Estadistica Bayesiana 2019 02 Parcial 1

Teorı́a Estadı́stica Bayesiana
Parcial 1
Departamento de Estadı́stica
Universidad Nacional de Colombia
Sede Bogotá
9 de octubre de 2019
1. Introdución
Bienvenidas y bienvenidos al primer parcial. Pueden trabajar en grupo,
máximo dos personas. Preparen su informe en cuadernos de Jupyter Lab. Sus
códigos debe escribirlos en Pyhton o Stan, según lo requiera. Envı́e la solución
de su examen antes de la media noche (12.00 de la noche) del dı́a 13 de octu-
bre de 2019 a las direcciones electrónicas: [email protected];
[email protected]
2. Conceptos Básicos.
Valor: 2.0
1. Haga una corta disertación de máximo una hoja, sobre el algorit-

mo Metropolis-Hastings, con base en el artı́culo: Understanding the
Metropolis-Hastings algorithm de Chib y Greenber.
2. Hamiltonian Monte Carlo Markvov Chain. Explique el uso de la dinámi-

ca Hamiltoniana para muestrear una distribución. Báse su explicación
en el artı́culo A Conceptual Introduction to Hamiltonian Monte Carlo
de M.Betancourt. Implemente un ejemplo sencillo. Puede basarse en el
artı́culo MCMC Using Hamiltonian Dynamics de R. Neal, página 125.
1
3. Inferencia Variacional Explique en que consiste la inferencia variacio-
nal. Base su respuesta en el artı́culo Black Box Variational Inference
de Ranganath, Gerrish y Blei. Implemente un ejemplo sencillo, basado
en el artı́culo.
3. Modelo Binomial -Beta.

Valor: 0.5.
Considere un modelo de observación Binomial. y ∼ Bin(n, π).
1. Considere la a priori plana p(π) ∝ 1. encuentre la distribución a pos-

teriori, y el estimador bayesiano EAP de π.
2. Considere la a priori de Jeffreys p(π) ∝ [I(π)]1/2 . Encuentre la distri-

bución a posteriori de π y el estimador bayesiano EAP de π.
3. Considere la a priori general Beta(α, β). Encuentre la distribución a

posteriori de π, el estimador bayesiano EAP de π y la varianza de la
distribución posterior the π.
4. Aplicaciones usando Stan.

Valor: 2.0.
Para esta parte se suguiere consultar el texto Modelos de regressão com
apoio computational de G. A. Paula.
4.1. Modelo para datos asimétricos

Los datos para este problema se encuentra en el archivo turbina.dat.
La tabla 4.1,, muestran los resultados de un experimento conducido para
evaluar el desempeño de cinco tipos de turbina de alta velocidad para motores
de aviación. Fueron considerados 10 motores de cada tipo para el análisis.
Verifique que es razonable suponer que cada medida Tij , i = 1, . . . , 5, j =
1, . . . , 10 puede ser modelada como Tij ∼ Gamma(µi , φ), en donde
µi = µ + βi , i = 1, . . . , 5
2
Tipo 1 Tipo 2 Tipo 3 Tipo 4 Tipo 5
3.03 3.19 3.46 5.88 6.43
5.53 4.26 5.22 6.74 9.97
5.60 4.47 5.69 6.90 10.39
9.30 4.53 6.54 6.98 13.55
9.92 4.67 9.16 7.21 14.45
12.51 4.69 9.40 8.14 14.72
12.95 5.78 10.19 8.59 16.81
15.21 6.79 10.71 9.80 18.39
16.04 9.37 12.58 12.28 20.84
16.84 12.75 13.41 25.46 21.51
Cuadro 1: Tiempo (en millones de ciclos) hasta perder velocidad por tipo de
turbina, de 10 10 motores por cada tipo de turbina
Use Stan para obtener una estimación de los parámetros µ, βi , i = 1, . . . , 5,

y φ. Haga una discusión detallada de los resultados. Incluya los datos, gráficas
y estadı́sticas que considere necesarios.
Sugerencia: Para la distribución Gama use la parametrización f (y; µ, φ) =
φ
1 φy φy
Γ(φ) µ
exp − µ
.
4.2. Modelo para datos binarios

La tabla 4.2 muestra parcialmente los datos experimentales sobre la in-
fluencia de la razón y del volúmen del aire aspirado en la constricción vascular
de la piel de los dedos de la mano, de un experimento reportado por Predigon.
La tabla de datos completa se encuentra en el archivo pregibon.dat.
La respuesta es dicotómica: ocurrencia (1), y no ocurrecia (0). Se asume
para cada observación Yi ∼ Ber(πi ). El modelo lineal logistico es definido
por

πi
log = β1 + β2 log(volúmen)i + β3 log(razón)i .
1 − πi
Use Stan para obtener una estimación de los parámetros βi , i = 1, . . . 3.

Haga una discusión detallada de los resultados. Incluya los datos, gráficas y
3
estadı́sticas que considere necesarios.
Obs Volume Razón Respuesta

1 3.70 0.825 1
2 3.5 1.090 1
3 1.25 2.500 1
... ... ... ...
7 0.60 0.75 0
8 1.10 1.700 0
9 0.90 0.75 0
Cuadro 2: datos sobre influencia de la razón y del volúmen del aire aspirado
en la constricción vascular de la piel de los dedos de la mano
5. Como entregar el examen

Prepare su informe en Latex. Incluya el código de su programa en un
archivo de texto por separado. Envı́e la solución de su examen antes de
las 12.00 de la noche del 9 de abril de 2017 a las direcciones electrónicas:
[email protected]; [email protected]

Estadistica Bayesiana 2019 02 Parcial 1

Cargado por

Copyright:

Formatos disponibles

Estadistica Bayesiana 2019 02 Parcial 1

Cargado por

Información del documento

Descripción original:

Título original

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

Estadistica Bayesiana 2019 02 Parcial 1

Cargado por

Copyright:

Formatos disponibles

Teorı́a Estadı́stica Bayesiana

1. Haga una corta disertación de máximo una hoja, sobre el algorit-

2. Hamiltonian Monte Carlo Markvov Chain. Explique el uso de la dinámi-

3. Modelo Binomial -Beta.

1. Considere la a priori plana p(π) ∝ 1. encuentre la distribución a pos-

2. Considere la a priori de Jeffreys p(π) ∝ [I(π)]1/2 . Encuentre la distri-

3. Considere la a priori general Beta(α, β). Encuentre la distribución a

4. Aplicaciones usando Stan.

4.1. Modelo para datos asimétricos

Use Stan para obtener una estimación de los parámetros µ, βi , i = 1, . . . , 5,

4.2. Modelo para datos binarios

Use Stan para obtener una estimación de los parámetros βi , i = 1, . . . 3.

Obs Volume Razón Respuesta

5. Como entregar el examen

También podría gustarte