Академический Документы
Профессиональный Документы
Культура Документы
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Contedo
.
. 1
Distribuio de Probabilidades
Regras Bsicas Modelos Grficos Distribuio Binomial Distribuio Normal
. 2 . 3
Esperana Matemtica
Alguns Fundamentos
Verossimilhana
. 4 . .
Referncias
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Definies
Regras
Adio P (A ou B ) = P (A) + P (B ) P (A e B ) P (A ou B ) = P (A) + P (B ) Subtrao Multiplicao P (A) = 1 P (no A) P (A e B ) = P (A) P (B |A) P (A e B ) = P (A) P (B )
Multiplicao (A e B independentes)
Notao: P (A e B ) = P (A B ) = P (A, B )
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Probabilidade Condicional
Probabilidade Condicional
. Dois dados com cores diferentes . Se eu jogar os dois dados simultaneamente, qual a probabilidade de obter soma 3?
# resultados possveis: 6 6 = 36 # resultados com soma 3: 2 ({1, 2}, {2, 1}) Resp: P (soma 3) = 2/36
. Dois dados com cores diferentes . Suponha agora que um dos dois dados foi jogado antes, e o resultado foi 1 Qual a probabilidade de obter soma 3?
# resultados possveis: 6 # resultados com soma 3: 1 ({1, 2}) Resp: P (soma 3|valor 1 em um dos dados) = 1/6
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Probabilidade Condicional
. P (A|B ) . P (A, B ) P (A|B ) = P (B ) . . Ateno . Note a relao entre probab. condicional e a regra da multiplicao O que significam P (A|B ) = 1 e P (A|B ) = 0? Eventos independentes: P (A, B ) = P (A) P (B ) . . Exemplo anterior . 1 P (A, B ) 1 P (A|B ) = = 36 1 = 6 P (B ) 6 .
Eventos independentes
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Eventos independentes
Eventos independentes
. Moeda honesta .
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Um caso simples
. Doena, Gentipo . R S mm 0.10 0.05 0.15 Mm 0.21 0.09 0.30 MM 0.47 0.08 0.55 0.78 0.22 1
Teorema de Bayes
P (A) P (B |A) P (B )
0.47 0.55
= 0.85
P (D = R, G = M M ) = P (D = R) P (G = M M |D = R) = 0.47 0.78 0 .78 = 0.47 . . Note que P (D = R).P (G = M M ) = 0.78 0.55 = 0.429 .
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
D
P (T, U, G, D) = P (T ) P (U ) P (G) P (D|T, U, G) 16 parmetros Posso calcular o valor mais provvel de um dado parmetro, dadas as evidncias (realizaes de variveis aleatrias) Como ficaria o modelo se inclussemos Irrigao (S/N)? (Aguarde: Cadeia de Markov, independncia condicional)
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Varivel Discreta
. Exemplo - Distribuio Binomial . Seja a proporo de indivduos Aa numa populao grande e homognea, proveniente de um retrocruzamento. Neste caso, temos teoricamente 50% dos indivduos com este gentipo ( = 1/2) Qual a probabilidade de observarmos x gentipos Aa numa amostra de 4 indivduos (n = 4)?
( P (x) = n x ) (1 )
x (nx)
Distribuio Binomial
. Exemplo .
Theta=1/2
0.3
Probabilidade
0.2
0.1
. .
0.0 0 1 2 3 4
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Distribuio Binomial
. Exemplo . Qual a probabilidade de observarmos 3 gentipos Aa (x = 3) numa amostra de 4 indivduos (n = 4)?
( P (3) = 4 3 ) (1/2)3 [1 (1/2)]
(43)
Distribuio Binomial
. Outras distribuies . E se tiver outros valores?
Diferentes valores de theta
Theta=1/2 1.0 0.8 0.6 0.4 0.2 Theta=1/3 Theta=3/4
= 1/4
Probabilidade
0.0 Theta=5/6 1.0 0.8 0.6 0.4 0.2 0.0 Theta=1 Theta=0
Theta=1/2
.
