Ricardo Sandes Ehlers
|
|
- Antônia Van Der Vinne
- 5 Há anos
- Visualizações:
Transcrição
1 SELEÇÃO BAYESIANA DE MODELOS Ricardo Sandes Ehlers Departamento de Estatística Universidade Federal do Paraná ehlers RBRAS/SEABRO, Julho 2005
2 Alguns Exemplos seleção de ordem em modelos polinomiais; especificação da ordem em modelos (S)ARIMA; escolha do número de vizinhos em algoritmos de vizinho mais próximo; quais dentre 150 caracteristicas são relevantes? Seleção de Modelos Escolha final da estrutura do modelo no conjunto proposto de modelos candidatos. Em problemas reais, escolha tipicamente subjetiva resulta da combinação de fatores como medidas quantitativas, experiência pessoal e custo Aqui vamos considerar somente critérios quantitativos. Ricardo Ehlers Seleção Bayesiana de Modelos 2
3 Inferência Bayesiana Inferência Bayesiana é baseada no teorema de Bayes: π(θ) L(y θ) p(θ) y: dados observados e θ: parâmetros do modelo. Em palavras temos que distribuição a posteriori verossimilhança distribuição a priori. Queremos fazer inferência sobre uma função g(θ) calculando sua média a posteriori E π [g(θ)] = g(θ)π(θ)dθ tipicamente intratável analiticamente. Ricardo Ehlers Seleção Bayesiana de Modelos 3
4 Monte Carlo via cadeias de Markov Gostariamos de poder gerar θ 1,..., θ m π(θ) (Distribuição Alvo) definindo densidades de transição P (θ t, θ t+1 ) de uma cadeia de Markov. Dadas as realizações {θ (t), t = 0, 1,... } de uma cadeia de Markov que tenha π como distribuição de equilibrio então, sob certas condições θ (t) t π(θ) e 1 n n t=1 g(θ (t) i ) n E π (g(θ i )) q.c. Embora a cadeia seja por definição dependente a média aritmética dos valores da cadeia é um estimador consistente da média teórica. Ricardo Ehlers Seleção Bayesiana de Modelos 4
5 O Algoritmo de Metropolis-Hastings Começando em um ponto θ 0 no tempo (iteração) t = 0, a cada iteração t = 1, 2, gere um valor candidato φ q( θ t ). 2. gere u U(0, 1) e se u min { 1, π(φ) π(θ) q(φ θ t } ) q(φ θ t ) faça θ t+1 = φ, caso contrário faça θ t+1 = θ t. q é arbitrária mas na prática... q(φ θ t ) = q(φ), q(φ θ t ) = q( φ θ t ), q(φ θ t ) simétrica. Ricardo Ehlers Seleção Bayesiana de Modelos 5
6 O Amostrados de Gibbs O núcleo de transição é formado pelas distribuições condicionais completas π(θ i θ i ) = π(θ) π(θ)dθ i, θ i = (θ 1,..., θ i 1, θ i+1,..., θ d ). Em cada iteração obtém-se um novo valor θ gerando-se θ 1 π(θ 1 θ 2, θ 3,..., θ d ) θ 2 π(θ 2 θ 1, θ 3,..., θ d ). θ d π(θ d θ 1, θ 2,..., θ d 1) Ricardo Ehlers Seleção Bayesiana de Modelos 6
7 Caixa de Ferramentas BUGS (Bayesian inference Using Gibbs Sampling): WinBUGS, GeoBUGS, PKBUGS, OpenBUGS. ( É possível rodar o WinBUGS no Linux! ( BOA (Bayesian Output Analysis Program). CODA (Convergence Diagnostics and Output Analysis). R: R-CODA, mcmc, MCMCpack, bayessurv. ( Programas especificos para problemas mais complexos: Nmix (Fortran): Bayesian analysis of univariate normal mixtures, implementing Richardson and Green (1997). AutoRJ (Fortran): automatic RJMCMC (Green, 2003) Informação atualizada: MCMC Preprint Service ( mcmc). Ricardo Ehlers Seleção Bayesiana de Modelos 7
8 Procurando o Melhor Modelo Suponha que o número M de modelos alternativos seja muito grande. E.g. modelo linear com 10 possíveis regressoras: 2 15 = modelos alternativos, sem contar possíveis interações. Enumerar, estimar e associar uma medida de ajuste e parcimônia a cada possível modelo pode não ser a melhor estratégia. Como comparar os modelos competidores? Como fazer uma inferência média usando os modelos competidores? Ricardo Ehlers Seleção Bayesiana de Modelos 8
