Untitled - UFRJ

More documents

Recommendations

Info

Imputação de Observações Faltantes em Dados de ÁreaAna Carolina Carioca da CostaUniversidade Federal do Rio de JaneiroRenata Souza BuenoUniversidade Federal do Rio de JaneiroAlexandra Mello SchmidtUniversidade Federal do Rio de JaneiroA análise da variação geográfica de eventos relacionados à saúde é útil na formulação e va-lidação dehipóteses etiológicas. Uma ferramenta utilizada para tal análise é o mapeamento de doenças, que visaelucidar a distribuição geográfica de índices subjacentes e identificar áreas com altos ou baixos índices.Quando a doença é não-contagiosa, os dados referentes ao número de casos em cada área são assumidosindependentes e seguem uma distribuição Poisson. Para contornar o problema de sobredispersão econsiderar padrões espaciais, uma componente representando o efeito espacial é adicionada à média dadistribuição. A região de estudo é dividida em subregiões e cada observação representa o total de casosna subregião. O que acontece na prática é que existem locais onde os dados não foram observados, sendoassim considerados faltantes. Para mapear uma determinada doença é de extrema importância inferirtais dados. Este trabalho propõe um exercício de simulação e quatro modelos para o mapeamento dedoenças. A inferência é feita sob o enfoque bayesiano e o objetivo é verificar se o uso de diferentes priorispara a matriz de covariâncias da componente espacial do modelo altera a previsão dos valores faltantes.73
Estimando Variações de Temperatura no Estado do Rio deJaneiro − Brasil, Utilizando Modelos Não-estacionáriosGeraldo Marcelo da CunhaFundação Oswaldo Cruz, BrasilDani GamermanUniversidade Federal do Rio de Janeiro, BrasilMontserrat FuentesNorth Carolina State University, USAEste trabalho analisa as variações da temperatura mínima média mensal no estado do Rio de Janeirode 1961 a 2000. Partido de uma abordagem hierárquica bayesiana os dados são modelados como umamédia dependente de covariáveis explicativas mais a realização de um processo espacial não-estacionário.Além disso, um conjunto de coeficientes espacialmente estruturados servem para avaliar a tendência linearem cada localização e fornecer a tendência global para toda região. Uma nova proposta para o processonão-estacionário baseada na mistura de processos estacionários latentes é examinada e comparada amodelos conhecidos da literatura. Esta nova abordagem possui a vantagem de estabelecer a partir dosdados o número de misturas a serem consideradas na especificação do processo espacial não-estacionário.74
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 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: Comparação de um Modelo Dinâmico
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?