Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016. / Submitted by Fernanda Percia França (fernandafranca@bce.unb.br) on 2017-03-02T16:05:18Z No. of bitstreams: 1 2016_HemilhanaTolentinaPereira.pdf: 1525219 bytes, checksum: 02fb8ee02557f6809a634f47ca36beec (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2017-03-08T21:42:08Z (GMT) No. of bitstreams: 1 2016_HemilhanaTolentinaPereira.pdf: 1525219 bytes, checksum: 02fb8ee02557f6809a634f47ca36beec (MD5) / Made available in DSpace on 2017-03-08T21:42:08Z (GMT). No. of bitstreams: 1 2016_HemilhanaTolentinaPereira.pdf: 1525219 bytes, checksum: 02fb8ee02557f6809a634f47ca36beec (MD5) / Esta dissertação se dedica ao estudo e à revisão bibliográfica da distribuição de Poisson generalizada. Essa distribuição é uma alternativa aos modelos discretos que apresentam sobredispersão. A flexibilização do valor da variância em relação ao da média é devido ao acréscimo de um parâmetro à distribuição de Poisson. A distribuição de Poisson generalizada foi inicialmente introduzida como elemento da classe de distribuições Lagrangeanas. Neste trabalho é proposta uma parametrização em função da W de Lambert que permite relacioná-la à classe de distribuições de série de potência e, desse modo, valer-se das propriedades e das características dessa classe de distribuições. Além disso, serão apresentadas aplicações de diferentes áreas do conhecimento, métodos de estimação pontual e intervalar, testes de hipóteses e as funções do software R dedicadas a essa distribuição. / In this dissertation we present a review of the generalized Poisson distribution. This distribution is an alternative to allow over dispersion in discrete models. The flexibility of the value of the variance in relation to the average is due to the presence of an additional parameter with respect to the Poisson distribution. The generalized Poisson distribution was first introduced as an element of the class of Lagrangian distributions. In this work it is proposed a new parametrization in terms of the Lambert W function that allows us to relate it to the class of power series distributions and, therefore, to use well known properties and characteristics of this class. In addition, we will present applications from different areas of knowledge, inference methods for both point and interval estimation and hypotheses testing. Were also review some R packages which deal with this distribution.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2014. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2014-10-13T14:16:39Z No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Approved for entry into archive by Tania Milca Carvalho Malheiros(tania@bce.unb.br) on 2014-10-20T11:49:28Z (GMT) No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Made available in DSpace on 2014-10-20T11:49:28Z (GMT). No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Nessa dissertação propomos um modelo dinâmico para casos em que a serie temporal e composta por dados de contagem. O modelo dinâmico para a distribuição Poisson Generalizada combina a classe dos modelos dinâmicos condicionalmente Gaussianos que, por sua vez, fornece uma estrutura flexí vel, permitindo que os parâmetros da distribuição dos dados possam ser modelados via MDLs normais e o esquema MCMC que une o amostrador de Gibbs com o algoritmo de Metropolis-Hastings de modo a proporcionar a amostragem das distribuições condicionais completas a posteriori. Desse modo nossa metodologia e capaz de tratar dados discretos correlacionados no tempo sendo poss vel realizar a estimacão dos estados latentes e previsão do desenvolvimento futuro. _______________________________________________________________________________________ ABSTRACT / In this dissertation, we propose a dynamic model for cases in which the time series is composed of count data. The dynamic model for generalized Poisson distribution combines the class of conditionally Gaussian dynamic models, which in turn provides a exible structure, allowing the parameters of the data distribution to be modeled via normal DLMs and the MCMC scheme that combines the Gibbs sampler with the Metropolis-Hastings algorithm to provide a complete sampling of the posteriori conditional distributions. Thus our methodology is capable of handling correlated discrete data in time and make the estimation of latent states and prediction of future development.

