Curso: Estadı́stica Bayesiana Semestre: I- 2021

Profesor: MSc. Christian Amao Suxo Temas a evaluar:

Tipo de examen: Examen Parcial -Selección de prioris
Fecha: 05/06/2021 -Estimación puntual bayesiana
Tiempo Lı́mite: 90 Minutos -Intervalos de credibilidad

Indicaciones: Esta práctica calificada cuenta con 3 preguntas con un puntaje máximo al-
canzable de 20 puntos. En cada item justifique y explique rigurosamente su respuesta ya
que el procedimiento de solución será considerado.

1. Considere un modelo lineal clásico de la forma

 
1
Y = Xβ + ε, donde ε|τ ∼ Nn 0, In .
τ

Si se establece la estructura jerárquica lineal de la priori (β 0 , τ )0 como

β|τ ∼ Np+1 (φ, τ −1 V)

τ ∼ Γ(α, δ),
donde φ, V, α y δ son hiperparámetros conocidos. Establezca y justifique la veracidad
de los siguientes enunciados:
(a) (2 puntos) La distribución predictiva marginal de β posee distribución normal mul-
tivariada.
(b) (3 puntos) El estimador máximo posteriori para τ se puede obtener mediante
métodos analı́ticos por lo que no se requiere de algún método numérico para su
estimación.
(c) (3 puntos) Suponiendo que φ = 0 y V = aIn , donde a > 0, no es posible hallar el
estimador de mı́nimo error cuadrático medio para β.
(d) (2 ptos) La región de máxima densidad posteriori para τ siempre estará compuesta
por un intervalo de lı́mites finitos.

2. (5 ptos) Suponga que la distribución priori p(θ) es construida jerárquicamente como

sigue:

I.- Si ξ = i entonces la densidad priori condicional para θ es pi (θ), i = 1, 2, . . . , k

II.- La distribución marginal de ξ es p(ξ = i) = ci , i = 1, 2, . . . , k.

Suponga que la variable X, con densidad p(x|θ), es observada y se define Ψi como la

familia de pi distribuciones que son conjugadas con la distribución muestral de X, para
i = 1, 2, . . . , k. Además, se define Ψ como
k
X
Ψ = {p : p(θ) = βi pi (θ) con pi ∈ Ψi }
i=1
Curso: Estadı́stica Bayesiana Fecha: 05/06/2021

¿Podrı́a usted afirmar que la familia de distribuciones Ψ es conjugada a la familia de

distribución muestral de X? Justifique su respuesta.

3. Discuta los siguientes enunciados y explique el porqué estarı́a de acuerdo o no. Justifique
su punto con ejemplos para reforzar su argumento.
(a) (2 ptos) Bajo el enfoque bayesiano, siempre es útil usar toda información disponible
del parámetro. Con esto, se asegura que la distribución posteriori tenga la máxima
información posible y por tanto la inferencia bayesiana sea más útil que la clásica.
(b) (2 ptos) Para cualquier tipo de distribución posteriori, usar una región de máxima
densidad posteriori siempre será preferible frente a otros tipos de regiones de cred-
ibilidad que puedan existir, ya que este resulta ser la de mı́nima longitud.
(c) (2 ptos) Durante un proceso de elicitación, usar información disponible a juicio de un
experto, podrı́a introducir subjetividades propias del experto dentro de la definición
de la distribución priori. Por tanto, si deseamos realizar inferencia bayesiana debe-
mos recurrir de preferencia a las prioris no informativas, con el fin de minimizar el
efecto de esa subjetividad en el estudio.

“Lo que sabemos hoy no es lo que sabremos mañana”

C.A.S