Não foi possível enviar o arquivo. Será algum problema com as permissões?
Essa é uma revisão anterior do documento!
CE-227 - Primeiro semestre de 2018
No quadro abaixo será anotado o conteúdo dado em cada aula do curso.
São indicados os Capítulos e Sessões correspondentes nas referências bibliográficas,
bem como os exercícios sugeridos.
Veja ainda depois da tabela as Atividades Complementares.
Observação sobre exercícios recomendados os exercícios indicados são compatíveis com o nível e conteúdo do curso.
Se não puder fazer todos, escolha alguns entre os indicados.
Conteúdos das Aulas
Data | Conteúdo | Leitura | Exercícios | Tópico |
---|---|---|---|---|
19/02 Seg | Informações sobre o curso. Motivação inicial pela discussão de 3 situações | Cap 1 da "apostila" do curso | Ver abaixo e sugerido em aula | |
21/02 Qua | Discussão dos problemas propostos na aula anterior. Teorema de Bayes para o casos discretos e contínuos. Exemplo verossimilhança binomial e priori Beta. Obtenção de priori a partir da "opinião" sobre a proporção. | Cap 2 da "apostila" do curso, até o exemplo 2.2 | Ver abaixo e sugerido em aula | |
26/02 Seg | Revisão de conceitos e exemplos discutidos até aqui. Discussão sobre as versões discreta e continua do Teorema de Bayes. Relações entre problemas e notação unificada. Especificação de priori Beta a partir da informação subjetiva | Cap 2 da "apostila" do curso | Ver abaixo e sugerido em aula | |
28/02 Qua | 1a avaliação periódica. Discussão da avaliação. Características da abordagem bayesiana: atualização sequencial, suficiência, princípio da verossimilhança | Cap. 2 (todo) | 1a avaliação periódica | |
05/03 Seg | Elicitação de priori para o exemplo de verossimilhança binomial com priori beta - apresentação de implementação. Distribuição marginal e relações com modelos de efeitos aleatórios. Especificação de prioris: conjugadas, impróprias e representações de ignorância | Cap. 3 até 3.4 | ||
07/03 Qua | Discussão sobre o Capitulo 3 do material | Cap. 3 | Ver abaixo e sugerido em aula | |
12/03 Seg | Implementação de problemas de aula e materiais (Alcides, Bruna e Hektor). Apresentação inicial de exercício de inferência sobre a variância. | Exercício para estudo e discussão | ||
14/03 Qua | Inferência para posterioris de forma desconhecida: aproximação normal, discretização e amostragem por MCMC. | ver abaixo | ||
19/03 Seg | Revisão e dúvidas sobe materia da aula anterior. Implementação da discretização. Amostragem e "jitter" das amostras da discreta | ver abaixo | ||
21/03 Qua | Não haverá aula expositiva | Revisar conteúdos até aqui. | ||
26/03 Seg | Resumindo posteriori: Decisão (espaço discreto), estimação pontual (espaço contínuo), intervalos e testes | Cap 5, sec 5.1 | ver abaixo | |
28/03 Qua | 2a avaliação | |||
02/04 Seg | Discussão da 2a avaliação | |||
04/04 Qua | Resumindo posteriori: estimação pontual (espaço contínuo), intervalos e testes, Predição Bayesiana | Cap 5 e Cap 6 | ver abaixo | |
09/04 Seg | Inferência em problemas com mais de um parâmetro | Cap 4: ler, estudar e refazer exemplos | ver abaixo |
19/02
- Problema 1: catapora ou varíola? Formalizar e responder pergunta de interesse
- 90% dos que tem varíola apresentam os sintomas reportados
- 80% dos que tem catapora apresentam os sintomas reportados
- prevalência de varíola na população: 1/1000
- prevalência de catapora na população: 1/1000
- Problema 2:
- Assistir a parte inicial do //sketch// four candles/fork handles e notar o problema do reconhecimento de voz
- Relacionar elementos com o problema anterior
- Formalizar notações, atribuir probabilidades e calcular quantidades de interesse
- Problema 3: (está na apostila mas tentar resolver de alguma forma antes de ler o material)
- Uma caixa possui 6 bolas. Retiram-se 3 que são todas pretas. Qual a probabilidade de não haver mais bolas pretas na caixa?
- Ler e resolver exercícios do Capítulo 1 da apostila
21/02
- Revisitar Problema 2: acima
- Considerar o exemplo de aula com dados n=200, y=75 e as prioris escolhidas. Obter gráficos das prioris e posterioris. Verificar o efeito do tamanho de amostra aumentando n e y na mesma proporção e repetindo os gráficos.
