Estadística Bayesiana: Modelos Lineales Generalizados (MGL) Bayesianos · Introducción

Introducción

De qué trata esta guía

Una aproximación teórica y computacional rigurosa para modelar variables de respuesta no gaussianas bajo el paradigma de incertidumbre probabilística de Bayes.

Recorrido

Temas que aborda

Introducción
Modelos Lineales Generalizados Bayesianos
Introducción a la Inferencia Bayesiana
La Limitación de la Conjugabilidad en MGL
Estructura de los Modelos Lineales Generalizados (MGL)
La Familia Exponencial de Distribuciones

Conceptos relacionados

Conexiones principales

Notación compatible

Muestra matemática en LaTeX

La expresión se renderiza de forma accesible y conserva debajo su fuente LaTeX.

p(\boldsymbol{\theta} | \mathbf{y}) = \frac{p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta})}{p(\mathbf{y})} = \frac{p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta})}{\int_{\boldsymbol{\Theta}} p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta}) \, d\boldsymbol{\theta}}

Ver LaTeX fuente

p(\boldsymbol{\theta} | \mathbf{y}) = \frac{p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta})}{p(\mathbf{y})} = \frac{p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta})}{\int_{\boldsymbol{\Theta}} p(\mathbf{y} | \boldsymbol{\theta}) \, p(\boldsymbol{\theta}) \, d\boldsymbol{\theta}}