Análisis bayesiano de datos: Un tutorial con R, Jags y Stan

Opiniones de los lectores

El libro ha sido muy elogiado por ser una introducción accesible y completa al análisis bayesiano, especialmente dirigida a lectores con pocos conocimientos previos. Destaca por su estilo de redacción claro, su humor y sus ejemplos prácticos de programación en R. Aunque se valora el amplio contenido, algunos lectores consideran que la extensión del libro es excesiva y que la redacción es a veces demasiado farragosa. El autor transmite con eficacia conceptos complejos con claridad intuitiva, aunque algunas reseñas mencionan problemas con la encuadernación del libro y fallos en el formato electrónico.

Estilo de redacción claro y atractivo, explicaciones intuitivas, numerosos ejemplos relacionables, fuerte énfasis en la aplicación práctica, amplios recursos de programación en R, adecuado para principiantes en el análisis bayesiano, el humor añade encanto, uso eficaz de elementos visuales para explicar conceptos, materiales de apoyo en línea.

Extenso y a veces excesivamente detallado, puede resultar demasiado simplista para lectores con cierta formación estadística, se han señalado problemas de calidad en la encuadernación, la versión electrónica presenta fallos de visualización, ocasionales explicaciones poco claras en temas complejos, algunos consideran que el estilo de redacción es demasiado prolijo.

(basado en 105 opiniones de lectores)

Título original:

Doing Bayesian Data Analysis: A Tutorial with R, Jags, and Stan

Contenido del libro:

Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan, Second Edition proporciona un enfoque accesible para realizar análisis bayesianos de datos, ya que el material se explica claramente con ejemplos concretos. Se incluyen instrucciones paso a paso sobre cómo llevar a cabo análisis bayesianos de datos en el popular y gratuito software R y WinBugs, así como nuevos programas en JAGS y Stan. Los nuevos programas están diseñados para ser mucho más fáciles de usar que los scripts de la primera edición. En particular, ahora hay scripts compactos de alto nivel que facilitan la ejecución de los programas en sus propios conjuntos de datos.

El libro se divide en tres partes y comienza con los fundamentos: modelos, probabilidad, regla de Bayes y el lenguaje de programación R. A continuación, se pasa a los fundamentos aplicados a la inferencia de una probabilidad binomial, antes de concluir con capítulos sobre el modelo lineal generalizado. Los temas incluyen variable métrica-predicha en uno o dos grupos; variable métrica-predicha con un predictor métrico; variable métrica-predicha con múltiples predictores métricos; variable métrica-predicha con un predictor nominal; y variable métrica-predicha con múltiples predictores nominales. Los ejercicios que se encuentran en el texto tienen propósitos explícitos y pautas para su realización.

Este libro está dirigido a estudiantes de primer año de posgrado o estudiantes universitarios avanzados de estadística, análisis de datos, psicología, ciencias cognitivas, ciencias sociales, ciencias clínicas y ciencias del consumidor en empresas.