Métodos de Monte Carlo Hamiltoniano na inferência Bayesiana não-paramétrica de valores extremos

• Ano de defesa: 2015
• Autor(a) principal: Hartmann, Marcelo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: distribuição generalizada de valor extremo; generalized distribution of extreme value; Hamiltonian Monte Carlo method in Riemannian variety.; Inferência Bayesiana não-paramétrica; latent Gaussian process; método de Monte Carlo Hamiltoniano em variedade Riemanniana.; Non-parametric Bayesian inference; processo Gaussiano latente
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/104/104131/tde-18012017-104314/

Neste trabalho propomos uma abordagem Bayesiana não-paramétrica para a modelagem de dados com comportamento extremo. Tratamos o parâmetro de locação μ da distribuição generalizada de valor extremo como uma função aleatória e assumimos um processo Gaussiano para tal função (Rasmussem & Williams 2006). Esta situação leva à intratabilidade analítica da distribuição a posteriori de alta dimensão. Para lidar com este problema fazemos uso do método Hamiltoniano de Monte Carlo em variedade Riemanniana que permite a simulação de valores da distribuição a posteriori com forma complexa e estrutura de correlação incomum (Calderhead & Girolami 2011). Além disso, propomos um modelo de série temporal autoregressivo de ordem p, assumindo a distribuição generalizada de valor extremo para o ruído e determinamos a respectiva matriz de informação de Fisher. No decorrer de todo o trabalho, estudamos a qualidade do algoritmo em suas variantes através de simulações computacionais e apresentamos vários exemplos com dados reais e simulados.