9 Abordagem Bayesiana Suponha que temos k modelos diferentes M 1,..., M k a priori atribuimos probabilidades p(m i ) a cada modelo. Para cada modelo existe um vetor de parâmetros θ i R n i com: uma verossimilhança dadas as observações p(y θ i, M i ) uma distribuição a priori p(θ i M i ). Obtemos a distribuição a posteriori tanto dos modelos quanto de seus parâmetros associados via teorema de Bayes, π(m i, θ i ) p(y θ i, M i ) p(θ i M i ) p(m i ) obtendo uma amostra desta posteriori e contando o número de vezes que cada modelo é visitado pela cadeia. Ricardo Ehlers Seleção Bayesiana de Modelos 9
10 Abordagem Clássica Seleção pode se basear na comparação de critérios de informação, e.g. Akaike (1974) AIC(θ i, M i ) = 2 log p(y θ i, M i ) + 2n i Schwartz (1978) BIC(θ i, M i ) = 2 log p(y θ i, M i ) + n i log T Equivalemente pode-se comparar os pesos AIC (ou BIC) w i exp( AIC(θ i, M i )/2) p(y θ i, M i ) e n i. Os pesos w i são proporcionais as probabilidades a posteriori dos modelos (em ˆθ i ) com prioris p(θ i M i ) constante e p(m i ) e n i. Ricardo Ehlers Seleção Bayesiana de Modelos 10
11 Deviance Information Criterion Spiegelhalter, Best, Carlin, and van der Linde (2002) DIC(θ i, M i ) = 2 log p(y θ i, M i ) + 2p D = D + p D sendo θ i = E(θ i y), D = E(D(θ i ) y) e p D = D D(θ i ). DIC é facilmente calculado durante as simulações da cadeia. Se θ 1 i,..., θ m i amostra de π(θ i ) então ( ) D 1 m D(θ k 1 m i ) e D(θ i ) D θ k i m m k=1 k=1 é uma DIC está programado no WinBUGS. Ricardo Ehlers Seleção Bayesiana de Modelos 11
12 Exemplo: Taxas de homicidio em Curitiba Silva, Mota, and Ehlers (2004) Y i e i, ψ i Poisson(e i ψ i ), i = 1,..., n. ψ i = exp(x β + θ i + φ i ). Dados: homicidios em 2000 por bairro de Curitiba. Modelo: Bayesiano hierárquico com componente espacial. Priori: campo aleatório Markoviano. Efeitos de covariáveis: Renda mediana, Analfabetismo, Domicilios em áreas de risco ou irregulares. Ricardo Ehlers Seleção Bayesiana de Modelos 12
13 Tabela 1: Valores DIC e pesos normalizados para cada modelo via WinBugs com simulações. Modelo DIC pesos Sem efeito espacial Sem covariáveis Analfabetismo Domicilio Renda Renda +Analfabetismo Analfabetismo+Domicilio Renda+Domicilio Renda+Analfabetismo+Domicilio Ricardo Ehlers Seleção Bayesiana de Modelos 13
14 under over Figura 1: Relative risks estimates in the Bayesian hierarchical model with covariate Illiteracy included. Ricardo Ehlers Seleção Bayesiana de Modelos 14
15 Um AIC Bayesiano? Dada uma amostra θ 1 i,..., θ m i π(θ i M i ) uma extensão óbvia do AIC usual é EAIC = E [AIC(θ i, M i ) y] = D(θ i, M i ) + 2n i ou D(θ i, M i ) + 2n i Idem para o EBIC = E [AIC(θ i, M i ) y]. Poderiamos usar medianas ou modas a posteriori ao invés de médias? Qual a distância entre valores destas medidas? E quando 2 ou mais modelos apresentam medidas muito similares? Ricardo Ehlers Seleção Bayesiana de Modelos 15
16 Exemplo: Seleção de Modelos Autoregressivos AR(k) : y t = k a j y t j + ɛ t, ɛ t N(0, σɛ 2 ) j=1 Figura 2: 114 observations of base 10 logarithms minus the mean of the annual trappings of Canadian lynx, Ricardo Ehlers Seleção Bayesiana de Modelos 16
17 Table 4 in Brooks, S.P. (2002) Discussion to Spiegelhalter et al. (2002). AR(k) models for Lynx data. k p D DIC EAIC EBIC π(k) w DIC k w EAIC k w EBIC k Ricardo Ehlers Seleção Bayesiana de Modelos 17
