Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-07-08T19:03:53Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_CiceroDias_VersaoCD.pdf: 1665746 bytes, checksum: bf5520194ce2f18a505403954f133c62 (MD5) / Made available in DSpace on 2016-07-08T19:03:53Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_CiceroDias_VersaoCD.pdf: 1665746 bytes, checksum: bf5520194ce2f18a505403954f133c62 (MD5) Previous issue date: 2016-02-23 / Statistical analysis of lifetime data is an important topic in engineering, biomedical, social sciences and others areas. There is a clear need for extended forms of the classical distributions to obtain more flexible distributions with better fits. In this work, we study and propose new distributions and new classes of continuous distributions. We present the work in three independentes parts. In the first one, we study with some details a lifetime model of the beta generated class proposed by Eugene; Lee; Famoye (2002). The new distribution is called the beta Nadarajah-Haghighi distribution, which can be used to model survival data. Its failure rate function is quite flexible and takes several forms depending on its parameters. The proposed model includes as special models several important distributions discussed in the literature, such as the exponential, generalized exponential (GUPTA; KUNDU, 1999), extended exponential (NADARAJAH; HAGHIGHI, 2011) and exponential-type (LEMONTE, 2013) distributions. We provide a comprehensive mathematical treatment of the new distribution and obtain explicit expressions for the moments, generating and quantile functions, incomplete moments, order statistics and entropies. The method of maximum likelihood is used for estimating the model parameters and the observed information matrix is derived. We fit the proposed model to a real data set to prove empirically its flexibility and potentiality. In the second part, we study general mathematical properties of a new generator of continuous distributions with three extra shape parameters called the exponentiated Marshal-Olkin family. We present some special models of the new class and some of its mathematical properties including moments and generating function. The method of maximum likelihood is used for estimating the model parameters. We illustrate the usefulness of the new distributions by means of two applications to real data sets. In the third part, we propose another new class of distributions based on the distribution introduced by Nadarajah and Haghighi (2011). We study some mathematical properties of this new class called Nadarajah-Haghighi-G (NH-G) family of distributions. Some special models are presented and we obtain explicit expressions for the quantile function, ordinary and incomplete moments, generating function and order statistics. The estimation of the model parameters is explored by maximum likelihood and we illustrate the flexibility of the new family with two applications to real data. / Análise estatística de dados de tempo de vida é um importante tópico em engenharia,biomedicina, ciências sociais, dentre outras áreas. Existe uma clara necessidade de se estender formas das clássicas distribuições para obter distribuições mais flexíveis com melhores ajustes. Neste trabalho, estudamos e propomos novas distribuições e novas classes de istribuições contínuas. Nós apresentamos o trabalho em três partes independentes. Na primeira, nós estudamos com alguns detalhes um modelo de tempo de vida da classe dos modelos beta generalizados proposto por Eugene; Lee; Famoye (2002). A nova distribuição é denominada de beta Nadarajah-Haghighi, a qual pode ser usada para modelar dados de sobrevivência. Sua função de taxa de falha é bastante flexível podendo ser de diversas formas dependendo dos seus parâmetros. O modelo proposto inclui como casos especiais muitas importantes distribuições discutidas na literatura, tais como as distribuições exponencial, exponential generalizada (GUPTA; KUNDU, 1999), exponencial extendida (NADARAJAH; HAGHIGHI, 2011) e a tipo exponencial (LEMONTE, 2013). Nós fornecemos um tratamento matemático abrangente da nova distribuição e obtemos explícitas expressões para os momentos, funções geratriz de momentos e quantílica, momentos incompletos, estatísticas de ordem e entropias. O método de máxima verossimilhança é usado para estimar os parâmetros do modelo e a matriz de informação observada é derivada. Nós ajustamos o modelo proposto para um conjunto de dados reais para provar a empiricamente sua flexibilidade e potencialidade. Na segunda parte, nós estudamos as propriedades matemáticas gerais de um novo gerador de distribuições contínuas com três parâmetros de forma extras chamada de família de distribuições MarshalOlkin exponencializada. Nós apresentamos alguns modelos especiais da nova classe e algumas das suas propriedades matemáticas incluindo momentos e função geratriz de momentos. O método de máxima verossimilhança é utilizado para estimação dos parâmetros do modelo. Nós ilustramos a utilidade da nova distribuição por meio de duas aplicações a conjuntos de dados reais. Na terceira parte, nós propomos outra nova classe distribuições baseada na distribuição introduzida por Nadarajah e Haghighi(2011). Nós estudamos algumas propriedades matemáticas dessa nova classe denominada Nadarajah-Haghighi-G (NH-G) família de distribuições. Alguns modelos especiais são apresentados e obtemos explícitas expressões para a função quantília, momentos ordinários e incompletos, função geratriz e estatística de ordem. A estimação dos parâmetros do modelo é explorada por máxima verossimilhança e nós ilustramos a flexibilidade da nova família com duas aplicações a dados reais.

