Análisis Bayesiano con Excel y R

Opiniones de los lectores

El libro ofrece un enfoque exhaustivo de la comprensión de la estadística bayesiana mediante el uso de Excel y R, resultando especialmente atractivo para quienes estén familiarizados con ambas herramientas informáticas.

⬤ Grandes ejemplos y explicaciones que mejoran la comprensión teórica
⬤ reta a los lectores a replantearse sus puntos de vista sobre las teorías frecuentista y bayesiana
⬤ bien estructurado y pedagógicamente sólido.

Utilidad limitada para quienes sólo quieran utilizar Excel, ya que gran parte del contenido requiere R; puede no ser adecuado para lectores no interesados en R.

(basado en 2 opiniones de lectores)

Título original:

Bayesian Analysis with Excel and R

Contenido del libro:

Aproveche toda la potencia del análisis bayesiano para obtener ventajas competitivas.

Los métodos bayesianos pueden resolver problemas que no se pueden tratar de forma fiable de ninguna otra manera. Partiendo de sus conocimientos y experiencia en análisis de Excel, Conrad Carlberg, MVP de Microsoft Excel, le ayuda a aprovechar al máximo las capacidades bayesianas de Excel y a avanzar hacia R para hacer aún más.

Paso a paso, con ejemplos reales, Carlberg le muestra cómo utilizar la analítica bayesiana para resolver una amplia gama de problemas reales. Carlberg aclara la terminología que a menudo desconcierta a los analistas, proporciona libros de Excel descargables que puede adaptar fácilmente a sus propias necesidades y ofrece ejemplos de código R para aprovechar el paquete rethinking de R y su puerta de acceso a Stan.

A medida que incorpore estos enfoques bayesianos a su caja de herramientas analíticas, construirá una poderosa ventaja competitiva para su organización... y para usted mismo.

⬤ Explore las ideas y estrategias clave que subyacen en el análisis bayesiano.

⬤ Distinga las distribuciones a priori, de verosimilitud y a posteriori, y compare algoritmos para controlar las entradas de muestreo.

⬤ Utilice la aproximación de cuadrícula para resolver problemas univariantes sencillos y comprenda sus límites a medida que aumentan los parámetros.

⬤ Realizar simulaciones y regresiones complejas con aproximación cuadrática y la función quap de Richard McElreath.

⬤ Gestionar valores de texto como si fueran numéricos.

⬤ Aprenda la técnica de muestreo bayesiano estándar de oro de hoy en día: Markov Chain Monte Carlo (MCMC)

⬤ Utilizar MCMC para optimizar la velocidad de ejecución en problemas de alta complejidad.

⬤ Descubra cuándo fallan los métodos frecuentistas y cuándo son esenciales los métodos bayesianos, y cuándo utilizar ambos a la vez.