Fundamentos de la inferencia bayesiana
La inferencia bayesiana trata las cantidades desconocidas como variables aleatorias y utiliza la probabilidad como el único cálculo para representar y actualizar la incertidumbre a la luz de los datos.
Definition
La inferencia bayesiana es el uso del teorema de Bayes para convertir una distribución de probabilidad a priori sobre parámetros desconocidos, combinada con una verosimilitud para los datos observados, en una distribución a posteriori que cuantifica toda la incertidumbre restante sobre esos desconocidos.
Scope
Esta área abarca el núcleo conceptual y matemático del enfoque bayesiano: el teorema de Bayes como regla de actualización, el papel de la verosimilitud, la interpretación de la probabilidad como grado de creencia, la intercambiabilidad como justificación para el modelado estadístico y el contraste entre posturas subjetivas y objetivas. Enmarca el resto de la estadística bayesiana, que construye las distribuciones a priori, la computación y los modelos sobre estos principios.
Sub-topics
Core questions
- ¿Cómo combina el teorema de Bayes las creencias previas con los datos observados para producir una distribución a posteriori?
- ¿Qué papel juega la verosimilitud y por qué la inferencia bayesiana obedece al principio de verosimilitud?
- ¿Cómo justifica la intercambiabilidad la representación de las observaciones como condicionalmente independientes dados los parámetros?
- ¿Cuál es la diferencia entre las interpretaciones subjetivas y objetivas de la probabilidad bayesiana?
Key concepts
- distribución a priori
- función de verosimilitud
- distribución a posteriori
- verosimilitud marginal (evidencia)
- intercambiabilidad
- coherencia
- principio de verosimilitud
Key theories
- El teorema de Bayes como inferencia
- La distribución a posteriori es proporcional a la verosimilitud multiplicada por la distribución a priori; esta única identidad rige cómo un bayesiano actualiza racionalmente la incertidumbre después de observar los datos.
- Teorema de representación de De Finetti
- Una secuencia intercambiable infinita puede representarse como i.i.d. condicionalmente dado un parámetro desconocido con una distribución de mezcla, lo que proporciona una base de probabilidad subjetiva para modelos paramétricos y distribuciones a priori.
- Coherencia y el argumento de la apuesta holandesa (Dutch-book argument)
- Los grados de creencia que obedecen a los axiomas de probabilidad son 'coherentes', evitando configuraciones de apuestas de pérdida segura; este argumento de la teoría de la decisión sustenta el uso bayesiano de la probabilidad para las creencias.
Clinical relevance
Los fundamentos bayesianos sustentan aplicaciones en todas las ciencias donde la incertidumbre debe cuantificarse y actualizarse a medida que se acumula la evidencia, desde el monitoreo de ensayos clínicos y la genética hasta la física, el aprendizaje automático y el análisis de decisiones.
History
El ensayo de Bayes (publicado póstumamente en 1763) y el desarrollo independiente de Laplace dieron inicio al método de probabilidad inversa. Eclipsado por los métodos frecuentistas a principios del siglo XX, el enfoque fue revivido a través de las distribuciones a priori objetivas de Jeffreys, los fundamentos de probabilidad subjetiva de de Finetti y Savage, y, a partir de la década de 1990, los avances computacionales que lo hicieron ampliamente práctico.
Debates
- Distribuciones a priori subjetivas versus objetivas
- Si las distribuciones a priori deben codificar una creencia personal genuina o ser elegidas por reglas formales para minimizar su influencia sigue siendo una disputa fundamental dentro de la estadística bayesiana.
Key figures
- Thomas Bayes
- Pierre-Simon Laplace
- Bruno de Finetti
- Harold Jeffreys
- Leonard J. Savage
Related topics
Seminal works
- gelman2013
- robert2007
- definetti1937
Frequently asked questions
- ¿En qué se diferencia la inferencia bayesiana de la inferencia frecuentista?
- La inferencia bayesiana asigna distribuciones de probabilidad a parámetros desconocidos e informa una distribución a posteriori, mientras que la inferencia frecuentista trata los parámetros como fijos y razona sobre el comportamiento a largo plazo de los estimadores y procedimientos sobre muestras hipotéticas repetidas.
- ¿La inferencia bayesiana requiere una distribución a priori subjetiva?
- Requiere una distribución a priori, pero esta puede ser subjetiva (codificando una creencia real) o elegida por reglas objetivas para ser débilmente informativa; con suficientes datos, la verosimilitud suele dominar y la elección importa menos.