Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Junior, Jony Arrais Pinto | - |
Autor(es): dc.contributor | Junior, Jony Arrais Pinto | - |
Autor(es): dc.contributor | Erbisti, Rafael Santos | - |
Autor(es): dc.contributor | Ferreira, Gustavo da Silva | - |
Autor(es): dc.contributor | Pinto Junior, Jony Arrais | - |
Autor(es): dc.creator | Souza, Ricardo Junqueira de | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:59:28Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:59:28Z | - |
Data de envio: dc.date.issued | 2022-06-23 | - |
Data de envio: dc.date.issued | 2022-06-23 | - |
Data de envio: dc.date.issued | 2021-05 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25316 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/761496 | - |
Descrição: dc.description | Dados de área são quantidades agregadas de um evento de interesse em sub-regiões de uma região de estudo. Um fenômeno comum ao se trabalhar com este tipo de dado é a autocorrelação espacial, que é a tendência de que sub-regiões mais próximas sejam mais similares do que sub-regiões mais distantes entre si e pode ocorrer tanto a nível global quanto local. Ao se modelar dados de área em cenários com a presença de autocorrelação espacial local torna-se necessária a utilização de modelos aptos a lidar com este fenômeno. Neste contexto, Anderson et al. (2014) e Adin et al. (2018) propuseram modelos em dois estágios para estimar uma medida de risco e identificar agrupamentos de sub-regiões com riscos extremos. Estes modelos utilizam como distribuições a priori para os efeitos espaciais o CAR Intrínseco e o Leroux respectivamente e, ainda que apresentem bom desempenho, estas distribuições possuem deficiências conhecidas na literatura. O modelo proposto nesta monografia estende o modelo de Adin et al. (2018) a patir da utilização do DAGAR como distribuição a priori para os efeitos de cluster. O DAGAR é um modelo baseado em grafos acíclicos direcionados e parâmetros em escala, possuindo melhor escalabilidade e interpretabilidade. Os estudos aplicados mostraram que o modelo proposto possui desempenho bastante similar ao modelo de Adin et al. (2018), sugerindo que o modelo proposto é uma opção em potencial para utilização em cenários com grande número de sub-regiões, os quais os demais modelos não suportam. | - |
Descrição: dc.description | 69 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Federal Fluminense | - |
Publicador: dc.publisher | Niterói | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Estatística espacial | - |
Palavras-chave: dc.subject | Dados de área | - |
Palavras-chave: dc.subject | Modelos hierárquicos Bayesianos | - |
Palavras-chave: dc.subject | Identificação de clusters | - |
Palavras-chave: dc.subject | Estatística | - |
Palavras-chave: dc.subject | Análise de agrupamento | - |
Título: dc.title | Estendendo um modelo para identificação de clusters com distribuições a priori baseadas em grafos acíclicos direcionados | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: