Made available in DSpace on 2014-08-13T14:50:49Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-01-20Bitstream added on 2014-08-13T18:00:24Z : No. of bitstreams: 1 000760059.pdf: 2134645 bytes, checksum: 635b296c4a3f8dc210e08b94a273ae35 (MD5) / A elicitação é um processo que permite a incorporação da informação a priori fornecida por um especialista sobre alguma quantidade, desconhecida e de interesse, à informação proveniente dos dados do experimento. Pode ser utilizada em muitas áreas aplicadas do conhecimento, principalmente em situações nas quais os dados experimentais não são tão numerosos devido à di culdade ou custo para obtê-los. Na abordagem Bayesiana nãoparam étrica, a densidade ou a função de interesse podem ser estimadas sem imposição de quaisquer suposições restritivas sobre a sua forma. Assim, os dados permitem determinar a estimativa da função de interesse em vez de condicioná-la a pertencer a uma dada fam ília paramétrica. O objetivo do presente trabalho é realizar uma aplicação do método Bayesiano não-paramétrico de elicitação de prioris proposto por Oakley e O'Hagan (2007), Moala (2009) e Moala e O'Hagan (2010) a m de estimar a função de con abilidade, considerada completamente desconhecida em sua forma, baseando-se apenas na informação fornecida pelo especialista. / The elicitation is a process that allows the incorporation of a prior information provided by an expert on some quantity, unknown and of interest, to the information from the experimental data. It can be used in many applied areas of knowledge, especially in situations where experimental data are not numerous because of the di culty or cost to obtain them. In Bayesian non-parametric approach, the density or the function of interest can be estimated without imposing any restrictive assumptions on its shape. Thus, the data allows determine the estimate of the interested function rather than conditioning it to a given parametric class functions. The aim of this paper is to apply the Bayesian nonparametric elicitation method of priors proposed by Oakley and O'Hagan (2007), Moala (2009) and Moala and O'Hagan (2010) to estimate the reliability function, considered completely unknown in its form, based only on the information provided by the expert.

Orientador: Jorge Alberto Achcar / Coorientador: Mário Hissamitsu Tarumoto / Banca: Carlos Aparecido dos Santos / Banca: Aparecida Doniseti Pires de Souza / Resumo: Dados composicionais consistem em vetores conhecidos como composições cujos componentes são positivos e definidos no intervalo (0,1) representando proporções ou frações de um "todo". A soma desses componentes deve ser igual a um. Os dados composicionais estão presentes em diferentes áreas, como na geologia, ecologia, economia, medicina entre muitas outras. Desta forma há um grande interesse em novas abordagens de modelar dados composicionais. Neste estudo, introduzimos as transformações logaritmo da razão (alr) e Box-Cox em modelos usados para dados composicionais, assumindo erros normais não correlacionados. O objetivo principal deste trabalho é aplicar métodos Bayesianos para estes modelos utilizando os métodos padrões de Monte Carlo via Cadeias de Markov (MCMC) para simular amostras da posteriori conjunta de interesse. Nós aplicamos a metodologia proposta em dois conjuntos de dados, sendo que um deles é sobre um experimento de medidas repetidas na qual introduzimos uma variável de efeito aleatório para capturar a dependência para os dados longitudinais e, além disso, a introdução de dois efeitos aleatórios extras no modelo. Estes resultados de modelagem podem ser de grande interesse em trabalhos aplicados que lidam com conjuntos de dados composicionais. / Abstract: Compositional data consist of known compositions vectors whose components are positive and defined in the interval (0,1) representing proportions or fractions of a "whole". The sum of these components must be equal to one. Compositional data is present in different areas, as in ecology, economy, medicine among many others. In this way, there is a great interest in new modeling approaches for compositional data. In this study we introduced additive log-ratio (alr) and Box-Cox transformations models used for compositional data, under uncorrelated normal errors. The main objective of this project is to apply Bayesian methods to these models using standard Markov Chain Monte Carlo (MCMC) methods to simulate samples of the joint posterior of interest. We apply the proposed methodology in two data sets, whereas one of them is about an experiment of repeated measures where we introduced a random effect variable to capture the dependence for the longitudinal data and also the introduction of two extra random effects in the model. These modeling results could be of great interest in the applied work dealing with compositional data sets. / Mestre

Orientador: Fernando Antônio Moala / Banca: Manoel Ivanildo Silvestre Bezerra / Banca: Fabio Nogueira Demarqui / Resumo: A elicitação é um processo que permite a incorporação da informação a priori fornecida por um especialista sobre alguma quantidade, desconhecida e de interesse, à informação proveniente dos dados do experimento. Pode ser utilizada em muitas áreas aplicadas do conhecimento, principalmente em situações nas quais os dados experimentais não são tão numerosos devido à di culdade ou custo para obtê-los. Na abordagem Bayesiana nãoparam étrica, a densidade ou a função de interesse podem ser estimadas sem imposição de quaisquer suposições restritivas sobre a sua forma. Assim, os dados permitem determinar a estimativa da função de interesse em vez de condicioná-la a pertencer a uma dada fam ília paramétrica. O objetivo do presente trabalho é realizar uma aplicação do método Bayesiano não-paramétrico de elicitação de prioris proposto por Oakley e O'Hagan (2007), Moala (2009) e Moala e O'Hagan (2010) a m de estimar a função de con abilidade, considerada completamente desconhecida em sua forma, baseando-se apenas na informação fornecida pelo especialista. / Abstract: The elicitation is a process that allows the incorporation of a prior information provided by an expert on some quantity, unknown and of interest, to the information from the experimental data. It can be used in many applied areas of knowledge, especially in situations where experimental data are not numerous because of the di culty or cost to obtain them. In Bayesian non-parametric approach, the density or the function of interest can be estimated without imposing any restrictive assumptions on its shape. Thus, the data allows determine the estimate of the interested function rather than conditioning it to a given parametric class functions. The aim of this paper is to apply the Bayesian nonparametric elicitation method of priors proposed by Oakley and O'Hagan (2007), Moala (2009) and Moala and O'Hagan (2010) to estimate the reliability function, considered completely unknown in its form, based only on the information provided by the expert. / Mestre