IntroducciÃ³n al pensamiento Bayesiano

More documents

Recommendations

Info

Para obtener una muestra simulada desde la distribución posterior por el algoritmo anterior seconvierten los productos de la malla en probabilidades:> posterior = posterior/sum(posterior)y tomando una muestra con reemplazo a partir de la malla usando la función sample en R:> ps = sample(p, replace = TRUE, prob = posterior)> hist(ps, xlab="p")
Los valores en la muestra simulada pueden ser usados para resumir cualquier característica deinterés sobre la distribución posterior.PredicciónSuponga que la persona se encuentra también interesada en predecir el número de personas queduermen más de ocho horas y en una futura muestra de m = 20 estudiantes. Si el conocimientoinicial sobre p esta contenida en la densidad g(p) la función predictiva de y esta dada por:y f ypgpf |dp
Page 1 and 2: Introducción al pensamiento Bayesi
Page 3 and 4: p = seq(0.05, 0.95, by = 0.1)> prio
Page 5 and 6: Observando el gráfico anterior se
Page 7 and 8: Hay una probabilidad del 90% de que
Page 9: ptomed = seq(0.05, 0.95, by = 0.1)>
Page 13 and 14: pred[1,] 0 0.02808924[2,] 1 0.04647
Page 15 and 16: table(y)y0 1 2 3 4 5 6 7 8 9 10 11

IntroducciÃ³n al pensamiento Bayesiano

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?