Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/21722
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAndrade, Bernardo Borba de-
dc.contributor.authorSouza, Isaac Jales Costa-
dc.date.accessioned2017-01-23T13:11:35Z-
dc.date.available2017-01-23T13:11:35Z-
dc.date.issued2016-01-28-
dc.identifier.citationSOUZA, Isaac Jales Costa. Estimação bayesiana no modelo potência normal bimodal assimétrico. 2016. 95f. Dissertação (Mestrado em Matemática Aplicada e Estatística) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2016.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/21722-
dc.description.abstractIn this paper it is presented a Bayesian approach to the bimodal power-normal (BPN) models and the bimodal asymmetric power-normal (BAPN). First, we present the BPN model, specifying its non-informative and informative parameter α (bimodality). We obtain the posterior distribution by MCMC method, whose feasibility of use we tested from a convergence diagnose. After that, We use different informative priors for α and we do a sensitivity analysis in order to evaluate the effect of hyperparameters variation on the posterior distribution. Also, it is performed a simulation to evaluate the performance of the Bayesian estimator using informative priors. We noted that the Bayesian method shows more satisfactory results when compared to the maximum likelihood method. It is performed an application with bimodal data. Finally, we introduce the linear regression model with BPN error. As for the BAPN model we also specify informative and uninformative priors for bimodality and asymmetry parameters. We do the MCMC Convergence Diagnostics, which is also used to obtain the posterior distribution. We do a sensitivity analysis, applying actual data in the model and we introducing the linear regression model with PNBA error.pt_BR
dc.languageporpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAssimetriapt_BR
dc.subjectBimodalidadept_BR
dc.subjectDICpt_BR
dc.subjectInferência bayesinapt_BR
dc.subjectMCMCpt_BR
dc.subjectPriori de Jeffreyspt_BR
dc.titleEstimação bayesiana no modelo potência normal bimodal assimétricopt_BR
dc.typemasterThesispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA APLICADA E ESTATÍSTICApt_BR
dc.contributor.authorIDpt_BR
dc.contributor.advisorIDpt_BR
dc.contributor.advisor-co1Morales, Fidel Ernesto Castro-
dc.contributor.advisor-co1IDpt_BR
dc.contributor.referees1Fernandez, Luz Milena Zea-
dc.contributor.referees1IDpt_BR
dc.contributor.referees2Nascimento, Fernando Ferraz do-
dc.contributor.referees2IDpt_BR
dc.description.resumoNeste trabalho é apresentada uma abordagem bayesiana dos modelos potência normal bimodal (PNB) e potência normal bimodal assimétrico (PNBA). Primeiramente, apresentamos o modelo PNB e especificamos para este prioris não informativas e informativas do parâmetroque concentra a bimodalidade (α). Em seguida, obtemos a distribuição a posteriori pelo método MCMC, o qual testamos a viabilidade de seu uso a partir de um diagnóstico de convergência. Depois, utilizamos diferentes prioris informativas para α e fizemos a análise de sensibilidadecom o intuito de avaliar o efeito da variação dos hiperparâmetros na distribuição a posteriori. Também foi feita uma simulação para avaliar o desempenho do estimador bayesiano utilizando prioris informativas. Constatamos que a estimativa da moda a posteriori apresentou em geralresultados melhores quanto ao erro quadratico médio (EQM) e viés percentual (VP) quando comparado ao estimador de máxima verossimilhança. Uma aplicação com dados bimodais reais foi realizada. Por último, introduzimos o modelo de regressão linear com resíduos PNB. Quanto ao modelo PNBA, também especificamos prioris informativas e não informativas para os parâmetros de bimodalidade e assimetria. Fizemos o diagnóstico de convergência para o método MCMC, que também foi utilizado para obter a distribuição a posteriori. Fizemos uma análise de sensibilidade, aplicamos dados reais no modelo e introduzimos o modelo de regressão linear com resíduos PNBA.pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA: MATEMÁTICA APLICADA E ESTATÍSTICApt_BR
Appears in Collections:PPGMAE - Mestrado em Matemática Aplicada e Estatística

Files in This Item:
File Description SizeFormat 
IsaacJalesCostaSouza_DISSERT.pdf769,24 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.