NEW
Font size
WorksheetsTime - series II
Total questions: 9
Worksheet time: 5mins
Algoritmo utilizado para obtener distribuciones posterior:
Filtro de Kalman
Newton-Raphson
Gibbs Sampling
Metropolis-Hodrick
La posterior es proporcional a:
La prior y la likelihood
la likelihood y la varianza
la prior y posterior
la likelihood y la media condicional
La posterior se puede interpretar como:
Una distribución que se puede obtener siempre de manera analítica
Una distribución condicional
Un promedio ponderado entre la likelihood y la prior
Una densidad que solo se puede obtener por simulación
P(B) ∼ N(B0, Σ 0)
La expresión anterior corresponde a:
Posterior
Prior condicional
Posterior condicional
Prior
Un valor grande para la varianza prior Σ 0 implica que:
estoy seguro de los números que he elegido para B0
no estoy seguro de los números que he elegido para B0
estoy seguro de los números que he elegido para P(B0)
no estoy seguro de los números que he elegido para P(B0)
Una distribución apropiada para la varianza σ 2 es:
Normal
t-student
Normal estándar
Gamma
En el Gibbs Sampling, ¿cómo se le llama a las primeras M-H iteraciones descartadas?
Burn-out
Burn-on
Burn-in
Burn-up
Una prior conjugada es:
Aquella donde no es posible derivar analíticamente la integración de la posterior conjunta
Una prior de varianza fija y B desconocido
Aquella que, cuando es combinada con la likelihood, se obtiene una posterior con la misma distribución
Una creencia difusa o no informativa que asigna poco peso a la distribución prior
Seleccione la opción INCORRECTA:
El enfoque frecuentista solo se basa en los datos
El enfoque bayesiano incorpora información de los datos y las creencias a posteriori
En el enfoque bayesiano obtenemos distribuciones de parámetros
En el enfoque frecuentista obtenemos un solo set de parámetros
