Você está na página 1de 13

Estatística

ANÁLISE BAYESIANA DA DISTRIBUIÇÃO EXPONENCIAL


POWER

Vitória de Oliveira Silva

Presidente Prudente
2020

1
Sumário

1. Introdução ............................................................................................................ 3
2. Objetivo ................................................................................................................ 3
3. Dados ................................................................................................................... 3
4. Distribuição Exponencial Power......................................................................... 4
Função densidade de probabilidade .......................................................................... 4
Função de verossimilhança ....................................................................................... 4
Prioris ........................................................................................................................ 4
Posteriori ................................................................................................................... 4
5. Resultados ........................................................................................................... 4
Estimador e desvio padrão a posteriori de β ............................................................. 4
Estimador e desvio padrão a posteriori de α ............................................................. 4
Gráficos da posteriori de β e da posteriori de α ......................................................... 5
Gráficos da Cadeia de Markov Gerada ..................................................................... 6
Intervalos de Credibilidade ........................................................................................ 6
Histograma e curva para verificação do ajustamento das posteriores marginais ....... 7
6. Comandos do R ................................................................................................... 7

2
1. Introdução

A Distribuição Exponencial Power normalmente é utilizada em estudos de


simulação referente ao comportamento de estimadores em desvios de
normalidade e teve sua primeira formulação proposta por Subbotin (1923) como
uma generalização da distribuição normal, com parâmetros de locação, escala e
forma. Com o passar dos anos, ocorreram diversos estudos sobre a distribuição
e com isso foi surgindo diversas formas de se trabalhar com ela. Neste trabalho
ela será estudada com dois parâmetros, que são eles:

β = parâmetro de escala

α = parâmetro de forma

2. Objetivo

O objetivo do trabalho é fazer uma análise bayesiana da distribuição


Exponencial Power utilizando a distribuição a priori apropriada, através da
aplicação de métodos MCMC e Metropolis Hastings.

3. Dados

Amostra utilizada para a realização do trabalho:

0.10,0.15,0.34,0.23,0.14,0.15,0.09,0.29,0.23,0.15,0.35,0.33,0.32,0.19,0.18

,0.41,0.31,0.28,0.38,0.36,0.26,0.22,0.27,0.12,0.41,0.21,0.34,0.24,0.11,0.26

,0.40,0.26,0.12,0.18,0.29,0.26,0.44,0.24,0.23,0.28,0.27,0.20,0.35,0.13,0.30

,0.23,0.25,0.12,0.37,0.18

3
4. Distribuição Exponencial Power

Função densidade de probabilidade

𝛼
𝛼 (𝛼−1) (β𝑥)𝛼 1−𝑒 (β𝑥)
𝑓(𝑥 ) = 𝛼𝛽 𝑥 𝑒 (𝑒 ) , 𝑥 > 0, β > 0 e 𝛼 > 0

Função de verossimilhança
𝑛 (𝛼−1)
𝑛 𝛼𝑛 𝑛 𝛼 𝑛 (β𝑥)𝛼 )
𝐿(𝜆, 𝑘 |𝑥 ) ∝ 𝛼 β ∏ 𝑥 𝑒 ∑𝑖=1(β𝑥) 𝑒 ∑𝑖=1(1−𝑒
𝑖=1

Prioris
𝜋β (β)~Gama(β, α) 𝜋α (α)~Gama(β, α)

A priori utilizada foi a Distribuição Gama pois tanto o parâmetro β quanto


o parâmetro α são maiores que 0 (β>0 e α>0) e a distribuição gama permite
utilização apenas para parâmetros maiores que 0, assim ela se mostrou
apropriada para realizar a inferência bayesiana da distribuição exponencial
power.

Posteriori
𝑛 (𝛼−1) 𝛼
𝑛 𝛼𝑛 𝑛 𝛼 ∑𝑛
𝑖=1(1−𝑒
(β𝑥) )
𝑝(λ, k|x) ∝ (𝛼 β ∏ 𝑥 𝑒 ∑𝑖=1(β𝑥) 𝑒 )(π( β, α))
𝑖=1

5. Resultados

Estimador e desvio padrão a posteriori de β


Média de β: 2.861101
Desvio padrão de β: 0.1339321
Estimador e desvio padrão a posteriori de α
Média de α: 2.065901
Desvio padrão de α: 0.2392424

4
Gráficos da posteriori de β e da posteriori de α

Densidades marginais posteriores dos parâmetros β e α

5
Gráficos da Cadeia de Markov Gerada

Saída MCMC e gráficos de autocorrelação para a distribuição posteriori


Observando os gráficos, vemos que os gráficos do MCMC nos mostram
que ambos alcançam convergência, mas a convergência para α é alcançada
mais rapidamente que para β.

