Você está aqui: start » disciplinas » ce227-2016-01 » historico

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

Link para esta página de comparações

Ambos lados da revisão anteriorRevisão anterior
Próxima revisão		Revisão anterior
disciplinas:ce227-2016-01:historico [2016/05/18 18:29] – paulojusdisciplinas:ce227-2016-01:historico [2016/06/02 14:47] (atual) – paulojus
Linha 38: Linha 38:
 | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#11/05|Ver abaixo]] |  | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#11/05|Ver abaixo]] | 
 | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#16/05|Ver abaixo]] |  | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#16/05|Ver abaixo]] | 
-| 18/05 Seg |Inferência Bayesiana utilizando o JAGS/INLA - mais exemplos | | |[[#18/05|Ver abaixo]] | +| 18/05 Qua |Inferência Bayesiana utilizando o JAGS/INLA - mais exemplos | | |[[#18/05|Ver abaixo]] |  
 +| 23/05 Seg |Estudos (prof. em congresso) | | | |  
 +| 25/05 Qua |Estudos (prof. em congresso) | | | |  
 +| 31/05 Seg |Aplicação de inferência Bayesiana - erros e incertezas em estimação de vazão de uma bacia - Apres. Alana | | | |  
 +| 01/06 Qua |Fundamentos do INLA | | |[[#01/06|Ver abaixo]] | 
  
  
Linha 283: Linha 287:
    
 === 18/05 === === 18/05 ===
 +  - {{:disciplinas:ce227:changepointjags.r|Script R/JAGS para análise dos dados do Cap 8}} (changepoint Poisson)
   - {{:disciplinas:ce227:ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}}   - {{:disciplinas:ce227:ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}}
-  - {{:disciplinas:ce227:apresentacao-inla.pdf|INLA - idéias básicas}} 
-  - [[https://arxiv.org/pdf/1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores 
   - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<code R>   - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<code R>
 +##
 +## Análise de conjunto de dados com INLA com efeitos aleatórios temporalmente correlacionados
 +##
 require(INLA) require(INLA)
 ## ##
-## Visualizado dados+## Visualização dos dados
 ## ##
 data(Tokyo) data(Tokyo)
Linha 301: Linha 307:
 fit.glm <- glm(cbind(y, n-y) ~ 1, family=binomial, data=Tokyo) fit.glm <- glm(cbind(y, n-y) ~ 1, family=binomial, data=Tokyo)
 abline(h=exp(coef(fit.glm))/(1+exp(coef(fit.glm))), col=2, lty=3, lwd=3) abline(h=exp(coef(fit.glm))/(1+exp(coef(fit.glm))), col=2, lty=3, lwd=3)
-## como, como este modelo, todos os valores preditos são iguais bastaria fazer:+## ou então, como neste modelo todos os valores preditos são iguais bastaria fazer:
 abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3) abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3)
 ## ##
-## 2. Modelo com probabilidades variando no tempo (variável/processo latente)+## 2. Agora o mesmo modelo nulo anterior porém ajustado pelo INLA 
 +## 
 +modelo0 = y ~ 1 
 +fit0 <- inla(modelo0, data=Tokyo, family="binomial", Ntrials=n, 
 +             control.predictor=list(compute=TRUE)) 
 +summary(fit0) 
 +fit0$summary.fitted.values 
 +with(fit0, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=2)) 
 +## 
 +## 3. Modelo com probabilidades variando no tempo 
 +## através da inclusão de variável/processo latente
 ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo
-## segundo um "random walk" cíclico de ordm 2+## segundo um "random walk" cíclico de ordem 2
 modelo = y ~ 0 + f(time, model="rw2", cyclic=T, param=c(1, 0.0001)) modelo = y ~ 0 + f(time, model="rw2", cyclic=T, param=c(1, 0.0001))
-fit <- inla(modelo, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE))+fit <- inla(modelo, data=Tokyo, family="binomial", Ntrials=n, 
 +            control.predictor=list(compute=TRUE))
 ## ##
 names(fit) names(fit)
 head(fit$summary.fitted.values) head(fit$summary.fitted.values)
-## sobrepondo ao gráfico dos dados (moda, mediana e médi são praticamente indistinguíveis+## sobrepondo ao gráfico dos dados (moda, mediana e média são praticamente indistinguíveis)
 with(fit, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=1)) with(fit, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=1))
-## 
-## 3. Agora o mesmo modelo nulo anterior porém jusado pelo INLA 
-## 
-modelo0 = y ~ 1 
-fit0 <- inla(modelo0, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE)) 
-summary(fit0) 
-fit0$summary.fitted.values 
-with(fit0, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=2)) 
 ## ##
 ## 4. Modelando usando GAM (generalised additive model) ## 4. Modelando usando GAM (generalised additive model)
Linha 333: Linha 342:
 with(pred.gam, matlines(cbind(fit, fit+2*se.fit, fit-2*se.fit), lty=c(1,2,2), col=4)) with(pred.gam, matlines(cbind(fit, fit+2*se.fit, fit-2*se.fit), lty=c(1,2,2), col=4))
 </code> </code>
 +
 +=== 01/06 ===
 +  - **INLA**
 +    - {{:disciplinas:ce227:apresentacao-inla.pdf|INLA - idéias básicas}}
 +    - [[https://www.math.ntnu.no/~ingelins/INLAmai09/Pres/talkHavard.pdf|Apresentação de H. Rue]]
 +    - [[http://www.statistica.it/gianluca/Talks/INLA.pdf|Apresentação de Gianluca Baio]]
 +    - [[https://arxiv.org/pdf/1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores
 +

QR Code
QR Code disciplinas:ce227-2016-01:historico (generated for current page)