Cálculo bayesiano con R

Opiniones de los lectores

El libro ha recibido críticas dispares: algunos lectores alaban sus ejemplos prácticos y su utilidad para aprender estadística bayesiana utilizando el paquete LearnBayes, mientras que otros lo critican por carecer de explicaciones teóricas, no ofrecer soluciones a los ejercicios y tener malas prácticas de programación. En general, parece estar más dirigido a los que ya están familiarizados con los conceptos que a los principiantes.

⬤ Buenos ejemplos concretos y aplicaciones prácticas de los métodos bayesianos.
⬤ Útil paquete LearnBayes para aprender R y estadística bayesiana.
⬤ Algunos lectores lo consideraron beneficioso cuando se utiliza junto con otros recursos.
⬤ Comentarios positivos sobre el paquete y la entrega del libro.

⬤ Carece de soluciones a los ejercicios de los capítulos, lo que lo hace menos eficaz para el autoaprendizaje.
⬤ Algunos contenidos están mal explicados y carecen de profundidad teórica.
⬤ Uso confuso de los nombres de las variables en los ejemplos de programación.
⬤ No es apto para principiantes; presupone conocimientos previos de cálculo bayesiano y R.
⬤ Algunos lectores lo consideraron casi inútil para la aplicación práctica.

(basado en 9 opiniones de lectores)

Título original:

Bayesian Computation with R

Contenido del libro:

Se ha producido un crecimiento espectacular en el desarrollo y la aplicación de la inferencia bayesiana en estadística. Berger (2000) documenta el aumento de la actividad bayesiana por el número de artículos de investigación publicados, el número de libros y el gran número de aplicaciones de los artículos bayesianos en disciplinas aplicadas como la ciencia y la ingeniería.

Una de las razones del espectacular crecimiento de la modelización bayesiana es la disponibilidad de algoritmos informáticos para calcular las integrales necesarias en un análisis bayesiano posterior. Gracias a la velocidad de los ordenadores modernos, ahora es posible utilizar el paradigma bayesiano para calcular modelos muy complejos que no pueden calcularse con métodos frecuentistas alternativos. Para aplicar modelos bayesianos, se necesita un entorno informático estadístico.

Este entorno debe permitir: escribir guiones cortos para definir un modelo bayesiano utilizar o escribir funciones para resumir una distribución posterior utilizar funciones para simular a partir de la distribución posterior construir gráficos para ilustrar la inferencia posterior Un entorno que cumple estos requisitos es el sistema R. R proporciona una amplia gama de funciones para la simulación de modelos bayesianos.

R ofrece una amplia gama de funciones para la manipulación de datos, el cálculo y la representación gráfica. Además, incluye un lenguaje de programación sencillo y bien desarrollado que los usuarios pueden ampliar añadiendo nuevas funciones.

Muchas de estas extensiones del lenguaje en forma de paquetes pueden descargarse fácilmente de la Comp- hensive R Archive Network (CRAN).