An´
alise Bayesiana de Decis˜
ao
Parte 2: passeio ”bayesiano” por probabilidades
Paul Kinas
Distribui¸c˜
oes de Probabilidade
1
Discretas
Definidas sobre {θ
1, · · · , θ
n} ou {θ
1, θ
2, · · · }
fun¸c˜ao de massa de probabilidade (fmp) p(θ) = P(Θ = θ) fun¸c˜ao distribui¸c˜ao F (w ) = P(Θ ≤ w ) para todo Real w . Exemplos:Binomial, Poisson
2
Cont´ınuas
Definida num intervalo Real {w
1< θ < w
2}
fun¸c˜ao densidade de probabilidade (fdp) p(θ) P(θ < Θ ≤ θ + δ) ≈ p(θ) · δ
fun¸c˜ao distribui¸c˜ao conforme acima Exemplos: Normal (Gauss), Beta, Gama
Distribui¸c˜
ao Binomial – Bin(n, π)
Uma v.a. Θ tem distribui¸c˜
ao Bin(n, π) para n´
umeros inteiros de 0
at´
e n (inclusive) com 0 < π < 1, se sua f.m.p. ´
e definida por:
p(θ) =
n
θ
· π
θ· (1 − π)
n−θ· I
{θ=0,1,2,...,n}Distribui¸c˜
ao Binomial – Bin(n = 10, π = 0.3)
0 2 4 6 8 10 0.00 0.05 0.10 0.15 0.20 0.25 teta p(teta|n,pi) 0 2 4 6 8 10 0.0 0.2 0.4 0.6 0.8 1.0 teta F(teta|n,pi)Distribui¸c˜
ao Beta – Beta(α, β)
Uma v.a. θ ∈ [0, 1] tem distribui¸c˜
aoo Beta com parˆ
ametros α > 0
e β > 0 se sua f.d.p. for dada por:
p(θ) =
Γ(α + β)
Γ(α)Γ(β)
θ
α−1(1 − θ)
β−1· I
{06θ61}E (Θ) =
α
α + β
;
V (Θ) =
αβ
(α + β)
2(α + β + 1)
;
moda(Θ) =
α − 1
α + β − 2
(se α > 1 e β > 1)
Distribui¸c˜
ao Beta – Beta(α = 4, β = 2)
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.5 1.0 1.5 2.0 teta p(teta|alf a,beta) 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 X F(teta|alf a,beta)Momentos e Separatrizes
E (g (θ)) =
X
g (θ) · p(θ)
1Momento de ordem k = {0, 1, 2. · · · } ´
e m
k= E (θ
k)
Esperan¸ca µ = m1 Variˆancia σ2= m 2− (m1)2 Desvio padr˜ao σ =√σ2 Precis˜ao τ = σ−22
Separatriz q
hdelimita os h% menores valores de θ
Defini¸c˜ao P(Θ ≤ qh) = F (qh) = h/100
Mediana ´e q50
Aferi¸c˜
ao de Probabilidades (1)
Tentativas para construir (distribui¸c˜
oes) Prioris que sejam
informativas:
Morgan, M.G.; Henrion, M. (1990) Uncertainty: a guide to dealing
with uncertainty in quantitative risk and policy analysis.
Cambridge University Press.
Chapter 6: Human Judgment about and with Uncertainty
Chapter 7: Performing Probability Assessments (Stanford
Research Institute Assessment Protocol)
Aferi¸c˜
ao de Probabilidades (2)
1
Princ´ıpio da Indiferen¸
ca
Se {Ei; i = 1, ..., n} ´e parti¸c˜ao com indices permut´aveis,
ent˜ao P(Ei) = 1/n
Aplica¸c˜ao: urna padr˜ao P(B) = b/n
2
Experimento de calibra¸c˜
ao
Queremos a aferi¸c˜ao deA=o professor K. ´e filho ´unico; isto ´e, queremos aferir P(A|Hyou) sendo Hyou a sua informa¸c˜ao
sobre o prof.
Fixado n e escolhido algum b ∈ {0, ..., n}, decida o que para vocˆe ´e mais prov´avel: A ou B=”a bola amostrada ´e branca” Varie b at´e encontrar b0 que para vocˆe torna A e B
igualmente prov´aveis
Aferi¸c˜
ao de Probabilidades (3)
1
Exercicio de calibra¸c˜
ao Nr. 1
A1=Frederic Chopin era francˆes;
Fixado n = 100, escolha em b ∈ {0, ..., n} um valor b01que para vocˆe torna A1e B igualmente prov´aveis
Sua aferi¸c˜ao ´e P(A1|Hyou) ≈ b10/n 2
Exercicio de calibra¸c˜
ao Nr. 2
A2=Santiago do Chile fica a leste de New York;
Fixado n = 100, escolha em b ∈ {0, ..., n} um valor b02que para vocˆe torna A2e B igualmente prov´aveis
Aferi¸c˜
ao de Probabilidades (4)
1
O que ´
e uma ”BOA” aferi¸c˜
ao?