- Escrever algum código para obtenção a priori a partir da opinião sobre a proporção cf discutido em aula. Verificar seu código com a sua opinião e as ilustradas em aula (ver tabela a seguir)
Estimativa | Intervalo | Probabilidade |
---|---|---|
0,63 | (0,40 ; 0,75) | 90% |
0,42 | (0,32 ; 0,52) | 80% |
0,20 | (0,05 ; 0,35) | 80% |
0,50 | (0 ; 1) | 100% |
0,30 | (0,20 ; 0,40) | 50% |
26/02
- Completar problemas propostas nas aulas anteriores após as discussões em aula
- Escrever um código para o Exemplo da Poisson (2.3 do material), que permita desenhas as funções e avaliar efeitos de prioris e dados
- Ler e resolver exercícios do Capítulo 2 da apostila
07/03
- Exercícios do Cap 3
- Escrever um código que receba: modelo, dados, priori conjugada e retorne posteriori (parâmetros e gráficos)
14/03
- Reler o material do Exercício para estudo e discussão
- Montar um algoritmo para aproximação por discretização do exemplo
- Tome algum outro modelo de um parâmetro e desenvolva os resultados análogos aos vistos em aula.
19/03
- Visualizar, experimentar e comentar o aplicativo shiny construído por Bruna, Hektor e Alcides
26/03
- Refazer exemplos e fazer Exercício 5.1 do Cap 5
- Código para o Exemplo 5.1:
# Priori [\theta] (th <- c(th1=0.6, th2=0.4)) # Verossimilhança [Y|\theta] y.th1 <- c(y1=0.35, y2=0.30, y3=0.21, y4=0.14) y.th2 <- c(y1=0.09, y2=0.17, y3= 0.25, y4=0.49) (y.th <- rbind(y.th1, y.th2)) # Conjunta [Y, \theta] = [\theta] \cdot [Y|\theta] (yth <- th * y.th) rownames(yth) <- c("yth1", "yth2") yth # Marginal [Y] (y <- drop(crossprod(th, y.th))) # ou ... colSums(th * y.th) # Posteriori (th.y <- t(t(yth)/drop(y))) rownames(th.y) <- c("th1.y", "th2.y") th.y ## Fc Perda L <- diag(c(8,20)) rownames(L) <- paste("a", 1:2, sep="") L (L.th.y <- L %*% th.y) ## Decisão D.f <- function(x) ifelse(x[1] < x[2], "a1:Vacina", "a2:Não Vacina") apply(L.th.y, 2, D.f) ## Perda baseada na regra de decisão para cada resultado de exame apply(L.th.y, 2, min) ## Risco de Bayes (associado a uma determinada regra adotada aqui) ## -- perda média esperada sum(apply(L.th.y, 2, min) * y) ## Outra regra: Vacina todo mundo L <- diag(c(8,0)) (LT.th.y <- LT %*% th.y) sum(apply(LT.th.y, 2, sum) * y) ## ou simplesmente... sum(th * c(8,0)) ## Ainda outra regra: não vacina ninguém LN <- diag(c(0,20)) (LN.th.y <- LN %*% th.y) sum(apply(LN.th.y, 2, sum) * y) ## ou simplesmente... sum(th * c(0,20))
02/04
- Na questão 1 verificar como a mudança na priori (proporção de motoristas acima do limite) afeta os resultados
- Na questão 2 refazer com a parametrização alternativa da exponencial e gama
- Ainda na questão 2 fazer utilizando o resultado genérico de prioris conjugadas para família exponencial
- Na questão 4 supor uma amostra de 5 valores (7, 3, 4, 5, 2), obter a posteriori e fazer os gráficos de priori, verossimilhança e posteriori
04/04
- Refazer exemplos e fazer Exercício 5.2 a 5.4 do Cap 5
- Refazer exemplos e fazer Exercícios cap 6
- Escrever funções mostrando como média, mediana e quartis podem ser calculados a partir de minimização de função perda:
- para um conjunto de dados
- para uma distribuição discreta
- para uma distribuição contínua
09/04
- Fazer um código (com operações matriciais) para os cálculos do Exemplo 1. O código deve permitir definir diferentes prioris e verossimilhanças. Experimentar com valores diferentes do exemplo.
- Especificar valores para os hiperparâmetros p e q no Exemplo 2 e simular um conjunto de dados. Obter a posteriori e maginais. Fazer gráficos conjuntos e marginais da priori e posteriori.
- No Exemplo 3 obter a marginal e a posteriori condicional
- Ainda no exemplo 3 definir os hiperparâmetros de obter uma simulação de dados do modelo
- Com os dados simulados obter as expressões da posteriori conjunta, marginais (do material) e condicional conjunta (item anterior)
- Obter uma simulação da posteriori. Comparar a conjunta e marginais teórica e simulada.