Considere a teoria Bayesiana e as famílias conjugadas de distribuição. Seja F uma família de distribuições para a verossimilhança p(x|θ) e P uma família de distribuição para a priori p(θ). Dizemos que F e P são famílias conjugadas de distribuições se:

Considere a teoria de decisão Bayesiana. Sobre uma priori não-informativa, é possível afirmar:

Um dos grandes desafios do uso da inferência Bayesiana é a especificação da distribuição a priori dos parâmetros do(s) modelo(s), pois cada problema é único e tem um contexto real próprio e os graus de conhecimento variam de pesquisador para pesquisador. No processo de elicitação (especificação de distribuições de probabilidade para os parâmetros baseado em crenças e conhecimentos de uma ou mais pessoas), sobre o uso de priori(s) é correto afirmar que

O comandante do exército solicita ao oficial, especialista  em estatística, uma análise dos dados obtidos em sua missão para poder tomar decisões em relação aos próximos passos. Nessa primeira conversa, o oficial pergunta ao comandante qual é o tipo de inferência que ele deseja que seja realizada. Em relação aos dois tipos de inferência (Clássica ou Bayesiana) é correto afirmar:

Suponha que a comissão técnica de uma modalidade es- R A SCUNHO portiva de um clube tem que decidir, com base em um teste de esforço físico, quais atletas serão inscritos ou não em um torneio esportivo. Estudos anteriores indicam que cerca de 40% dos atletas dessa modalidade mostram-se aptos (condição θ₀ ) a participar desses torneios, e 60% não aptos (condição θ₁ ). As respostas (X) em testes de esforço, realizados anteriormente com um grupo de atletas dessa modalidade, são mostradas na Tabela 1: Tabela 1: Resposta (em proporções) dos atletas ao teste de esforço. A decisão da comissão envolve perdas, estima-se que a perda ao inscrever no torneio um atleta não apto é de 6 unidades, e a perda de não inscrever um atleta apto é de 10 unidades. Admita, ainda, que não há perdas quando um atleta apto é inscrito no torneio, ou quando não se inscreve um atleta não apto. Assim, o cenário de decisão é composto pelo i) espaço paramétrico θ = {θ₀ , θ₁ }, em que θ0 e θ1 correspondem a aptidão ou não do atleta, respectivamente; ii) pelas possíveis ações da comissão {a₀ , a₁ }, ou seja, inscrever (a₀ ) ou não inscrever o atleta (a₁ ); e iii) as perdas envolvidas. Considerando a distribuição a posteriori apresentada na Tabela 2, podemos afirmar sobre a decisão de Bayes da comissão: Tabela 2: Distribuição a Posterior

Suponha que o comprimento X, em metros, das novas vigas fabricadas em uma indústria é uma variável aleatória que segue uma distribuição Uniforme no intervalo (0, θ). O fabricante deseja obter uma estimativa Bayesiana para θ e adota a seguinte densidade a priori para o parâmetro Uma amostra aleatória de 6 vigas selecionadas da linha de produção apresentou os comprimentos (em metros): 3,5; 6,0; 7,0; 6,5; 4,5 e 2,5. A estimativa Bayesiana para θ, com relação à função perda quadrática, é

Na abordagem bayesiana, com base no conhecimento que se tem sobre um parâmetro θ, pode-se definir uma família paramétrica de densidades. Nesse caso, a distribuição a priori é representada por uma forma funcional, cujos parâmetros devem ser especificados de acordo com esse conhecimento. Essa abordagem, em geral, facilita a análise e o caso mais importante é o de prioris conjugadas. A ideia é que as distribuições a priori e a posteriori pertençam à mesma classe de distribuições e, assim, a atualização do conhecimento que se tem do parâmetro θ envolve apenas uma mudança nos hiperparâmetros.
Nesse caso, assinale a alternativa em que é correto afirmar que a priori é conjugada.