Estadística Bayesiana
Actualizar creencias sobre el mundo de forma cuantitativa a medida que llega nueva evidencia.
ÁreaMatemáticas para Machine Learning
DificultadAvanzado
Tiempo de aprendizaje6-8 semanas
¿Qué puedes lograr dominando este tema?
- Incorporar conocimiento previo (prior) de forma explícita y cuantificada en un análisis
- Cuantificar la incertidumbre de una predicción con una distribución completa, no un solo número
- Actualizar un modelo de forma incremental a medida que llegan nuevos datos
Descripción
La estadística bayesiana trata los parámetros de un modelo como variables con distribuciones de probabilidad, que se actualizan con el teorema de Bayes a medida que se observan datos. Ofrece una alternativa, y a veces un complemento, más intuitiva a la estadística frecuentista tradicional.
Casos de uso
- Modelos con incertidumbre cuantificada en dominios de alto riesgo (medicina, finanzas)
- Actualización incremental de modelos a medida que llegan nuevos datos
- A/B testing bayesiano como alternativa a los p-values
- Sistemas de recomendación y optimización con exploración/explotación
Ejemplo práctico
import pymc as pm
with pm.Model():
tasa_conversion = pm.Beta("tasa", alpha=1, beta=1)
observado = pm.Binomial("obs", n=100, p=tasa_conversion, observed=32)
trace = pm.sample(1000)Ventajas y limitaciones
Ventajas
- Cuantifica la incertidumbre de forma completa y natural
- Permite incorporar conocimiento experto previo formalmente
- Se actualiza de forma incremental sin reiniciar el análisis
Limitaciones
- Computacionalmente más costosa que los métodos frecuentistas clásicos
- Requiere justificar la elección del prior, lo cual puede ser subjetivo
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- PyMC
- Stan
- R (brms)