Οικονομικό Πανεπιστήμιο Αθηνών

Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας

Τμήμα Στατιστικής
Ακαδημαϊκό ΄Ετος 2023 – 2024
Η΄ Εξάμηνο
ΕΘΣΠ: Θεωρία Αποφάσεων

Εργασία #2

΄Ασκηση 1. ΄Εστω ένα διάνυσμα 5 παρατηρήσεων X = (2.6, 4.1, 1.1, 0.7, 3.2) και
Xi ∼ Gamma(2, θ), i = 1, ..., 5.
a. Να δείξετε ότι η Jeffreys prior για το θ είναι της μορφής πJ (θ) ∝ 1/θ ≡
Gamma(ϵ, ϵ), με ϵ > 0.
b. Να βρείτε την posterior κατανομή θ|X χρησιμοποιώντας την Jeffreys prior.
c. Να βρείτε τον κανόνα Bayes που ελαχιστοποιεί το τετραγωνικό σφάλμα.
d. Για μια νέα παρατήρηση Y , να υπολογίσετε την posterior predictive κατανομή
f (Y |X).

΄Ασκηση 2. ΄Εστω ένα διάνυσμα 5 παρατηρήσεων X = (1, 2, 1, 4, 2) και Xi ∼

Bin(n = 10, θ), i = 1, ..., 5. Να θεωρήσετε τα μοντέλα M0 : π0 (θ) = Beta(5, 5) και
M1 : π1 (θ) = Iθ=0.1 , όπου I η δείκτρια συνάρτηση.
a. Να υπολογίσετε τον Bayes factor BF01 και να σχολιάσετε για το πιο μοντέλο
φαίνεται να υποστηρίζουν τα δεδομένα.
b. Θεωρώντας τα δύο μοντέλα ισοπίθανα a priori, να υπολογίσετε την πιθανότητα
π(M1 |X).

΄Ασκηση 3. ΄Εστω ένα διάνυσμα X 90 παρατηρήσεων με x̄ = −0.2 και Xi ∼

N (θ, 1), i = 1, ..., 90. Ως prior θεωρούμε θ ∼ N (0, 1/10).
a. Να βρείτε την posterior κατανομή θ|X.
b. Να βρείτε το διάστημα highest posterior density 95% (λόγω συμμετρίας θα είναι
ίσων ουρών) και με βάση αυτό να ελέγξετε αν το θ̂ = 0 είναι αποδεκτός εκτιμητής.