18 Saltos Trans-dimensionais Proponha um salto do modelo M i para o modelo M j com probabilidade r ij, gere um vetor u de dimensão n j n i de uma distribuição q() faça θ j = f ij (θ i, u) onde f ij : Θ i R n j n i Θ j denota uma função bijetora. Aceite o salto com probabilidade min(1, A) onde A = π(θ j, M j ) r ji f ij (θ i, u) π(θ i, M i ) r }{{} ij q(u) (θ i, u) }{{} razão de razão de propostas alvos A escolha da distribuição proposta q é crucial para varrer o espaço paramétrico. Quando possível usar as condicionais completas, ou aproximações para as condicionais completas Brooks and Ehlers (2002) Ricardo Ehlers Seleção Bayesiana de Modelos 18
19 Possíveis Alvos Distribuição a posteriori conjunta π(m i, θ i ) p(y θ i, M i ) p(θ i M i ) p(m i ). Distribuição de Boltzmann ( ) log p(y θi, M i ) n i π T (θ i, M i ) exp. T MCMC + Simulated annealing: Brooks, Friel, and King (2003) MCMC + Algoritmos genéticos: Ehlers and Ferreira (2005) Ricardo Ehlers Seleção Bayesiana de Modelos 19
20 Seleção de Modelos ARIMA Ehlers and Brooks (2004) Reparametrização em termos de raízes inversas dos polinômios característicos AR(I)MA(p, q) : k (1 λ i L)y t = i=1 q (1 δ j L)ɛ t, ɛ t N(0, σ 2 ). j=1 Estacionaridade/inversibilidade: λ i < 1, i = 1,..., k e δ i < 1, i = 1,..., q. Possíveis saltos: Adição/Remoção de 1 raíz real ou par de raízes complexas (conjugadas). Possíveis propostas: Normal truncada, tipo Beta, tipo Logística. Ricardo Ehlers Seleção Bayesiana de Modelos 20
21 Tabela 2: Model probabilities and proportion of correct model for a simulated AR(3). Sample size proposal Truncated normal Beta-based Logistic-based Ricardo Ehlers Seleção Bayesiana de Modelos 21
22 Figura 3: Southern oscillation index (SOI), 540 measurements taken between Tabela 3: Posterior model order probabilities, 500,000 iterations after a 500,000 burn-in. Proposal d (p, q) Truncated normal Ricardo Ehlers Seleção Bayesiana de Modelos 22
23 Modelos AR com Transição Suave Logística LST AR(m, p 1,..., p m ): m regimes e p i defasagens em cada regime. y t = α 1x 1,t + (α 2x 2,t α 1x 1,t ) G 1 (y t d, γ 1, c 1 ) + + (α mx m,t α m 1x m 1,t ) G m 1 (y t d, γ m 1, c m 1 ) + ɛ t, ɛ t N(0, σ 2 ɛ ) onde G i (y t d, γ i, c i ) = 1, i = 1,..., m exp[ γ i (y t d c i )] x j,t = (y t 1,..., y t pj ) α j = (α 1,..., α pj ) : coeficientes autoregressivos γ i > 0 : parâmetros de suavização c i : parâmetros de fronteira Total de parâmetros k = m j=1 p j + 2(m 1) + 1 Lubrano (2000): m = 2, p 1 = p 2 = p conhecidos. Lopes and Salazar (2005): m = 2, p 1 = p 2 = p desconhecido. Ehlers and da Rosa (2005): m, p 1,..., p m desconhecidos. Ricardo Ehlers Seleção Bayesiana de Modelos 23
24 A posteriori conjunta de (m, p 1,..., p m, γ, c, α, σ 2 ɛ y) é proporcional a p(y m, p, γ, c, α, σ 2 ɛ ) p(c m) p(γ m) p(m) p(σ 2 ɛ ) m p(p j m) p(α j p j ). j=1 Prioris utilizadas, onde α = (α 1,..., α m). p(c m) = α σ 2 a N(0, σ 2 ai k ) e σ 2 ɛ IG(a, b), a, b > 0. (m 1)! m 1 j=1 p(c j), c 1 < c 2 < < c m 1, 0, caso contrário p(γ m) = m 1 j=1 p(γ j ), γ j Cauchy(0, σ γ ) truncada em γ j > 0. m U{1,..., m max } e p j U{1,..., p max }, j = 1,..., m. Ricardo Ehlers Seleção Bayesiana de Modelos 24
25 RJMCMC em Modelos LSTAR Saltos do tipo criar/combinar: sortear entre criar novo regime ou combinar 2 regimes existentes. Criando regimes sortear j {1,..., m 1} c j = c j ɛ, c j+1 = c j + ɛ, γ j = γ jτ, γ j+1 = γ j/τ amostre α (m+1) da sua distribuição condicional completa. Combinando regimes sortear um par de fronteiras adjacentes c j < c j+1 c j = (c j + c j+1 )/2, γ j = γ j γ j+1, ɛ = (c j+1 c j )/2, τ = γ j /γ j+1 atualize os coeficientes α (m 1) Saltos dentro de um regime sortear um regime j e propor novo valor p j para p j, atualizar α (m) da condicional completa Ricardo Ehlers Seleção Bayesiana de Modelos 25
