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 | Rodrigues, Guilherme Souza | - |
Autor(es): dc.creator | Machado, Arthur Canotilho | - |
Data de aceite: dc.date.accessioned | 2025-03-18T18:28:33Z | - |
Data de disponibilização: dc.date.available | 2025-03-18T18:28:33Z | - |
Data de envio: dc.date.issued | 2024-07-12 | - |
Data de envio: dc.date.issued | 2024-07-12 | - |
Data de envio: dc.date.issued | 2024-07-12 | - |
Data de envio: dc.date.issued | 2023-04-16 | - |
Fonte completa do material: dc.identifier | http://repositorio.unb.br/handle/10482/48814 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/949710 | - |
Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2023. | - |
Descrição: dc.description | E comum em problemas modernos de Inferencia Bayesiana se deparar com dados complexos e/ou de alta dimensao, como os que surgem no campo da genetica de populacoes (Beaumont, Zhang e Balding, 2002), para os quais a funcao de verossimilhanca e as distribuicoes marginas sao difıceis de serem computadas ou ate mesmo intrataveis, gerando, assim, problemas na obten¸cao da distribuicao a posteriori. Existem diversos metodos de aproximacao da distribuicao a posteriori para esses tipos de casos, entre eles o Amostrador de Gibbs aproximado, proposto por Rodrigues, Nott e Sisson (2019), o qual permite a geracao de amostras de uma distribuicao a posteriori aproximada usando princıpios da Computacao Bayesiana Aproximada (ABC) e do Amostrador de Gibbs. Santos (2021) propos um aprimoramento da tecnica a partir da descorrelacao previa dos parametros de interesse e do uso de modelos de regressao quantılica via redes neurais no processo de aproximacao das distribuicoes condicionais completas. Neste trabalho sugerimos a substituicao do Amostrador de Gibbs aproximado por um algoritmo que aproxima distribuicoes definidas por uma fatoracoes conveniente da distribuicao a posteriori. Sao apresentadas uma revisao da teoria e aplicacoes praticas comparando os metodos de Rodrigues, Nott e Sisson (2019), de Santos (2021) e o proposto neste trabalho. Foram gerados conjuntos de dados sinteticos para comparacao dos metodos. O algoritmo proposto neste trabalho mostrou boa performance comparado aos seus pares, apresentando um avanco na tecnica. | - |
Descrição: dc.description | It is common in modern Bayesian inference problems to come across complex and/or high-dimensional models, such as those that arise in the field of population genetics (Beaumont, Zhang, Balding, 2002), where the likelihood function and marginal distributions are difficult or even intractable to compute, leading to problems in obtaining the posterior distribution. There are several methods for approximating the posterior distribution for these type of cases, including the Approximate Gibbs Sampler proposed by Rodrigues, Nott, and Sisson (2019), which allows the generation of samples from an approximate posterior distribution using principles of Approximate Bayesian Computation (ABC) and Gibbs Sampling. Santos (2021) proposed an improvement to the technique by previously decorrelating the parameters of interest and using quantile regression models via neural networks in the process of approximating the complete conditional distributions. In this work, we suggest replacing the Approximate Gibbs Sampler with an algorithm that approximates the terms of a convenient factorization of the posterior distribution. We present a review of the theory and practical applications comparing the methods of Rodrigues, Nott, and Sisson (2019), of Santos (2021), and the proposed in this work. Synthetic datasets were generated to compare the methods. The algorithm proposed in this work showed good performance compared to its peers. | - |
Descrição: dc.description | Instituto de Ciências Exatas (IE) | - |
Descrição: dc.description | Departamento de Estatística (IE EST) | - |
Descrição: dc.description | Programa de Pós-Graduação em Estatística | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | 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. | - |
Palavras-chave: dc.subject | Inferência bayesiana | - |
Palavras-chave: dc.subject | Verossimilhança intratável | - |
Título: dc.title | Computação Bayesiana Aproximada via fatoração da distribuição a posteriori. | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB - Rep. 1 |
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: