Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/41610
Tipo: TCC
Título: Regressão não-linear bayesiana usando os processos t-student e gaussianos
Título em inglês: Bayesian nonlinear regression using the t-student and Gaussian processes
Autor(es): Galindo, Áurea Fonseca Lopes
Orientador: Andrade, José Aílton Alencar
Palavras-chave: Regressão não-linear;Processos Gaussianos;Processos t-Student;Modelagem não-paramétrica;Non-linear Regression;Gaussian Process;Student t-processes;Nonparametric Models
Data do documento: 2018
Citação: GALINDO, Áurea Fonseca Lopes. Regressão não-linear bayesiana usando os processos t-student e gaussianos. 2018. 73 f.Trabalho de Conclusão de Curso (Graduação em Estatística) - Centro de Ciências, Universidade Federal do Ceará,2018.
Resumo: Modelar dados multivariados e univariados com estrutura não-linear usando funções paramétricas pré-definidas torna o processo inferencial complicado, à medida que a complexidade na estrutura aumenta. Uma análise através do conceito de modelagem usando regressão não-linear com Processos Gaussianos, permite flexibilizar o processo de ajuste do modelo, definindo um Processo Gaussiano como uma distribuição à priori para a função de regressão. Esse tipo de modelagem é chamada de não-paramétrica, pois as inferências são feitas diretamente no espaço de funções e não mais em uma particular forma paramétrica, resultando, assim, em um modelo bayesiano não-paramétrico, o qual é bastante flexível e que vem sendo amplamente usado em várias áreas.O trabalho tem por objetivo apresentar os conceitos referentes a modelagem e predição da Regressão Não-Linear usando como distribuição à priori os Processos Gaussianos e os Processos t-Student, o último apresentando uma abordagem completamente bayesiana para o modelo, sendo feito um comparativo entre as modelagens com ambos os Processos.
Abstract: Modelling multivariate and univariate data with non-linear structure using parametric functions pre-define, makes the inferential process complicated, as the complexity of structure increases. An analysis through the concept of modelling using Gaussian Process non-linear regression, allows to flexibilize the process of adjustment of the model, define a Gaussian Process as a prior distribution over the regression function. This type of modelling is called as nonparametric because the inferential process is made directly in function spaces and no longer in a particular parametric’s form, thus resulting in a nonparametric bayesian model, which is very flexible and has been widely used in many areas. This work focus in presentation concepts about modelling and prediction with non-linear regression using as prior distribution a Gaussian Process and Student-t Process, which show a complete bayesian approach for the model, furthermore the work has the objective make a comparison of modelling between both Process.
URI: http://www.repositorio.ufc.br/handle/riufc/41610
Aparece nas coleções:ESTATÍSTICA - Monografias

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2018_tcc_aflgalindo.pdf880,24 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.