26 RJMCMC + Algoritmos Genéticos E.g. Modelos lineares (generalizados) E(y i ) = β 0 + β 1 x 1i + + β k x ki, k = 0,..., k max 2 k max possíveis modelos com intercepto. Dada uma população de modelos Z = (z 1,..., z M ) onde z ij = 0, 1. Propor uma nova população z através de operadores genéticos (esp. mutação e cruzamento). Aceitar a nova população com probabilidade, ( min 1, exp{ AIC(z )} P (z ), z) exp{ AIC(z)} P (z, z ) onde P (z, z ) = P r(propor salto da população z para z ) Ricardo Ehlers Seleção Bayesiana de Modelos 26
27 REFERÊNCIAS Referências Akaike, H. (1974). A new look at the statistical identification model. IEEE Transactions on Automatic Control 19, Brooks, S., N. Friel, and R. King (2003). Classical model selection via simulated annealing. Journal of the Royal Statistical Society, Series B 65, Brooks, S. P. and R. S. Ehlers (2002). Efficient construction of reversible jump MCMC proposals for autoregressive time series models. Technical report, University of Cambridge. Ehlers, R. S. and S. P. Brooks (2004). Bayesian analysis of order uncertainty in arima models. Technical Report 2004/05-B, Federal University of Paraná. Ehlers, R. S. and J. M. C. da Rosa (2005). Bayesian analysis of regime switching models with an unknown number of components. In Preparation. Ehlers, R. S. and M. A. Ferreira (2005). Trans-dimensional genetic algorithms for model selection. In Preparation. Lopes, H. F. and E. Salazar (2005). Bayesian model uncertainty in smooth transition autoregressions. Journal of Time Series Analysis. To appear. Lubrano, M. (2000). Bayesian analysis of nonlinear time series models with a threshold. In Proceedings of the Eleventh International Symposium in Economic Theory. Helsinki: Cambridge University Press. Schwartz, G. (1978). Estimating the dimension of a model. Annals of Statistics 6, Silva, S. A., L. L. M. Mota, and R. S. Ehlers (2004). Spatial analysis of incidence rates: A Bayesian approach. Technical report, Federal University of Paraná. Technical Report 2004/02-B. Spiegelhalter, D. J., N. G. Best, B. P. Carlin, and A. van der Linde (2002). Bayesian measures of Ricardo Ehlers Seleção Bayesiana de Modelos 27
28 REFERÊNCIAS model complexity and fit (with discussion). Journal of the Royal Statistical Society, Series B 64, Ricardo Ehlers Seleção Bayesiana de Modelos 28
ESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisINFERÊNCIA BAYESIANA EM MODELOS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE PARA MEDIA E VARIÂNCIA. Esther Salazar-Gonzales
INFERÊNCIA BAYESIANA EM MODELOS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE PARA MEDIA E VARIÂNCIA por Esther Salazar-Gonzales Dissertação de Mestrado submetida ao programa de Pós-graduação em Estatística. Instituto
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisElisângela Ap. da Silva Lizzi
Elisângela Ap. da Silva Lizzi RESENHA DO ARTIGO "Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial" O artigo trata de um problema
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisCapítulo 4. Métodos Aproximados. 4.1 Computação Bayesiana. 4.2 Uma Palavra de Cautela
Capítulo 4 Métodos Aproximados 4.1 Computação Bayesiana Existem várias formas de resumir a informação descrita na distribuição a posteriori. Esta etapa frequentemente envolve a avaliação de probabilidades
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Monte Carlo via cadeias de Markov: o OpenBUGS
Leia maisInferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama
Inferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama Karlla Delalibera Chagas pósmac, Unesp Presidente Prudente, Brasil karlladelalibera@gmail.com
