos una cadena de Markov 0 , 1 , . . . , n con distribucion

estacionaria f () pero
Mala eleccion del punto inicial puede complicar las cosas.
Ratio de rechazos alto causara observaciones repetidas, mucha
correlacion de la cadena y convergencia lenta.
Ratio de rechazos bajo puede significar exploracion lenta del espacio
parametrico.
Un ejemplo de la distribucion de propuesta g (|j1 )
C N(j1 , C )
donde C puede adaptarse segun el ratio de aceptacion.

Monte Carlo
Otros enfoques
Metropolis-within-Gibbs
En caso de distribucion conjunta muy compleja f () la distribucion se
particiona f (1 |2 ), f (2 |1 ) para aplicar el algoritmo de Gibbs.
Cada paso del algoritmo de Gibbs requiere generar observaciones de
las condicionadas f (1 |2 ), f (2 |1 ) para lo que se emplea el
algoritmo MH.

Monte Carlo
Otros enfoques
Metropolis-within-Gibbs
En caso de distribucion conjunta muy compleja f () la distribucion se
particiona f (1 |2 ), f (2 |1 ) para aplicar el algoritmo de Gibbs.
Cada paso del algoritmo de Gibbs requiere generar observaciones de
las condicionadas f (1 |2 ), f (2 |1 ) para lo que se emplea el
algoritmo MH.
Slice sampling
f () h()
U| uniforme(0, h())
Se aplica muestreo de Gibbs a las condicionadas U|, |U para obtener la

muestra de la distribucion conjunta f (, U) y de ah f ().

Monte Carlo
Diagnostico de convergencia
Diagnostico de Gelman y Rubin

repetimos el algoritmo MCMC m veces con puntos iniciales dispersos
obtenemos 2N observaciones de cada cadena
basandonos en las ultimas N observaciones calculamos
B
N varianza entre las m medias
W la media de las varianzas dentro de las m cadenas
aproximamos la densidad a posteriori con la distribucion t y
denominamos df sus grados de libertad

Monte Carlo
Diagnostico de convergencia
Diagnostico de Gelman y Rubin

repetimos el algoritmo MCMC m veces con puntos iniciales dispersos
obtenemos 2N observaciones de cada cadena
basandonos en las ultimas N observaciones calculamos
B
N varianza entre las m medias
W la media de las varianzas dentro de las m cadenas
aproximamos la densidad a posteriori con la distribucion t y
denominamos df sus grados de libertad
El factor de reduccion
s
p N 1 m+1 B df
R = +
N mN W df 2
determina la posibilidad de reducir la variabilidad de la distribucion a

posteriori al aumentar la muestra N .
Modelo Lineal
Programa
2 Modelo Lineal
3 WinBUGS

Modelo Lineal
Modelo de regresion lineal
Especificacion matricial
Y = X + e,
e N(0, e2 In ),

Modelo Lineal
Y = X + e,
e N(0, e2 In ),
funcion de verosimilitud

1
L(, e2 ; X , Y ) = (2e2 )n/2 exp T
2 (Y X ) (Y X ) .
2e

Modelo Lineal
Y = X + e,
e N(0, e2 In ),
funcion de verosimilitud

1
L(, e2 ; X , Y ) = (2e2 )n/2 exp T
2 (Y X ) (Y X ) .
2e
Estimadores de maxima verosimilitud:
= (X T X )1 (X T Y ), ACOV () = e2 (X T X )1 ,
2 1/2
1 2e
e2 = e T e, 2
SE (e ) =
n n

Modelo Lineal
Modelo de regresion lineal - algoritmo MH
Especificacion bayesiana
yi N(XiT , e2 )
con verosimilitud igual al caso clasico.
A priori 1 y e2 1/e2 resulta en a posteriori

2 2 (n/2+1) 1 T
f (, e |X , Y ) (e ) exp 2 (Y X ) (Y X ) .
2e

Modelo Lineal
Modelo de regresion lineal - algoritmo MH
Especificacion bayesiana
yi N(XiT , e2 )
con verosimilitud igual al caso clasico.
A priori 1 y e2 1/e2 resulta en a posteriori

2 2 (n/2+1) 1 T
f (, e |X , Y ) (e ) exp 2 (Y X ) (Y X ) .
2e
Se puede aplicar el algoritmo MH directamente sobre el parametro (, e2 ).

Modelo Lineal
Modelo de regresion lineal - muestreo de Gibbs

La distribucion condicional de e2 |
eT e

f (e2 |, X , Y ) (e2 )(n/2)+1 exp 2
2e
es una gamma inversa con a = n/2 y b = e T e/2.

