Untitled - UFRJ

More documents

Recommendations

Info

Modelagem Bayesiana Hierárquica em PPNHsMaristela Dias de OliveiraUniversidade Federal de Minas Gerais / Universidade Federal da BahiaEnrico A. ColosimoUniversidade Federal de Minas GeraisGustavo L. GilardoniUniversidade de BrasiliaMuitas aplicações estatísticas envolvem múltiplos parâmetros que podem ser considerados como relacionadosou ligados de alguma forma pela estrutura do problema, implicando que um modelo de probabilidadeconjunta para esses parâmetros deva refletir a dependência entre eles. Uma característica-chavede tais aplicações é que os dados observados, t ij , com unidades indexadas por j, dentro de gruposindexados por i, podem ser usados para estimar aspectos da distribuição populacional dos parâmetros.No contexto de múltiplos sistemas reparáveis, pode ser de interesse investigar se a função intensidade defalhas dos sistemas seguem o mesmo ou diferentes Processos de Poisson Não-Homogêneos (PPNHs). Énatural modelar tal problema hierarquicamente, com os resultados observáveis sendo modelados condicionalmentenessess parâmetros populacionais, que são dados como uma especificação probabilística emtermos de parâmetros adicionais ou hiperparâmetros. Tal pensamento hierárquico ajuda a entender problemasmultiparamétricos. Este trabalho apresenta uma abordagem Bayesiana Hierárquica para modelarPPNHs. A abordagem é então aplicada a dados reais e a dados simulados, e os resultados obtidos sãocomparados aos correspondentes resultados obtidos por máxima verossimilhança.109
Abordagem Bayesiana para Modelos GARCH(p,q): UmaComparação Usando Distribuições Normal e t de Student paraos Retornos IBovespaSandra Cristina de OliveiraCampus de Tupã, Universidade Estadual Paulista - UNESPMarinho G. AndradeICMC/São Carlos, Universidade de São Paulo - USPValeria A. M. FerreiraCampus de Sertãozinho, Faculdade de Tecnologia - FATECNeste trabalho comparamos as estimativas Bayesianas obtidas para os parâmetros de modelos GARCH(p,q)considerando distribuições normal e t de student para a distribuição condicional da série de retornos.Adotamos ainda distribuição a priori não-informativa e consideramos uma reparametrização do modeloestudado para mapear o espaço dos parâmetros no espaço real. Os sumários a posteriori foramobtidos por meio dos métodos de simulação de Monte Carlo em Cadeias de Markov (MCMC). Com areparametrização adotada, reduzimos a taxa de rejeição do algoritmo de simulação MCMC, acelerando oprocesso de convergência deste. A metodologia foi avaliada considerando uma série de retornos IBovespa.Palavras-chave: modelos GARCH, métodos MCMC, retornos financeiros.110
Page 4 and 5:
10 o Encontro Brasileiro de Estatí
Page 7 and 8:
Page 9 and 10:
Particle LearningCarlos M. Carvalho
Page 12 and 13:
Uso de Métodos Bayesianos em Anál
Page 15 and 16:
Bayesian Inference for Aggregated F
Page 17 and 18:
Product Partition Models with Corre
Page 19 and 20:
“Objective Bayes” - A Dangerous
Page 21 and 22:
Bayesian Non-Parametric Inference f
Page 23 and 24:
Bayesian Computing with INLAHåvard
Page 25 and 26:
Page 27 and 28:
Bayesian Inference for a Skew-Norma
Page 29 and 30:
Bayesian Coalescent Modeling of the
Page 31 and 32:
Partitioning Diversity Measure for
Page 33 and 34:
Exact Simulation and Bayesian Infer
Page 35 and 36:
Spatially Varying Autoregressive Pr
Page 37 and 38:
Bayesian Beta Dynamic Model and App
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Generalized Exponential Distributio
Page 53 and 54:
Análise Bayesiana da Priori Jeffer
Page 55 and 56:
Neighborhood Dependence in Bayesian
Page 57 and 58:
Aplicação do Algoritmo MCMC de Sa
Page 59 and 60: Decisões de Investimento e Restri
Page 61 and 62: Test for Symmetry in Contingency Ta
Page 63 and 64: Aplicações de Inferência Bayesia
Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
Page 67 and 68: Accounting for Latent Spatio-Tempor
Page 69 and 70: Uma Abordagem Bayesiana para Proces
Page 71 and 72: A Bayesian Analysis for the General
Page 73 and 74: Comparação de um Modelo Dinâmico
Page 75 and 76: Estimando Variações de Temperatur
Page 77 and 78: A Bayesian Approach to Multivariate
Page 79 and 80: Bayesian Inference for Gamma Modula
Page 81 and 82: Computational Tools for Comparing A
Page 83 and 84: Modelo Partição Produto com “Cl
Page 85 and 86: BIC Criterion for Minimal Markov Mo
Page 87 and 88: Estimadores Lineares Bayesianos em
Page 89 and 90: Modelos de Volatilidade Estocástic
Page 91 and 92: Processo de Difusão Multivariado c
Page 93 and 94: Generalized Latent Factor Models fo
Page 95 and 96: Measuring Vulnerability via Spatial
Page 97 and 98: Medidas do Valor Preditivo de um Mo
Page 99 and 100: Aproximações Analíticas para Pos
Page 101 and 102: Modelo de Risco Logístico Dependen
Page 103 and 104: A Practical Approach to Elicit Mult
Page 105 and 106: Modelos Dinâmicos para Deformaçã
Page 107 and 108: A Semiparametric Bayesian Approach
Page 109: Modelo Weibull Modificado de Longa
Page 113 and 114: Modelo Bayesiano Geral de Classe La
Page 115 and 116: Métodos de Estimação em Modelos
Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
Page 119 and 120: Estudo das Matrizes de Covariância
Page 121 and 122: Sensibilidade da Inferência Bayesi
Page 123 and 124: Análise Bayesiana para o Estudo de
Page 125 and 126: Uma Abordagem Bayesiana para Modelo
Page 127 and 128: Construção de Tábuas de Mortalid
Page 129 and 130: Um Procedimento Bayesiano para a An
Page 131 and 132: Um Novo Modelo para Dependência Es
Page 133 and 134: Distribuição Geométrica Exponenc
Page 135 and 136: Morbidade Pulmonar e Condições Cl
Page 137 and 138: Standard Setting for a Rasch Poisso
Page 139 and 140: Modelo Logístico Misto com Classes
Page 141 and 142: Metodologia Bayesiana para Detecç
Page 143 and 144: Modelos Espaço-Temporais para Dado
Page 145 and 146: Comparação de Modelos para a Iden
Page 147 and 148: Modelos Multivariados de Regressão
Page 149 and 150: Estimação Bayesiana em Modelos de
Page 151 and 152: Previsão de Resultados de Jogos de
Page 153 and 154: Uma Abordagem Bayesiana para Modelo
Page 155 and 156: Análise Bayesiana do Modelo Log-Bi
Page 157 and 158: Desempate TécnicoFilipe Jaeger Zab
Page 159 and 160: 10 o Encontro Brasileiro de Estatí
Page 161 and 162:
Page 163:
show all

Untitled - UFRJ

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?