Escolar Documentos
Profissional Documentos
Cultura Documentos
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