Um resultado relevante é que se sua distribuição a priori p(θ) for própria, então a posteriori p(θ|y) tb será própria O que vai te permitir fazer afirmações que vc não poderia fazer no mundo frequentista. Como p.e. dizer θ tem probabilidade 0.95 de pertencer ao intervalo de 95%.
https://twitter.com/BayesDose/status/1344644477206446084
Ou calcular, em algumas situações, a probabilidade da hipotese nula ser verdadeira. P(H0 ser verdade | y) = P(θ <= 0 | y). (Isso nao funciona se H0 for θ=t0).
E dai? Nossos modelos no infogripe sao bayesianos, com prioris proprias e podemos fazer calcular a probabilidade de uma cidade ter mais que X hospitalizações essa semana, ou estimar a probabilidade de uma cidade ou regiao estar em alta, estavel ou em queda.
Não estamos usando prioris informativas, elas sao próprias mas fracamente informativas. Seria bom se usássemos prioris informativas pois nesse momento sabemos que o atraso é maior q o esperado. Teríamos que adaptar o modelo e incorporar nossa incerteza respeito disso.
Mas elicitar uma distribuicao de probabilidades a respeito de algo nao é algo trivial. É tema de pesquisa de muitos pesquisadores inclusive dos meus orientadores de doutorado (Tony O'Hagan e Jeremy Oakley). Quem sabe ano que vem nao me aventuro nisso? 🤔
• • •
Missing some Tweet in this thread? You can try to
force a refresh
