1. RI UFLA
  2. Programas de Pós-Graduação - Teses e Dissertações
  3. Estatística e Experimentação Agropecuária - Doutorado (Teses)
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/1138
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCorrêa, Fábio Mathias-
dc.date.accessioned2013-09-24T16:44:04Z-
dc.date.available2013-09-24T16:44:04Z-
dc.date.copyright2013-
dc.date.issued2013-
dc.date.submitted2012-11-14-
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/1138-
dc.descriptionTese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Estatística e Experimentação Agropecuária, área de concentração Estatística e Experimentação Agropecuária, para a obtenção do título de doutorpt_BR
dc.description.sponsorshipConselho Nacional de desenvolvimento científico e tecnológico (CNPq)pt_BR
dc.languagept_BRpt_BR
dc.publisherUNIVERSIDADE FEDERAL DE LAVRASpt_BR
dc.rightsacesso abertopt_BR
dc.subjectR package-
dc.subjectR programming language-
dc.subjectAnálise bayesianapt_BR
dc.subjectAnálise thresholdpt_BR
dc.subjectModelos mistospt_BR
dc.subjectMarkov Chain Monte Carlopt_BR
dc.subjectBiblioteca Rpt_BR
dc.subjectR (Linguagem de programação)pt_BR
dc.subjectBayesian analysispt_BR
dc.subjectThreshold modelspt_BR
dc.subjectMixed modelspt_BR
dc.titleBiblioteca R para a análise bayesiana de dados categorizados usando modelos mistos de limiarpt_BR
dc.typetesept_BR
dc.publisher.programDEX - Programa de Pós-graduaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countryBRASILpt_BR
dc.description.concentrationEstatística e Experimentação Agropecuáriapt_BR
dc.contributor.advisor1Bueno Filho, Júlio Sílvio de Sousa-
dc.contributor.referee1Ortega, Edwin Moises Marcos-
dc.contributor.referee1Ferreira, Eric Batista-
dc.contributor.referee1Lima, Renato Ribeiro de-
dc.contributor.referee1Sáfadi, Thelma-
dc.description.resumoNesta tese avaliamos os algoritmos para a análise bayesiana de modelos mistos em dados categorizados ordinais, bem como a sua implementação na biblioteca Bayesthresh para o ambiente de programação R. O pacote Bayesthresh apresenta uma estrutura flexível para inserção de modelos mistos e utiliza-se do processos de Monte Carlo via Cadeias Markov (MCCM) para obtenção das aproximações numéricas das distribuições a posteriori para os parâmetros do modelo. O estudo sobre a eficiência dos algoritmos implementados no pacote avaliou o tempo de processamento, a dependência das cadeias MCCM geradas e efeitos de sensibilidade a especificação das distribuições "a priori"para as componentes da variância. Adicionalmente foram calculados os erros (viés e Erro Quadrático Médio - EQM) das estimativas a posteriori obtidas para os efeitos fixos, efeitos aleatórios e componentes da variância. Um exemplo é apresentado de um experimento com variedades de tomateiro cujo objetivo é a seleção para a resistência à requeima causada pelo fungo Phytophthora infestans. Os algoritmos descritos por Nandram e Chen (1996) e sua modificação para a introdução da distribuição t para o traço latente foram os mais rápidos e precisos, porém, para experimentos simulados com correlação intraclasse igual a 0.8 (valor alto na prática), estes algoritmos tenderam a superestimar esta correlação. Na ilustração são apresentadas estimativas úteis para a seleção de variedades bem como o equivalente bayesiano de um teste para decidir se o traço latente tem distribuição gaussiana, não encontrando evidências em contrário. Em artigo adicional explora-se a utilização da ferramenta construída com exemplos de possibilidades de análise. Nesta ilustração foi analisado um experimento sensorial de conservas de banana desidratadas sob diferentes concentrações de açúcar, descrito por Silva (2008)pt_BR
dc.description.resumoIn this thesis we evaluate algorithms for Bayesian analysis of ordinal categorical data as well as their implementation in the library Bayesthresh for the R statistical programing environment. Bayesthresh package has a flexible structure to insert mixed models and uses Markov Chain Monte Carlo (MCMC) sampling to approximate posterior distributions for model parameters. Simulation study of the efficiency of the algorithms considered processing time, dependency in the MCMC sampling chains and sensitivity to prior specifications for the variance components. Mean Squared Error (MSE) and average Bias in the marginal posterior distributions where also evaluated. An example is discussed from a breeding experiment for resistance to late blight (Phytophthora infestans) in varieties of tomato. Algorithms described by Nandran and Chen (1996) and derived algorithms were the faster and more accurate, although slightly overestimating intraclass correlation ( ) in experiments with higher parametric values ( = 0:8). In the example useful estimates for plant breeding are presented, as Bayes factor test to decide on latent trait having Gaussian distribution. Gaussian distribution was as likely as Student’s t distribution. An additional paper explores the uses of the modeling tool with an example from sensory analysis of dehydrated banana candy recipes with different sugar content, described by Silva (2008)pt_BR
dc.subject.cnpqCNPQ_NÃO_INFORMADOpt_BR
Aparece nas coleções:Estatística e Experimentação Agropecuária - Doutorado (Teses)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TESE_Biblioteca R para a análise bayesiana....pdf780,75 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


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