• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Thèse de Doctorat
DOI
10.11606/T.45.2016.tde-15052016-104959
Document
Auteur
Nom complet
Carlos Patricio Montenegro Silva
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2016
Directeur
Jury
Branco, Marcia D Elia (Président)
Bolfarine, Heleno
Migon, Helio dos Santos
Rojas, Manuel Jesus Galea
Valle, Reinaldo Boris Arellano
Titre en portugais
Inferência bayesiana em modelos de dinâmica de populações biológicas com termo de perturbação assimétrico
Mots-clés en portugais
Camarão chileno
MCMC
Modelo de crescimento logístico
Modelos dinâmicos não-lineares
Resumé en portugais
Neste trabalho de tese, estudamos o modelo de crescimento logístico de populações biológicas utilizando a abordagem de espaço de estados. Os estados não observados são as biomassas anuais, a equação de observação é linear e a equação de estado é não linear. As distribuições de probabilidade utilizadas para os termos de erro de observação aditivos são: Normal, t-student, Skew-normal e Skew-t. As distribuições Log-normal, Log-t, Log-skew-normal e Log-skew-t são consideradas para os erros de observação multiplicativos. A inferência nos modelos é realizada considerando-se métodos Bayesianos e as distribuições a posterior de interesse são aproximadas utilizando-se algoritmos MCMC e a aproximação de Laplace. Apresentamos duas aplicações, a primeira referente a pesca de camarão marinho na costa do Chile, na qual a variável observável é o rendimento médio anual de pesca (captura por unidade de esforço média). Na segunda é considerada a pesca de lagostim vermelho na costa de Chile, na qual além do rendimento médio anual da pesca, observa-se as estimativas anuais de biomassa vulnerável, obtidas através de estudos de área varrida. Para o primeiro conjunto de dados, os modelos com erros de observação multiplicativos têm melhor performance, particularmente os modelos Log-skew-normal e Log-skew-t. Considerando estes resultados, no segundo caso utilizamos somente erros multiplicativos e a distribuição a posteriori preditiva mostra que cada variável observável parece ter sua própria família de distribuição de probabilidades. Além disso, os resultados também revelam uma crescente complexidade do modelo ao incorporar a classe mais geral de distribuições assimétricas.
Titre en anglais
Bayesian inference in biological population dynamic models with skewed and heavy tailed perturbation terms
Mots-clés en anglais
Chilean shrimp
logistic growth model
MCMC
Nonlinear dynamic models
Resumé en anglais
We study the logistic population growth model using a state-space approach. The non observable states are the annual biomass of the population with a linear observation equation and a non-linear state equation. The probability distribution used for the additives observation error terms are Normal, Student-t, Skew-normal and Skew-t, and Log-normal, Log-t, Log-skew-normal and Log-skew-t for multiplicative observation errors terms. The inference about the parameters of the models is performed using Bayesian methods, with MCMC algorithms and Laplace approximations. We present two applications to real data sets. The first in marine shrimp population off the coast of Chile, where observable variable is the average annual fishing yield. The second application is for the population of the red squat lobster off Chile, where in addition to the average annual fishing yield, a second observable variable was included. In the first case, the multiplicative observational errors models presented the best results. Particularly the Log-skew-normal and Log-skew-t models has the better performances. Considering these results, in the second application we use only multiplicative observation errors models.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2016-09-20
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2020. Tous droits réservés.