Questão FC282619
Um dos grandes desafios do uso da inferência Bayesiana é a especificação da distribuição a priori dos parâmetros do(s) modelo(s), pois cada problema é único e tem um contexto real
Estatística Bayesiana
VUNESP · 2023
Um dos grandes desafios do uso da inferência Bayesiana é a especificação da distribuição a priori dos parâmetros do(s) modelo(s), pois cada problema é único e tem um contexto real próprio e os graus de conhecimento variam de pesquisador para pesquisador. No processo de elicitação (especificação de distribuições de probabilidade para os parâmetros baseado em crenças e conhecimentos de uma ou mais pessoas), sobre o uso de priori(s) é correto afirmar que
- o uso de priori conjugada resulta em uma forma conhecida do núcleo da densidade a posteriori. Por exemplo, o modelo Binomial tem a distribuição Binomial como uma família conjugada; a família Beta é conjugada natural, como também o modelo Normal é a família conjugada natural.
- quando se utiliza priori conjugada em dados muito informativos, a distribuição a priori tem pouca influência sobre a verossimilhança e a distribuição a posteriori.
- a escolha pelo uso de priori conjugada indica que o pesquisador busca por simplicidade na derivação da distribuição a posteriori; e que os parâmetros do modelo sejam interpretáveis a posteriori.
- ao especificar a priori conjugada, a distribuição a posteriori será equivalente a função de verossimilhança, levando a resultados semelhantes aos da inferência não-paramétrica.
- usar priori não-informativa é equivalente a usar uma distribuição a priori conjugada, os resultados são invariantes a esta escolha.
Mostrar resposta e comentário
Gabarito
Certo
Comentário do professor
A alternativa indica que a escolha de uma priori conjugada visa principalmente a simplicidade na obtenção da distribuição posteriori. Isso ocorre porque a posteriori pertence à mesma família da priori, facilitando cálculos analíticos e atualizações.
Em termos práticos, ao usar uma priori conjugada os hiperparâmetros são atualizados de forma direta pelos dados. Por exemplo, com modelo Binomial e priori Beta \( \text{Beta}(\alpha,\beta) \), a posteriori é \( \text{Beta}(\alpha+x,\beta+n-x) \), onde \(x\) são sucessos em \(n\) testes.
Essa estrutura torna os parâmetros do modelo mais interpretáveis a posteriori, pois a nova configuração reflete explicitamente a soma da crença prévia e da informação observada, permitindo comunicação clara e decisões mais objetivas.
Conteúdo do catálogo FC Concursos · Atualizado em