Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/12828
Files in This Item:
File Description SizeFormat 
italosantosmonteiro.pdfPDF/A4.41 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Zeller, Camila Borelli-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6671405481844657pt_BR
dc.contributor.referee1Cabral, Celso Rômulo Barbosa-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4430596586607764pt_BR
dc.contributor.referee2Sánchez, Luis Benites-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1413962415932277pt_BR
dc.creatorMonteiro, Ítalo Santos-
dc.creator.Latteshttp://lattes.cnpq.br/1297418120968741pt_BR
dc.date.accessioned2021-06-10T13:20:12Z-
dc.date.available2021-06-10-
dc.date.available2021-06-10T13:20:12Z-
dc.date.issued2021-12-21-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/12828-
dc.description.abstractIn this work, a flexible model of finite density mixtures is presented, based on the class of asymmetric generalized hyperbolic distributions, in which some important properties and results are determined, so that an estimation study by maximum likelihood of the parameters is subsequently carried out. present in the proposed model. For this, the EM algorithm was used, obtaining the estimates of the model parameters in an iterative way. In addition, some particular cases are discussed, including additional comments on the implementation of this algorithm. A simulation study is also designed to evaluate its performance, as well as four applications to real data, which illustrate the behavior of the model. The results obtained showed a strong possibility in the use of this model in statistical analyzes involving data that present significant multimodality and non-Gaussian behaviors, such as asymmetry and heavier tails.pt_BR
dc.description.resumoNeste trabalho é apresentado um modelo flexível de misturas finitas de densidades, que tem como base a classe de distribuições hiperbólica generalizada normal assimétrica, no qual é determinado algumas propriedades e resultados importantes, para que posteriormente seja realizado a estimação por máxima verossimilhança dos parâmetros presentes no modelo proposto. Para isso, foi utilizado o algoritmo EM obtendo as estimativas dos parâmetros do modelo de maneira iterativa. Além disso, é discutido alguns casos particulares do modelo proposto, incluindo comentários adicionais sobre a implementação desse algoritmo. Também são projetados estudos de simulação, bem como quatro aplicações à dados reais, que ilustram o comportamento do modelo proposto e os resultados inferenciais desenvolvidos. Os resultados obtidos mostraram uma forte possibilidade no uso desse modelo em análises estatísticas envolvendo dados que apresentam significante multimodalidade e comportamentos não gaussianos, como assimetria e caudas mais pesadas.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programMestrado Acadêmico em Matemáticapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/*
dc.subjectMisturas finitaspt_BR
dc.subjectHiperbólica generalizada normal assimétricapt_BR
dc.subjectAlgoritmo EMpt_BR
dc.subjectFinite mixturespt_BR
dc.subjectSkew-normal generalized hyperbolicpt_BR
dc.subjectEM algorithmpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICApt_BR
dc.titleMisturas finitas de distribuições hiperbólica generalizada normal assimétricapt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado Acadêmico em Matemática (Dissertações)



This item is licensed under a Creative Commons License Creative Commons