Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MODELOS
Página de Abertura
Clase 10
Contenido
Juan Carlos Correa
JJ II 15 de octubre de 2019
J I
Página 1 de 22
Regresar
Full Screen
Cerrar
Abandonar
Página www
Distribuciones No Informativas en
Página de Abertura
el Modelo Lineal Bayesiano
Contenido
Yang y Berger (1998) presentan varias razones por las cuales es
JJ II
importante considerar las distribuciones no informativas. Tene-
mos entre ellas
J I
Con frecuencia la elicitación de las distribuciones apriori es
Página 2 de 22
imposible, por múltiples razones, por ejemplo, limitaciones
de costo o tiempo, o resistencia o falta de entrenamiento
Regresar
de los clientes.
El análisis estadı́stico debe aparecer como “objetivo”.
Full Screen
Página de Abertura
Contenido
Página 3 de 22
El análisis bayesiano con distribuciones no informativas
puede utilizarse para obtener procedimientos clásicos bue-
Regresar nos.
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Aún cuando un investigador tenga creencias apriori fuertes,
JJ II
puede ser más convincente analizar los datos utilizando una
apriori de referencia dominada por la verosimilitud.
J I
Además podemos automatizar el proceso de hallar aprioris.
Página 4 de 22 Yang y Berger (1998) proporcionan un amplio catálogo de
distribuciones no informativas que es útil en el trabajo apli-
Regresar
cado.
Full Screen
Cerrar
Abandonar
Página www
J I ξ (β, τ ) ∝ 1
Página 5 de 22
con la cual la aposteriori termina siendo proporcional a la ve-
rosimilitud.
Regresar
Abandonar
Apriori de Jeffreys
Página www
Página de Abertura
Contenido
JJ II
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
JJ II
La distribución apriori de Jeffreys es localmente uniforme y
por lo tanto no informativa. Esta propiedad es importante ya
J I que nos proporciona un esquema automatizado para hallar dis-
tribuciones apriori no informativas para cualquier modelo pa-
Página 8 de 22 ramétrico (Ibrahim, 2002). Esta distribución es impropia para
muchos modelos, sin embargo, es propia para algunos.
Regresar
Full Screen
Cerrar
Abandonar
Página www Diferenciación de formas lineales y
Página de Abertura cuadráticas
Contenido
∂ a0x
=a
JJ II
∂x
J I ∂ a0x
0
= a0
∂x
Página 9 de 22
Regresar
∂ Bx
=B
∂ x0
Full Screen
0
∂ (Bx)
Cerrar
= B0
∂x
Abandonar
Página www
Página de Abertura
Contenido
JJ II ∂ x0Ax
= (A + A0) x
∂x
J I
Si A es simétrica
Página 10 de 22
∂ x0Ax
= 2Ax
Regresar
∂x
Full Screen
Cerrar
Abandonar
Apriori No Informativa de Jeffreys
Página www
Resultado 21
Página de Abertura
En el caso de distribuciones no informativas la apriori de Jef-
freys es
Contenido
JJ II
ξ (β, τ ) ∝ τ k/2−1
Prueba:
J I
Recordando que la f.d.p. para una sola observación puede ex-
Página 11 de 22
presarse como
τ
2
Regresar f (y |β, τ, x) ∝ τ 1/2 exp − (y − x0β)
2
Full Screen 0
donde β = (β0 , β1 , · · · , βk )
Cerrar
τ
f (y |β, τ, x) ∝ τ 1/2 exp − y 2 − 2yx0β + β 0xx0β
Abandonar
2
Página www
1 τ 2
log (f (y |β, τ, x)) ∝ log (τ ) − (y − x0β)
Página de Abertura
2 2
1 τ 2
log (f (y |β, τ, x)) ∝ log (τ ) − y − 2yx0β + β 0xx0β
Contenido
2 2
∂ log (f (y |β, τ, x)) 1 1 2
JJ II = − (y − x0β)
∂τ 2τ 2
∂ log (f (y |β, τ, x))
J I
= −τ (−xy + xx0β)
∂β
Página 12 de 22
∂ 2 log (f (y |β, τ, x)) τ −2
= −
Regresar
∂τ 2 2
2
∂ log (f (y |β, τ, xx))
0
= −τ (xx0)
Full Screen ∂β∂β
2
∂ log (f (y |β, τ, x))
Cerrar = − (−xy + xx0β)
∂β∂τ
Abandonar
Página www
−2
0
Página de Abertura
τ −τ2 − (−xy + xx β)
I = −E 0
β − (−xy + xx β) −τ (xx0)
Contenido
τ −2
JJ II
0
= 2
0 τ (xx0)
J I
τ −2 k+1
τ −2
Página 13 de 22
τ 0
τ |xx0|
I = 2 =
β 0 τ (xx0) 2
Regresar
Full Screen τ
ξ ∝ τ (k−1)/2
β
Cerrar
Abandonar
Página www
MCMC: Monte Carlo por Cadenas
de Markov
Página de Abertura
Página de Abertura
Contenido
JJ II
Una cadena de Markov es generada muestreando
J I θ(t+1) ∼ p θ|θ(t)
Full Screen
Cerrar
Abandonar
Página www
J I
P (Xn = x0|X0 = x) > 0.
Página 16 de 22
Recurrencia Una cadena de Markov es recurrente si el número
Regresar
promedio de visitas a un estado arbitrario es infinito.
Abandonar
Página www
Aperiodicidad Si un estado x tiene perı́odo d = 1 se dice que
Página de Abertura es aperiódico.
Contenido
En una cadena irreducible todos los estados tienen el mismo
perı́odo. Si ese perı́odo es d = 1, la cadena de Markov es ape-
JJ II riódica.
Full Screen
Xn → X ∼ π
Cerrar
Abandonar
Página www
Página de Abertura
Ergodicidad Una cadena de Markov positiva, recurrente y
aperiódica es llamada ergódica.
Contenido
J I
Si una cadena de Markov con espacio de estados contable
X1, X2, · · · es ergódica con distribución esatcionaria π , enton-
Página 18 de 22
ces desde cualquier estado inicial
n
1X
Regresar
h (Xi) → Eπ [h(X)]
n i=1
Full Screen
Cerrar
Abandonar
Página www
0 (t)
Regresar La densidad q θ |θ puede ser tan simple como una nor-
(t)
mal localizada en θ y no es necesario que se parezca a
Full Screen
p(θ).
Cerrar
Abandonar
Página www
Abandonar
Página www
Página de Abertura
Qk
Regresar
3. q (θ|θ∗ ) = i=1 ξ (θi |θ∗ < i, θ>i ) ⇒ α (θ, θ∗ ) = 1: Mues-
treador de Gibbs.
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
El Algoritmo Metropolis
Contenido
Aquı́ la distribución propuesta es simétrica, esto es,
JJ II
q (θ|θ∗) = q (θ∗|θ) ,
J I como en el caso de una Normal centrada en el punto actual,
entonces el factor ∗
Página 22 de 22 q (θ|θ )
= 1,
q (θ∗|θ)
Regresar
Cerrar
Abandonar
Página www
Cerrar
Abandonar