20/01/2024, 10:05 Cronograma das aulas do curso

Cronograma das aulas do curso

01/02 (Ter): Preenchimento e discussão do questionário preenchido pelos participantes.
Apresentação do curso e da página de disciplina. Introdução às ideias do curso a partir de
questões do questionário: teorema de Bayes, inferência frequentista, função de
verossimilhança. Gravação da aula disponível no Teams.
Atividades recomendadas:
Associar e interpretar as notações do Teorema de Bayes mostradas na tela durante
a aula.
Rodar comandos da penúltima questão do questionário e interpretar no contexto
de testes de diagnóstico. Qual valor poderia a sensibilidade do teste? E
a especificidade? E a prevalência? E o valor preditivo positivo? Associar o código ao
teorema de Bayes.
Rodar comandos da última questão do questionário. Associar a interpretar no
contexto de estimação de proporção de canhotos na população mencionado em
aula. Como os elementos do gráfico poderiam ser interpretados?
Lista de exercícios (1) disponível na sessão de materiais do curso. Sugere-se
resolver antes das aulas da próxima semana.
03/02 (Qui): Visões alternativas do método científico e suas relações com a inferência
bayesiana. Slides.
Atividades recomendadas:
Ler o Capítulo 1 da apostila.
Tentar resolver a lista de exercícios (1), ou pelo menos pensar a respeito das
possíveis soluções.
08/02 (Ter): A aula teve dois temas: i) discussão detalhada do Teorema de Bayes usando o
contexto de teste de diagnóstico, explorando formatação, interpretação, jargão do contexto
(sensibilidade, espeficidade, prevalência, valor preditivo), possibilidade de testes múltiplos e
percepção como um problema de classificação, ii) paradigmas de inferência: usando o problema
de estimação de uma proporção foram revisados os paradigmas frequentista e de
verossimilhança e feita uma introdução à análise Bayesiana do problema, que será mais
explorada na próxima aula Slides.
Atividades recomendadas: forma recomendadas ao longo da aula, entre elas:
Fazer uma função em R para rápido cálculo do Teorama de Bayes no problema do
teste diagnóstico
Alterar valores de prevalência, sensibilidade e espeficidade, verificando impacto nos
resultados
Considerar o uso sequencial de 2 (ou mais!) testes. Usar testes com as mesmas e
depois diferentes sensibilidades e especificidades. Para o último caso, verificar se a
ordem é importante no resultado final ou se pode haver preferência na
recomendação.
No problema da estimação da proporção de canhotos: reproduzir análises
frequentistas e obtenção da verossimilhança. Expressar sua opinião a priori não
apenas com uma valor, mas de forma mais geral com alguma indicação de incerteza.
10/02 (Qui): Definição de prioris conjugadas e exemplos (Beta-Binomial e Poisson-
Gamma). Slides.
Atividades recomendadas:
Usar a interface Shiny para definir diferentes tipos de prioris e ver o impacto na
posteriori.
15/02 (Ter): Discussão de dúvidas e revisão dos principais conceitos vistos até agora.
Conjugada Beta-Binomial e exemplo dos canhotos (ver o script).
17/02 (Qui): Características do método bayesiano. Testes e princípio da verossimilhança.
Atualização sequencial.

cursos.leg.ufpr.br/ce227/aulas.html 1/3
20/01/2024, 10:05 Cronograma das aulas do curso
22/02 (Ter): Definição de prioris conjugadas e exemplos: Beta-Binomial (revisão), Poisson-
Gama: obtenção da posteriori, esperança da posteriori, obtenção da marginal da resposta Y,
esperança e variância.
24/02 (Qui): Predição Bayesiana. Exemplo no modelo Poisson-Gama. Obtenção da posteriori
para média da normal com variância conhecida. Média da posteriori como ponderação da
média à priori e estimativa de máxima verossimilhança
Atividades recomendadas
Aplicar os resultados do modelo Poisson Gamma a um conjunto de dados
adequado.
Obter a posteriori para média da normal com parâmetro de precisão (considerado
conhecido).
Considere a inferência para o parâmetro de variância (ou de precisão, a sua escolha)
da distribuição normal supondo média conhecida. Obter a expressão da posteriori.
01/03 (Ter): Feriado (carnaval)
03/03 (Qui): Aproximação por simulação. Expressão computacional, por simulação, das
distribuições envolvidas no Teoremas de Bayes/Inferência Bayesiana utilizando Modelo Beta-
Binomial. Simulação do modelo e obtenção de amostras. Identificação de amostras das
distribuições conjunta, marginais e condicionais. Limitações do método para análises de dados.
Noção introdutória de algorítmos de aceitação/rejeição.
Atividades recomendadas:
Refazer/reproduzir comandos e simulações mostradas em aula para o modelo beta-
binomial.
Obter simulações da distribuição preditiva deste mesmo modelo.
Fazer análogo para o modelo Poisson gama e para o Modelo Normal-Normal.
Seja um modelo com
Y ∼ N(θi , 1), θ = (2.5, 3.0, 3.5)��� ∼ N(��� , 1), ��� = (2.5, 3.0, 3.5).
���
Adote uma priori uniforme. Considere uma observação y = 2, 8 ��� = 2, 8.
Obtenha a posteriori.
Idem anterior para observações y = (2, 8; 2, 2; 3, 1)(2, 8; 2, 2; 3, 1).
08/03 (Ter): Aproximação por simulação (cont). Idem aula anterior. Revisão exemplo com o
modelo Poisson-Gamma. Obtenção de preditiva.
Atividades recomendadas
Implementar códigos para os modelos vistos em aula.
Rodar exemplos da Binomial-Beta e Poisson Gama com outras escolhas de prioris.
Rodar exemplos da Binomial-Beta e Poisson Gama com outros possíveis dados.
Implementar versão computacional com aproximação por simulação dos exercícios
2.2 a 2.5.
Implementar o algorítmo para comparação de duas proporções.
10/03 (Qui): Prioris: conceitos fundamentais, prioris na família exponencial, prioris de Jeffrey’s
15/03 (Ter): Prioris: revisão, comentários adicionais sobre prórpias e impróprias. Discussão de
exemplo/exercício sugerido. Priori em grid (discretização). Computação de posteriori:
Algorítmo MCMC - Metrópolis.
17/03 (Qui): 1a prova
22/03 (Ter): Métodos de Monte Carlo. Integração de Monte Carlo e amostragem por
importância. HTML.
24/03 (Qui): Distribuições aproximadas baseadas em simulação de Monte Carlo. Amostragem
por rejeição. Re-amostragem por importância. HTML.
29/03 (Ter): MCMC: Algoritmos de Metropolis-Hastings. Amostrador independente.
Metropolis random walk. HTML.
31/03 (Qui): Amostrador de Metropolis-Hastings geral. Amostrador de Gibbs. HTML.
05/04 (Ter): Teoria da decisão. PDF.
07/04 (Qui): Teoria da decisão. PDF.
12/04 (Ter): Testes de hipótese via fator de Bayes. PDF.
14/04 (Qui): Estimação intervalar. Script.

cursos.leg.ufpr.br/ce227/aulas.html 2/3
20/01/2024, 10:05 Cronograma das aulas do curso
19/04 (Ter):
21/04 (Qui): Uso de pacotes para inferência bayesiana. Script 1 e Script 2.
26/04 (Ter): Uso de pacotes para inferência bayesiana. Script 3.
28/04 (Qui): Revisão dos capítulos 4, 7 e 8 da apostila.
03/05 (Ter): Seminários.
05/05 (Qui): Prova 2.

cursos.leg.ufpr.br/ce227/aulas.html 3/3