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisComparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4. Emílio A. C. Barros Jorge Alberto Achcar
Comparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4 Emílio A. C. Barros Jorge Alberto Achcar Faculdade de Medicina de Ribeirão Preto-USP Introdução Dados longitudinais de Contagem na
Leia maisModelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais
UNIVERSIDADE FEDERAL DE ALFENAS LARISSA DE ALCÂNTARA MONTEIRO Modelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais Varginha-MG 2016 RESUMO
Leia maisAplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais
Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais Orientador: Paulo Justiniano Ribeiro Jr Universidade Federal do Paraná Programa de Pós-Graduação em Métodos
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisConceitos Básicos e Algumas Aplicações. Prof. Fábio N. Demarqui 2012/01
Inferência Bayesiana Conceitos Básicos e Algumas Aplicações Prof. Fábio N. Demarqui 2012/01 Sumário Background Breve histórico Problema fundamental da estatística Inferência Clásslica ou frequentista Paradigma
Leia maisEstimação Bayesiana em Modelo de Regressão Logística Dicotômica
Estimação Bayesiana em Modelo de Regressão Logística Dicotômica Pedro Silvestre da Silva Campos, Maria Regina Madruga, Programa de Pós-Graduação em Matemática e Estátística, CCEN, UFPA 66075-0, Campus
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
Leia maisModelo fatorial espacial dinâmico para dados pertencentes à família exponencial
Modelo fatorial espacial dinâmico para dados pertencentes à família exponencial Esther Salazar esalazar@dme.ufrj.br Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro 18 o SINAPE
Leia maisRegressão Local (LOESS)
Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia mais4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica
4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica 4. Elementos de inferência Bayesiana Gamerman [34] define que tanto o modelo Bayesiano quanto o freqüentista trabalham na presença de
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia mais2 Modelos STAR-Tree 2.1 CART
2 Modelos STAR-Tree Este capítulo apresenta os principais conceitos envolvidos na denição do modelo STAR-Tree. Sua origem foi marcada pelos processos autoregressivos com limiar, TAR (Threshold AutoRegressive),
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisUMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES
UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES Ana Cláudia Oliveira de MELO Ronei Marcos de MORAES Marinho Gomes de ANDRADE FILHO RESUMO: Neste trabalho é abordado o problema de avaliação da
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisUMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL
UMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL Helton Graziadei de CARVALHO 1 Jorge Alberto ACHCAR 2 RESUMO: Neste artigo desenvolvemos
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisBAYESIANA RICARDO S. EHLERS. Departamento de Estatística Universidade Federal do Paraná
INTRODUÇÃO À INFERÊNCIA BAYESIANA RICARDO S. EHLERS Departamento de Estatística Universidade Federal do Paraná Primeira publicação em 2002 Segunda edição publicada em 2004 Terceira edição publicada em
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisUso do WinBugs/OpenBugs
Uso do WinBugs/OpenBugs Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Junho, 2012 Preliminares O WinBugs e OpenBugs são softwares livres que permitem simular
Leia maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia maisNovembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios
Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível
Leia maisModelos espaço-temporais para óbitos por causas externas
Universidade Federal do Rio de Janeiro Modelos espaço-temporais para óbitos por causas externas Luiz Ledo Mota Melo Junior Rio de Janeiro 2008 Luiz Ledo Mota Melo Junior Modelos espaço-temporais para óbitos
Leia maisEstimação do desemprego em pequenas áreas
Estimação do desemprego em pequenas áreas Soraia Pereira a, Feridun Turkman b, Luís Correia c, Håvard Rue d a,b CEAUL, FCUL, Universidade de Lisboa, c Instituto Nacional de Estatística, d King Abdullah
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisAn adaptive Metropolis algorithm
An adaptive Metropolis algorithm 4 de outubro de 2018 Autores: Heikki Haario, Eero Saksman and Johanna Tamminen Apresentação: Luiza Sette C. Piancastelli, Thaís Pacheco Menezes Disciplina: Métodos Computacionais
Leia maisUtilization of fully Bayesian modeling to detect patterns in relative risk variation for infant mortality in Rio Grande do Sul State, Brazil
ARTIGO ARTICLE 1501 Utilização da modelagem inteiramente bayesiana na detecção de padrões de variação de risco relativo de mortalidade infantil no Rio Grande do Sul, Brasil Utilization of fully Bayesian
Leia maisAnálise Bayesiana de Modelos de Fronteiras de
Análise Bayesiana de Modelos de Fronteiras de Produção Estocásticas por Luis Alberto Toscano Medrano Orientador: Prof. Hélio S. Migon Universidade Federal do Rio de Janeiro Instituto de Matemática Março
Leia maisModelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais
Universidade Federal do Rio de Janeiro Modelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais Edna Afonso Reis Rio de Janeiro 2008 Modelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisSuavização de taxas com modelos espaciais
Universidade Federal do Paraná 22 de julho de 2014 1 Estatística espacial e dados de área; 1 Estatística espacial e dados de área; 2 Vizinhança e matriz de pesos; 1 Estatística espacial e dados de área;
Leia maisTestes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento
Testes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE) ealopez@ufpe.br Carlos
Leia maisAjuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia
Ajuste de um modelo de TRI aos dados do vestibular 20.2 do curso de Administração Noturno da Universidade Federal de Uberlândia José Waldemar da Silva 2 Mirian Fernandes Carvalho Araújo 2 Lucio Borges
Leia maisEstimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética
Universidade Federal do Rio de Janeiro Estimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética João Batista de Morais Pereira Rio de Janeiro Setembro de 2008 João
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisEstimação Clássica e Bayesiana para relação espécie-área com Distribuições Truncadas no Zero
Claude Thiago Arrabal Estimação Clássica e Bayesiana para relação espécie-área com Distribuições Truncadas no Zero Dissertação apresentada ao Departamento de Estatística da Universidade Federal de São
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS
ANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS Josimar VASCONCELOS 1 Eufrázio de Souza SANTOS 2 Moacyr CUNHA FILHO 2 RESUMO: O presente artigo busca uma nova modelagem para o método
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
INFERÊNCIA BAYESIANA VIA SIMULAÇÃO ESTOCÁSTICA COM IMPLEMENTAÇÃO NO PROGRAMA WINBUGS Néli Maria Costa Mattos, D.C. Instituto Militar de Engenharia (IME) Pça Gen Tibúrcio 80 Urca Rio de Janeiro RJ CEP 22290-270
