Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/21722
Título: Estimação bayesiana no modelo potência normal bimodal assimétrico
Autor(es): Souza, Isaac Jales Costa
Palavras-chave: Assimetria;Bimodalidade;DIC;Inferência bayesina;MCMC;Priori de Jeffreys
Data do documento: 28-Jan-2016
Citação: SOUZA, 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.
Resumo: In 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.
metadata.dc.description.resumo: Neste 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.
URI: https://repositorio.ufrn.br/jspui/handle/123456789/21722
Aparece nas coleções:PPGMAE - Mestrado em Matemática Aplicada e Estatística

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
IsaacJalesCostaSouza_DISSERT.pdf769,24 kBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.