06/D141

Estimación Bayesiana utilizando muestreo de Gibbs.
Bayesian estimation using Gibbs sampling.

Director: GEI, Graciela Isabel
Correo Electrónico: ggei@fcemail.uncu.edu.ar

Co-Director: DIAZ, María del Pilar

Integrantes: LEIVA, Ricardo Aníbal; ACHCAR, Jorge.

Resumen Técnico: El objetivo principal del proyecto es desarrollar una metodología para realizar estimaciones de los parámetros involucrados en los modelos estadísticos paramétricos. La metodología a desarrollar se enmarcará en el enfoque bayesiano, apuntando a obtener las distribuciones a posteriori  de los parámetros usando método de Monte Carlo en Cadenas de Markok, a través de un muestreador de Gibbs (MG).  Se analizará la convergencia del algoritmo utilizado en la generación de muestras de dichas distribuciones a posteriori. En esta etapa serán probadas diferentes distribuciones a priori, como las conjugadas y las no informativas. Esto será llevado a cabo usando el software estadístico WinBugs (Spiegelhalter et al, 1999). Sucede que el MG no siempre puede ser usado puesto que las densidades a posteriori condicionales de la distribución conjunta con el parámetro algunas veces no tienen una expresión identificada, por lo que hay necesidad de usar el algoritmo Metropolis-Hastings. Esto también será abordado en este proyecto  A partir de esta última se obtendrán intervalos de alta densidad predictiva condicional.

Summary: The main objective of the project is to develop a methodology for estimating the parameters involved in the parametric statistical models for discreet data. The methodology will be developed according to the Bayesian approach, aiming to obtain a posteriori distributions of the parameters through Gibbs sampling. The convergence of the algorithm used in the generation of the samples of such a posteriori distributions will be analysed. High-density predictive conditional intervals will be obtained from these a posteriori distributions.