Professional Documents
Culture Documents
Un enfoque teorico-practico
Jesus E Gamboa
16 de enero de 2015
Introduccion
Objetivos
Conceptos Preliminares
MLD General
MLD Generalizado
Extensiones
Introduccion
I Estadstica Bayesiana
I Analisis de Regresion
I Series de Tiempo
I Procesos Estocasticos
Conceptos Preliminares
Teorema de Bayes
P(B|A)P(A)
P(A|B) = (1)
P(B)
Ejemplo:
n y
f (y |) = (1 )ny
y
para y = 0, 1, ..., n e 0 1
Conceptos Preliminares
Distribucion a priori
f (y |)f ()
f (|y ) = f (y |)f () (3)
f (y )
Conceptos Preliminares
Distribucion predictiva
I A priori (marginal)
Z
f (y ) = f (y |)f ()d (4)
I A posteriori
Z
f (y |y ) = f (y |)f (|y )d (5)
Conceptos Preliminares
Conjugacion de la distribucion Normal
|y N(1 , 12 ) (6)
siendo
2 y +02 0
I 1 = 2 +02
I 2 = 2 + 2
1 0
2 2 02
I = ( 2 )
1 +02
Conceptos Preliminares
Conjugacion de la distribucion Normal
0.25
verosimilitud
dist. a priori
0.20
dist. a posteriori
Densidad
0.15
0.10
0.05
0.00
20 10 0 10 20
y
Conceptos Preliminares
Conjugacion Normal-Gamma
Yi = Xi + ei
onde ei N(0, 2 ) para i = 1, ..., T
Entonces:
Y N(X, 2 In )
I es fijo.
I Tendencia determinstica
Conceptos Preliminares
Modelo de regresion lineal bayesiano
I b0 b1 = B1 0
1 (B0 b0 + X Y)
I B0 B1 = B0 + X0 X
I n0 n1 = n0 + n
I n0 S0 n1 S1 = n0 S0 + (Y Xb1 )0 Y + (b0 b1 )0 B0 b0
Conceptos Preliminares
Modelo de regresion lineal bayesiano
I b0 b1 = B1 0
1 (B0 b0 + X Y)
I B0 B1 = B0 + X0 X
I n0 n1 = n0 + n
I n0 S0 n1 S1 = n0 S0 + (Y Xb1 )0 Y + (b0 b1 )0 B0 b0
Priori no informativa: b0 = 0, B0 = 0, S0 = 0, n0 = p
Conceptos Preliminares
Analisis de Series de Tiempo
Rudo Blanco
Un proceso estocastico t es un rudo blanco si esta constituido por
un conjunto de variables aleatorias tales que:
I E [t ] = , por lo general, = 0
I 0 = 2
I h = 0 para h 6= 0
Conceptos Preliminares
Procesos Estocasticos
Paseo Aleatorio
Es conocido como Paseo Aleatorio (AR(1)) aquel proceso
estocastico Zt definido del siguiente modo:
Zt = Zt1 + t
Z1 = 1
Donde los t son i.i.d. N( , 2 ), y por tanto:
I E [Zt ] = t
I 0 = t2
I t1 ,t2 =min(t1 ,t2 )2
I Estructura: C, F, Q
I Regla de aprendizaje: Teorema de Bayes
I Conocimientos previos: D0
I Sistema cerrado versus Sistema abierto
MLD de Primer Orden
Modelo
Ecuacion observacional:
Yt = t + t (8)
Ecuacion de evolucion:
t = t1 + t (9)
0 |D0 N(m0 , C0 )
1 |D0
Y1 |D0
1 |D1 N(m1 , C1 )
MLD de Primer Orden
Distribucion a posteriori en el tiempo (t 1)
t |Dt1 N(at , Rt )
Donde:
I at = mt1
I Rt = Ct1 + Wt
MLD de Primer Orden
Distribucion predictiva (a un paso) en el tiempo t
Yt |Dt1 N(ft , Qt )
Donde:
I ft = at = mt1
I Qt = Ct1 + Wt + Vt
MLD de Primer Orden
Distribucion a posteriori en el tiempo t
t |Dt N(mt , Ct )
Donde:
I mt = At Yt + (1 At )mt1 , siendo At = Rt /Qt
I Ct = (1 At )Rt
MLD de Primer Orden
Distribucion predictiva (a k pasos) en el tiempo t
Rt = Ct1 + Wt
Ct1
Rt =
Entonces...
MLD de Primer Orden
Ejemplo: Aplicacion 3
Ecuacion observacional:
Yt = Ft t + t (10)
Ecuacion de evolucion:
t = Gt t1 + t (11)
Ecuacion observacional:
Yt = Ft t + t (10)
Ecuacion de evolucion:
t = Gt t1 + t (11)
t |Dt1 N(at , Rt )
Donde:
I at = Gt mt1
I Rt = Gt Ct1 G0t + Wt
MLD General
Distribucion predictiva (a un paso) en el tiempo t
Yt |Dt1 N(ft , Qt )
Donde:
I ft = F0t at
I Qt = F0t Rt Ft + Vt
MLD General
Distribucion a posteriori en el tiempo t
t |Dt N(mt , Ct )
Donde:
I mt = At Yt + (1 At F0t )at , siendo At = Rt Qt1 Ft
I Ct = Rt At A0t Qt
MLD General
Distribucion predictiva (a k pasos) en el tiempo t
Ecuacion observacional:
Yt = Ft t + t (12)
Ecuacion de evolucion:
t = Gt t1 + t (13)
Con:
I t N(0, 1 ), 1 = V
I t N(0, V Wt )
I 0 |D0 , N(m0 , 1 C0 )
I |D0 Ga( n20 , n02S0 )
MLD General
Variancia Observacional Desconocida
Ecuaciones de Actualizacion
I Observabilidad
I Similaridad
I Equivalencia
I Modelos canonicos
F0
F0 G
..
.
F0 Gn1
Conceptos:
I Matriz bloco-diagonal
I Matriz bloco de Jordan
MLD General
Propiedades de los MLDST: Modelos Canonicos
t = (j , j+1 , . . . , p1 , p , . . . , j1 )
MLD General
Modelos para ajustar estacionalidad
1. Modelo: {Ep , P, Vt , Wt }
2. Vector de Estados: t = (0 , . . . , p1 )0t
3. Restricciones:
I 10 t = 0
I 10 0 |D0 N(10 m0 , 10 C0 1)
I Wt 1 = 0
MLD General
Modelos para ajustar estacionalidad: Representacion en la forma de Fourier
I Equacao obervacional
yt t + b(t )
p(yt |t ) = c(yt , t ) exp (14)
t
com t = E (yt |t ) = b 0 (t )
I Funcao de Ligacao
g (t ) = t = Ft0 t (15)
I Equacao de evolucao
t = G t1 + t (16)
Onde:
I 1 = 1 , 1 Np+1 (a,R)
t = j=1 Gtj j e t Np+1 (0,W) para t = 2, ..., n.
Pt
I
I Inclusion de covariables
Extensiones
I Inclusion de covariables
I Enfoque multivariado
Extensiones
I Inclusion de covariables
I Enfoque multivariado
I Estrategias alternativas ante la presencia de variancias
desconocidas
Extensiones
I Inclusion de covariables
I Enfoque multivariado
I Estrategias alternativas ante la presencia de variancias
desconocidas
I Variancias dependiendo de covariables