Escolar Documentos
Profissional Documentos
Cultura Documentos
LOGARÍTMICA
PRESIDENTE PRUDENTE
2018
Objetivo
O objetivo é fazer análise bayesiana nos dados da distribuição Exponencial
Logarítmica:
x<-c(0.00,1.41,1.33,0.45,0.90,2.06,3.16,1.14,3.39,1.38,0.10,0.71,2.97,0.92,0.95,
0.31,0.37,0.30,0.15,1.19,1.26,0.69,3.22,1.78,0.84,0.15,1.34,0.64,1.17,2.20,0.71,
0.20,0.71,0.57,0.19,0.84,0.10,0.19,0.04,3.36,0.05,0.15,1.58,2.41,0.85,0.22,0.02,
2.57,0.48,0.19).
Distribuição Exponencial Logarítmica
Exponencial Logarítmica (EL) é uma distribuição do tempo de vida com taxa de falha
decrescente. Com função de densidade de probabilidade dada por:
Prioris
A priori para p tem distribuição Beta, com a p=bp=1 que é igual a U(0,1), pois o
intervalo de p é [0,1]. A priori para β tem distribuição Gama, com a β=b β=0.01
(hiperparâmetros retirados da dissertação da Lívia Matos Garcia).
Posteriori
Resultados
Estimador e desvio padrão a posteriori de p:
A média de p é 0.6010287 e o desvio padrão de p é 0.2262472
Estimador e desvio padrão a posteriori de β:
A média de β é 0.8381904 e o desvio padrão de β é 0.2776308.
Gráficos da posteriori de p e de β
Comandos no R:
# fornecer o número de iterações
R=20000
# dimensão dos parâmetros
p=length(R+1)
beta=length(R+1)
n=50
x=c(0.00,1.41,1.33,0.45,0.90,2.06,3.16,1.14,3.39,1.38,0.10,0.71,2.97,0.92,0.95,
0.31,0.37,0.30,0.15,1.19,1.26,0.69,3.22,1.78,0.84,0.15,1.34,0.64,1.17,2.20,
0.71,0.20,0.71,0.57,0.19,0.84,0.10,0.19,0.04,3.36,0.05,0.15,1.58,2.41,0.85,
0.22,0.02,2.57,0.48,0.19)
ni1<- 1.0
ni2<- 1.0
t<-rep(0,times=R)
j<-rep(0,times=R)
prop2[i]<-rgamma(1,shape=beta[i]/ni2,scale=ni2)
aux2[i]<-posteriori(p[i+1],prop2[i])/posteriori(p[i+1],beta[i])
num2[i]<-dgamma(beta[i],shape=prop2[i]/ni2,scale=ni2)
den2[i]<-dgamma(prop2[i],shape=beta[i]/ni2,scale=ni2)
h2[i]<-num2[i]/den2[i]
ratio2[i]<-h2[i]*aux2[i]
alpha2<-min(1,ratio2[i])
u2<-runif(1)
if (u2<alpha2) beta[i+1]<-prop2[i] else { beta[i+1]<-beta[i]
j[i]<-1}
}
#Gráfico da posteriori
par(mfrow=c(2,1))
par(mai=c(0.9,0.8,0.1, 0.1))
plot(density(p),xlab=expression(p),ylab=expression(paste("p(",p,"x)")),type="l",lty=4,c
ol=1,
main="")
par(mai=c(0.9,0.8,0.1, 0.1))
plot(density(beta),xlab=expression(beta),ylab=expression(paste("p(",beta,"x)")),type=
"l",lty=4,col=1,main="")
#Intervalos de Credibilidade
quantile(p, probs = 0.025, na.rm = FALSE,names = TRUE,type = 7)
quantile(p, probs = 0.975, na.rm = FALSE,names = TRUE,type = 7)
quantile(beta, probs = 0.025, na.rm = FALSE,names = TRUE,type = 7)
quantile(beta, probs = 0.975, na.rm = FALSE,names = TRUE,type = 7)
#Histograma e curva
d=function(x)(-1/log(mean(p)))*((mean(beta)*(1-mean(p))*exp(-mean(beta)*x))/(1-(1-
mean(p))*exp(-mean(beta)*x)))
hist(x, prob = TRUE,ylim=c(0,2),ylab = "Densidade",xlab = "X",main = "")
lines(density(x),col=1,lwd =2)
curve(d,add=TRUE,col=4,lwd=2)