Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/16563
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2014_PatriciaOliveiraSouza.pdf1 MBAdobe PDFVisualizar/Abrir
Título: Modelos dinâmicos para a distribuição Poisson Generalizada
Autor(es): Souza, Patrícia Oliveira de
Orientador(es): Silva, Cibele Queiroz da
Assunto: Modelos dinâmicos lineares
Distribuição Poisson generalizada
Modelos dinâmicos
Data de publicação: 20-Out-2014
Referência: SOUZA, Patrícia Oliveira de. Modelos dinâmicos para a distribuição Poisson Generalizada. 2014. iii, 149 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2014.
Resumo: Nessa dissertação propomos um modelo dinâmico para casos em que a serie temporal e composta por dados de contagem. O modelo dinâmico para a distribuição Poisson Generalizada combina a classe dos modelos dinâmicos condicionalmente Gaussianos que, por sua vez, fornece uma estrutura flexí vel, permitindo que os parâmetros da distribuição dos dados possam ser modelados via MDLs normais e o esquema MCMC que une o amostrador de Gibbs com o algoritmo de Metropolis-Hastings de modo a proporcionar a amostragem das distribuições condicionais completas a posteriori. Desse modo nossa metodologia e capaz de tratar dados discretos correlacionados no tempo sendo poss vel realizar a estimacão dos estados latentes e previsão do desenvolvimento futuro. _______________________________________________________________________________________ ABSTRACT
In this dissertation, we propose a dynamic model for cases in which the time series is composed of count data. The dynamic model for generalized Poisson distribution combines the class of conditionally Gaussian dynamic models, which in turn provides a exible structure, allowing the parameters of the data distribution to be modeled via normal DLMs and the MCMC scheme that combines the Gibbs sampler with the Metropolis-Hastings algorithm to provide a complete sampling of the posteriori conditional distributions. Thus our methodology is capable of handling correlated discrete data in time and make the estimation of latent states and prediction of future development.
Unidade Acadêmica: Instituto de Ciências Exatas (IE)
Departamento de Estatística (IE EST)
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2014.
Programa de pós-graduação: Programa de Pós-Graduação em Estatística
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.