Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/45979| Tipo: | Dissertação |
| Título: | Estimação em modelos de redes de afinidade |
| Título(s) alternativo(s): | Affinity network models estimation |
| Autor(es): | César Macieira |
| Primeiro Orientador: | Denise Duarte Scarpa Magalhães Alves |
| Primeiro membro da banca : | Denise Duarte Scarpa Magalhães Alves |
| Segundo membro da banca: | Cristiano de Carvalho Santos |
| Terceiro membro da banca: | Andressa Cerqueira |
| Resumo: | A análise de redes sociais tem como finalidade detectar e mensurar relações entre elementos nos mais diversos setores da sociedade. Por isso, inúmeros métodos são empregados para esse tipo de análise, dentre os quais destacamos o modelo de redes de afinidade. Esse modelo de grafos aleatórios considera que a probabilidade de ligação é função de características dos vértices e isso permite uma aproximação maior do modelo a redes reais. O presente trabalho se propõe a produzir uma metodologia para realizar a estimação dos parâmetros que compõem o modelo de redes de afinidade. No caso em que há uma comunidade apenas, utilizamos a função de verossimilhança diretamente para encontrar os estimadores, enquanto que no caso de haver mais de uma comunidade, construímos um algoritmo do tipo Maximização da Expectativa (Expectation Maximization), uma vez que teremos um modelo latente. Certificaremos se o método funciona bem por intermédio de simulações. Propomos uma forma de determinar o número adequado de comunidades da rede de a finidade e de fazer a alocação dos indivíduos a elas. Construiremos grafos para representar as redes de a finidade utilizando duas maneiras diferentes de medir a a finidade entre os indivíduos da rede. Finalmente, realizaremos a aplicação da metodologia apresentada em uma situação real, em um banco de dados coletado com o objetivo de descrever a forma que as pessoas entrevistadas tiveram a vida impactada pela pandemia de Covid-19. |
| Abstract: | The analysis of social networks aims to detect and measure relationships between elements in the most diverse sectors of society. Therefore, numerous methods are used for this type of analysis, among which we highlight the affinity networks model. This model of random graphs considers that the probability of connection is a function of characteristics of features and this allows a better approximation of the model to real networks. The present work proposes to produce a methodology to perform the estimation of the parameters that compose the model of affinity networks. In case there is only one community, we use the likelihood function directly to nd the estimators, in case there is more than one community, we build an Expectation Maximization algorithm, as we have a latent model. We ensure that the method works well through simulations. We propose a method to determine the appropriate number of communities in the affinity network and allocate individuals to them. Graphs were made to represent affinity networks using two different methods to measure affinity between individuals in the network. Finally, we applied the methodology presented in a real situation, in a data collection in order to describe how the people interviewed had their lives impacted by the Covid-19 pandemic. |
| Assunto: | Estatística – Teses Grafos aleatórios - Teses Redes sociais on-line – Teses Modelos de redes de afinidade-Teses |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal de Minas Gerais |
| Sigla da Instituição: | UFMG |
| Departamento: | ICX - DEPARTAMENTO DE ESTATÍSTICA |
| Curso: | Programa de Pós-Graduação em Estatística |
| Tipo de Acesso: | Acesso Aberto |
| metadata.dc.rights.uri: | http://creativecommons.org/licenses/by/3.0/pt/ |
| URI: | http://hdl.handle.net/1843/45979 |
| Data do documento: | 30-Abr-2021 |
| Término do Embargo: | 30-Abr-2021 |
| Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissertação - César Macieira.pdf | 4.47 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