Submitted by Etelvina Domingos (etelvina.domingos@ufpe.br) on 2015-03-12T18:21:25Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE Ana Carla Percontini da Paixão.pdf: 2309750 bytes, checksum: 1f4caced5454dee673c1e41705168ad0 (MD5) / Made available in DSpace on 2015-03-12T18:21:26Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE Ana Carla Percontini da Paixão.pdf: 2309750 bytes, checksum: 1f4caced5454dee673c1e41705168ad0 (MD5) Previous issue date: 2014 / Este trabalho está dividido em quatro capítulos independentes. Nos Capítulos 2 e 3 propomos extensões para a distribuição Weibull. A primeira delas, com cinco parâmetros, é uma composição das distribuições beta e Weibull Poisson. Essa nova distribuição tem como submodelos algumas importantes distribuições descritas na literatura e outras ainda não discutidas tais como: bata exponencial Poisson, Weibull Poisson exponencializada, Rayleigh Poisson exponencializada, beta Weibull, Weibull, exponencial, entre outras. Obtemos algumas propriedades matemáticas tais como momentos ordinários e incompletos, estatísticas de ordem e seus momentos e entropia de Rényi. Usamos o método da máxima verossimilhança para obter estimativas dos parâmetros. A potencialidade desse novo modelo é mostrada por meio de um conjunto de dados reais. A segunda extensão, com quatro parâmetros, é uma composição das distribuições Poisson generalizada e Weibull, tendo a Poisson generalizada exponencial, a Rayleigh Poisson, Weibull Poisson e Weibull como alguns de seus sub-modelos. Várias propriedades matemáticas foram investigadas, incluíndo expressões explícitas para os momentos ordinários e incompletos, desvios médios, função quantílica, curvas de Bonferroni e Lorentz, con abilidade e as entropias de Rényi e Shannon. Estatísticas de ordem e seus momentos são investigados. A estimativa de parâmetros é feita pelo método da máxima verossimilhança e é obtida a matriz de informação obsevada. Uma aplicação a um conjunto de dados reais mostra a utilidade do novo modelo. Nos dois últimos capítulos propomos duas novas classes de distribuições. No Capítulo 4 apresentamos a família G- Binomial Negativa com dois parâmetros extras. Essa nova família inclui como caso especial um modelo bastante popular, a Weibull binomial negativa, discutida por Rodrigues et al.(Advances and Applications in Statistics 22 (2011), 25-55.) Algumas propriedades matemáticas da nova classe são estudadas, incluindo momentos e função geradora. O método de máxima verossimilhança é utilizado para obter estimativas dos parâmetros. A utilidade da nova classe é mostrada através de um exemplo com conjuntos de dados reais. No Capítulo 5 apresentamos a classe Zeta-G com um parâmetro extra e algumas nova distribuições desta classe. Obtemos expressões explícitas para a função quantílica, momentos ordinários e incompletos, dois tipos de entropia, con abilidade e momentos das estatísticas de ordem. Usamos o método da máxima verossimilhança para estimar os parâmetros e a utilidade da nova classe é exempli cada com um conjunto de dados reais.

Nesta tese são propostas duas distribuições discretas: COM-Poisson correlacionada (CPC) e COM-Poisson generalizada parcialmente correlacionada (CPGPC). Também foram propostos modelos de regressão para a distribuição Poisson generalizada parcialmente correlacionada (PGPC) (proposto por Luceño (1995)). Calculamos a função massa de probabilidade (fmp) para todas as distribuições com duas parametrizações. As distribuições foram construídas usando a mesma expansão feita por (Luceño, 1995) na construção da distribuição Poisson generalizada parcialmente correlacionada. A distribuição CPC(l;f;r) é a mesma expansão da distribuição COM-Poisson zero inflacionada ZICMP(m;f;r). Para a distribuição CPGPC(l;f;r;L;K) foi determinada a função característica, função geradora de probabilidade, momentos e a estimação pelo método de máxima verossimilhança para as duas parametrizações. Fizemos a fmp, quantil e gerador de números aleatórios das distribuições citadas no programa R. / In this thesis two discrete distributions are proposed: Correlated COM-Poisson (CPC) and Generalized partially correlated COM-Poisson (CPGPC). We have also proposed regression models for the Generalized partially correlated Poisson distribution (PGPC) (proposed by Luceño (1995)). We calculated the probability mass function for all distributions with two parametrizations. The distributions were constructed using the same expansion made by Luceño (1995) in the construction of the correlated generalized Poisson distribution. The CPC(l;f;r) Correlated COM-Poisson distribution is the same expansion of the zero-inflated COM-Poisson distribution ZICMP(m;f;r). For the CPGPC(l;f;r;L;K) Generalized partially correlated COM-Poisson distribution, the characteristic function, probability-generating function, moments, and the maximum likelihood estimation for the two parametrizations were determined. We performed the probability mass function, quantile and random number generator of the distributions quoted in program R.