Ep grafe 5 Regiones de credibilidad

Sergio Porres Blanco t71280634@correo.ugr.es Alexis Molino amolino@correo.ugr.es Federico Platero Herrero fedenea@correo.ugr.es Emilio Requena Garc a emrega@correo.ugr.es

Ampliacin de Estad o stica o 3 de Matemticas a Universidad de Granada Curso 2010/11

 Indice
1 Regiones de credibilidad 1.1 1.2 1.3 1.4 Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o Concepto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1 1.4.2 1.5 Media de una normal . . . . . . . . . . . . . . . . . . . . . . . Diferencia de medias . . . . . . . . . . . . . . . . . . . . . . . 5 5 7 7 8 8 8 9 11

Cmo se obtiene el intervalo de m o nima longitud (mxima densidad)? a

Bibliograf a

INDICE

Cap tulo 1 Regiones de credibilidad

1.1 Prefacio

En primer lugar debemos destacar que la gran mayor de los alumnos que estudian a hoy d estad a stica en las facultades de Ciencias, Econmicas y Empresariales de o las universidades espaolas no han cursado nunca un curso completo de Estad n stica Bayesiana y que la gran cantidad de materias estad sticas y economtricas que han e cursado fueron utilizando el enfoque clsico o frecuentista. Por tanto, solicitar a estos a profesores que impartan un curso de estad stica elemental en trminos bayesianos e puede resultar una tarea ms que dif a cil. Varias suelen ser las argumentaciones esgrimidas: 1. Los conceptos de la estad stica bayesiana son demasiado complicados para los alumnos. 2. El carcter subjetivo de la aproximacin bayesiana y su necesidad de asignar a o probabilidades a priori. 3. Los mtodos clsicos dominan las disciplinas cient e a cas. Veamos algunos comentarios a estas objeciones. La Estad stica Bayesiana slo tiene o algunas ideas bsicas (tres para ser ms concretos): la informacin inicial (proba a o abilidad a priori), el modelo probabil stico (verosimilitud) y el teorema de Bayes. A continuacin, todos los conceptos y clculos uyen de forma inmediata, lgica y o a o perfectamente asimilable por el alumno. Situmonos, por ejemplo, en el concepto de intervalo de conanza. En la Unie versidad de Las Palmas realizaron una pequea experiencia con los alumnos de la n 5

CAP ITULO 1. REGIONES DE CREDIBILIDAD

asignatura optativa, Mtodos Bayesianos. Esta asignatura se imparte en el primer e cuatrimestre para alumnos de cuarto curso de Econom Despus de las dos o a. e tres primeras semanas de clase, dedicadas en entender los tres conceptos citados anteriormente realizaron con alumnos del tercer curso (estos alumnos han cursado o estn cursando las siguientes asignaturas de carcter cuantitativo: Matemticas a a a I a IV, Estad stica I a III, Introduccin a la Econometr y Econometr I, adems o a a a algunos han podido cursar una optativa de Tcnicas de Muestreo) la siguiente exe perimentacin: se les pasa un pequeo texto que hace referencia a inferencia sobre o n proporciones (asistencia a un concierto, porcentaje de fumadores en una poblacin, o etc.) y a continuacin se les comunica el resultado de la estimacin obtenida para o o que ellos la interpreten, debiendo el alumno elegir una entre tres propuestas de interpretacin. El ejemplo realizado fue el siguiente: o
Imaginemos que para hacernos una idea del porcentaje de asistentes universitarios al prximo Campus Rock se o ha elegido una muestra representativa de los estudiantes de toda la universidad y se obtuvo que el intervalo de conanza al 95 por ciento result: [0.33,0.45]. Esto quiere decir que: o 1. Hay una probabilidad de 0.95 de que la proporcin de asistentes est comprendida entre 0.33 y 0.45. o e 2. Si tomamos muchas muestras iguales y calculamos sus respectivos intervalos, aproximadamente el 95 por ciento de los intervalos contiene a la proporcin de asistentes. o 3. Conamos un 95 por ciento en que el intervalo [0.33,0.45] contiene la proporcin. o