Probabilidade
0.3
0.2
0.1
0.0
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Distribuio Normal
Grande parte das variveis (caracteres) estudados na Gentica
(x)2 1 f (x) = e 22 2 2
Densidade de Probabilidades
. Qual a probab. de selecionar ind. com Brix acima de 22? .
0.15
0.10
0.05
0.00
.
0.15
10
15
20
25
Brix
Probabilidade
0.10
0.05
0.00
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Exerccio
. Qual(is) conj. foram amostrado(s) em pop. com dist. normal? .
6
Contagem
Contagem
10 0 2 1 0 1 6 4 2 0 2 4
20
7.5
10
Contagem
Contagem
5 0 3 2 1 0 1 2
5.0
2.5
0.20
0.0 2 1 0 1 2
0.15
Contagem
Densidade
0.05
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
10
15
20
25
Brix
Exerccio
. Tamanho da amostra .
Tamanho das classes: 2
25 50 20 10 40
Amostra A: n=40
60
Amostra B: n=300
Contagem
Contagem
Contagem
15
Contagem
5 0 4 2 0 2 4
30
10 2 5
20
10
0 2 1 0 1
0 6 4 2 0 2 4
0 2 0 2
100
Amostra C: n=500
0.4
Comparao
8 80 0.3 10 6 60
Contagem
Contagem
Densidade
Contagem
amostra 0.2 A B C
40
5 0.1 2 20
0 3 2 1 0 1 2
0 2 1 0 1 2
0 2 0 2 4
0.0 4 2 0 2 4
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Varivel Discreta
. Retrocruzamento, com interesse em Aa . Imagine um exp. hipottico no realizado, com 4 indivduos 1, 1, . . . , 1, 0, 0, . . . , 0
x n-x
Resultados possveis: Aa Probabilidade . Mdia esperada: E (X ) = 0 P (0) 1 P (1) 2 P (2) 3 P (3) 4 P (4)
xP (x)
Na distribuio binomial, demonstra-se que E (X ) = np . . . No caso, E (X ) = 4(1/2), ou seja, 2 indivduos com gentipo Aa
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Varivel Contnua
. Brix de 200 indivduos, cana-de-acar .
0.20
Varivel Contnua
Esperana Matemtica:
Contagem 0 50 100 150
Densidade
0.10
E (X ) =
xf (x) dx
0.05
10
15
20
25
Brix
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Alguns conceitos
. Experimento . Conjunto de dados . Informaes sobre como esses dados foram coletados
Mtodo da Verossimilhana
Suponha que um modelo probabilstico tenha sido formulado para um experimento Imagine que esse modelo envolva um parmetro Desejamos usar os dados para estimar Formalmente, desejamos determinar quais so os possveis valores de mais plausveis (provveis, verossmeis), luz das observaes
. Inferncia estatstica . Desejamos explicitar o modelo que deu origem aos dados Usualmente, o modelo envolve um ou mais parmetros desconhecidos . . Os parmetros devem ser estimados a partir dos dados
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Mtodo da Verossimilhana
. Exemplo . Seja a proporo de indivduos Aa numa populao grande e homognea, com 2 alelos para esse loco. Desejamos estimar essa proporo. Para tanto, selecionamos aleatoriamente n indivduos e verificamos seu gentipo. Aps o experimento, notamos que x deles so Aa A probabilidade de observarmos esse evento E P (E ; ) = probab. de x, de um total de n indivduos, possurem o gentipo Aa ( ) n P (E ; ) = x (1 )(nx) x . . .
Mtodo da Verossimilhana
. Exemplo . Suponha que x = 3 e n = 4 Note que, nesta situao, no conhecido ( ) 4 P (E ; ) = 3 (1 )(43) 3
Se Se Se Se Se = 1/2, P (E ; ) = 0.25 = 1/3, P (E ; ) = 0.10 = 3/4, P (E ; ) = 0.42 = 5/6, P (E ; ) = 0.39 = 1, P (E ; ) = 0
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Verossimilhana
. Distribuies . De qual distribuio os dados foram amostrados?
