Professional Documents
Culture Documents
Inferencia Bayesiana
Aproximacin a la normal
Estadstica Bayesiana
Inferencia Bayesiana
2017-1
Introduccin
f (y |) = exp {y + } y >
y que E (1).
Estimacin puntual
Teorema
La funcin prdida cuadrtica se dene por:
L (, a) = ( a)2
Teorema
La funcin prdida valor absoluto se dene por:
L (, a) = | a|
Teorema
La funcin prdida 0-1 se dene por:
(
0 si |a |
L (, a) =
1 si |a | >
Intervalos de credibilidad
Intervalos de credibilidad
G ( = 2, = 1)
Pruebas de hiptesis
A favor de H0 A favor de H1
A priori 0 = Pr ( 0 |f ()) 1 = Pr ( 1 |f ())
Posterior 0 = Pr ( 0 |f (|y )) 1 = Pr ( 1 |f (|y ))
Pruebas de hiptesis
Odds a priori
> library(VGAM)
> pi1 <- ppareto(q=10, scale=5, shape=8)
> odds.priori <- pi1/(1 - pi1) [1] 255
Odds a posteriori
> alpha1 <- ppareto(q=10, scale=9, shape=13)
> odds.posteriori <- alpha1/(1 - alpha1) [1] 2.934118
Factor de Bayes
> B <- odds.posteriori/odds.priori [1] 0.01150634
Introduccin
cuando n .
Es comn que los estimadores bayesianos se aproximen a los
estimadores de mxima verosimilitud en muestras grandes.
Si la distribucin posterior es unimodal y aproximadamente
simtrica puede ser conveniente aproximarla por una
distribucin normal.
Serie de Taylor
Primera aproximacin
Teorema
La primera aproximacin a la distribucin normal es:
Segunda aproximacin
Teorema
La segunda aproximacin a la distribucin normal es:
f (|y) N , I11 ()
d2
I1 () = log f (|y)
d2
es la informacin observada.
Tercera aproximacin
Teorema
La tercera aproximacin a la distribucin normal es:
f (|y) N , I21 ()
d2
I2 () = log f (y|)
d2
Cuarta aproximacin
Teorema
La cuarta aproximacin a la distribucin normal es:
f (|y) N , I31 ()
d2
I3 () = nE log f (Y |)
d2
Ejemplos