Portal Domínio Público - Biblioteca digital desenvolvida em software livre  
Missão
Política do Acervo
Estatísticas
Fale Conosco
Quero Colaborar
Ajuda
 
 
Tipo de Mídia: Texto
Formato:  .pdf
Tamanho:  1,26 MB
     
  Detalhe da ibra
Pesquisa Básica
Pesquisa por Conteúdo
Pesquisa por Nome do Autor
Pesquisa por Periodicos CAPES
 
     
 
Título:  
  Análise e previsão de resultados de partidas de futebol
Autor:  
  Fábio Figueiredo Farias   Listar as obras deste autor
Categoria:  
  Teses e Dissertações
Idioma:  
  Português
Instituição:/Parceiro  
  [cp] Programas de Pós-graduação da CAPES   Ir para a página desta Instituição
Instituição:/Programa  
  UFRJ/ESTATÍSTICA
Área Conhecimento  
  ESTATÍSTICA
Nível  
  Mestrado
Ano da Tese  
  2008
Acessos:  
  359
Resumo  
  A classe de Modelos Lineares Dinâmicos Generalizados estende a modelagem dinâmica à família exponencial, e não ficamos mais restritos a assumir a normalidade dos dados. Esse tipo de modelagem é adequado para se trabalhar com dados provenientes de distribuições não-normais da família exponencial: Poisson para dados de contagem, Bernoulli para proporções, Gama para dados contínuos assimétricos, entre outras. Em particular, entre os dados provenientes de campeonatos de futebol, o número de gols é um candidato à distribuição de Poisson. Essa dissertação se propõe a construir modelos para prever resultados de partidas de futebol, modelando o número de gols de cada equipe. Portanto, dois objetivos podem ser alcançados: fazer previsões e comparar modelos. Propomos o uso de dois modelos Bayesianos dinâmicos com coeficientes auto-regressivos de evolução para o número de gols feitos pelas equipes do campeonato brasileiro do ano de 2006. Além de ajustar esses dois modelos, também foram ajustados um modelo estático e um dinâmico propostos por RUE e SALVESEN (2000) e usados em SOUZA e GAMERMAN (2004). Para comparar os modelos, usamos a razão de verossimilhanças. A inferência foi feita adotando-se a abordagem Bayesiana e, como a distribuição a posteriori não é analiticamente tratável, usamos métodos de Monte Carlo via Cadeias de Markov (MCMC).
     
    Baixar arquivo