Publicação
Estrutura de covariação em modelos bayesianos espaciais
| Resumo: | No mapeamento de doenças, é necessário especificar uma estrutura de vizinhanhança para fazer inferências sobre a distribuição geográfica dos riscos relativos, Essa estrutura pode ser usada para modelar a dependência espacial dos dados. Um ponto importante é como modelar essadependência, qual tipo de covariância será definida entre os pares de áreas. Nesste trabalho é feita uma análise da estrutura de covariância para dados de áareas. Em partes desse trabalho novos modelos são propostos e, outras, modelos presentes na literatura são analisados cuidadosamente. Em um contexto um pouco diferente, a depensência entre os dados pode ser utilizada para recuperar outros tipos de informação, como por exemplo, a localização dos eventos. Resovemos esse tipo de problema para o caso especiífico de uma rede social, o twitter. As arestas do grafo agora não representammais vizinhnça geográfica, mas sim relações de amizades entre os usuários.Mostramos como essa informação associada ao tipode publicação de cada usuáario pode ser utilizada para inferir sua localização. |
|---|---|
| Autores principais: | Erica Castilho Rodrigues |
| Assunto: | campos aleatórios de Markov Naive Bayes modelos hierárquicos espaciais Twitter mapeamento de doenças Estatística Análise espacial (Estatística) Doenças Markov, processos de Campos aleatórios Teoria bayesiana de decisão estatistica Análise espacial (Estatística) |
| Ano: | 2019 |
| País: | Brasil |
| Tipo de documento: | tese de doutoramento |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | IBICT |
| Idioma: | português |
| Origem: | Oasisbr |
| Resumo: | No mapeamento de doenças, é necessário especificar uma estrutura de vizinhanhança para fazer inferências sobre a distribuição geográfica dos riscos relativos, Essa estrutura pode ser usada para modelar a dependência espacial dos dados. Um ponto importante é como modelar essadependência, qual tipo de covariância será definida entre os pares de áreas. Nesste trabalho é feita uma análise da estrutura de covariância para dados de áareas. Em partes desse trabalho novos modelos são propostos e, outras, modelos presentes na literatura são analisados cuidadosamente. Em um contexto um pouco diferente, a depensência entre os dados pode ser utilizada para recuperar outros tipos de informação, como por exemplo, a localização dos eventos. Resovemos esse tipo de problema para o caso especiífico de uma rede social, o twitter. As arestas do grafo agora não representammais vizinhnça geográfica, mas sim relações de amizades entre os usuários.Mostramos como essa informação associada ao tipode publicação de cada usuáario pode ser utilizada para inferir sua localização. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.