Estimação bayesiana dos parâmetros da distribuição multinomial: uma aplicação para atuação profissional de alunos do Profmat da UFSJ

  • Isabela da Silva Lima Universidade Federal de Lavras
  • Carla Regina Guimarães Brighenti Universidade Federal de São João del-Rei
Palavras-chave: Dirichlet, Simplex, Docentes.

Resumo

Um dos problemas básicos da inferência estatística é a estimação de parâmetros, e uma forma de realizá-la é através da abordagem bayesiana, que através da incorporação de prioris pode-se melhorar a estimação de parâmetros. Com o objetivo de estimar a proporção da atuação profissional de alunos do Mestrado Profissional em Matemática em Rede Nacional-Profmat, da Universidade Federal de São João del-Rei (UFSJ), esse trabalho utilizou a abordagem bayesiana, onde gerou-se três prioris e estimou se os parâmetros da distribuição multinomial para comparação, utilizando dados da secretaria do programa da UFSJ. Além disso, a partir do software R, plotou-se o  simplex de cada distribuição a priori e a posteriori para a visualização dos parâmetros. Concluiu-se que as estimativas foram precisas utilizando a abordagem bayesiana, e também foi possível comparar a influência de cada priori na estimação dos parâmetros.

Referências

[1] Marianna Avetisyan and Jean-Paul Fox. The dirichlet-multinomial model for multivariate randomized response data and small samples. Psicologica: International Journal of Methodology and Experimental Psychology, 33(2):362–390, 2012.

[2] Marlova Estela Caldatto, Regina Maria Pavanello, and Dario Fiorentini. O PROFMAT e a Formação do Professor de Matemática: uma análise curricular a partir de uma perspectiva processual e descentralizadora. Bolema: Boletim de Educação Matemática, 30:906–925, 2016.

[3] George Casella and Roger L. Berger. Statiscal Inference. Duxbury Press, df, 2 edition, 2002.

[4] Angelo Henrique Lopes da Silva. Estimativa de proporções em questões politômicas. Revista do TCU, 1(125):18–27, 2012.

[5] Jacqueline Patrícia Duarte De Oliveira and Telles Timóteo Da Silva. Sobre as distribuições binomial e multinomial. Revista de Matemática, 5(1):1–28, 2018.

[6] Ricardo S Ehlers. Inferência bayesiana. Departamento de Matemática Aplicada e Estatística, ICMC-USP, 64, 2011.

[7] Andrew Gelman, John B Carlin, Hal S Stern, David B Dunson, Aki Vehtari, and Donald B Rubin. Bayesian data analysis. Chapman & Hall, London, 3 edition, 2013.

[8] Paul Gerhard Kinas and Humber Agrelli Andrade. Introdução à análise bayesiana (com R). Consultor Editorial, Porto Alegre, 2 edition, 2020.

[9] Dennis V Lindley. The Bayesian analysis of contingency tables. The Annals of Mathematical Statistics, pages 1622–1643, 1964.

[10] Sebastião Martins Filho, Fabyano Fonseca Silva, Antonio Policarpo Souza Carneiro, and Joel Augusto Muniz. Abordagem bayesiana das curvas de crescimento de duas cultivares de feijoeiro. Ciência Rural, 38(6):1516–1521, 2008.

[11] Pedro Alberto Morettin and Wilton Oliveira Bussab. Estatística básica. Editora Saraiva, São Paulo, 9 edition, 2017.

[12] Carlos Daniel Paulino, Maria Antônia Amaral Turkman, Bento Murteira, and Giovani L. Silva. Estatística bayesiana. Fundação Calouste Gulbenkian, Lisboa, 2 edition, 2018.

[13] R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, 2020.

[14] Ricardo Luis dos Reis, Joel Augusto Muniz, Fabyano Fonseca Silva, Thelma Sáfadi, and Luiz Henrique de Aquino. Abordagem bayesiana da sensitividade de modelos para o coeficiente de endogamia. Ciência Rural, 39(6):1752–1759, 2009.
Publicado
2022-01-18