Aspectos Práticos Computacionais dos Algoritmos de Simulação MCMC
Os algoritmos de simulação de Monte Carlo em cadeia de Markov (MCMC) têm aplicações em várias áreas da Estatística, entre elas destacamos os problemas de Inferência Bayesiana. A aplicação destas técnicas no entanto, exige uma análise teórica da distribuição a posteriori para assegurar a convergência...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 1999 |
| País: | Brasil |
| Recursos: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-05032018-163433 |
| Acesso em linha: | http://www.teses.usp.br/teses/disponiveis/55/55134/tde-05032018-163433/ |
| Access Level: | acceso abierto |
| Palavra-chave: | Não disponível Not available |
| Resumo: | Os algoritmos de simulação de Monte Carlo em cadeia de Markov (MCMC) têm aplicações em várias áreas da Estatística, entre elas destacamos os problemas de Inferência Bayesiana. A aplicação destas técnicas no entanto, exige uma análise teórica da distribuição a posteriori para assegurar a convergência. Devido ao alto grau de complexidade de certos problemas, essa análise nem sempre é possível. O objetivo deste estudo é destacar estas dificuldades e apresentar alguns aspectos práticos computacionais que podem auxiliar na solução de problemas de inferência Bayesiana. Entre estes ressaltamos os critérios de seleção de amostras, o uso de técnicas de diagnósticos de convergência e métodos de estimativas. |
|---|