Introducción al pensamiento Bayesiano
Introducción al pensamiento Bayesiano
Introducción al pensamiento Bayesiano
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
pred[1,] 0 0.02808924[2,] 1 0.04647102[3,] 2 0.05979678[4,] 3 0.07613188[5,] 4 0.09129575[6,] 5 0.10025206[7,] 6 0.10094968[8,] 7 0.09389857[9,] 8 0.08141436[10,] 9 0.06654497[11,] 10 0.05199912[12,] 11 0.03953367[13,] 12 0.02990315[14,] 13 0.02314587[15,] 14 0.01889113[16,] 15 0.01654018[17,] 16 0.01538073[18,] 17 0.01492458[19,] 18 0.01552235[20,] 19 0.01679584[21,] 20 0.01251910Se observa que el número de éxitos con mayor probabilidad corresponde a y = 5 y y = 6.Suponga que la distribución a priori para p es beta con parámetros <strong>al</strong>pha y beta. En este caso ladistribución predictiva es:fy f y| m,pgpmB y, m y Bdp para y 0,,m y B, Las probabilidades predictivas usando la distribución beta pueden c<strong>al</strong>cularse usando la funciónpbetap. Los argumentos de esta función son el vector de parámetros ab correspondientes a <strong>al</strong>phay beta, el tamaño de la muestra futura m y el vector de número de éxitos y. La s<strong>al</strong>ida es el vectorde probabilidades predictivas correspondientes a y.> ab = c(3.4, 7.4)> m = 20> y = 0:20> pred = pbetap(ab, m, y)> cbind(0:20, pred)