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisMetropolis-Hastings. Renato Assunção DCC - UFMG
Metropolis-Hastings Renato Assunção DCC - UFMG Amostrador de Gibbs Pros: Método geral para amostrar de distribuição condicional p( y) Quase qualquer distribuição (condicoes de regularidade para convergência
Leia maisJorge Alberto ACHCAR 1 Edson Zangiacomi MARTINEZ 2 Eliza OMAI 3 Adriana de Fátima LOURENÇON 2 Gleici Castro PERDONÁ3
ABORDAGEM BAYESIANA EM DADOS BINÁRIOS CORRELACIONADOS: UM ESTUDO LONGITUDINAL DA OCORRÊNCIA DE MENSTRUAÇÃO EM PACIENTES COM SÍNDROME DE OVÁRIOS POLICÍSTICOS APÓS TRATAMENTO Jorge Alberto ACHCAR Edson Zangiacomi
Leia maisO método Jackknife. Fundamentos e aplicações. Prof. Walmes Zeviani.
O método Jackknife Fundamentos e aplicações Prof. Walmes Zeviani walmes@ufpr.br Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná Atualizado em 2018-09-03
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia maisInferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear
Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE)
Leia maisAbordagem Bayesiana em Misturas Finitas de
Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos Abordagem Bayesiana em Misturas Finitas de Distribuições Assimétricas Autor: Marcus Gerardus Lavagnole
Leia maisAnálise Bayesiana de Dados Composicionais na Presença de Covariáveis
UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Ciências e Tecnologia de Presidente Prudente Programa de Pós-Graduação em Matemática Aplicada e Computacional Análise Bayesiana de Dados Composicionais na Presença
Leia maispropostas no algoritmo Metropolis-Hastings para um modelo Poisson log-linear
Comparação de estratégias de geração de propostas no algoritmo Metropolis-Hastings para um modelo Poisson log-linear Estevão Batista do Prado Departamento de Estatística - ICEx - UFMG Fevereiro de 2016
Leia maisAnálise Bayesiana de Modelos de Redes Sociais para Dados do Twitter no Espaço Bidimensional. Marcos Sousa Goulart
Análise Bayesiana de Modelos de Redes Sociais para Dados do Twitter no Espaço Bidimensional Marcos Sousa Goulart Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos
Leia maisModelo Bayesiano Para Análise de Vazios Urbanos. Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP
Modelo Bayesiano Para Análise de Vazios Urbanos Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP O Problema Planejamento Urbano Municipal (breve histórico) - Plano
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS
ANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS Taciana Kisaki Oliveira SHIMIZU 1 Jorge Alberto ACHCAR 2 Mário Hissamitsu TARUMOTO 1 RESUMO: Neste artigo, introduzimos uma análise Bayesiana para
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisões652conclusões e trabalhos futuroschapter.6 (Gamerman, 1999)
ões652conclusões e trabalhos futuroschapter.6 (Gamerman, 1999) i ii Métodos computacionais para realização de inferência bayesiana em modelos dinâmicos lineares generalizados por Carlos Tadeu Pagani Zanini
Leia maisAnálise Bayesiana de Dados Composicionais na Presença de Covariáveis
UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Ciências e Tecnologia de Presidente Prudente Programa de Pós-Graduação em Matemática Aplicada e Computacional Análise Bayesiana de Dados Composicionais na Presença
Leia maisAbordagem clássica e bayesiana para os modelos de séries temporais da família GARMA com aplicações para dados contínuos
Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística Abordagem clássica e bayesiana para os modelos de séries temporais da família GARMA com aplicações
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
Leia mais