El Laboratorio de Ciencias Cognitivas (CogSci Lab) de la Facultad de Psicología UDD realizó este viernes 03 de junio, la tercera actividad de su Ciclo de Conferencias Técnicas 2022. El título de ésta fue Introducción a la Estadística Bayesiana en JASP.
La conferencia, dictada por el candidato a doctor del DCDP, Mauricio Barrientos, tuvo como objetivo «acercar a estudiantes e investigadores, algunos tópicos y técnicas actuales de investigación en Psicología, utilizando siempre herramientas gratuitas y de libre acceso. En esta oportunidad, pudimos revisar los fundamentos teóricos de la estadística bayesiana y algunas aplicaciones reales”, afirmó Barrientos.
Cabe destacar que la «estadística bayesiana se basa en la probabilidad subjetiva, trabaja con la actualización de la evidencia considerando los conocimientos adquiridos previos a una investigación, más la evidencia obtenida con ésta», según explica el trabajo de Mario Enrique Rendón-Macías, junto a otros autores, en una publicación obtenida de SCielo.
El Dr. Gabriel Reyes, director del CogSci Lab, destacó la importancia de este tipo de actividades gratuitas y abiertas al público, y agradeció el apoyo de Psicología UDD para poder ofrecer este ciclo de conferencias.
Finalmente, Reyes extendió la invitación para participar de la siguiente actividad que se realizará el viernes 24 de junio y que abordará la temática «Introducción a Técnicas Estadísticas Avanzadas en Psicología del Desarrollo», junto a la Doctora (c), Fernanda Prieto.
Revisa la actividad en este video:
3º Conferencia técnica: Introducción a la Estadística Bayesiana en JASP
Fecha: 27 de mayo de 2022
Nombre presentación: 3º Conferencia técnica: Introducción a la Estadística Bayesiana en JASP.
Expositor: Dr(c). Mauricio Barrientos. Doctorado en Ciencias del Desarrollo y Psicopatología, Universidad del Desarrollo.
Resumen presentación:
La estadística bayesiana nos brinda herramientas matemáticas para actualizar nuestros modelos previos a la luz de la evidencia o nuevos datos. El teorema de Bayes entiende la probabilidad de forma inversa al teorema de la probabilidad total. En ese sentido, el teorema de Bayes calcula la probabilidad de A condicionado a B. Esta probabilidad es un resumen de las creencias de un individuo sobre un evento particular y, a diferencia del teorema frecuentista, en el caso bayesiano el valor p no existe y el modelo estadístico debe verse actualizado tras la incorporación de nueva evidencia.
La estadística bayesiana se utiliza en diferentes ámbitos, dentro de ellos en los modelos de aprendizaje humano y toma de decisiones, en inteligencia artificial y machine learning y en el diagnóstico clínico.
Dentro de las ventajas de la estadística bayesiana se identifican al menos tres: En primer lugar, no se tiene el problema de la estadística tradicional referente a la acumulación de error producto de las comparaciones múltiples, haciendo más probable encontrar falsos positivos. Por otro lado, se puede trabajar con la hipótesis nula, ya que acumulamos evidencia a favor de la hipótesis nula o alternativa, esto nos permite aceptar una de ellas. Por último, en concordancia con lo anterior, esto facilita la interpretación de los resultados sobre la aceptación de las hipótesis generando menos errores muy frecuentes en la interpretación de resultados de estadística tradicional.
Se presentan dos ejemplos de su uso en el programa de libre acceso JASP, realizando comparaciones entre los análisis con estadística tradicional y de estadística bayesiana.
Finalidad: Esta conferencia técnica tuvo como objetivo presentar las principales asunciones de la estadística bayesiana y la introducción a su uso en el programa JASP.
Si consideras que esta descripción contiene algún error o mala interpretación del contenido, comunícate al correo [email protected]
