Você está na página 1de 2

ME 705 A - Infer encia Bayesianam Segundo semestre de 2013 Lista de Exerc cios V

OBS: A menos que o contr ario seja mencionado, nos exerc cios voc e deve considerar uma amostra aleat oria X1 |, ..., Xn | de X |. 1. Resolva todos os exer cios deixados em sala. 2. Considere os exerc cios 4, 10 e 11, da Lista II; 4 da Lista III, 2 da Lista IV. Sob a fam lia conjugada de prioris e/ou sob a priori de Jereys (sempre que for poss vel obter cada uma delas), encontre as distribui c oes condicionais completas de cada par ametro (univariadamente) condicionado nos demais. Caso n ao seja poss vel de obter nem a fam lia conjugada nem a priori de Jereys, escolha uma priori e encontre as referidas distribui c oes. 3. Para as distribui c oes mencionadas no exerc cio 2 desta Lista, implemente, no WinBUGS, a obten c ao das distribui c oes ` a posteriori. 4. Para os exemplos apresentados nos dois conjuntos de slides sobre algoritmos MCMC, encontre as distribui c oes condicionais completas sob as fam lias de prioris adotadas. Separe por tipo de par ametro, ou seja, obtenha as condicionais completas para todo o vetor e, para os outros par ametros, se for o caso, univariadamente. 5. Seja X |r Weibull(r, ), conhecido. Sua fdp e dada por p(x|r) = Responda os itens: a) Obtenha a priori de Jereys para r e a respectiva posteriori. A priori e/ou a posteriori s ao pr oprias? b) Assum a priori que p(r) r1 er/ 1 1(0,) (r). Encontre a respectiva posteriori. c) Implemente no R, usando a fun c ao integrate, uma algoritmo para obter uma aproxima c ao num erica para as posterioris dos itens a), b). d) Implemente no R, usando a fun c ao integrate, algoritmos para obter aproxima c oes num ericas para o EAP, e o EPAP, para cada uma das posterioris dos itens a), b). e) Implemente no R, usando a fun c ao optim, algoritmos para obter aproxima c oes num ericas para o MAP e o MeAP, para cada uma das posterioris dos itens a), b). f) Implemente no R, usando a fun c ao integrate, um algoritmo para obter uma aproxima c ao num erica para o fator de Bayes para testar as hip oteses H0 : r r0 vs H1 : r > r0 , r0 conhecido, para cada uma das posterioris dos itens a), b). g) Considere as hip oteses H0 : r = r0 vs H1 : r = r0 , r0 conhecido. Assuma ` a priori que: p(r) = 1 1{r0 } (r) + (1 )p1 (r)1 11 (r) , 1 = (0, ) r0 , 1 r x
r 1

1(0,) (x) e ( ) 1
x

quem que p1 (r) e a priori dada no item b). Implemente no R, usando a fun c ao integrate, um algoritmo para obter uma aproxima c ao num erica para o fator de Bayes para testar as hip oteses em quest ao. 6. Para a quest ao anterior, considere desconhecido e os dados do exemplo da pot encia das turbinas de avi ao (desconsiderando os grupos). Implemente no WinBUGS a obten c ao das posterioris, com prioris de sua escolha. 7. Considere o modelo de regress ao probito usual e os dados sobre a idade de ocorr encia de menarca de garotas de Vars ovia (arquivo meninas.txt). Em cada coluna tem-se, respectivamente, o n umero de garotas que apresentaram menstrua c ao, o n umero de garotas entrevistadas e a idade m edia do grupo. Assumindo prioris do tipo i N (0, ) (independentes), em que deve ser escolhido por voc e, implemente no WinBUGS o ajuste bayesiano do modelo de regress ao log stico com distribui c ao binomial. Ou seja, Yi |(0 , 1 ) Binominal(mi , pi ), mi : e o n umero de garotas entrevistadas com idade i, Yi : e o n umero n 1 de meninas que j a apresentaram menarca com idade i e logito(pi ) = 0 + 1 (xi x), x = n i=1 xi , n = 25 e xi : e a idade m edia do grupo i. Comente sobre a converg encia do algoritmo, o comportamento das distribui c oes ` a posteriori, e sobre a signic ancia dos par ametros do modelo. N ao se esque ca de fornecer estimativas pontuais, os desvios-padr ao ` a posteriori e intervalos de credibilidade (incluindo o intervalo HPD). O aumento na probabilidade de menarca aumenta, substancialmente, com o aumento em uma ano na idade m edia? Al em disso, fa ca um gr aco com as propor c oes observadas, esperadas e os respectivos intervalos HPD, sob o modelo, em fun c ao da idade (` a semelhan ca do exemplo dos besouros, visto em sala). Para mais detalhes veja as p aginas 123 e 124 do livro do Prof. Gilberto Paula, Modelos de Regress ao com apoio computacional. 8. Os dados abaixo s ao relativos ao n umero de bact erias sobreviventes em amostras de um produto aliment cio segundo o tempo (em minutos) de exposi c ao do produto ` a uma temperatura de 300o F . Para maiores detalhes veja p agina 61 do livro do Prof. Gilbnerto Paula, modelos de Regress ao com apoio computacional. Assumindo prioris do tipo i N (0, ) (independentes), em que deve ser escolhido por voc e, implemente no WinBUGS o ajuste bayesiano do modelo de regress ao Poisson com liga c ao log. n 1 Ou seja, Yi |(0 , 1 ) Poisson(i ) e ln(i ) = 0 + 1 (xi x), x = n x , n = 12 e x : e o tempo de i i=1 i exposi c ao (em minutos). Comente sobre a converg encia do algoritmo, o comportamento das distribui c oes a posteriori, e sobre a signic ` ancia dos par ametros do modelo. N ao se esque ca de fornecer estimativas pontuais, os desvios-padr ao ` a posteriori e intervalos de credibilidade (incluindo o intervalo HPD). O aumento em uma unidade do tempo de exposi c ao implica numa diminui c ao signicativa do n umero de bact erias? Al em disso, fa ca um gr aco com o n umero de bact erias sobreviventes observado, esperado e os respectivos intervalos HPD, sob o modelo, em fun c ao do tempo de exposi c ao (` a semelhan ca do exemplo dos besouros, visto em sala). N umero Tempo 175 1 108 2 95 3 82 4 71 5 50 6 49 7 31 8 28 9 17 19 16 11 11 12