Markov Chain Monte Carlo e algumas aplicações

Os métodos de reamostragem de Markov Chain Monte Carlo (MCMC) foram essenciais para a evolução da inferência bayesiana, uma vez que a inferência dos parâmetros poderá se apresentar a posteriori de diversos modos e muitas vezes analiticamente não-trivial. Assim, a modelagem MCMC tem um papel fundamental na aplicação dos métodos bayesianos em diversas áreas como a engenharia, ciências médicas, finanças, inteligência artificial, dentre outras. Este trabalho de conclusão de curso tem por objetivo discutir o pensamento Bayesiano, incorporando os métodos MCMC, além de exemplificar a sua utilização via modelagem de regressão utilizando o filtro de Kalman. Foram analisados e comparados os seus desempenhos por meio de estudos com dados reais, a fim de observar a adequabilidade dos paradigmas sob análise, utilizando para tal, os ferramentais de ciências de dados providos pelos ambientes de programação R e Python. Os achados reverberam o potencial dos métodos discutidos para a resolução de problemáticas contemporâneas.

Título em Inglês

Markov Chain Monte Carlo and some applications

Palavras-chave em Inglês

Bayesian inference
Markov chains
Resampling methods
Dynamic model

Resumo em Inglês

Markov Chain Monte Carlo (MCMC) resampling methods were essential in the evolution of Bayesian inference, since the a posterioriinference of the parameters may be often analytically non-trivial. MCMC has a fundamental role in the application of Bayesian methods in several areas such as engineering, medical sciences, finance, artificial intelligence, etc. This work aims to discuss Bayesian paradigma, incorporating the MCMC methods, exemplifying it through regression model (whereas Kalman filter). Their performance was analyzed in studies with real data, in order to observe the suitability of the paradigms under analysis using the software such as R and Python. The findings reverberate the potential of the methods discussed to solve contemporary problems.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Rocco_Roberto_tcc.pdf (1.11 Mbytes)

Data de Publicação

2020-04-02

Número de visitas

595

Número de downloads

301