Inferência bayesiana

Selene Loibel

Unesp Rio Claro - SP, Brasil

August 9, 2021
Testes de hipóteses:Exemplo1 - I

Ex1. No decurso de um certo processo de produção de peças constatou-se em um dado

dia a ocorrência de peças fora de especificação (defeituosas) em 9 peças inspecionadas.
Um técnico do setor de qualidade da empresa propõe a distribuição a priori
θ ∼ Beta(2, 1), sendo θ a probabilidade de uma peça ser perfeita. A empresa estabelece
que pode haver no máximo 10% de peças defeituosas na produção de um dia, ou seja
que θ > 0, 9.
Testar as hipóteses: H0 : θ > 0, 9 contra H1 : θ ≤ 0, 9

Selene Loibel Inferência bayesiana

Testes de hipóteses:Exemplo1 (cont.) - II

Solução: A v.a. que é observada nesse problema é: X ∼ Ber (θ), ou seja, X = 1 se a

peça é perfeita e X = 0 se a peça é defeituosa.
Então para uma amostra com n = 9 peças inspecionadas, que resultou em 2 peças
defeituosas, temos que a função de verossimilhança é dada por:

9
Y
p(x|θ) = θxi (1 − θ)1−xi = θΣxi (1 − θ)9−Σxi = θ7 (1 − θ)2
i=1

Com a distribuição a priori dada por

p(θ) ∝ θ2−1 (1 − θ)1−1 = θ

Selene Loibel Inferência bayesiana

Testes de hipóteses:Exemplo1 (cont.) - III

Então a distribuição a posteriori é:

p(θ|x) ∝ p(θ)p(x|θ) = θθ7 (1 − θ)2 = θ8 (1 − θ)2

A partir dessa distribuição a posteriori θ|x ∼ Beta(9, 3), o procedimento do teste de

hipóteses é:
1. Calcular a probabilidade a priori de H0 :θ > 0, 9 ser verdadeira:
Γ(2+1) R 1 R1
P(θ > 0, 9) = Γ(2)Γ(1) 0,9 p(θ)d θ = 2 0,9 θd θ = 0, 19

Selene Loibel Inferência bayesiana

Exemplo1 (cont.) NO MATLAB - IV

% Calculo de P(H0:theta>0,9), sendo theta ∼ Beta(2, 1)

p=0.9;
% Priori
prob_90=betacdf(p,2,1)
prob_10=1-prob_90
SAÍDA:
prob_90 =0.8100
prob_10 =0.1900
A priori, temos a probabilidade de H0 ser verdadeira dada por: P(θ > 0, 9) = 0, 19

Selene Loibel Inferência bayesiana

Exemplo1 (cont.) NO MATLAB - V

2. Calcular a probabilidade a posteriori de H0 :θ > 0, 9 ser verdadeira:

Γ(9+3) R 1 R1 8 2
P[(θ|x) > 0, 9] = Γ(9)Γ(3) 0,9 p(θ|x)d θ = 495 0,9 θ (1 − θ) d θ

% Calculo de P(H0:theta>=0,9), sendo theta|X ∼ Beta(9, 3)

p=0.9;
% Posteriori
Prob_90=betacdf(p,9,3)
Prob_10=1-Prob_90

Selene Loibel Inferência bayesiana

Exemplo1 (cont.) - VI

SAÍDA:
Prob_90 =0.9104
Prob_10 =0.0896
A posteriori, temos a probabilidade de H0 ser verdadeira dada por:
P[(θ|x) > 0, 9] = 0, 0896
3. Calcular as razões de chances entre H0 e H1 tanto a priori como a posteriori. Note
que se calculamos a razão das chances com as probabilidades relativas a H0 no
numerador e H1 no denominador, respectivamente, estamos avaliando a chance contra
H0 , ou seja se esta razão é menor que 1 (um), temos que:
P(H0 ser verd.) < P(H1 ser verd.).
Selene Loibel Inferência bayesiana
Exemplo1 (cont.) - VII

Razão de chances a priori

P(H0 |x) P(θ > 0, 9) 0, 19

λB_priori = = = = 0, 2346
P(H1 |x) P(θ ≤ 0, 9) 0, 81

A priori, temos que P(H0 |x) = 0, 2346P(H1 |x)