queremos penaliza¸c˜ao pequena
Se A ´e verdadeiro ent˜ao penaliza¸c˜ao ´e 100 ∗ (1 − b0/n)2
Se A ´e falso ent˜ao penaliza¸c˜ao ´e 100 ∗ (b0/n)2 2
Vi´
eses de aferi¸
c˜
ao
Tversky and Kahneman (1974) Judgment under uncertainty:
heuristics and biases. Science (185):1124-1131
entender as heur´ısticas e os vi´eses
(a) representatividade; (b) disponibilidade; (c) ancoragem treinar para minimizar seus efeitos
Aferi¸c˜
ao de Probabilidades (5)
1
Exercicio de calibra¸c˜
ao Nr. 1
A
1´
e Falso
Frederic Chopin era POLON ˆES; C´alculo da penaliza¸c˜ao
Q1= 100 ∗ (b10/n)2
2
Exercicio de calibra¸c˜
ao Nr.2
A
2´
e Verdadeiro
Santiago (long = 70o Oeste); New York (long = 73o Oeste);
C´alculo da penaliza¸c˜ao Q2= 100 ∗ (1 − b02/n) 2
3
Um Chimpanz´
e teria escore total Q
1+ Q
1= 25 + 25 = 50
Subjetividade e uso de Informa¸c˜
ao a Priori
P(θ|X ) ∝ P(x |θ) · P(θ)
Posteriori ∝ Verossimilhan¸
ca x Priori
1
Subjetive Bayes (Savage, de Finetti) e
Objective Bayes (Jeffreys, Jaynes)
2
Prioris objetivas, segundo Jaynes (2003)
Transformar informa¸c˜ao a priori em distribui¸c˜ao a priori por an´alise racional (e n˜ao por introspec¸c˜ao)
De posse das mesmas informa¸c˜oes, diferentes analistas devem construir as mesmas prioris
Como a an´alise depende dos DADOS e da PRIORI, ambas precisam ser explicitadas na descri¸c˜ao do problema em quest˜ao
Tipos de Distribui¸c˜
oes a PRIORI
1
Prioris Informativas
aferir a partir da informa¸c˜ao dispon´ıvel posteriori de uma an´alise pr´evia
2
Prioris ”N˜
ao-informativas”
fracamente informativas ou vagas (weakly informative prior -WIP)
minimamente informativa (least informative prior - LIP) (priori de Jeffreys )
O Princ´ıpio da Verossimilhan¸ca
1
A fun¸c˜
ao de verossimilhan¸
ca (likelihood): L(θ) = p(x |θ)
2Princ´ıpio de verossimilhan¸
ca: ”a inferˆ
encia sobre hip´
oteses a
partir dos dados deve avaliar a plausibilidade dos dados
efetivamente observados `
a luz das v´
arias hip´
oteses em
disputa.”
Nota: um TH frequentista avalia a plausibilidade de dados
potenciais `
a luz de uma hip´
otese de referˆ
encia H
0.
3
Se para todo x tivermos que L
1(θ) ∝ L
2(θ), ent˜
ao ambos
carregam a mesma informa¸
c˜
ao sobre θ e devem resultar na
mesma inferˆ
encia sobre as hip´
oteses em disputa.
Teste de Hip´
otese (F) viola o Princ´ıpio da Verossimilhan¸ca
1
Testar a hip´
oteses H
0: θ = 0.5 versus H
1: θ < 0.5
θ = probabilidade de indiv´ıduo tomado ao acaso seja Fˆ
emea
2
Os dados: 12 animais; 3 fˆ
emeas e 9 machos
amostrou-se 12 animais determinando o n´umero de fˆemeas (Dist. Binomial) Pr (x ≤ 3|H0) = 0.073
Teste de Hip´
otese (F) viola o Princ´ıpio da Verossimilhan¸ca
1
Testar a hip´
oteses H
0: θ = 0.5 versus H
1: θ < 0.5
θ = probabilidade de indiv´ıduo tomado ao acaso seja Fˆ
emea
2
Os dados: 12 animais; 3 fˆ
emeas e 9 machos
amostrou-se 12 animais determinando o n´umero de fˆemeas (Dist. Binomial) Pr (x ≤ 3|H0) = 0.073
N˜AO rejeita H0
contamos o n´umero de animais amostrados at´e conseguirmos 3 fˆemeas (Dist. Binomial Negativa) Pr (n ≥ 12|H0) = 0.019
Rejeita H0
3