Probabilidade a posteriori

Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa

Em estatística bayesiana, a probabilidade a posteriori de um evento aleatório ou uma proposição incerta é a probabilidade condicionada que é atribuída depois que evidências ou planos de fundo relevantes são levados em conta. De forma semelhante, a distribuição de probabilidade a posteriori é a distribuição de probabilidade de uma quantidade incerta, tratada como uma variável aleatória, condicional sobre a evidência obtida de um experimento ou survey. Neste contexto, "a posteriori" significa depois de levar em conta evidências relevantes relativas ao caso particular sendo examinado.[1]

Definição[editar | editar código-fonte]

A probabilidade a posteriori é a probabilidade dos parâmetros dada a evidência : .

Contrasta com a função de verossimilhança, que é a probabilidade da evidência dados os parâmetros: .

Estes dois conceitos se relacionam como descrito abaixo.

Considere que temos uma crença a priori de que a função distribuição de probabilidade é e as observações são com a verossimilhança . Então, a probabilidade a posteriori é definida como:

A probabilidade a posteriori pode ser escrita de forma memorizável como:

[2]

Exemplo[editar | editar código-fonte]

Suponha que há uma escola mista e que 60% de seus alunos são meninos e 40% de seus alunos são meninas. As meninas usam calças ou saias em números iguais. Todos os meninos usam calças. Um observador vê um estudante (aleatório) a distância. Tudo o que o observador pode ver é que este estudante está vestindo calças. Qual é a probabilidade de que este estudante seja uma menina? A resposta correta pode ser computada usando o teorema de Bayes.

O evento é aquele em que o estudante observado é uma menina e o evento é aquele em que o estudante observado está vestindo calças. Para computar a probabilidade a posteriori , precisamos primeiramente saber:

  • , que é a probabilidade de que o estudante seja uma menina, independentemente de qualquer outra informação. Já que o observador vê um estudante aleatório, o que quer dizer que todos os estudantes têm a mesma probabilidade de ser observados, e a porcentagem de meninas entre os estudantes é , esta probabilidade é igual a .
  • , que é a probabilidade de que o estudante não seja uma menina, isto é, um menino, independentemente de qualquer outra informação ( é o evento complementar a ). Esta é igual a ou .
  • , que é a probabilidade de que o estudante esteja vestindo calças, sendo o estudante uma menina. Como elas têm a mesma probabilidade de vestir saias ou calças, esta é igual .
  • , que é a probabilidade de que o estudante esteja vestindo calças, sendo o estudante um menino. Esta é igual a .
  • , que é a probabilidade de que um estudante (aleatoriamente selecionado) esteja vestindo calças, independentemente de qualquer outra informação. Já que (pela lei da probabilidade total), esta é igual a .

Dadas todas estas informações, a probabilidade a posteriori do observador ter visto uma menina, dado que o estudante observado estava vestindo calças, pode ser computada ao substituir estes valores na fórmula:

A intuição deste resultado é que, a cada 100 estudantes (60 meninos e 40 meninas), se observarmos calças, o estudante é um de 80 estudantes que vestem calças (60 meninos e 20 meninas). Já que dos estudantes que vestem calças são meninas, a probabilidade de que o estudante vestindo calças seja uma menina é igual .[3]

Cálculo[editar | editar código-fonte]

A distribuição de probabilidade a posteriori de uma variável aleatória dado o valor de outra pode ser calculada com o teorema de Bayes, ao multiplicar a distribuição de probabilidade a priori pela função de verossimilhança e, em seguida, dividir pela constante de normalização, como segue:

que dá a função densidade de probabilidade a posteriori para um variável aleatória , levando em conta os dados , em que:

  • é a densidade a priori de ,
  • é a função de verossimilhança como uma função de ,
  • é a constante de normalização e
  • é a densidade a posteriori de , levando em conta os dados .[4]

Intervalo de credibilidade[editar | editar código-fonte]

A probabilidade a posteriori é a probabilidade condicional condicionada sobre dados aleatoriamente observados, logo, é uma variável aleatória. Sendo uma variável aleatória, é importante resumir sua quantidade de incerteza. Uma forma de atingir este objetivo é providenciar um intervalo de credibilidade da probabilidade a posteriori.[5]

Classificação[editar | editar código-fonte]

Em classificação, as probabilidades a posteriori refletem a incerteza de inserir uma observação em uma classe particular. Enquanto métodos de classificação estatística por definição geram probabilidades a posteriori, as máquinas aprendizes usualmente oferecem valores de associação que não incluem qualquer confiança probabilística. É desejável transformar ou reescalonar valores de associação em probabilidades de associação de classe, já que são comparáveis e adicionalmente mais facilmente aplicáveis para o pós-processamento.[6]

Ver também[editar | editar código-fonte]

Referências[editar | editar código-fonte]

  1. Hayes, Andy (2017). Bayes Theorem: A Quick-start Beginner's Guide (em inglês). North Charleston, South Carolina: CreateSpace Independent Publishing Platform. ISBN 9781542493598. Consultado em 5 de março de 2018 
  2. Lee, Peter M. (2004). Bayesian statistics: an introduction 3rd ed ed. London: Arnold. ISBN 9780340814055. OCLC 54888001. Consultado em 5 de março de 2018 
  3. Hartshorn, Scott (2016). Bayes Theorem Examples (em inglês). Morrisville, Carolina do Norte, EUA: Lulu Press, Inc. ISBN 9781329854123. Consultado em 5 de março de 2018 
  4. Ehlers, Ricardo; Justiniano, Paulo (2003). «Teorema de Bayes». Laboratório de Estatística e Geoinformação da Universidade Federal do Paraná. Consultado em 5 de março de 2018 
  5. Swinburne, Richard (2005). Bayes's Theorem (em inglês). Oxford: Oxford University Press/British Academy. ISBN 9780197263419. Consultado em 5 de março de 2018 
  6. Bishop, Christopher M. (2006). Pattern recognition and machine learning. New York: Springer. ISBN 9780387310732. OCLC 71008143. Consultado em 5 de março de 2018