Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/24307
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2017_GabrielHidekiVatanabeBrunello.pdf725,27 kBAdobe PDFVisualizar/Abrir
Título: Uso da capacidade preditiva como critério bayesiano de adequação de modelos
Autor(es): Brunello, Gabriel Hideki Vatanabe
Orientador(es): Nakano, Eduardo Yoshio
Assunto: Inferência Bayesiana
Probabilidades
Modelo estatístico
Data de publicação: 25-Ago-2017
Referência: BRUNELLO, Gabriel Hideki Vatanabe. Uso da capacidade preditiva como critério bayesiano de adequação de modelos. 2017. 57 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2017.
Resumo: Certificar-se de que o modelo probabilístico proposto representa satisfatoriamente o problema e um dos principais passos na modelagem estatística, pois a escolha de um modelo que não esteja bem ajustado pode provocar prejuízos irreparáveis com a tomada de uma decisão errada. Frequentemente, o objetivo da modelagem estatística e a predição de novas observações, fazendo com que avaliar a acurácia do modelo seja imprescindível. Por em, métodos que analisam a capacidade preditiva de um modelo não são muito utilizados por sua complexidade. Este trabalho apresentou uma adaptação para a metodologia de verificação da capacidade preditiva de um modelo proposta por Gelfand (1996), que apesar de simples e intuitiva, não permitia a validação de modelos de uma maneira objetiva. A adaptação possibilitou a definição de um critério de rejeição de modelos, por meio de estudos de simulação, proporcionando um meio de discriminação imparcial para a metodologia. O desenvolvimento da proposta foi realizado sob uma perspectiva bayesiana de inferência, expondo os conceitos utilizados em sua elaboração e apresentando os procedimentos necessários para sua aplicação. A metodologia proposta foi aplicada a base de dados reais para exemplificar sua utilização, possibilitando verificar a praticidade de sua aplicação em situações reais.
Abstract: To ensure that a proposed probability model is a good representation of the problem is one of the main steps of statistical modelling, since choosing a model that does not have a good fit may lead to wrong decisions. Often, the aim of the statistical modelling is the prediction of new observations, making it necessary to ensure the model accuracy. This work provides an adjustment to Gelfand (1996) methodology to validate the model predictive capacity, which, although simple, does not allow an objective form of validation. The adjustment allowed the definition of a model rejection criterion, providing an impartial method to ensure model accuracy. The development of the adjustment was done on a bayesian inference approach, presenting the employed concepts and the necessary procedures to the application. The methodology was tested on a real database, exhibiting the practicality of the method on real applications.
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2017.
Licença: 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.
Aparece nas coleções:EST - Mestrado em Estatística (Dissertações)

Mostrar registro completo do item Recomendar este item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.