Estatística bayesiana
A estatística bayesiana é uma teoria no campo da estatística baseada na interpretação bayesiana da probabilidade, na qual a probabilidade expressa um grau de crença em um evento. O grau de crença pode ser baseado no conhecimento prévio sobre o evento, como os resultados de experimentos anteriores, ou em crenças pessoais sobre o evento. Isso difere de várias outras interpretações de probabilidade, como a interpretação frequentista que vê a probabilidade como o limite da frequência relativa de um evento após muitas tentativas.[1]
Os métodos estatísticos bayesianos usam o teorema de Bayes para calcular e atualizar probabilidades após a obtenção de novos dados. O teorema de Bayes descreve a probabilidade condicional de um evento com base em dados, bem como informações anteriores ou crenças sobre o evento ou condições relacionadas ao evento.[2][3] Por exemplo, na inferência bayesiana, o teorema de Bayes pode ser usado para estimar os parâmetros de uma distribuição de probabilidade ou modelo estatístico. Como a estatística bayesiana trata a probabilidade como um grau de crença, o teorema de Bayes pode atribuir diretamente uma distribuição de probabilidade que quantifica a crença ao parâmetro ou conjunto de parâmetros.[1][2]
História[editar | editar código-fonte]
A estatística bayesiana recebeu o nome de Thomas Bayes, que formulou um caso específico do teorema de Bayes em um artigo publicado em 1763. Em vários artigos desde o final do século 18 até o início do século 19, Pierre-Simon Laplace desenvolveu a interpretação bayesiana da probabilidade.[4] Laplace usou métodos que agora seriam considerados bayesianos para resolver uma série de problemas estatísticos. Muitos métodos bayesianos foram desenvolvidos por autores posteriores, mas o termo não era comumente usado para descrever tais métodos até a década de 1950. Durante grande parte do século 20, os métodos bayesianos foram vistos de forma desfavorável por muitos estatísticos devido a considerações filosóficas e práticas. Muitos métodos bayesianos exigiam muita computação para serem concluídos, e a maioria dos métodos amplamente usados durante o século baseava-se na interpretação frequentista. No entanto, com o advento de computadores poderosos e novos algoritmos como a cadeia de Markov Monte Carlo, os métodos bayesianos tiveram um uso crescente nas estatísticas no século XXI.[1][5]
Referências
- ↑ a b c Gelman, Andrew; Carlin, John B.; Stern, Hal S.; Dunson, David B.; Vehtari, Aki; Rubin, Donald B. (2013). Bayesian Data Analysis Third ed. [S.l.]: Chapman and Hall/CRC. ISBN 978-1-4398-4095-5
- ↑ a b McElreath, Richard (2020). Statistical Rethinking : A Bayesian Course with Examples in R and Stan 2nd ed. [S.l.]: Chapman and Hall/CRC. ISBN 978-0-367-13991-9
- ↑ Kruschke, John (2014). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan 2nd ed. [S.l.]: Academic Press. ISBN 978-0-12-405888-0
- ↑ McGrayne, Sharon (2012). The Theory That Would Not Die: How Bayes' Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries of Controversy First ed. [S.l.]: Chapman and Hall/CRC. ISBN 978-0-3001-8822-6
- ↑ Fienberg, Stephen E. (2006). «When Did Bayesian Inference Become "Bayesian"?». Bayesian Analysis. 1 (1): 1–40. doi:10.1214/06-BA101
