Untitled - UFRJ

More documents

Recommendations

Info

Simulação Perfeita da Distribuição Normal MultivariadaTruncadaThiago Feitosa CamposIME-USPMárcia D’Elia BrancoIME-USPNeste trabalho apresentamos uma implementação do algoritmo CFTP, apresentado em Propp e Wilson,(1996),gerando amostras da distribuição normal bivariada truncada no quadrante positivo, alemde comparar com amostras geradas pelo amostrador de Gibbs e pelo método de rejeição. Bem comosugestões para a implementação do CFTP para gerar amostras da distribuição normal em dimensõesmaiores que dois e a geração de amostras em conjuntos diferente do quadrante positivo.Palavras-chave: CFTP, Distribuição Multivariada Truncada, Amostrador perfeito.65
Accounting for Latent Spatio-Temporal Structure in AnimalAbundance ModelsEstelina Serrano de Marins CapistranoInstituto de Matemática - <strong>UFRJ</strong>Marco A. RodríguezUQTR, CanadaAlexandra Mello SchmidtInstituto de Matemática - <strong>UFRJ</strong>Measurements of animal abundance often arise from complex field sampling designs and are influencedby unobserved environmental variation. Our aim in this study was to understand the influence of a setof environmental covariates on the abundance of yellow perch, Perca flavescens, the most abundant fishspecies in Lake Saint Pierre, Quebec, Canada. Fish counts and measurements of four environmentalcovariates were made at 160 locations equally distributed between the north and south shores of thelake and approximately parallel to the shorelines. On 38 sampling dates, measurements were made ateach location from a cluster of four or eight spatially adjacent locations. Sampling dates were unevenlyspaced in time over a period of 70 days, and the north and south shores were visited in alternation onconsecutive sampling dates. This sampling design yielded measurements that were clustered both inspace and in time. We use latent (random) effects to account for unobserved environmental variationand reflect the structure of the sampling design. Let Y (s tj ) represent fish counts observed at locations tj and time t, such that t = 1, · · · , T , j = 1, · · · , n t , and n = n 1 + · · · , n T . We assume that Y (s tj ) is arealization from a Poisson-lognormal mixture whose mean is a function of environmental covariates andwhose mixing component, on the log scale, is a sum of spatially structured and temporally correlatedlatent effects. We consider models having different structures for these latent effects and allowing fordirectional spatial correlation and temporal correlation in continuous time. We compare models usingDIC and the Gelfand and Ghosh criterion.66
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: 10 o Encontro Brasileiro de Estatí
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 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: Uma Abordagem Bayesiana do Modelo M
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 and 110: Modelo Weibull Modificado de Longa
Page 111 and 112: Abordagem Bayesiana para Modelos GA
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:
Page 161 and 162:
Page 163:
show all

Untitled - UFRJ

Create successful ePaper yourself

Delete template?

Save as template?