Amostragem Gibbs e INLA para a modelagem de testes triangulares

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBueno Filho, Júlio Sílvio de Sousa-
Autor(es): dc.contributorBueno Filho, Júlio Sílvio de Sousa-
Autor(es): dc.contributorBalestre, Márcio-
Autor(es): dc.contributorSáfadi, Thelma-
Autor(es): dc.contributorDelfino, Andréa Cristiane dos Santos-
Autor(es): dc.contributorNogueira, Denismar Alves-
Autor(es): dc.creatorBarroso, Camilla Marques-
Data de aceite: dc.date.accessioned2026-02-09T11:54:06Z-
Data de disponibilização: dc.date.available2026-02-09T11:54:06Z-
Data de envio: dc.date.issued2017-07-10-
Data de envio: dc.date.issued2017-07-10-
Data de envio: dc.date.issued2017-06-09-
Data de envio: dc.date.issued2017-04-25-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/13316-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1149951-
Descrição: dc.descriptionEm 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.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionEm 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Estatística e Experimentação Agropecuária-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciências Exatas-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectInferência bayesiana-
Palavras-chave: dc.subjectTestes triangulares-
Palavras-chave: dc.subjectBayesian inference-
Palavras-chave: dc.subjectTriangular tests-
Palavras-chave: dc.subjectIntegrated nested Laplace approximation (INLA)-
Palavras-chave: dc.subjectMarkov chain Monte Carlo (MCCM)-
Palavras-chave: dc.subjectProbabilidade e Estatística-
Título: dc.titleAmostragem Gibbs e INLA para a modelagem de testes triangulares-
Título: dc.titleGibbs sampling and INLA for modelingoftriangular tests-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.