Questão FC282618
O comandante do exército solicita ao oficial, especialista em estatística, uma análise dos dados obtidos em sua missão para poder tomar decisões em relação aos próximos passos. Nes
Estatística Bayesiana
VUNESP · 2023
O comandante do exército solicita ao oficial, especialista em estatística, uma análise dos dados obtidos em sua missão para poder tomar decisões em relação aos próximos passos. Nessa primeira conversa, o oficial pergunta ao comandante qual é o tipo de inferência que ele deseja que seja realizada. Em relação aos dois tipos de inferência (Clássica ou Bayesiana) é correto afirmar:
- na inferência Bayesiana, o parâmetro é considerado um escalar (ou um vetor) fixo e desconhecido, que, por sua vez, é quantificado em termos de probabilidades e formalmente denominado como distribuição a priori.
- na inferência Bayesiana, as informações a posteriori e amostrais permitem modelar e atualizar as estimativas dos parâmetros a priori por meio da regra de Bayes.
- O parâmetro, na inferência clássica, é um escalar (ou um vetor) conhecido, porém fixo.
- na inferência Bayesiana, a verossimilhança é a forma mais completa de expressar o estado do conhecimento sobre o fenômeno investigado. Toda pergunta específica é respondida a partir da análise dela, pois ela contém toda a informação necessária para a inferência.
- na inferência Bayesiana, o Teorema de Bayes indica como a priori e a verossimilhança devem ser combinadas para produzir a distribuição a posteriori que reflete o conhecimento atualizado sobre o parâmetro.
Mostrar resposta e comentário
Gabarito
Errado
Comentário do professor
O Teorema de Bayes fornece a regra matemática que combina a priori (o conhecimento ou crença prévia sobre o parâmetro) com a verossimilhança (a informação trazida pelos dados) para obter a a posteriori, que reflete o conhecimento atualizado após observar os dados.
Em forma compacta: \(p(\theta\mid x)=\dfrac{p(x\mid\theta)\,p(\theta)}{p(x)}\), onde \(p(x)=\int p(x\mid\theta)p(\theta)\,d\theta\) é a evidência que normaliza a distribuição.
A interpretação é direta: a priori expressa crenças iniciais; a verossimilhança quantifica quanto os dados apoiam cada valor de \(\theta\); e a a posteriori reúne ambos, servindo de base para estimativas, intervalos de credibilidade e decisões.
Além disso, a abordagem bayesiana permite atualização sequencial: novas observações convertem a posteriori anterior em nova priori, tornando o processo adaptativo e coerente com informação incremental.
Conteúdo do catálogo FC Concursos · Atualizado em