Estimaciones Bayesianas de Intervalos

ES T I M A C I O N ES BAYESIANAS DE INTERVALOS
[INTEGRANTES] Roberto Carlos Correa Llano Aura Renata Espndola Garca Edith Sugely Lpez Garduza Alejandra Ontiveros Aguilar Maribel Segura Alcocer [M.C. SALVADOR MEDINA PERALTA]
Universidad Autnoma De Yucatn Inferencia Estadstica
Estimaciones Bayesianas de intervalos

TEORA INTRODUCCIN
La estadstica bayesiana tiene la caracterstica de que permite utilizar en la estimacin de un parmetro el conocimiento previo que se tenga acerca del parmetro. En la estadstica bayesiana, se puede tener en cuenta para la estimacin, adems de los valores de la muestra, otra informacin subjetiva que se conozca previamente. Por ello, a diferencia de la estadstica clsica, en el sentido de considerar una muestra aleatoria de una poblacin con funcin de densidad , cuyo parmetro, es un valor fijo que pertenece al conjunto , el enfoque bayesiano considera una muestra aleatoria de una poblacin con funcin de densidad , en la cual el parmetro es entendido como un valor particular de una variable aleatoria , variables que tiene una funcin de densidad cuyo parmetro es totalmente conocido. La funcin recibe el nombre de funcin de densidad a priori de porque describe nuestro conocimiento subjetivo antes de tomar la muestra. Como podemos elegir arbitrariamente la distribucin a priori, en esa eleccin tenemos la oportunidad de plasmar la informacin que tengamos acerca del parmetro. Luego de fijada la distribucin a priori, se toma la muestra. La misma consta de los n valores . Seguidamente, se construye la funcin de verosimilitud de la muestra, que como las n variables son independientes, consiste en el producto de las n funciones de densidad de las dado el parmetro. Lo que estamos buscando es la distribucin del parmetro luego de tomar en cuenta la muestra. Es decir, la distribucin "a posteriori. Mediante la definicin de distribucin condicional podemos escribir: y sta permite deducir directamente un intervalo para estimar el parmetro . La estimacin bayesiana permite obtener buenos resultados aunque la muestra sea chica, porque al elegir la distribucin a priori podemos guiar la "tendencia" del valor del parmetro. Si la distribucin que elegimos a priori es buena y refleja la realidad, entonces estamos partiendo de valores cercanos al real, y la estimacin necesitar menos muestras para "aprender" la ubicacin del parmetro, y por lo tanto con igual tamao de muestra se puede llegar a resultados ms precisos. Hay que tener en cuenta algo muy importante que dependiendo de la naturaleza de , la variable es una variable aleatoria continua o discreta, segn el caso.
INTERVALO DE CONFIANZA
Definicin: Sea una muestra aleatoria de una poblacin con funcin de densidad , la funcin de densidad a priori de , y la funcin de densidad a posteriori de . Sean dos valores de la variable aleatoria tales que: Entonces el intervalo ( ) se denomina intervalo bayesiano para de probabilidad 1- .
El intervalo ( ) se adopta como una estimacin de con probabilidad asociada 1- , cuya interpretacin no es la misma que la de una estimacin del 100(1- ) % para el mismo parmetro. Es vlido entonces decir, dentro del enfoque bayesiano, que la probabilidad de que el parmetro se encuentre entre los valores que dejan un rea de /2 a la izquierda y la derecha de la distribucin a posteriori Universidad Autnoma de Yucatn

respectivamente, donde 1 - es el nivel de confianza, hay que tener muy en claro que sera una interpretacin errnea si se tratase de una estimacin por intervalo.
RESUMEN
En resumen, las principales caractersticas de la estimacin bayesiana son: El parmetro desconocido a estimar no es una constante sino una variable aleatoria. La estimacin bayesiana permite usar el conocimiento subjetivo previo que se tenga acerca del parmetro, mediante la eleccin arbitraria de la distribucin a priori . No nos quedan valores imposibles en la estimacin, ya que podemos darle a la distribucin a priori valores de densidad de probabilidad no nulos solamente para los valores posibles del parmetro. La estimacin bayesiana permite obtener buenos resultados con muestras ms pequeas, porque la distribucin no tiene que aprender la tendencia desde el comienzo, sino que puede partir con una tendencia preestablecida. Si la distribucin a priori elegida es buena, entonces se convergir al resultado ms rpidamente con una menor cantidad de valores. Todo esto vale tambin para distribuciones discretas, usando donde corresponda funcin de probabilidad y sumatoria en vez de funcin de densidad e integral.
EJEMPLOS CASO DISCRETO
La variable aleatoria discreta X tiene la siguiente distribucin:
{ donde w es un nmero real entre 0 y 2. Se sabe adems que es ms probable que w se encuentre cerca del 2 que del 0. Para estimar bayesianamente el parmetro w, se toma una muestra de 4 valores de X obtenindose: 2, 1, 3, 2. Haga una estimacin puntual de w, y determine tambin un intervalo del 95% de confianza. Resolucin: Como w es un nmero real entre 0 y 2, y adems es ms probable que w se encuentre cerca del 2 que del 0, podemos plantear, por ejemplo, la siguiente distribucin a priori:
Universidad Autnoma de Yucatn