Intervalos de Credibilidade
Intervalo de credibilidade de 95% para β: [2.592371 ; 3.116120]
Intervalo de credibilidade de 95% para α: [1.624421 ; 2.551445]

6
Histograma e curva para verificação do ajustamento das posteriores
marginais

6. Comandos do R

## Número de iterações

N<-20000

## Dimensão dos parâmetros

beta<-length(N+1)

alpha<-length(N+1)

7
n<-50

x=
c(0.10,0.15,0.34,0.23,0.14,0.15,0.09,0.29,0.23,0.15,0.35,0.33,0.32,0.19,0.18
,0.41,0.31,0.28,0.38,0.36,0.26,0.22,0.27,0.12,0.41,0.21,0.34,0.24,0.11,0.26
,0.40,0.26,0.12,0.18,0.29,0.26,0.44,0.24,0.23,0.28,0.27,0.20,0.35,0.13,0.30
,0.23,0.25,0.12,0.37,0.18)

ni = 0.1
var.b<-0.1

length(x)

## Inicializando o algoritmo

beta[1]<-1

alpha[1]<-1

## Função Posteriori

jointpost<-function(beta,alpha) {

loglikelihood<- ( (alpha**n)*((beta**alpha)**n)*(prod(x**(alpha-
1)))*(exp(sum((beta*x)**alpha)))*exp(sum(1-exp( (beta*x)**alpha))))

8
prior<- (dgamma(beta,10,7)*dgamma(alpha,10,7))

jointpost <-prior*loglikelihood

return(jointpost )

## Variáveis auxiliares

## Primeiro conjunto de variáveis

prop1<-length(N)
aux1<-length(N)
num1<-length(N)
den1<-length(N)
h1<-length(N)
ratio1<-length(N)

## Segundo conjunto de variáveis

prop2<-length(N)
aux2<-length(N)
num2<-length(N)
den2<-length(N)
h2<-length(N)
ratio2<-length(N)

9
j<-rep(0,times=N)

t<-rep(0,times=N)

## Aplicando o algoritmo M-H

for (i in 1:N) {

prop1[i]=rgamma(1,shape=beta[i]/ni,scale =ni)

aux1[i]=jointpost(prop1[i],alpha[i])/(jointpost(beta[i],alpha[i]))

num1[i]=dgamma(beta[i],shape=prop1[i]/ni,scale=ni)

den1[i]=dgamma(prop1[i],shape=beta[i]/ni,scale=ni)

h1[i]=num1[i]/den1[i]

ratio1[i]=h1[i]*aux1[i]

alpha1=min(1,ratio1[i])

u1=runif(1)

if (u1<alpha1)

beta[i+1]=prop1[i]

10
else {beta[i+1]=beta[i]

t[i]=1}

prop2[i]=rgamma(1,shape=alpha[i]/ni,scale =ni)

aux2[i]=jointpost(beta[i+1],prop2[i])/jointpost(beta[i+1],alpha[i])

h2[i]=prop2[i]/alpha[i]

ratio2[i]=h2[i]*aux2[i]

alpha2=min(1,ratio2[i])

u2=runif(1)

if (u2<alpha2)

alpha[i+1]=prop2[i]

else {alpha[i+1]=alpha[i]

j[i]=1} }

1-sum(t)/i

11
1-sum(j)/i

## Estimador e desvio padrão

mean(beta)
sd(beta)
mean(alpha)
sd(alpha)

## Gráficos das Posterioris


par(mfrow=c(2,1))
par(mai=c(0.9,0.8,0.1, 0.1))
plot(density(beta),xlab=expression(beta),ylab=expression(paste("p(",beta,"x)")),t
ype="l",lty=4,col=1,main="")
par(mai=c(0.9,0.8,0.1, 0.1))
plot(density(alpha),xlab=expression(alpha),ylab=expression(paste("p(",alpha,"x)
")),type= "l",lty=4,col=1,main="")

## Gráficos ACF e ts.plot

par(mfrow=c(2,2))
par(mai=c(0.77,0.77,0.0, 0.07))
ts.plot(beta,ylab=expression(beta))
par(mai=c(0.77,0.77,0.45, 0.07))
acf(beta,main=expression(beta))

12
par(mai=c(0.77,0.77,0.0, 0.07))
ts.plot(alpha,ylab=expression(alpha))
par(mai=c(0.77,0.77,0.45, 0.07))
acf(alpha,main=expression(alpha))

## Intervalo de credibilidade para beta


betaInf=quantile(beta, probs = 0.025, na.rm = FALSE,names = TRUE,type = 7)
betaSup=quantile(beta, probs = 0.975, na.rm = FALSE,names = TRUE,type =
7)
IcredibilidadeBeta=c(betaInf,betaSup);IcredibilidadeBeta

## Intervalo de credibilidade para alpha

alfaInf=quantile(alpha, probs = 0.025, na.rm = FALSE,names = TRUE,type = 7)


alfaSup=quantile(alpha, probs = 0.975, na.rm = FALSE,names = TRUE,type =
7)
ICredibilidadeAlpha=c(alfaInf,alfaSup);ICredibilidadeAlpha

## Histograma e curva
d=function(x){((exp(1-
exp(((mean(beta)*(x))**mean(alpha)))))*(exp(((mean(beta)*(x))**mean(alpha))))
*(mean(beta)**mean(alpha))*mean(alpha)*x**(mean(alpha)-1))}
par(mfrow=c(1,1))
hist(x, xlim=c(0,0.5), ylim = c(0,6),prob = TRUE,ylab = "Densidade",xlab =
"X",main = "")
lines(density(x),col="red",lwd =2)
curve(d,add=T,col="blue",lwd =2)

13

Você também pode gostar