1 / 12

Ejemplos de inferencia bayesiana normal

Ejemplos de inferencia bayesiana normal. Programa de doctorado en Estadística, Análisis de datos y Bioestadística Inferencia Estadística Jordi Ocaña Rebull. Datos: resistencia en gramos de una muestra de 20 hilos. Estadísticos básicos. Mean: 50.0000000 Median: 50.0000000

Albert_Lan
Télécharger la présentation

Ejemplos de inferencia bayesiana normal

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Ejemplos de inferencia bayesiana normal Programa de doctorado en Estadística, Análisis de datos y Bioestadística Inferencia Estadística Jordi Ocaña Rebull Departament d’Estadística Divisió de Ciències Experimentals i Matemàtiques

  2. Datos: resistencia en gramos de una muestra de 20 hilos

  3. Estadísticos básicos Mean: 50.0000000 Median: 50.0000000 3rd Qu.: 52.2500000 Max: 58.0000000 Total N: 20.0000000 NA's : 0.0000000 Variance: 18.3157895 Std Dev.: 4.2796950 Sum: 1000.0000000 SE Mean: 0.9569689 LCL Mean: 47.9970411 UCL Mean: 52.0029589 Skewness: 0.3804833 Kurtosis: 0.6004640

  4. Inferencia sobre la media si suponemos s2=20, conocida • Densidad a posteriori: N(50, 1)

  5. Conclusiones: • En principio bastaría con dar como “resultado” la posterior anterior • Análisis más útil a destinatario no estadístico: varios I.C. (p.e. 50%: 500.67; 75%: 501.15; 90%: 501.64; 95%: 501.96; 99%: 502.58) y respuesta, siempre en base a la densidad posterior, a diversas cuestiones que pueda plantear

  6. Inferencia sobre la media si suponemos s2 desconocida • Distribución posterior t(50, 0.916, 19)

  7. Conclusiones: • Supongamos que gran interés en una resistencia media, como mínimo, de 49g: • Respuesta: “creo, según mi distribución a posteriori, que la probabilidad de que esto ocurra es casi del 85%”

  8. Comparación de dos muestras • Dos métodos de hiladura, con:

  9. Cálculo de aproximación a posterior de Behrens-Fisher

  10. Aproximación de Patil a la posterior de Behrens-Fisher • La distribución posterior de la diferencia de medias es t(5, 4.035, 13.38), o bien: • I.C. 95%: 0.6728959, 9.3271041 • a partir de t(0.975, 13.38)=2.154148, según S-Plus • Cualquier inferencia debería estar basada en esta distribución

  11. Inferencia para la ratio de varianzas • Métrica “data translated”: log s Þ mejor considerar log F para inferencia sobre ratio de varianzas • La posterior para log F es:

  12. Ratio de varianzas:datos de resistencia de hilos • Un intervalo de confianza basado en la posterior p(log F) anterior sería el I.C. “estandarizado” • Tendría extremos 1.1722 y 10.4895 (expresado en términos de ratio de varianzas, no de los logaritmos) • De este I.C. o de simple observación de la posterior parece más razonable suponer heteroscedasticidad

More Related