Fueron entrevistados 66 alumnos y los resultados obtenidos fueron: 43 eligieron la primera opcin, 8 la segunda opcin y 15 la tercera opcin. Muchos profesores y o o o alumnos saben calcular perfectamente intervalos de conanza. Sin embargo, resulta sorprendente escuchar la interpretacin que de ellos hacen cuando lo han obtenido: o alumnos que no han recibido ninguna formacin en anlisis bayesiano y que opo a tan mayoritariamente por la interpretacin bayesiana de los intervalos de conanza. o Sorprendente, verdad?. Respecto al carcter subjetivo del enfoque bayesiano y que a por ello es poco cient co, jmonos en expresiones utilizados frecuentemente entre e los cient cos: es generalmente aceptado...?, nosotros pensamos ahora que...?, etc. En un mundo como el de la Ciencia, la Econom y la Empresa no es extrao el a n poder de generar estados de opinin que tienen los expertos. Lo conocido en Cieno cia, en general, y en Econom en particular, es aquello aceptado por una inmensa a, mayor de los cient a cos. La Ciencia progresa cuando los cient cos alteran sus opiniones en funcin de todo el acervo acumulado y cuando los cient o cos tratan de persuadir a otros cient cos para que corrijan sus opiniones. El teorema de Bayes es precisamente la herramienta perfecta para probar cmo los resultados experimeno tales pueden hacer varias las opiniones iniciales. La no existencia de distribuciones a priori que puedan ser utilizadas a modo de caja negra, tambin suele ser una fuente e de cr ticas. Pero, es que las opiniones de los expertos deben coincidir siempre?

 1.2. INTRODUCCION

Otra cosa es que la modelizacin de dicha informacin a priori pueda ser exible. o o Numerosos trabajos prueban que hoy d esto es posible. Por ultimo, muchas pera sonas indican que la aproximacin bayesiana es poco usada en la Ciencia Econmica o o y que por esta razn no debe de ser utilizada. Nada ms alejado de la realidad. o a Un somero repaso a la amplia bibliograf que existe nos har darnos cuenta que la a a situacin ha cambiado sustancialmente. Slo a t o o tulo de ejemplo podemos citar a Klugman (1992), Steele (1992), Zellner (1996), Sander y Badoux (1997), entre otros muchos.

1.2

Introduccin o

La idea de una regin de credibilidad es proporcionar el anlogo de un intervalo de o a conanza en estad stica clsica. El razonamiento es que los estimadores puntuales no a proporcionan una medida de la precisin de la estimacin. Esto causa problemas en o o la estad stica clsica desde que los parmetros no son considerados como aleatorios, a a por lo tanto no es posible dar un intervalo con la interpretacin de que existe una o cierta probabilidad de que el parmetro est en el intervalo. En la teor bayesiana a e a no hay dicultad para realizar esta aproximacin porque los parmetros son tratados o a como aleatorios.

1.3

Concepto

Denicin 1.3.1. Una regin de credibilidad para , al nivel de conanza 1 es o o un subconjunto C tal que: (|x1 , x2 , ..., xn )d
C

(caso continuo) (caso discreto)

1 P { C|x1 , x2 , ..., xn } =

(|x1 , x2 , ..., xn )
C

Un aspecto importante con las regiones de credibilidad (y lo mismo sucede con los intervalos de conanza) es que no son denidos de forma unica. Cualquier regin con probabilidad (1 ) cumple la denicin. Pero solamente se o o desea el intervalo que contiene unicamente los valores ms posibles del parmetro, a a por lo tanto es usual imponer una restriccin adicional que indica que el ancho del o

CAP ITULO 1. REGIONES DE CREDIBILIDAD

intervalo debe ser tan pequeo como sea posible. n Para hacer sto, uno debe considerar slo aquellos puntos con e o grandes. Esto conduce a una regin de la forma: o

(|x1 , x2 , ..., xn ) ms a

C = C (x1 , x2 , ..., xn ) = { : f (|x1 , x2 , ..., xn ) }

donde es elegido para asegurar que

C

f (|x1 , x2 , ..., xn )d = 1 .

