Vous êtes sur la page 1sur 5

Tare 3 Métodos bayesianos

Sebastián Reveco

Luego de calcular la distribución a posteriori


−1 2
𝜋(𝑥/𝑌) = 𝑒 162(𝑦−𝑥) ⋅ 𝑥(1 − 𝑥)2

Proseguimos a generar la muestra con los 1000 datos y hacer el pertinente histograma

ejercicios

1-Nos queda el siguiente histograma al realizarlo a partir de la muestra 1000 número aleatorio

b) nos quedamos con el estimado bajo perdida cuadrática que es su esperanza 31.24, El
verdadero valor del contenido porcentual de un compuesto químico en un cierto tipo de alimento
es 31.24%.

c) IC (20.48561 ; 45.04664) en el intervalo están los compuestos que no p


uede tener más del 40% de este compuesto por lo cual cualquiera que este
fuera de este intervalo presentara un compuesto superior al 40%, en este
caso se puede creer que el alimento contiene más del 40% del compuesto
2)

2.a)

Tenemos que la distribución a posteriori viene dada de la siguiente fo


rma
−1 9 2 ∑9 2
𝜋(𝑥|𝑌) = 𝑒 162(∑𝑖=1 𝑦𝑖 −2𝜇 𝑖=1 𝑦𝑖+𝑥 𝑛) ⋅ 𝑥(1 − 𝑥)2

Nos queda el siguiente histograma al realizarlo a partir de la muestra 1000 número


aleatorio

2.b) nos quedamos con el estimado bajo perdida cuadrática que es su esperanza
23.36, El verdadero valor del contenido porcentual de un compuesto químico en un
cierto tipo de alimento es 23.36%.

2.c) Con un intervalo de confianza del 90%, el verdadero valor del contenido
porcentual de un compuesto químico en un cierto tipo de alimento se encuentra
entre 18.7715 y 28.0737 Se puede sospechar que el alimento no contiene más del
40% del compuesto químico.
̅ ± 𝑍1−𝛼 ∙
2.d) Aplicando la fórmula de intervalos de confianza IC = ( 𝑦
2
𝜎
)
√𝑛
el intervalo de confianza de 90% de confianza quedara IC (22.0253 ; 24.6902)
se puede ver que el intervalo de confianza frecuentista es menor que el intervalo de
confianza bayesiana. Tenemos que el intervalo de confianza realizado para el caso
bayesiana proviene de una distribución asimétrica

2.e)

Anexo

library(MASS)

f<-function(x){exp((-1/162)*(20-x)^2)*x*(1-x)^2}

f(1)

N=11000

x=rep(0,N)

M<-1000

##Paso 1

x[1]=0.5

##Paso 2

for(t in 2:N)

y=rnorm(1,x[t-1],1)##Simular la y de la normal con media igual al x[1]

num=f(y)*dnorm(x[t-1],y,1)##Numerador, normal evaluada en el x[1]

dem=f(x[t-1])*dnorm(y,x[t-1],1)##Denominador, se intercambia la media por la posicion

alpha=min(1,num/dem)

u=runif(1)#para comparar el aplha

if(u<=alpha){x[t]=y}else{x[t]=x[t-1]}
}

x2<-x[(M+1):N]

hist(x)

truehist(x,main="Histograma de números aleatorios")

d<-density(x)

lines(d$x,d$y,col=2,lwd=2)

#1-b

summary(x2)

##1-c

quantile(x2,0.05)

quantile(x2,0.95)

#Pregunta 2

s=20+25+18+22+15+21+29+14+34 ###si lo intento como vector no da

S=20^2+25^2+18^2+22^2+15^2+21^2+29^2+14^2+34^2

f<-function(x){(x*(1-x)^2)*exp((-1/162)*(S-2*x*s+(x^2)*9))}

f(1)

N=11000

x=rep(0,N)

M<-1000

##Paso 1

x[1]=0.5

##Paso 2

for(t in 2:N)

y=rnorm(1,x[t-1],1)##Simular la y de la normal con media igual al x[1]

num=f(y)*dnorm(x[t-1],y,1)##Numerador, normal evaluada en el x[1]

dem=f(x[t-1])*dnorm(y,x[t-1],1)##Denominador, se intercambia la media por la posicion

alpha=min(1,num/dem)

u=runif(1)#para comparar el aplha


if(u<=alpha){x[t]=y}else{x[t]=x[t-1]}

x2<-x[(M+1):N]

hist(x)

truehist(x,main="Histograma de números aleatorios")

d<-density(x)

lines(d$x,d$y,col=2,lwd=2)

#pregunta 2-b

summary(x2)

#1-c región de credibilidad

quantile(x2,0.05)

quantile(x2,0.95)

###pregunto 2d

mean(x2)

23.3578-(1.645*81/sqrt(10000))

23.3578+(1.645*81/sqrt(10000))