Diferentes valores de theta
Theta=1/2 1.0 0.8 0.6 0.4 0.2 Theta=1/3 Theta=3/4
Mtodo da Verossimilhana
. Definio . A funo de verossimilhana de definida como L() = c P (E ; ) Funo de Verossimilhana: funo densidade de probabilidade das observaes, interpretada como uma funo dos parmetros que determinam a distribuio (Siegmund e Yakir, 2007)
Theta=5/6 1.0 0.8 0.6 0.4 0.2 0.0 Theta=1 Theta=0
Probabilidade
0.0
.
0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
Edwards (1992): The likelihood L(H |R), of the hypothesis H given data R, and a specific model, is proportional to P (R|H ), the constant of proportionality being arbitrary.
. .
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Mtodo da Verossimilhana
. Definio . Likelihood is the hypothetical probability that an event that has already occurred would yield a specific outcome. The concept differs from that of a probability in that a probability refers to the occurrence of future events, while a likelihood refers to past events with known outcomes. (http://mathworld.wolfram.com/Likelihood.html) L() P (E ; ) L() x (1 )(nx) (no caso da dist. binomial) . . A constante c, por no depender dos parmetros, normalmente desconsiderada .
Verossimilhana
. Definio . Sorensen e Gianola (2002): Sejam y os dados observados, resultado de um processo estocstico caracterizado por um modelo com distribuio (densidade) p(y|) A distribuio (densidade) das observaes portanto p(y|) A verossimilhana L() ou L(|y) obtida com base em uma inverso deste conceito . Por definio: L(|y) p(y|)
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
. Exemplo - gentipos Aa .
Dados: yi (i = 1, . . . , n; n = 4) 1, 1, . . . , 1, 0, 0, . . . , 0
x n-x
. Peso de indivduos amostrados numa pop. F2 . Um modelo possvel: yi N (, 2 ), sendo = (, 2 ) Verossimilhana: L(|y) = .
n i=1
(yi )2 1 e 22 2 2
p(yi |) =
i=1 p(yi | )
, , . . . , , (1 ), (1 ), . . . , (1 )
x n-x
Qual seria um modelo para estudar a variao do peso dos alunos da sala de aula?
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Mtodo da Verossimilhana
Para simplificar, usual trabalharmos com o log de L() Qual a razo? Ateno Os pontos de mximo e mnimo no se alteram aps o uso do logaritmo (funo montona) Notao: l() = loge L() = log L()
d l ( ) d
. Exerccio . . Qual a funo de verossimilhana do exemplo anterior (binomial)? 1 . Qual a funo score? 2 .
3
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
MLE
. Distribuio Normal . . L(|y) = n 1 i=1
2 3
. =
1 e 2 2
(yi )2 2 2
i=1
yi
3log(x) + (4 3)log(1 x)
x3(1 x)(43)
10
0.050
. 2 =
n n
=y
)2 i=1 (yi y n
15 0.025
. . MLE . . .
20 0.000 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00
. MLE e Quadrados Mnimos . Sob normalidade, os MLEs tambm so estimadores de quadrados mnimos . .
= 3/4 o MLE de
Verossimilhana ..............
Referncias
Verossimilhana ..............
Referncias
Principais Referncias
Principais Referncias
Gonick, L; Smith, W. The Cartoon Guide to Statistics Editora Harper Perennial, 1993 Kalbfleisch, J.G. Probability and Statistical Inference Editora Springer-Verlag, 1985 Volume 1 Edwards, A.W.F. Likelihood (expanded edition) The John Hopkins University, 1992
Sorensen, D.; Gianola, D. Likelihood, Bayesian, and MCMC Methods in Quantitative Genetics Editora Springer-Verlag, 2002 Koller, D.; Friedman, N. Probabilistic Graphical Models: Principles and Techniques MIT Press, 2009