tese
Comparação entre modelos para predição do nitrogênio mineralizado: uma abordagem bayesiana
Carregando...
Notas
Data
Autores
Orientadores
Editores
Coorientadores
Membros de banca
Título da Revista
ISSN da Revista
Título de Volume
Editor
UNIVERSIDADE FEDERAL DE LAVRAS
Faculdade, Instituto ou Escola
Departamento
Programa de Pós-Graduação
DEX - Departamento de Ciências Exatas
Agência de fomento
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
Estudos recentes utilizam a inferência bayesiana nas mais diversas áreas. Portanto, propõe-se neste trabalho desenvolver uma abordagem bayesiana para predizer as quantidades de nitrogênio mineralizados por intermédio de modelos não lineares, ou seja, ajustar um modelo de probabilidade para um grupo de dados e sintetizar o resultado por meio de uma distribuição de probabilidade para os parâmetros dos modelos. Os modelos não lineares considerados para avaliar a dinâmica da mineralização do nitrogênio e para ilustrar o procedimento bayesiano foram: modelo de Stanford & Smith, modelo de Marion e modelo de Cabrera. A comparação dos modelos ocorreu por meio do Fator de Bayes (FB) e do Critério de Informação Bayesiano (BIC). Neste trabalho, foram utilizados o amostrador de Gibbs e o Metropolis Hastings, para inferência dos parâmetros. Implementou-se um algoritmo no software R para realizar a amostragem de Gibbs das distribuições posterioris dos parâmetros dos modelos. A convergência das cadeias foram monitoradas por meio de análise gráfica e pelos critérios de Geweke e Raftery & Lewis que estão implementados no pacote BOA, executável no software R. O modelo de Cabrera foi o que proporcionou melhor qualidade de ajuste ao conjunto de dados de mineralização de nitrogênio, seguido pelo modelo de Stanford & Smith e, por último, o de Marion. Em virtude dos resultados apresentados, pode-se atestar que a metodologia bayesiana apresentou bons resultados na estimação dos parâmetros dos modelos, ou seja, o ajuste de modelos por meio de distribuições posteriori condicionais completas constitui uma metodologia confiável e bastante precisa.
Abstract
Recent studies use the Bayesian Inference in the most several areas. Therefore, intends in this work to develop a Bayesian boarding to predict of the nitrogen mineralized through nonlinear models, that is, to adjust a model of probability for a group of data and to synthesize the result through a distribution of probability for the parameters of models. The nonlinear models considered to evaluate the mineralization of organic nitrogen and to illustrate the bayesian procedure they were: model of Stanford & Smith, model of Marion and model of Cabrera. The comparison of the models was promoted through the Bayes Factor (FB) and Bayes Information Criterion (BIC). In this work we had used Gibbs Sampling and Metropolis Hastings to accomplish inference of the parameters. A Gibbs Sampling algorithm was implemented on R to get the posterior distributions of the models parameters. The convergence of the chains was monitored through graphic analysis, and for the criteria of Geweke and Raftery & Lewis, implemented in the BOA package, executable in the freeware R. The model that provided better adjustment quality to the group of data was the model of Cabrera, being followed by the model of Stanford & Smith and last the one of Marion. Because of the presented results, it can be attested that the Bayesian methodology presented good results in the estimate of the parameters of the models, in other words, the adjustment of models through distributions complete conditional posteriori constitutes a reliable methodology and accuracy.
Descrição
Área de concentração
Estatística e Experimentação Agropecuária
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
PEREIRA, J. M. Comparação entre modelos para predição do nitrogênio mineralizado: uma abordagem bayesiana. 2006. 79 p. Tese (Doutorado em Estatística e Experimentação Agropecuária)-Universidade Federal de Lavras, Lavras, 2006.