Escolar Documentos
Profissional Documentos
Cultura Documentos
1
1. Princípio de Verossimilhança
♦ ¸~ P();x) ,
Fixado o ponto amostral (x" , x# , . . . , xn ), a funcao
¸~ de ) e´ denominada Funcao
considerada como funcao ¸~ de
Verossimilhanca
¸ da amostra.
2
2. Paradigma Bayesiano
Teorema de Bayes:
^
Sejam A" , A# , . . . , uma sequencia (finita ou infinita
´
enumeravel) ´
de eventos aleatorios ¸~ de
que formam uma particao
H. Se B e´ um evento qualquer então
P(Ai )P(B | Ai )
P(Ai | B) =
! P(Aj )P(B | Aj )
_
j=1
3
Distribuição a priori
Distribuição a posteriori
4
♦ O teorema de Bayes é a regra de atualização utilizada para
quanticar este aumento de informação.
:() l B) º 1Ð )ÑP() l B)
5
Os seguintes diagramas são uma tentativa de
ilustrar a operação Bayesiana.
6
♦ Portanto, as inferências (estimadores e intervalos) sobre )
são baseadas na densidade a posteriori.
7
♦ A constante normalizadora da posteriori pode ser
facilmente recuperada pois
:() l B) œ 5 1())P() l B)
onde
5 " œ ' 1())P() l B).) œ :(B)
8
3Þ Inferência Clássica versus Inferência Bayesiana
♦ Há várias respostas.
♦ Nuisance parameters
- O método de Bayes usa marginais
- O método Clássico usa maximização e teoria assintótica
♦ Interpretação
- Inferência Bayesiana é interpretada em termos de
probabilidades
- Inferência Clássica justificadas em amostragens repetidas
e teoria assintótica
9
♦ Além disso, uma característica distintiva da Inferência
Bayesiana é que ela leva em consideração a informação a priori
na análise.
10
4. Estimação
11
para o limite inferior )" e o limite superior )# , de forma que
T ˜)" ) )# ¸x™ œ " !Þ
Densidade Preditiva
12
5. De onde a priori vem?
ì Priori não-informativa œ
Flat variância grande
Objetiva
13
ì Há vários métodos para especificar prioris Objetivas
14
6. Priori de Jeffreys
1()) º È MÐ))
M ()) œ EŠ ` ‹
#
691 0 ÐB l ) Ñ
onde ` )#
¸~ de Fisher.
e´ chamada Medida de Informacao
M34 ()) œ EŠ ` ‹,
#
691 0 ÐB l ) Ñ
` )3 ` )4
3ß 4 œ "ß #ß Þ Þ Þß 5Þ
15
EXEMPLOS:
0 ÐB l -Ñ œ -/-B ß B !.
1(-) º È MÐ)) ,
isto é,
"
1# (-) º - Ð priori de JeffreysÑ
2) Distribuição Weibull
16
ì A matriz de informação de Fisher com elementos
M34 ()) œ EŠ ` ‹.
#
691 0 ÐB l )Ñ
` )3 ` )4
é dada por
>'(2)
M (!, " ) œ – —
Ð !" Ñ# !
>'(2)
!
1
" # Ò" >''(2)Ó
17