Modelo Lineal

La distribucion condicional de e2 |
eT e

f (e2 |, X , Y ) (e2 )(n/2)+1 exp 2
2e
es una gamma inversa con a = n/2 y b = e T e/2.

La distribucion condicional de |e2 es proporcional a

1 T
exp 2 (Y X ) (Y X )
2e
y despues de una manipulacion matricial se puede expresar como

1 T T T 1 T
exp 2 T 1 [ 2 (X X ) (X Y )]
2e (X X )
completando el cuadrado en se identifica con una normal.

Modelo Lineal
El muestreo de Gibbs se aplica a las condicionadas
f (e2 |, X , Y ) IG (n/2, e T e/2)

f (|e2 , X , Y ) N((X T X )1 (X T Y ), e2 (X T X )1 )
de forma eficiente dado que las distribuciones son de familias facilmente

muestreables.

WinBUGS
Programa
2 Modelo Lineal
3 WinBUGS

WinBUGS
WinBUGS
WinBUGS es un software estadstico desarrollado para implementar

analisis bayesiano y que utiliza metodos MCMC para generar muestras de
la distribucion a posteriori.
http://www.mrc-bsu.cam.ac.uk/bugs/winbugs/contents.shtml
No olviden instalar la clave de inmortalidad!!
Se puede ejecutar WinBUGS desde otros softwares como R, Matlab y
Excel.
Facil de usar y flexible, capaz de describir modelos altamente
complejos.
Solo hay que especificar el modelo y los datos.
MCMC: Metropolis-within-Gibbs Rejection sampling Slice
sampling.

WinBUGS
Procedimiento
1 Especificar el modelo
2 Cargar los datos
3 Compilar el modelo y los datos
4 Inicializacion: aleatoria o arbitraria
5 Ejecucion de las simulaciones y monitoreo de los parametros

WinBUGS
WinBUGS
Instalacion

WinBUGS
WinBUGS
Instalacion
Menu ayuda: manual y ejemplos.

WinBUGS
WinBUGS
Instalacion
Estructura del codigo:
model{ ...}
parametros: constantes, nodos estocasticos y componentes logicos.

WinBUGS
WinBUGS
Instalacion
Estructura del codigo:
model{ ...}
parametros: constantes, nodos estocasticos y componentes logicos.
Ejemplo:
x N(, 2 ) x dnorm(mu, tau)
z 1
y =x+ 3 + w y <- x + z/3 + 1/w

WinBUGS
WinBUGS: Ejemplo de modelo lineal
Considere la siguiente tabla de datos provenientes de la OECD para 18

pases. Se observan dos variables: una medida de la proteccion del empleo
y una medida del cambio en la productividad total entre los 80 y los 90.
The economist, 23/09/2000

WinBUGS
WinBUGS: Ejemplo de modelo lineal

WinBUGS
Establecimiento del modelo:

for (i in 1:N){
y[i] dnorm(mu[i],tau)
mu[i]<-alpha + beta*x[i]
}

WinBUGS

for (i in 1:N){
}
Distribuciones a priori:
alpha dnorm (0,0.0001)
beta dnorm(0,0.0001)
tau dgamma(0.1,0.1)

WinBUGS

for (i in 1:N){
}
tau dgamma(0.1,0.1)
Datos:
list(x=c(0.2,0.6,1.1,1,1,2,2.2,2.4,2.5,2.6,2.9,2.8,2.9,
3.2,3.6,3.9,3.8,3.5),
y=c(0.5,0.6,1.3,0.4,0.1,0.9,0.7,-0.1,-0.4,-0.4,0.5,
-0.5,-0.9,-0.2,-0.3,0.3,-0.3,-1.5), N=18)

WinBUGS

for (i in 1:N){
}
tau dgamma(0.1,0.1)
Datos:
list(x=c(0.2,0.6,1.1,1,1,2,2.2,2.4,2.5,2.6,2.9,2.8,2.9,
3.2,3.6,3.9,3.8,3.5),
y=c(0.5,0.6,1.3,0.4,0.1,0.9,0.7,-0.1,-0.4,-0.4,0.5,
-0.5,-0.9,-0.2,-0.3,0.3,-0.3,-1.5), N=18)
Valores iniciales:
list(alpha=0, beta=0, tau=1)

