Algoritmos de estimação para modelos Markovianos não-homogêneos

• Autor(a) principal: Lee, Gustavo Alexis Sabillón
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-10062020-104710/
• topic: Cadeia de Markov; Estados ocultos; Hidden Markov model; Hidden states; Markov chain; Matriz de transição; Modelo Markoviano oculto; Transition matrix

Os modelos Markovianos ocultos são um paradigma estatístico que podem ser utilizados para modelar processos estocásticos onde valores observáveis dependem diretamente de uma sequência de variáveis aleatórias não observáveis. No modelo Markoviano oculto o sistema que está sendo modelado é considerado um processo de Markov com estados não observáveis (isto é, ocultos) e em cada estado oculto temos a emissão de um valor observável. Os modelos Markovianos ocultos podem ser homogêneos ou não-homogêneos. O foco principal deste trabalho, serão os modelos Markovianos não-homogêneos. Neste trabalho, apresentamos alguns procedimentos de estimação utilizados com modelos Markovianos. A estimação dos parâmetros é realizada sob abordagem Bayesiana e frequentista, fazendo uma comparação da performance dos mesmos usando algumas métricas como o erro quadrático médio e o viés dos estimadores. As comparações dos modelos são desenvolvidas utilizando diferentes critérios para comparação de modelos como o Bayes Information Criterion e o Deviance Information Criteria.