Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DEX - Departamento de Ciências Exatas >
DEX - Programa de Pós-graduação >
DEX - Estatística e Experimentação Agropecuária - Doutorado (Teses) >

Por favor, utilize esse identificador para citar este item ou usar como link: http://repositorio.ufla.br/jspui/handle/1/13316

Título: Amostragem Gibbs e INLA para a modelagem de testes triangulares
Título Alternativo: Gibbs sampling and INLA for modelingoftriangular tests
Autor(es): Barroso, Camilla Marques
Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4250253H5
Orientador: Bueno Filho, Júlio Sílvio de Sousa
Membro da banca: Bueno Filho, Júlio Sílvio de Sousa
Membro da banca: Balestre, Márcio
Membro da banca: Sáfadi, Thelma
Membro da banca: Delfino, Andréa Cristiane dos Santos
Membro da banca: Nogueira, Denismar Alves
Assunto: Inferência bayesiana
Testes triangulares
Bayesian inference
Triangular tests
Integrated nested Laplace approximation (INLA)
Markov chain Monte Carlo (MCCM)
Data de Defesa: 25-Abr-2017
Data de publicação: 9-Jun-2017
Agência de Fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: BARROSO, C. M. Amostragem Gibbs e INLA para a modelagem de testes triangulares. 2017. 99 p. Tese (Doutorado em Estatística e Experimentação Agropecuária)-Universidade Federal de Lavras, Lavras, 2017.
Resumo: Em inferência bayesiana, em geral, para obter amostras da distribuição marginal a posteriori dos parâmetros é necessário resolver integrais complexas que muitas vezes não possuem solução analítica. A análise padrão usa métodos de simulação, como os métodos de Monte Carlo via cadeias de Markov (MCCM) que permitem encontrar amostras das distribuições sem a necessidade de resolver algebricamente todos os cálculos. Esses métodos, em geral, obtêm excelentes resultados, porém necessitam de um elevado tempo computacional para apresentar convergência em modelos complexos. A aproximação de Laplace aninhada integrada (INLA) é um método determinístico que pode ser uma alternativa para encontrar aproximações das distribuições marginais a posteriori dos parâmetros sem a necessidade de verificação de convergência e com menor esforço computacional. Abordamos a análise de um teste triangular replicado na análise sensorial considerando as duas formas de análise, MCCM e INLA. Ambos apresentaram bonsresultados, no entanto a aproximação INLA retornou a análise em menor tempo computacionalcomparado ao método MCCM.
Abstract: Em inferência bayesiana, em geral, para obter amostras da distribuição marginal a posteriori dos parâmetros é necessário resolver integrais complexas que muitas vezes não possuem solução analítica. A análise padrão usa métodos de simulação, como os métodos de Monte Carlo via cadeias de Markov (MCCM) que permitem encontrar amostras das distribuições sem a necessidade de resolver algebricamente todos os cálculos. Esses métodos, em geral, obtêm excelentes resultados, porém necessitam de um elevado tempo computacional para apresentar convergência em modelos complexos. A aproximação de Laplace aninhada integrada (INLA) é um método determinístico que pode ser uma alternativa para encontrar aproximações das distribuições marginais a posteriori dos parâmetros sem a necessidade de verificação de convergência e com menor esforço computacional. Abordamos a análise de um teste triangular replicado na análise sensorial considerando as duas formas de análise, MCCM e INLA. Ambos apresentaram bons resultados, no entanto a aproximação INLA retornou a análise em menor tempo computacionalcomparado ao método MCCM.
Informações adicionais: Arquivo retido, a pedido da autora, até junho de 2018.
URI: http://repositorio.ufla.br/jspui/handle/1/13316
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções: DEX - Estatística e Experimentação Agropecuária - Doutorado (Teses)

Arquivos neste Item:

Não há arquivos associados para este Item.

Itens protegidos por copyright, com todos os direitos reservados, Salvo indicação em contrário.


Mostrar estatísticas

 


DSpace Software Copyright © 2002-2007 MIT and Hewlett-Packard - Feedback