La regin C que cumple las anteriores condiciones se denomina regin de deno o sidad posterior ms grande (HPD), mxima densidad. a a Generalmente, un HPD es encontrado por mtodos numricos, aunque para muchas e e distribuciones univariadas a posteriori, los valores de la variable aleatoria correspondientes son tabulados para un rango de valores de .

1.4
1.4.1

Ejemplos
Media de una normal

Sean {x1 , x2 , ..., xn } una muestra aleatoria de una distribucin normal N (, 2 ), con o 2 conocido, con una a priori para de la forma: N (b, d2 ). Se sabe que: |x1 , x2 , ..., xn N
x b + n d2 2 1 n + 2 d2

1
1 + n d2 2

Si n , entonces x z/2 n , luego el conjunto veraz es igual al de estad stica clsica. Pero sus interpretaciones son distintas. a

1.4.2

Diferencia de medias

Si consideramos dos muestras de dos distribuciones normales, el conjunto veraz, al igual que pasaba en la estad stica clsica es a ( y ) z/2 x /m + /n

 1.5. COMO SE OBTIENE EL INTERVALO DE MAXIMA DENSIDAD?

De nuevo sus interpretaciones son distintas. Veamos un ejemplo prctico: a El peso que se obtiene (en gramos) entre los 28 d y 84 d de edad de ratas, as as recibiendo una dieta de alta prote de m = 12 ratas fue como sigue: na Ratas i 1 Peso xi ganado 134 2 3 4 5 6 7 8 146 104 119 124 161 107 83 4 5 6 7 85 107 132 94 9 10 11 12 113 129 97 123

Mientras que el peso que ganan n = 7 ratas con una dieta de baja prote fue: na Ratas i 1 2 3 Peso yi ganado 70 118 101

La media de la muestra y la suma de cuadrados del grupo de alta prote es na 5032 x = 120 y 5032, lo que implica que tiene una varianza de = 457. Para el grupo 11 de baja prote la media y la suma de cuadrados son y = 101 y 2552 que implica na 2552 = 425. Aunque los valores de la varianza fueron una varianza de la muestra 6 derivados de la muestra, el mtodo que se utilizara es como si fueran conocidos e (quiz despus de la experiencia). Entonces: a e m = 12 n=7 x = 120 y = 101 = 457 = 425

de lo cual la distribucin a posteriori del parmetro que mide el efecto de usar una o a dieta con una alta prote en vez de una dieta de baja prote es: na na N (120 101, 457 + 12
425 ) 7

i.e.

N (19, 99)

As podemos concluir que a un nivel de conanza del 90 , 19 1.6449 99 es decir (3, 35)

1.5

Cmo se obtiene el intervalo de mxima o a densidad?

Los pasos a seguir son: 1. Localizar la moda de la funcin de densidad (posterior) de ; o 2. A partir de la moda trazar l neas rectas horizontales en forma descendiente hasta que se acumule (1 ) de probabilidad.

10

CAP ITULO 1. REGIONES DE CREDIBILIDAD

Bibliograf a
[1] http://www.seqc.es/dl.asp?175.145.205.255.15.30.27.21.118.133. 24.113.255.173.47.1.166.145.65.159.249.7.59.163.237.42.218.86.73. 106.100.248.12.234.154.48.107.179.86.74.192.123.197.233.138.170. 34.105 [2] Sobre la enseanza de rudimentos de Estad n stica Bayesiana con aplicaciones en Econom y Empresa. F.Vzquez Polo y M. Martel Escobar. a a [3] Introduccin a la Estad o stica Bayesiana (Caso Comparacin de medias). Yuo panqui Pacheco, Rosalynn Miluska.

11