WinBUGS
WinBUGS: ajuste de un modelo
Chequear la sintaxis del modelo: Model Specification tool

check model
Cargar los datos: selecciono la lista de datos y load data
Compilo el modelo: selecciono el # de cadenas a simular y compile
Inicializacion del modelo: selecciono la lista con los valores iniciales y
load inits y/o gen inits
Burn-in: Model Update updates # burn-in
Monitoreo parametros: Inference Sample node= nombre del
parametro set
Monitoreo DIC: Inference DIC set
Simulaciones: Model Update updates # iteraciones

WinBUGS
WinBUGS: A posteriori y convergencia
Resumen de la distribucion a posteriori: density y stats del

Sample Monitor Tool.
Evaluacion de convergencia:
Las cadenas deben estabilizarse y superponerse.
Los cuantiles deben estabilizarse
Las autocorrelaciones no deben ser altas.
Test Gelman y Rubin cercano a 1.

Modelos Jerarquicos
Programa
2 Modelo Lineal
3 WinBUGS

Modelos Jerarquicos
Modelos jerarquicos
Muchas veces en las ciencias sociales los datos poseen una compleja
estructura, agregados en diferentes niveles.
Pacientes agrupados en hospitales. Hay hospitales con mayor tasa de
mortalidad?
Estudiantes agrupados en cursos, y cursos en escuelas. Hay un efecto
aula en el rendimiento escolar de los alumnos? Y escuela?
Sucesivas mediciones en pacientes. Hay diferencias entre
tratamientos? Hay heterogeneidad entre los pacientes en su respuesta
a los tratamientos?

Modelos Jerarquicos
Modelos jerarquicos
En general, cuando poseemos datos jerarquicos nuestro objetivo es hacer

inferencia sobre un modelo con K parametros, 1 , 2 , . . . , K , siendo K la
cantidad de unidades (escuelas, hospitales, etc.) que estan relacionadas
por la estructura del problema.
Tres enfoques posibles:
Unico parametro: los datos se agrupan todos juntos y se ignoran las
unidades individuales. Se asume que cada dato proviene de una
misma distribucion. Yik N(, 2 ) con i = 1, . . . , nK y k = 1, . . . , K .
Parametros independientes: al asumirse independencia cada unidad
puede analizarse por separado. Se asume que los grupos pertencen a
poblaciones diferentes. Yik N(k , 2 ) Problema: la incertidumbre a
posteriori puede ser grande.

Modelos Jerarquicos
Modelos jerarquicos
Parametros intercambiables: cada grupo tiene sus propios

parametros, pero estos no son independientes sino que provienen una
distribucion comun. Yik N(k , 2 ) con k N(, w 2 ) Ventaja:
produce estimaciones mas precisas (borrow strength)

Modelos Jerarquicos
Modelos jerarquicos
Importante: cada parametro de un grupo especfico aprende de sus

correspondientes parametros de los otros grupos con similares
caractersticas. Es decir, que hay un desplazamiento de los valores de los
parametros hacia la media poblacional.
Ejemplo: Presion arterial
Individuo 1 2 3 4 5 ... 20
1 medicion 108 91 93 104 99 . . . 100
2 medicion 98 94 96 99 97 . . . 101
Ahora supongamos que tenemos algunos faltantes, entre ellos la segunda
medicion del primer individuo. Ajustamos los 3 modelos posibles y vemos
la estimacion resultante de dicho dato.

Modelos Jerarquicos
Modelos jerarquicos

Individuo 1 2 3 4 5 ... 20
1 medicion 108 91 93 104 99 . . . 100
2 medicion 98 94 96 99 97 . . . 101
Parametros iguales: 96.7

Modelos Jerarquicos
Modelos jerarquicos

Individuo 1 2 3 4 5 ... 20
1 medicion 108 91 93 104 99 . . . 100
2 medicion 98 94 96 99 97 . . . 101
Parametros iguales: 96.7 Parametros independientes: 107.7

Modelos Jerarquicos
Modelos jerarquicos

Individuo 1 2 3 4 5 ... 20
1 medicion 108 91 93 104 99 . . . 100
2 medicion 98 94 96 99 97 . . . 101
Parametros iguales: 96.7 Parametros independientes: 107.7 Modelo
jerarquico: 97.4

Modelos Jerarquicos
Ejemplo: Modelos jerarquicos
Tenemos los resultados de cierto examen de 1978 alumnos de 38 escuelas.

El numero medio de alumnos por escuela es de 48, y el rango va de 1 a
198 (Goldstein et al. (1993)).
Analice los siguientes resultados:
En una escuela con 3 datos, la nota promedio fue 63.
En una escuela con 100 datos la nota promedio fue 65.
En una escuela con un solo dato la nota promedio fue 69.
Cual es la mejor escuela?

