Prior y Posterior
El prior expresa creencias iniciales P(?). La likelihood P(D|?) mide que tan probables son los datos dado ?. El posterior P(?|D) combinacion: P(?|D) ? P(D|?) P(?).
MCMC (Markov Chain Monte Carlo)
Algoritmo que genera muestras de la distribucion posterior cuando no tiene forma cerrada. Los mas usados: Metropolis-Hastings y NUTS (Hamiltonian MC).
Intervalos de Credibilidad
Rango que contiene el 95% de la masa de la distribucion posterior. A diferencia del IC frecuentista, permite decir: "hay 95% de probabilidad de que ? este en este rango".
Bayes Factor (BF)
Razon de verosimilitudes entre dos modelos. BF10 > 3: evidencia sustancial para H1. BF10 > 10: evidencia fuerte. BF10 < 1/3: evidencia para H0.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
La estadistica aplicada lleva los conceptos teoricos a problemas practicos del mundo real.
Formula clave
Las formulas se adaptan segun el diseno experimental y tipo de datos.
Paso a paso
Sigue el flujo: diseno, recoleccion, analisis, conclusiones.
Error comun: Correlacion vs causalidad
Confundir correlacion con causalidad es el error mas frecuente en analisis aplicado.
Ejemplo concreto
Aplica tecnicas a casos reales de negocio y ciencia.
Conexion
Integra todo lo aprendido en el programa de estadistica.