Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Musetti, Marcela |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/45/45133/tde-03042023-095110/
|
Resumo: |
Na inferência Bayesiana, problemas com a obtenção da distribuição a posteriori analiticamente, em problemas de \\textit são frequentes. E mesmo quando a solução desse problema é feito de forma computacional, ainda temos desafios com a realização de inferências, como o teste de hipóteses precisas. Uma forma Bayesiana de testar hipóteses precisas é via o Full Bayesian Significance Test (FBST) no qual calcula-se uma medida de evidência, denominada por e-valor. Nessa dissertação, queremos encontrar as densidades a posteriori em problemas de \\textit pelo o método FlexCode, ao invés do tradicional MCMC e com as densidades em mãos propor uma solução para o cálculo do e-valor: através de métodos de classificação ou da integração computacional da densidade obtida via FlexCode. Dessa forma, conseguimos resolver problemas frequentes na inferência bayesiana transformando-os em um problema possível de resolver no universo de aprendizado de máquina |
