Uma revisão de modelos lineares dinâmicos

Cutrim, Isabela Abreu

Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/12238

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
isabelaabreucutrim.pdf	Isabela Abreu Cutrim	1.29 MB	Adobe PDF	Visualizar/Abrir

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.advisor1	Vianna Neto, Joaquim Henriques	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/1322527450341973	pt_BR
dc.contributor.referee1	Vianna Neto, Joaquim Henriques	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/1322527450341973	pt_BR
dc.contributor.referee2	Souza, Augusto Carvalho	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/4948010017164625	pt_BR
dc.contributor.referee3	Chaoubah, Alfredo	-
dc.contributor.referee3Lattes	http://lattes.cnpq.br/1454907350838588	pt_BR
dc.creator	Cutrim, Isabela Abreu	-
dc.creator.Lattes	http://lattes.cnpq.br/9713580836768157	pt_BR
dc.date.accessioned	2021-01-20T21:54:52Z	-
dc.date.available	2021-01-01	-
dc.date.available	2021-01-20T21:54:52Z	-
dc.date.issued	2014-07-14	-
dc.identifier.uri	https://repositorio.ufjf.br/jspui/handle/ufjf/12238	-
dc.description.abstract	The state space models are a proposal for time series analysis and forecasting in viewpoint Bayesian. This course conclusion work aims to present the Dynamics Linear Models (DLM), its use and application context. DLM’s properties are shown and demonstrated, like Kalman filter, the smoothing, the forecasting one-step-ahead and so the forecasting steps ahead. Markov chain Monte Carlo methods (MCMC) are reviewed in recursive algorithms used to estimate parameters, they are: Gibbs sampler, MetropolisHastings e FFBS.	pt_BR
dc.description.resumo	A modelagem dinâmica é uma proposta de análise e previsão de séries temporais do ponto de vista Bayesiano. Este trabalho de conclusão de curso tem como objetivo apresentar os Modelos Lineares Dinâmicos (MLD), seu uso e contexto de aplicação. São mostradas e demonstradas propriedades dos MLDs, como o Filtro de Kalman, a suavização, a previsão um passo à frente e, também, passos à frente. São revisados métodos de Monte Carlo via Cadeia de Markov (MCMC) em algoritmos recursivos usados para estimar parâmetros, são eles: amostrador de Gibbs, Metropolis-Hastings e FFBS.	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Juiz de Fora (UFJF)	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	ICE – Instituto de Ciências Exatas	pt_BR
dc.publisher.initials	UFJF	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/br/	*
dc.subject	modelos lineares dinâmicos	pt_BR
dc.subject	séries temporais	pt_BR
dc.subject	filtro de Kalman	pt_BR
dc.subject	inferência bayesiana	pt_BR
dc.subject	amostrador de Gibbs	pt_BR
dc.subject	FFBS	pt_BR
dc.subject	Dynamics Linear Models	pt_BR
dc.subject	DLM	pt_BR
dc.subject	Time Series	pt_BR
dc.subject	Kalman Filter	pt_BR
dc.subject	Smoothing	pt_BR
dc.subject	Forecasting	pt_BR
dc.subject	Bayesian Inference	pt_BR
dc.subject	Gibbs Sampler	pt_BR
dc.subject	Metropolis-Hastings	pt_BR
dc.subject	FFBS	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA	pt_BR
dc.title	Uma revisão de modelos lineares dinâmicos	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
Aparece en las colecciones:	Estatística - TCC Graduação

Mostrar el registro sencillo del ítem Recomiende este ítem

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons