Академический Документы
Профессиональный Документы
Культура Документы
En base a esto, teniendo en cuenta que p ∼ Be(α, β) se tiene, salvo constantes multiplicativas,
que la distribución a posteriori viene dada por:
p|x ∼ Be(23, 8) .
*
En el anexo A pueden consultarse los cálculos realizados con R.
1
2. Obtén una muestra aleatoria de tamaño 1000 de la distribución a posteriori de p, y representa su
densidad empírica, comprándola en la misma gráfica con la densidad a priori y a posteriori de p.
En la gráfica que se muestra en la figura 1 se han representado, en rojo la densidad empírica,
obtenida a partir de la muestra aleatoria de tamaño 1000; en verde, la densidad a priori (Be(1, 1))
y en azul, la densidad a posteriori (Be(23, 8)).
Figura 1
2
Para contrastar la hipótesis nula H0 frente a la alternativa H1 hay que calcular las probabili-
dades correspondientes P r(H0 |p) y P r(H1 |p). Como conocemos explícitamente la distribución a
posteriori, se tiene que
∫ 0.4
P r(H0 |p) = FP (p ≤ 4) = fP (p|α′ , β ′ )dp = 4.93 × 10−5 ,
0
y
P r(H1 |p) = 1 − P r(H0 |p) = 0.999,
descartándose la hipótesis nula frente a la alternativa por ser P r(H1 |p) > P r(H0 |p).
Este resultado se puede intuir si nos fijamos en la gráfica de la densidad a posteriori en p = 0.4
(figura 1) , viendo que el área a la izquierda de ese punto bajo la función es prácticamente
despreciable comparándola con el área a la derecha.
6. En una siguiente fase del estudio, se reciben datos de otros 10 niños que han presentado un
contenido en plomo de más de 22.22 ppm. Calcular la probabilidad predictiva de que al menos 9
de ellos terminen la Educación Secundaria.
La probabilidad de que haya k éxitos en los m siguientes ensayos, sabiendo que hubo x éxitos en
los n primeros ensayos, está dada por
∫ 1( )
m k
P r(k éxitos en m|x) = p (1 − p)m−k f (p|x)dp =
0 k
( )
m Γ(n + α + β) Γ(α + x + k)Γ(β + n − x + m − k)
= .
k Γ(α + x)Γ(n − x + β) Γ(α + β + m + n)
Como nos piden la probabilidad de que al menos 9 de cada 10 niños terminen la Educación
Secundaria, calculamos la probabilidad pedida como sigue, utilizando la anterior expresión con
los valores de α, β, n, x, m y k que ya conocemos:
P r(p ≥ 9|x) = P r(9 éxitos en 10|22) + P r(10 éxitos en 10|22) = 0.190 + 0.0761 = 0.266 .
TAREA IV. Estimando una media normal con una a priori discreta **
Suponemos que estamos interesados en estimar el total anual de precipitaciones en forma de nieve (en
cm), µ, en un pueblo del norte de la Península. Suponemos que los totales anuales recogidos y1 , . . . , yn ,
provienen de una población que sigue una distribución normal de media µ y varianza conocida σ 2 = 102
cm2 .
1. Antes de recoger los datos, suponemos que tenemos las siguientes creencias a priori acerca de la
probabilidad de que la media de las precipitaciones totales anuales µ, tome los siguientes valores:
µ 20 30 40 50 60 70
g(µ) 0.1 0.15 0.25 0.25 0.15 0.1
3
Figura 2
y (cm) 38.6 42.4 57.5 40.5 51.7 67.1 33.4 60.9 64.12 40.1 40.7 6.4
Calcula el valor de la verosimilitud para todos los posibles valores de µ reflejados en la distribución
a priori.
Utilizando esta expresión para la función de verosimilitud, su valor calculado con R para cada µ
se muestra en la tabla 1.
µ 20 30 40 50 60 70
L(µ) 8.91 × 10−41 3.32 × 10−30 7.58 × 10−25 1.06 × 10−24 9.19 × 10−30 4.88 × 10−40
Tabla 1
4
Figura 3
Como puede verse, el mayor valor de la verosimilitud se da para µ = 50, disminuyendo ésta hacia
los extremos. Por tanto, se puede decir que de los valores de la probabilidad que conocemos a
priori, el más verosímil es el de µ = 50.
En la tabla 2 aparecen los resultados obtenidos mediante R, obtenidos con la función ‘discre-
te.bayes.2’ de R, que permite calcular la distribución a posteriori para un modelo de dos paráme-
tros, como es la normal, y una distribución a priori discreta.
µ 20 30 40 50 60 70
f (µ|y) 1.95 × 10−17 1.09 × 10−6 4.16 × 10−1 5.84 × 10−1 3.03 × 10−6 1.07 × 10−16
Tabla 2
5
Figura 4
5. Repetir los apartados 3-4 cuando la distribución a priori se toma como µ ∼ N (µ0 = 60, σ02 = 52 ).
La distribución a posteriori en este caso tiene la forma:
)]2
1( 1 )[ ( µ0
+ nȳ
n σ02 σ2
f (µ|y) ∝ f (µ)f (y|µ) ∝ exp − + µ − ,
2 σ02 σ 2 1
+ n
σ2 0
σ2
esto es, la distribución a priori de µ|x sigue una distribución normal N (a, b), donde
µ0 nȳ
σ02
+ σ2 1
a= 1 n ; b2 = 1 n .
σ02
+ σ2 σ02
+ σ2
Calculándolo con R obtenemos una media de a = 49.00 y una varianza de b2 = 2.452 . Por tanto,
la distribución a posteriori obtenida es
N (49.00, 2.45) .
6
Figura 5
Como se puede observar, los valores de medidas centrales como la media para la distribución a
posteriori son mucho más parecidos a los de la muestra, con ȳ = 45.28 y M e = 41.55, que los de
la distribución a priori.
El intervalo de probabilidad al 80 % para µ, conociendo explícitamente la distribución a posteriori,
se puede calcular mediante los cuantiles 20 y 80 para el extremo inferior y superior respectiva-
mente, obteniéndose que con dicha probabilidad
µ ∈ [46.93, 51.06] .
7
Anexos
A. TAREA III: Script R
y <- c(38.6, 42.4, 57.5, 40.5, 51.7, 67,1, 33.4, 60.9, 64.1, 40.1, 40.7, 6.4)
mu <- c(20, 30, 40, 50, 60, 70)
g_mu <- c(0.1, 0.15, 0.25, 0.25, 0.15, 0.1)
plot(mu, g_mu, xlab = "total precipitaciones anuales (cm)", ylab = "probabilidad")
#representación de L (verosimilitud) vs mu
8
plot(mu, vero.esc, xlab = "precipitaciones anuales (cm)", ylab = "verosimilitud")
sigma.y = 10
sigma0 = 5
mu0 = 60
n.mu = 1e4
results <- normgcp(y, sigma.y, density = "normal", params = c(mu0, sigma0), n.mu )