Mostrar el registro sencillo del ítem
Algoritmos de estimação para modelos Markovianos não-homogêneos
dc.contributor.author | Sabillón, Gustavo Alexis | |
dc.date.accessioned | 2020-04-28T13:26:23Z | |
dc.date.available | 2020-04-28T13:26:23Z | |
dc.date.issued | 2020-02-27 | |
dc.identifier.citation | SABILLÓN, Gustavo Alexis. Algoritmos de estimação para modelos Markovianos não-homogêneos. 2020. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2020. Disponível em: https://repositorio.ufscar.br/handle/ufscar/12655. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/12655 | |
dc.description.abstract | Hidden Markov models are a statistical paradigm which can be used to mode stochastic processeswhere the observable values are directly dependent on a sequence of hidden random variables.In the context of the hidden Markov model, the system being modeled is considered a Markovprocess with non-observable hidden states, and for each hidden state we have the emission of anobservable value. Hidden Markov models can be homogeneous or non-homogeneous.In this investigation, we present estimation procedures used with Markov models. Parametersestimation is done under Bayesian and frequentist perspectives, comparing the performance ofthese methods using metrics such as mean squared error and bias. Model selection is carried outusing different criteria such as the Bayes Information Criterion and the Deviance InformationCriterion. The smallest mean squared errors and biases were obtained using the Bayesianestimation algorithm. In the frequentist perspective, the Stochastic EM algorithm obtainedresults which were similar to the Bayesian algorithm. The EM algorithm presented problems inthe estimation procedure in all situations studied | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Cadeia de Markov | por |
dc.subject | matriz de transição | por |
dc.subject | estados ocultos | por |
dc.subject | modelo Markoviano oculto | por |
dc.subject | Markov chain | eng |
dc.subject | Transition matrix | eng |
dc.subject | Hidden states | eng |
dc.subject | Hidden Markov model | eng |
dc.title | Algoritmos de estimação para modelos Markovianos não-homogêneos | por |
dc.title.alternative | Estimation algorithms for non-homogeneous Markov models | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Zuanetti, Daiane Aparecida | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8352484284929824 | por |
dc.description.resumo | Os modelos Markovianos ocultos são um paradigma estatístico que podem ser utilizados para mo-delar processos estocásticos onde valores observáveis dependem diretamente de uma sequênciade variáveis aleatórias não observáveis. No modelo Markoviano oculto o sistema que está sendomodelado é considerado um processo de Markov com estados não observáveis (isto é, ocultos)e em cada estado oculto temos a emissão de um valor observável. Os modelos Markovianosocultos podem ser homogêneos ou não-homogêneos. O foco principal deste trabalho, serão osmodelos Markovianos não-homogêneos.Neste trabalho, apresentamos alguns procedimentos de estimação utilizados com modelosMarkovianos. A estimação dos parâmetros é realizada sob abordagem Bayesiana e frequentista,fazendo uma comparação da performance dos mesmos usando algumas métricas como o erroquadrático médio e o viés dos estimadores. A seleção dos modelos é desenvolvida utilizandodiferentes critérios para seleção de modelos como oBayes Information Criterione oDevianceInformation Criterion. Os menores erros quadraticos medios são obtidos sob a abordagemBayesiana. Sob a abordagem frequentista, o algoritmo EM Estocástico obtém resultados similaresao algoritmo Bayesiano. O algoritmo EM apresenta problemas de no processo de estimação emtodas as situações. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa Interinstitucional de Pós-Graduação em Estatística - PIPGEs | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::INFERENCIA EM PROCESSOS ESTOCASTICOS | por |
dc.description.sponsorshipId | CAPES: 88882.426983/2019-001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/4713725426670655 | por |