Documente Academic
Documente Profesional
Documente Cultură
Teorı́a y propiedades
Junio, 2018
1 − πo
Z
P(H1 |X = x) = R f (X |θ)g1 (θ)dθ (5)
Θ π(θ)f (X |θ)dθ Θ1
H0 : θ ∈ Θ0 vs H1 : θ ∈ Θ1 .
Sea:
Z
mi (xn ) = f (Xn = xn |θ)gi (θ)dθ, i = 0, 1.
Θi
Teorema
Existe una relación explı́cita entre P(H0 |xn ) y BF01 (xn ) si π0 se conoce.
Esta está dada por:
−1
1 − π0 −1
P(H0 |xn ) = 1+ BF01 (xn ) (7)
π0
¿Qué es el p-valor?
P-valor
El p-valor se define como la probabilidad de obtener un resultado al menos
tan extremo como el que realmente se ha obtenido (valor del estadı́stico
calculado), suponiendo que la hipótesis nula es cierta. En términos de
probabilidad condicional: P(Obtener un resultado al menos tan extremo |H0 )
Observaciones:
1 Los p-valores pueden indicar cómo son los datos de incompatibles con
cierto modelo estadı́stico.
2 Los p-valores no miden la probabilidad de que la hipótesis nula sea
cierta.
3 Conclusiones cientı́ficas no deberı́an basarse únicamente en el hecho
de que un p-valor supere un umbral especificado.
Observaciones:
1 La probabilidad posteriori de H0 depende de la selección de la
distribución priori.
2 Para evitar esta dependencia de la distribución priori, lo ideal es
conseguir la robustez en la priori. Para ello consideramos una clase de
prioris y para no tener preferencia alguna se toma la mı́nima
probabilidad posteriori de H0 en toda la clase de prioris candidatas.
Christian Amao Suxo (UNI) Pruebas de Hipótesis Bayesianas Junio, 2018 11 / 18
Pruebas de Hipótesis Bayesianas Enfoque frecuentista vs bayesiano: P-valor vs P(H0 |Xn )
Ejemplo 3
Supóngase que se desea saber si existe una proporción equilibrada de
hombres y mujeres en cierta población. Para ello, se extrae una muestra
de n = 98451 personas y se observó que 49581 personas eran hombres.
Estadı́sticamente, se desea probar si H0 : θ = 0.5 vs H1 : θ 6= 0.5 donde θ
es la proporción poblacional de hombres (o de mujeres) en la población.
Enfoque frecuentista: Suponiendo H0 cierta y como n es
suficientemente grande, X ∼ N (nθ, nθ(1 − θ)). Entonces el p-valor
será p = 2(1 − Φ(tc )) donde
√
tc = | n(X /n − 0.5)/0.5|
Ejemplo 3 (Continuación)
Enfoque Bayesiano: Suponiendo que g1 (θ) = 1 y suponiendo que
π0 = 0.5 se obtiene que P(H0 |X = 49581) ≈ 0.95. Se concluye que
existe suficiente evidencia más a favor de H0 que de H1 .
Observación:
Según el enfoque frecuentista, estas diferencias observadas se deben a
que el nivel de significancia del test se mantiene constante para
cualquier tamaño de muestra.
Solución propuesta del enfoque clásico: A medida que el tamaño de
muestra crece el nivel de significancia debe disminuir. Se propone
αn = n−k con k ≥ 1/2. Para el ejemplo, si k = 1/2, αn = 0.00318
Ejemplo 4
Supóngase que se tiene una muestra X1 , . . . , Xn con X ∼ N (θ, 1) y se
desea probar que H0 : θ = 0 vs H1 : θ 6= 0. Si se supone una distribución a
priori no informativa para θ (la distribución impropia, por ejemplo) se llega
a la paradoja de Jeffreys - Lindley. Sin embargo, si ahora tomamos en
cuenta la alternativa de Pitman, la priori g1 (θ) según H1 nos conlleva a
√ n δ 2
proponer θ ∼ N (0, δ/n) y se obtiene que BF01 = δ + 1e − 2 ( δ+1 )X . Ası́,
√
si el p-valor es cercano a cero, entonces n|X | → ∞ y por tanto
BF01 → 0, i.e. se resuelve la paradoja de Jeffreys - Lindley.