• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.17.2021.tde-04102021-165204
Documento
Autor
Nombre completo
Daiane Priscila Sampaio Bussola
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
Ribeirão Preto, 2021
Director
Tribunal
Achcar, Jorge Alberto (Presidente)
Cúri, Mariana
Moala, Fernando Antonio
Título en portugués
Distribuições estáveis sob um enfoque Bayesiano: aplicações a dados de saúde pública
Palabras clave en portugués
Dados de Saúde Pública
Distribuição Estável
Modelos de regressão, Métodos Bayesianos
Resumen en portugués
Nesta dissertação é apresentada uma abordagem Bayesiana para distribuições estáveis na presença de covariáveis. Esta classe de distribuição, apesar da grande flexibilidade de ajuste para os dados, dado que a distribuição generaliza as distribuições gaussianas para diferentes situações de dados assimétricos e de cauda pesada, não é muito popular nas aplicações, pois não existe uma forma analítica para sua função densidade de probabilidade, que implica em grandes dificuldades para obter estimadores de máxima verossimilhança padrão para os parâmetros do modelo. Alternativamente, o uso de métodos Bayesianos pode ser uma boa alternativa para obter as inferências de interesse, especialmente usando métodos MCMC (Markov Chain Monte Carlo), mas em geral há grandes dificuldades para obter convergência dos algoritmos de simulação como o Gibbs padrão ou algoritmos de Metropolis-Hastingss em aplicações. Também é apresentado alguma discussão na escolha de distribuições a priori e, a introdução de modelos de regressão para os parâmetros de locação e escala da distribuição estável que pode ser muito útil em aplicações. Aplicações com conjuntos de dados reais são apresentadas para ilustrar a aplicabilidade da abordagem da modelagem proposta.
Título en inglés
Stable distributions under a Bayesian approach: applications to public health data
Palabras clave en inglés
Bayesian methods
Public health data
Regression Models
Stable Distributions
Resumen en inglés
This dissertation presents a Bayesian approach for stable distributions in the presence of covariates. This class of distribution, despite the great adjustment flexibility for the data, since the distribution generalizes the Gaussian distributions for different situations of asymmetric and heavy tail data, is not very popular in applications, as there is no analytical form to its density probability function, which implies great difficulties in obtaining maximum likelihood estimators for the model parameters. Alternatively, the use of Bayesian methods can be a good alternative to obtain inferences of interest, especially using MCMC (Markov Chain Monte Carlo) methods, but in general there are great difficulties to obtain convergence simulation algorithms like the standard Gibbs or Metropolis-Hastings algorithms in applications. Some discussion is also presented in the choice of distributions a priori and the introduction of regression models for the parameters of location and scale of the stable distribution that can be very useful in applications. Applications with real data sets are presented to illustrate the applicability of the proposed modeling approach.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
DaianePSB.pdf (5.25 Mbytes)
Fecha de Publicación
2021-11-19
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2022. Todos los derechos reservados.