Medidas de distância aplicadas a Indetificabilidade de Modelos matemáticos
Resumo
Modelos Matemáticos são fundamentais para entender algum fenômeno físico ou, até mesmo, realizar previsões que auxiliem tomadas de decisão. Desta maneira, determinar os parâmetros que compõem as equações do modelo é uma tarefa essencial, bem como, quantificar a incerteza associada a eles. Normalmente, os valores dos parâmetros são desconhecidos, sendo comum que sejam obtidos através de dados coletados. Este processo é chamado de Calibração. [...]
Downloads
Referências
R. C. Smith. Uncertainty Quantification: Theory, Implementation, and Applications. USA: Society for Industrial e Applied Mathematics, 2013. isbn: 161197321X.
Y. Xie e B. P. Carlin. “Measures of Bayesian learning and identifiability in hierarchical models”. Em: Journal of Statistical Planning and Inference 136.10 (2006), pp. 3458–3477. doi: 10.1016/j.jspi.2005.04.003.
C. L. Martin. “Applications of the distance measures between the prior and posterior distributions”. Tese de doutorado. Ames, Iowa: Iowa State University, 1984.
D. S. de Albuquerque. “Avaliação de Critérios de Convergência Aplicados ao Método MCMC”. Dissertação de mestrado. LNCC, 2023.
E. L. Boone, J. R. W. Merrick e M. J. Krachey. “A Hellinger distance approach to MCMC diagnostics”. Em: Journal of Statistical Computation and Simulation 84.4 (2014), pp. 833–849.
M. J. Keeling e P. Rohani. Modeling infectious diseases in humans and animals. New Jersey: Princeton University Press, 2011.
