1 resultado para approximate bayesian computation
em Biblioteca de Teses e Dissertações da USP
Filtro por publicador
- Academic Archive On-line (Stockholm University; Sweden) (2)
- Academic Research Repository at Institute of Developing Economies (3)
- Acceda, el repositorio institucional de la Universidad de Las Palmas de Gran Canaria. España (3)
- AMS Tesi di Dottorato - Alm@DL - Università di Bologna (18)
- AMS Tesi di Laurea - Alm@DL - Università di Bologna (2)
- ARCA - Repositório Institucional da FIOCRUZ (1)
- ArchiMeD - Elektronische Publikationen der Universität Mainz - Alemanha (6)
- Archive of European Integration (2)
- Aston University Research Archive (11)
- Biblioteca de Teses e Dissertações da USP (1)
- Biblioteca Digital da Produção Intelectual da Universidade de São Paulo (23)
- Biblioteca Digital da Produção Intelectual da Universidade de São Paulo (BDPI/USP) (62)
- Biblioteca Virtual del Sistema Sanitario Público de Andalucía (BV-SSPA), Junta de Andalucía. Consejería de Salud y Bienestar Social, Spain (2)
- BORIS: Bern Open Repository and Information System - Berna - Suiça (63)
- Brock University, Canada (10)
- Bucknell University Digital Commons - Pensilvania - USA (4)
- Bulgarian Digital Mathematics Library at IMI-BAS (1)
- CentAUR: Central Archive University of Reading - UK (148)
- Cochin University of Science & Technology (CUSAT), India (7)
- Collection Of Biostatistics Research Archive (18)
- Comissão Econômica para a América Latina e o Caribe (CEPAL) (2)
- Consorci de Serveis Universitaris de Catalunya (CSUC), Spain (62)
- CUNY Academic Works (3)
- Department of Computer Science E-Repository - King's College London, Strand, London (25)
- Digital Commons - Michigan Tech (2)
- Digital Peer Publishing (1)
- DigitalCommons@The Texas Medical Center (25)
- Doria (National Library of Finland DSpace Services) - National Library of Finland, Finland (22)
- Duke University (3)
- Gallica, Bibliotheque Numerique - Bibliothèque nationale de France (French National Library) (BnF), France (1)
- Instituto Politécnico do Porto, Portugal (12)
- Martin Luther Universitat Halle Wittenberg, Germany (1)
- Massachusetts Institute of Technology (8)
- Nottingham eTheses (3)
- Publishing Network for Geoscientific & Environmental Data (12)
- QUB Research Portal - Research Directory and Institutional Repository for Queen's University Belfast (1)
- Repositório Científico do Instituto Politécnico de Lisboa - Portugal (3)
- Repositório digital da Fundação Getúlio Vargas - FGV (10)
- Repositório Institucional UNESP - Universidade Estadual Paulista "Julio de Mesquita Filho" (82)
- RUN (Repositório da Universidade Nova de Lisboa) - FCT (Faculdade de Cienecias e Technologia), Universidade Nova de Lisboa (UNL), Portugal (5)
- School of Medicine, Washington University, United States (1)
- Scielo Saúde Pública - SP (4)
- Scottish Institute for Research in Economics (SIRE) (SIRE), United Kingdom (9)
- Universidad Politécnica de Madrid (64)
- Universidade do Minho (7)
- Universidade Federal do Pará (3)
- Universitat de Girona, Spain (11)
- Universitätsbibliothek Kassel, Universität Kassel, Germany (12)
- Université de Lausanne, Switzerland (83)
- Université de Montréal, Canada (10)
- University of Connecticut - USA (4)
- University of Michigan (1)
- University of Queensland eSpace - Australia (38)
- University of Southampton, United Kingdom (6)
- University of Washington (1)
- WestminsterResearch - UK (2)
Resumo:
Neste trabalho propomos o uso de um método Bayesiano para estimar o parâmetro de memória de um processo estocástico com memória longa quando sua função de verossimilhança é intratável ou não está disponível. Esta abordagem fornece uma aproximação para a distribuição a posteriori sobre a memória e outros parâmetros e é baseada numa aplicação simples do método conhecido como computação Bayesiana aproximada (ABC). Alguns estimadores populares para o parâmetro de memória serão revisados e comparados com esta abordagem. O emprego de nossa proposta viabiliza a solução de problemas complexos sob o ponto de vista Bayesiano e, embora aproximativa, possui um desempenho muito satisfatório quando comparada com métodos clássicos.