{ A continuacin, notaremos que los valores de la muestra que vamos a tomar son las variables aleatorias distribuidas segn:
{ La distribucin de la muestra dado w es:

Usando la muestra, podemos evaluar las

en los correspondientes

( Simplificando un poco se obtiene:
La distribucin conjunta de la muestra con el parmetro es:

La distribucin a posteriori es:
Es decir:

{ ( )
Hallamos el valor de k: ( ) Luego, la distribucin a posteriori es:
Hacemos la estimacin puntual: Hallamos el intervalo del 95% de confianza: ( ) ( )
Haciendo las cuentas, nos queda que L1 = 0.446 y L2 = 1.764 Luego, el intervalo del 95% de confianza para estimar w es (0.446 ; 1.764).
CASO CONTINUO
Una mquina produce piezas cuyo peso est dado por la siguiente distribucin: { La mquina tiene una perilla que permite seleccionar el valor de b. Pero un da la perilla se rompe, y el operario no sabe si qued ajustada en b = 5 en b = 8. Sabe que una de las dos es correcta, pero no est seguro de cul. Mirando la perilla rota, le parece que b = 8 es el doble de probable que b =5. Para sacarse la duda, toma una muestra de 6 piezas producidas por la mquina y obtiene los siguientes pesos: 17.22, 3.49, 9.57, 1.36, 0.91, 20.86. Qu puede informar?

Resolucin: Si las nicas dos opciones son b = 5 y b = 8, y adems b = 8 es el doble de probable que b = 5, entonces se puede fijar la siguiente distribucin a priori para el parmetro b:
{ Los pesos de las piezas que toma el operario son las variables aleatorias { distribuidas segn:
La distribucin de la muestra dado b es: La distribucin conjunta de la muestra con el parmetro es: {
La distribucin a posteriori para es:

( | ) { Ahora vamos a usar la informacin de la muestra. Ponemos n = 6 y reemplazamos los por los obtenidos. valores

Para que la distribucin cierre a 1, k =2.7061108. Queda: { La opcin b = 8 qued mucho ms probable que la opcin b = 5. Entonces la opcin correcta es probablemente b = 8.
REFERENCIAS
Jorge Humberto Mayorga lvarez. (2004). Inferencia Estadstica. Lugar de publicacin: Bogot (Colombia). Edicin e impresin: Universidad Nacional de Colombia. 1ra Edicin.(Pgs. 84,177,178). Alejandro D. Zylberberg. Captulo 11: Estimaciones Bayesianas. Recuperado el da 10 de Abril del 2013 de URL de la fuente: http://www.bibliocomunidad.com/web/libros/11.1%20%20Estimacion%20bayesiana.pdf (Pg. 1,2, 8-13 ejercicios # 2 y 3).

Estimaciones Bayesianas de Intervalos

Cargado por

Copyright:

Formatos disponibles

Estimaciones Bayesianas de Intervalos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estimaciones Bayesianas de Intervalos

Cargado por

Copyright:

Formatos disponibles

ES T I M A C I O N ES BAYESIANAS DE INTERVALOS

Estimaciones Bayesianas de intervalos

Estimaciones Bayesianas de intervalos

EJEMPLOS CASO DISCRETO

La variable aleatoria discreta X tiene la siguiente distribucin:

Universidad Autnoma de Yucatn

Estimaciones Bayesianas de intervalos

{ La distribucin de la muestra dado w es:

Usando la muestra, podemos evaluar las

( Simplificando un poco se obtiene:

La distribucin conjunta de la muestra con el parmetro es:

La distribucin a posteriori es:

Universidad Autnoma de Yucatn

Estimaciones Bayesianas de intervalos

Hallamos el valor de k: ( ) Luego, la distribucin a posteriori es:

Hacemos la estimacin puntual: Hallamos el intervalo del 95% de confianza: ( ) ( )

Universidad Autnoma de Yucatn

Estimaciones Bayesianas de intervalos

La distribucin a posteriori para es:

Universidad Autnoma de Yucatn

Estimaciones Bayesianas de intervalos

Universidad Autnoma de Yucatn

También podría gustarte