Bayesian inference for two-parameter gamma distribution assuming different noninformative priors
En este artículo diferentes distribuciones a priori son derivadas en una inferenciaBayesiana de la distribución Gamma de dos parámetros. A prioris noinformativas tales como las de Jeffrey, de referencia, MDIP, Tibshirani y unapriori innovativa basada en la alternativa por cópulas son investigadas. S...
- Autores:
-
Moala, Fernando Antonio
Ramos, Pedro Luiz
Achcar, Jorge Alberto
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2013
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/49087
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/49087
http://bdigital.unal.edu.co/42544/
- Palabra clave:
- a prioris de Jeffrey
a prioris no informativas
conjugada
cópulas
distribución Gamma
MCMC
MDIP
ortogonal
referencia
- Rights
- closedAccess
- License
- Atribución-NoComercial 4.0 Internacional
Summary: | En este artículo diferentes distribuciones a priori son derivadas en una inferenciaBayesiana de la distribución Gamma de dos parámetros. A prioris noinformativas tales como las de Jeffrey, de referencia, MDIP, Tibshirani y unapriori innovativa basada en la alternativa por cópulas son investigadas. Semuestra que una a priori de información de datos maximales conlleva a una a posteriori impropia y que las diferentes escogencias del parámetro de interéspermiten diferentes a prioris de referencia en este caso. Datos simulados permitencalcular las estimaciones Bayesianas e intervalos de credibilidad paralos parámetros desconocidos así como la evaluación del desempeño de lasdistribuciones a priori evaluadas. El análisis Bayesiano se desarrolla usandométodos MCMC (Markov Chain Monte Carlo) para generar las muestras dela distribución a posteriori bajo las a priori consideradas. |
---|