19/08/2015

Universidade Federal do Rio de Janeiro

Lista 05

Estatstica Computacional
Professor: Ralph dos Santos Silva

1. Considere os dados abaixo:

6,08
1,66
2,34
7,76
4,48

4,76
7,22
6,52
5,13
4,04

9,27
6,29
5,58
8,58
7,69

4,31
3,81
7,26
6,71
3,61

4,15
3,09
3,30
3,45
7,53

4,44
6,06
6,25
6,90
6,96

4,87
5,58
0,30
7,25
3,84

4,42
2,89
2,47
2,99
4,65

5,54
0,37
8,61
6,45
2,55

8,34
6,42
5,86
7,51
7,13

(a) Considere o modelo normal com media e variancia 2 e tambem as

distribuicao a priori 2 IG(0, 01; 0, 01) e N (0; 1000).
(b) Considere o modelo t-Student com posicao , escala 2 e grau de
liberdade fixo e igual a 5. Utilize a mesma distribuicao a priori do
item anteriori.
(c) Escreva e rode algoritmo de amostragem de Gibbs para os dois modelos
acima. (Dica: considere um modelo de mistura de escala no modelo
t-Student.)
(d) Calcule o DIC dos dois modelos e compare aquele que mais se ajusta
aos dados.
(e) Repita a modelagem no OpenBUGS e confirme os resultados.
(f) Criterio preditivo a posteriori de Gelfand e Gosh (so no seu programa
do R) para cada modelo e os compare.
(g) Programe no R o algoritmo de Monte Carlo via cadeias de Markov com
saltos reversveis para estes dois modelos (veja o Exemplo 58 do R).
Estime os parametros de cada modelo com este algoritmo e compare
com os resultados anteriores. Estime a probabilidade a posteriori de
cada modelo.