Razão de chances a posteriori

P(H0 |x) P[(θ|x) > 0, 9] 0, 0896

λB_post = = = = 0, 0984
P(H1 |x) P[(θ|x) ≤ 0, 9] 0, 9104

A posteriori, temos que P(H0 |x) = 0, 0984P(H1 |x)

Selene Loibel Inferência bayesiana

Exemplo1 (cont.) - VIII

4. Comparar essas razões do passo 3. Vemos que o fato de termos 7 peças perfeitas, já
que observamos 2 peças defeituosas na amostra de tamanho n = 9, alterou a chance
contra H0 .
O fator de Bayes, a favor de H0 é:

λB_post 0, 0984
= = 0, 4194
λB_priori 0, 2346

O fator de Bayes, contra H0 é:

λB_priori 1
= = 2, 3843
λB_post 0, 4194

Neste exemplo, a decisão, no teste bayesiano, é de rejeitar H0 .

Selene Loibel Inferência bayesiana
Testes de hipóteses (cont.) - IX

Interpretação do fator de Bayes:

O fator de Bayes representa um peso relativo da evidência contida nos dados a favor de
uma ou outra hipótese. Um fator de Bayes "muito grande" ou "muito pequeno"
relativamente a 1 (um) representa uma tendência bastante forte nos dados a favor de
uma hipótese contra a outra, no sentido de que uma hipótese é muito mais (ou muito
menos) provável do que era a priori.

Selene Loibel Inferência bayesiana

Exemplo2 - X

Ex2. No cenário de n realizações independentes de uma v.a. X ∼ N(µ, σ 2 ) com σ 2

conhecida e com a distribuição a priori não informativa para µ dada por uma constante
c, temos que a distribuição a posteriori é µ|x ∼ N(x, σ 2 /n). Para testar H0 : µ ≤ µ0
contra H1 : µ > µ0 , temos que a probabilidade a posteriori para H0 é

 
µ0 − x
P[(µ|x) ≤ µ0 ] = P Z < √
σ/ n
A razão das chances de H0 e H1 é dada por:
 
−x
µ0 √
P(H0 |x) P Z < σ/ n
λB_post = =  
P(H1 |x) 1 − P Z < σ/ −x
µ0 √
n

Selene Loibel Inferência bayesiana

Exemplo2 (cont.)- XI

Considere uma a.a. de X com n = 4, x = 106, σ 2 = 400 e queremos testar

H0 : µ ≤ 100 contra H1 : µ > 100.
 
100 − 106
P[(µ|x) ≤ 100] = P Z < =
20/2
 
−6
P Z< = P(Z < −0, 6) = P(Z > 0, 6) =
10
0, 5 − P(0 < Z < 0, 6) = 0, 5 − 0, 22575 = 0, 27425

Razão de chances a posteriori

P(H0 |x) P[(µ|x) ≤ 100] 0, 27425
λB_post = = = = 0, 3779
P(H1 |x) P[(µ|x) > 100] 0, 72575

Selene Loibel Inferência bayesiana

Exemplo2 (cont.) - XII

Para simplificar a interpretação, calculamos também o inverso:

1 1
= = 2, 6462
λB_post 0, 3779

Ou seja, a posteriori H0 é 2,65 vezes menos provável que H1 .

Selene Loibel Inferência bayesiana

Exemplo2 (cont.) - XIII

Note que, no contexto da inferência clássica utiliza-se o nível descritivo ("p-value")

para concluir o teste. Nesse exemplo teriamos o nível descritivo dado por:

 
x − µ0
p = P(X > x|µ = µ0 ) = 1 − P Z < √ =
σ/ n
 
µ0 − x
= P[(µ|x) ≤ µ0 ] = P Z < √ = 0, 27425
σ/ n

Selene Loibel Inferência bayesiana

Exemplo2 (cont.) - XIV

Se considerarmos o nível de significância do teste usual, dado por α = 5%, no teste

clássico não rejeitaríamos H0 , mas no teste bayesiano, iremos decidir de acordo com o
seguinte raciocínio:
Rejeitar H0 se :
O custo de rejeitar incorretamento H0 seja até 2,65 vezes o custo de não rejeitar
incorretamente H0 .

Selene Loibel Inferência bayesiana