Sobre el Libro
Guía del estudiante sobre estadísticas bayesianas (A Student’s Guide to Bayesian Statistics) es un libro de 517 páginas escrito por Ben Lambert. Fue publicado por la editorial (A Student’s Guide to Bayesian Statistics) es un libro de 517 páginas escrito por. Fue publicado por la editorial en el año 2018 en su primera edición.
Descripción del Libro
Con el respaldo de una gran cantidad de funciones de aprendizaje, ejercicios y elementos visuales, así como videos tutoriales en línea y simulaciones interactivas, este libro es la primera introducción a las estadísticas bayesianas centrada en los estudiantes.
Sin sacrificar la integridad técnica en aras de la simplicidad, el autor recurre a un lenguaje accesible y amigable para los estudiantes para proporcionar una instrucción accesible perfectamente dirigida a las estadísticas y los recién llegados bayesianos. A través de una estructura lógica que presenta y se basa en conceptos clave de manera gradual y aclimata lentamente a los estudiantes al uso del software R y Stan, el libro cubre:
- Introducción a la probabilidad y la inferencia bayesiana.
- Entendiendo la regla de Bayes.
- Tuercas y tornillos de los métodos analíticos bayesianos.
- Bayes computacional y análisis bayesiano del mundo real.
- Análisis de regresión y métodos jerárquicos.
Esta guía única ayudará a los estudiantes a desarrollar la confianza estadística y las habilidades para poner en práctica la fórmula bayesiana, desde los conceptos básicos de inferencia estadística hasta aplicaciones complejas de análisis.
Reseñas del Libro
Un excelente recurso sobre análisis bayesiano accesible a estudiantes de una amplia gama de antecedentes e intereses estadísticos. Fácil de seguir con ejemplos bien documentados para ilustrar conceptos clave.
Bronwyn Loong Publicado en: 2017-06-19
Cuando era un estudiante de posgrado, la estadística bayesiana estaba restringida a aquellos con la fortaleza matemática para explorar la literatura original. Gracias a Lambert, ahora tenemos algo que podemos ofrecer a la generación moderna de científicos de datos incipientes como primer curso. ¡También me encantan los videos de apoyo!
Wray Buntine Publicado el: 2017-06-27
Escrito en un lenguaje muy accesible, este libro es la puerta de entrada para que los estudiantes obtengan una comprensión profunda de la lógica del análisis bayesiano y la apliquen con numerosos ejemplos prácticos cuidadosamente seleccionados. Lambert se mueve a la perfección desde un enfoque bayesiano tradicional (utilizando métodos analíticos) que sirve para solidificar conceptos fundamentales, a un enfoque bayesiano moderno (utilizando métodos de muestreo computacional) que dota a los estudiantes con poderosos y prácticos poderes de aplicación. Recomendaría este libro y los materiales que lo acompañan a todos los estudiantes o investigadores que deseen aprender y realmente hacer modelos bayesianos.
Fred Oswald Publicado el: 2017-07-07
Una combinación equilibrada de teoría, aplicación e implementación de la estadística bayesiana en un lenguaje poco técnico. Una introducción tangible a los conceptos intangibles de la estadística bayesiana para principiantes.
Golnaz Shahtahmassebi Publicado en: 2017-07-13
El difunto y famoso estadístico Jimmie Savage habría disfrutado mucho con este libro basado en su trabajo de la década de 1960 sobre la estadística bayesiana. Se habría maravillado de las presentaciones en el libro de muchos análisis estadísticos e informáticos nuevos y sólidos.
Gudmund R. Iversen Publicado el: 2017-07-25
Si bien existe un interés creciente en la estadística bayesiana entre los académicos de diferentes disciplinas de las ciencias sociales, siempre busqué un libro de texto que sea accesible para una amplia gama de estudiantes que no necesariamente tienen un conocimiento extenso de estadística. Ahora, creo que este es el primer libro de texto de estadística bayesiana, que también se puede utilizar para estudiantes de licenciatura en ciencias sociales. Ben Lambert comienza con una introducción general a la inferencia estadística y lleva con éxito a los lectores a aspectos más específicos y prácticos de la inferencia bayesiana. Además de su estructura bien considerada, muchas presentaciones gráficas y ejemplos razonables contribuyen a que una audiencia más amplia obtenga una comprensión bien fundada de las estadísticas bayesianas.
Susumu Shikano Publicado en: 2017-08-01
Este libro ofrece un camino para adentrarse en el campo de la estadística bayesiana sin conocimientos previos. Construido desde temas elementales hasta avanzados, incluidos aspectos teóricos y computacionales, y centrándose en la aplicación, es una lectura excelente para los recién llegados al mundo bayesiano.
