Modelización estadística de la población para apoyar los censos

class: center, middle, inverse, title-slide

# Modelización estadística de la población para apoyar los censos
## Cuestionario 1
### Edith Darin

---

class: inverse, middle, center

<div>
<style type="text/css">.xaringan-extra-logo {
width: 110px;
height: 128px;
z-index: 0;
background-image: url(../../../assets/pic/320px-UNFPA_logo.svg.png);
background-size: contain;
background-repeat: no-repeat;
position: absolute;
bottom:-3.5em;left:0.5em;
}
</style>
<script>(function () {
  let tries = 0
  function addLogo () {
    if (typeof slideshow === 'undefined') {
      tries += 1
      if (tries < 10) {
        setTimeout(addLogo, 100)
      }
    } else {
      document.querySelectorAll('.remark-slide-content:not(.title-slide):not(.inverse):not(.hide_logo)')
        .forEach(function (slide) {
          const logo = document.createElement('div')
          logo.classList = 'xaringan-extra-logo'
          logo.href = null
          slide.appendChild(logo)
        })
    }
  }
  document.addEventListener('DOMContentLoaded', addLogo)
})()</script>
</div>

# Cuestionario

---
# Conceptos bayesianos

![](pic/mcq_tuto1_bayes_diagram.png)
---
# Conceptos bayesianos

$$ \text{posterior} \quad = \quad \frac{\text{prior } \cdot \text{ likelihood}}{\text{normalizing constant}} \; $$
--
<br>
.center[![](mcq_tuto1_bayes.jpg)]

.footnote[https://twitter.com/andrewheiss/status/1441857561297260548/photo/1
https://www.tjmahr.com/bayes-theorem-in-three-panels/]
---
# Conceptos bayesianos

.center2[Las distribuciones a priori representan el conocimiento contextual en torno a un fenómeno (por ejemplo, a partir de experiencias pasadas)
1. VERDADERO
2. FALSO]
---
# Conceptos bayesianos

.center2[Las distribuciones a priori se derivan de los datos
1. VERDADERO
2. FALSO]

---
# Conceptos bayesianos

.center2[*El **test de Bechdel** mide la representación de la mujer en las películas. Se basa en tres criterios y las películas pasan la prueba o no. *

Supongamos que π, un valor aleatorio entre 0 y 1, denota la proporción desconocida de películas que pasan la prueba de Bechdel. ]

---
# Conceptos bayesianos

.center2[Tres amigos – el **feminista**, el **despistado**, y el **optimista** – tienen algunas ideas previas sobre π.

<br>

![](pic/mcq_tuto1_Bechdelprior.PNG)]

.footnote[https://www.bayesrulesbook.com/chapter-4.html#fig:ch4-bechdel-priors]

---
.pull-left[
#### Distribución 1
![](pic/mcq_tuto1_normal.png)
#### Distribución 2
![](pic/mcq_tuto1_poisson.png)]
.pull-right[
#### Distribución 3
![](pic/mcq_tuto1_lognormal.png)]

---
# Estimación bayesiana

.center2[¿Qué controla el parámetro **warmup** en Stan?
1. el número de iteraciones
2. la longitud de la cadena
3. el número de iteraciones posteriores al ajuste
4. la longitud de la cadena previa al ajuste]

---
# Estimación bayesiana

.pull-left[
<img src="pic/mcq_tuto1_traceplot.PNG" alt="drawing" width="300"/>]

.pull-right[
Esto es un **trazado**.

*Nota: Podemos ver que el modelo ha funcionado durante 750 iteraciones.*

¿Podemos considerar que el modelo ha convergido?
1. Sí
2. No
]

---
# Escribir el modelo Stan

```stan
// Stan code
data {
}
parameters {

}
model {
}
```
<br>
.center[
Si quiero **modificar las distribuciones a priori**, ¿qué bloque debo modificar?

1.el bloque de datos <br/>
2.el bloque de parámetros <br/>
3.el bloque modelo
]

---
# Evaluación de modelos

*Consideremos un modelo de población con convergencia total de las estimaciones.*

*Lo evaluamos comparando los recuentos de población previstos con los observados*

---
# MoEvaluación de modelos

*Consideremos un modelo de población con convergencia total de las estimaciones.*

*Lo evaluamos comparando los recuentos de población previstos con los observados y obtenemos las siguientes métricas de bondad de ajuste*

<br>

![](pic/mcq_tuto1_goodness.PNG)

<br>
.center[
¿Podemos confiar en los resultados del modelo? <br/>
1.Sí <br/>
2.No
]