Modelos Jerarquicos
Ejemplo: Modelos jerarquicos
model{
for( i in 1 : N ) {
Y[i] dnorm(mu[i],y.tau)
mu[i] <- alpha[school[i]]
}
for( s in 1 : M ) {
alpha[s] dnorm(alpha.c, alpha.tau)
}
y.tau dgamma(0.001,0.001)
sigma2 <- 1 / sqrt(y.tau)
alpha.c dnorm(0.0,0.001)
alpha.tau dgamma(0.001,0.001)
}

Modelos Jerarquicos
Referencias I
Congdon p. (2001). Bayesian Statistical Modelling. West Sussex: Wiley
Gelman A., Carlin J.B., Stern H.S., and Rubin D.B. (2004). Bayesian
Data Analysis, 2nd edition. New York: Chapman & Hall
Gill J. (2002). Bayesian Methods. A Social and Behavioral Sciences

Approach. New York: Chapman & Hall
Lynch S.M. (2007). Introduction to Applied Bayesian Statistics and

Estimation for Social Scientists. NJ: Springer

Modelos Jerarquicos
Referencias II
Ntzoufras I. (2009) Bayesian modeling using winbugs. NJ: Wiley
Pole A., West M., Harrison J. (1994). Applied Bayesian Forecasting and
Time Series Analysis. New York: Chapman & Hall
Rachev S.T., Hsu J.S.J., Bagasheva B.S., and Fabozzi F.J. (2008).
Bayesian Methods in Finance. NJ: Wiley
Robert C., and Casella G. (2004) Monte Carlo Statistical methods. NJ:
Springer

Bayessiana

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bayessiana

Uploaded by

Copyright:

Available Formats

Introduccion a la estadstica bayesiana, aplicaciones y

Ana Paula Palacios y Peter Diko

Universidad Carlos III de Madrid

Instituto de Economa y Finanzas

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 1 / 42

1 Muestreo Monte Carlo

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 2 / 42

1 Muestreo Monte Carlo

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 3 / 42

El analisis bayesiano proporciona la distribucion para , el parametro de

Tenemos interes en cuantas relacionadas con la distribucion a posteriori:

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 4 / 42

El analisis bayesiano proporciona la distribucion para , el parametro de

Tenemos interes en cuantas relacionadas con la distribucion a posteriori:

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 4 / 42

Alternativa al tratamiento analtico

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 5 / 42

Alternativa al tratamiento analtico

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 5 / 42

Alternativa al tratamiento analtico

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 5 / 42

Media a posteriori para beta(1498, 1519)

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 6 / 42

Muestreo por inversion de F

Enfoque para distribuciones univariantes.

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 7 / 42

Muestreo por inversion de F

Enfoque para distribuciones univariantes.

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 7 / 42

Muestreo por inversion de F

Enfoque para distribuciones univariantes.

Comprobaremos que Z = F 1 (U), donde U es uniforme (0, 1) tiene

P{Z x} = P{F 1 (U) x} = P{U F (x)} = F (x)

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 7 / 42

La clave es encontrar una distribucion g (x) facil de muestrear que cumpla

en todo el soporte de f (x).

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 8 / 42

La clave es encontrar una distribucion g (x) facil de muestrear que cumpla

en todo el soporte de f (x).

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 8 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 9 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 9 / 42

Solucion para casos de densidades complejas y de alta dimension.

Particionamos la densidad a muestrear en densidades multivariantes o

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 10 / 42

En estadstica Bayesiana desde Gelfand and Smith (1990).

Algoritmo apropiado en casos cuando

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 11 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 12 / 42

Obtenemos una cadena de Markov (10 , 20 ), (11 , 21 ), . . . , (1n , 2n ) con

Decartando las primeras observaciones generadas, nos quedamos con la

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 12 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 13 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 14 / 42

Algoritmo basado en Metropolis et al. (1958) para explicar movimiento de

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 15 / 42

Algoritmo basado en Metropolis et al. (1958) para explicar movimiento de

Los candidatos se generan a partir de una distribucion conveniente

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 15 / 42

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 16 / 42

Obtenemos una cadena de Markov 0 , 1 , . . . , n con distribucion

(Univ. Carlos III de Madrid) Estadstica bayesiana 22-03-11 17 / 42

Obtenemos una cadena de Markov 0 , 1 , . . . , n con distribucion