Panagiotis Tsiamyrtzis Publicado en: 2017-08-29
Sobre el autor
Ben Lambert es investigador del Imperial College London, donde trabaja en la epidemiología de la malaria. Ha trabajado en inferencia estadística aplicada durante aproximadamente una década, anteriormente en la Universidad de Oxford, y es autor de más de 500 conferencias en línea sobre econometría y estadística. También fue un tanto extraño a la escuela en la ciudad natal de Thomas Bayes durante muchos años, Tunbridge Wells.
Tabla de Contenido
- Parte l: Introducción a la inferencia bayesiana.
- Parte II: Comprensión de la fórmula bayesiana.
- Parte III: Métodos analíticos bayesianos.
- Parte IV: Una guía práctica para realizar análisis bayesianos de la vida real: Bayes computacional.
- Parte V: Modelos jerárquicos y regresión.
A continuación se presenta un extracto del libro:
1 Cómo utilizar mejor este libro
1.1 El propósito de este libro
Este libro pretende ser una introducción más amigable al análisis bayesiano que otros textos disponibles. Siempre que nosotros introducimos nuevos conceptos, mantenemos la matemática al mínimo y, en cambio, nos centramos en la intuición detrás de la teoría. Sin embargo, no sacrificamos el contenido en aras de la simplicidad y nuestro objetivo es cubrir todo, desde lo básico hasta los temas avanzados requeridos para la investigación aplicada. En general, este libro busca cubrir un vacío en la literatura existente.
Para ayudar a los lectores a lo largo del camino, hemos desarrollado una serie de elementos interactivos a los que se puede acceder a través del sitio web del libro, así como un código de ejemplo para que los lectores lo examinen y, si así lo desean, lo ejecuten ellos mismos. También complementamos las ideas clave con videos. , que abordan temas desde diferentes ángulos, y ejemplos. Al final de cada capítulo, hay conjuntos de problemas que permiten al estudiante acumular experiencia práctica en el análisis bayesiano. Siempre que sea apropiado, estos conjuntos de problemas también se complementarán con material de video.
1.2 ¿Para quién es este libro?
Este libro es para cualquiera que alguna vez haya intentado y fracasado en las estadísticas, particularmente en las estadísticas bayesianas.
El texto está dirigido a cualquier persona que haya completado matemáticas de la escuela secundaria y quiera realizar inferencias bayesianas en datos del mundo real. Asumimos que no tenemos conocimientos previos de probabilidad (que es fundamental para el análisis bayesiano) y dedicamos la totalidad del Capítulo 3 a este tema. No requerimos que el estudiante sea versado en estadística frecuentista, ya que nuestro objetivo es construir un camino alternativo y complementario hacia un objetivo compartido. Después del Capítulo 2, nos abstenemos de realizar comparaciones frecuentes entre estos dos enfoques.
Si bien comenzamos por el comienzo de la inferencia estadística, esperamos brindar una guía de uso práctico para los tipos de análisis que se encuentran en la vida real.
1.3 Requisitos previos
Se recomienda encarecidamente el conocimiento de lo siguiente para que el lector pueda aprovechar al máximo este libro:
- Álgebra: La manipulación de expresiones simbólicas está muy extendida en todo el texto.
- Productos y sumas: se utilizan principalmente para escribir funciones de verosimilitud y logaritmo de verosimilitud.
Hay alguna diferenciación en este libro, aunque es bastante limitada y se usa principalmente en secciones relacionadas con la máxima verosimilitud. Una nota sobre la integración: en las primeras etapas del desarrollo de este libro, contenía muchas integrales. Al enseñar este material, nos hemos dado cuenta de que los estudiantes pueden desanimarse al ver estos gigantes matemáticos. Afortunadamente, dado que la inferencia bayesiana moderna se basa en el muestreo computacional en lugar del cálculo duro (ver Parte IV), un conocimiento profundo de las integrales ya no es esencial. En este libro, mantenemos el uso de integrales al mínimo, excepto principalmente aquellos casos en los que proporcionamos una motivación para la cadena de Markov Monte Carlo (MCMO).
El único otro requisito previo se refiere a la aplicación práctica del análisis bayesiano. Sería útil conocer el software estadístico de código abierto R [29]. No clasificamos este elemento con los anteriores, porque usamos solo la funcionalidad básica de este lenguaje y también documentamos cualquier uso de este lenguaje a fondo. Este lenguaje se usa ampliamente para análisis estadístico y, debido a su popularidad, existen excelentes recursos en línea gratuitos que se pueden usar para aprenderlo. Aquí enumeramos solo algunos de los recursos disponibles:
- Coursera (www.coursera.org) tiene una serie de excelentes cursos de conferencias con conjuntos de problemas asociados disponibles para aprender R. Recomendamos los cursos de Roger Peng en la Universidad Johns Hopkins.
- TryR (http://teyr.codeschool.com) es una breve lección introductoria interactiva sobre los conceptos básicos de R.
- La introducción gratuita a R de Data Camp (www.datacamp.comfcourses/free-introduction-to-r) ofrece 4 horas de conferencias interactivas sobre los conceptos básicos de R.
- TheR Guide (http://cran.r-project.org/doc/contrib/Owen-TheRGuide.pdf) es una buena guía escrita sobre R.
Si bien ninguno de estos es esencial, si tiene dificultades para seguir los ejemplos de este texto, le recomendamos que pruebe los recursos anteriores.
1.4 Esquema del libro
Hemos escrito este texto para que cada capítulo sea lo más autónomo posible. Si bien, a veces, el lector puede sentir que esto hace que el texto sea repetitivo, este enfoque tiene dos propósitos: primero, ayudar a mantener los temas autocontenidos, pero también porque creemos que vale la pena encontrar algunas ideas y reencontrarlas en diferentes momentos. puntos en el camino para aprender sobre Bayes.
El libro esta dividido en cinco partes:
- Parte l: Introducción a la inferencia bayesiana.
- Parte II: Comprensión de la fórmula bayesiana.
- Parte III: Métodos analíticos bayesianos.
- Parte IV: Una guía práctica para realizar análisis bayesianos de la vida real: Bayes computacional.
- Parte V: Modelos jerárquicos y regresión.
La Parte I proporciona una introducción al propósito de la inferencia estadística, luego compara y contrasta los enfoques bayesiano y frecuentista. La inferencia bayesiana se basa en distribuciones de probabilidad. Por lo tanto, es imperativo comprender estos tipos de objetos matemáticos. La segunda mitad de esta parte está dedicada a este tema. La Parte II presenta al lector los elementos constitutivos de la fórmula de inferencia bayesiana y, al hacerlo, proporciona una introducción completa a los aspectos prácticos de la inferencia bayesiana. La Parte III tiene como objetivo equipar al lector con el conocimiento de las distribuciones de probabilidad más relevantes en la práctica para la inferencia bayesiana. Estos objetos se clasifican en dos categorías (aunque algunas distribuciones se clasifican en ambas): distribuciones previas y distribuciones de probabilidad. El conocimiento de estas distribuciones es esencial para comprender los trabajos de investigación y los libros existentes que utilizan estadísticas bayesianas, así como también es necesario para realizar inferencias bayesianas en la práctica. El resto de esta parte se ocupa de presentar al lector las combinaciones “agradables” de distribuciones, que permiten una deducción con lápiz y papel de las cantidades de interés. Esto es importante como trampolín hacia los métodos computacionales, pero también porque estos tipos de modelos son un buen lugar para comenzar antes de implementar modelos más matizados. La Parte IV presenta al lector los métodos modernos de realizar análisis bayesianos, a través de la cadena de Markov computacional Monte Carlo. Esta parte proporciona una explicación intuitiva de algunas de las herramientas algorítmicas más importantes utilizadas en los métodos computacionales. También presenta al lector el lenguaje de programación estadística que usamos para muchos ejemplos aplicados en este texto: Stan, Esta parte es una lectura esencial para cualquiera que desea realizar un análisis bayesiano serio de datos del mundo real. Suponiendo este conocimiento computacional, la Parte V presenta al lector un importante paradigma bayesiano conocido como modelos jerárquicos. También proporciona una introducción detallada al modelado de regresión bayesiana para modelos lineales y lineales generalizados.
Cada capítulo tiene dos resúmenes introductorios: la declaración de misión del capítulo y los objetivos del capítulo. El primero suele ser un resumen de una o dos oraciones del material que se cubrirá en el capítulo. La sección de metas es más detallada y enlaza el material encontrado en capítulos anteriores. Al final de cada capítulo, también hay dos secciones de resumen: un resumen del capítulo y una lista breve de los resultados del capítulo. Estos proporcionan al lector una descripción de las habilidades adquiridas, así como una perspectiva sobre la posición del material dentro de los objetivos generales del libro.
Fin del extracto.