No description available.

A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA. / The Bayesian approach in statistical inference has been widely used as an alternative to traditional methods. In this work, we present a Bayesian approach for estimating the parameters of the autoregressive moving average processes of orderp and q, denoted by ARMA(p, g) and of the autoregressive fractionally integrated moving average process, denoted by ARFIMA(p, d, g). For the later model, the Bayesian approach is performed assuming p = g = 0. Whereas AR(p), which is a particular case of the ARMA(p, g) model when g = O, an estimator is proposed via the Bayesian approach. The efficiency of the estimator is verified by Monte Cario simulations and the results are compared with the classical maximum likelihood estimator. In the case of ARFIMA(0, d, 0) process, a theoretical study is performed by the Bayesian approach. For estimating the parameters of that process we consider its infiriite autoregressive representation. Some Bayesian computational algorithms are presented in this work since they play an important role in Bayesian inferences. Some of these algorithms, such as Gibbs sampler and Metropolis-Hastings algorithm, were used in building the estimators for the parameters of ARMA and ARFIMA models.

A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA. / The Bayesian approach in statistical inference has been widely used as an alternative to traditional methods. In this work, we present a Bayesian approach for estimating the parameters of the autoregressive moving average processes of orderp and q, denoted by ARMA(p, g) and of the autoregressive fractionally integrated moving average process, denoted by ARFIMA(p, d, g). For the later model, the Bayesian approach is performed assuming p = g = 0. Whereas AR(p), which is a particular case of the ARMA(p, g) model when g = O, an estimator is proposed via the Bayesian approach. The efficiency of the estimator is verified by Monte Cario simulations and the results are compared with the classical maximum likelihood estimator. In the case of ARFIMA(0, d, 0) process, a theoretical study is performed by the Bayesian approach. For estimating the parameters of that process we consider its infiriite autoregressive representation. Some Bayesian computational algorithms are presented in this work since they play an important role in Bayesian inferences. Some of these algorithms, such as Gibbs sampler and Metropolis-Hastings algorithm, were used in building the estimators for the parameters of ARMA and ARFIMA models.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, 2014. / Submitted by Ana Cristina Barbosa da Silva (annabds@hotmail.com) on 2015-03-06T18:46:20Z No. of bitstreams: 1 2014_ThiagoVedoVatto.pdf: 781241 bytes, checksum: 0a011c9bda5b5cb1aaf474885f8da458 (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2015-03-16T16:42:02Z (GMT) No. of bitstreams: 1 2014_ThiagoVedoVatto.pdf: 781241 bytes, checksum: 0a011c9bda5b5cb1aaf474885f8da458 (MD5) / Made available in DSpace on 2015-03-16T16:42:02Z (GMT). No. of bitstreams: 1 2014_ThiagoVedoVatto.pdf: 781241 bytes, checksum: 0a011c9bda5b5cb1aaf474885f8da458 (MD5) / O Coeficiente de Hurst pode ser usado como medida de memória longa para uma série temporal. Nesse trabalho investiga-se o desempenho de alguns métodos de estimação do coeficiente de Hurst, com foco nos testes clássicos realizados sobre ruídos brancos gaussianos e em ruídos brancos que sigam distribuições com caudas longas (Cauchy e α- estável). Investiga-se o desempenho dos estimadores em séries temporais que apresentem quebras estruturais no decorrer do tempo. Uma última bateria de testes verifica o desempenho em séries temporais com diferentes configurações de construção de subséries no algoritmo de estimação. ___________________________________________________________________________________ ABSTRACT / The Hurst exponent can be used as a measure of long memory in time series. In this paper we investigate the performance of some methods of estimating the Hurst exponent , with a focus on classic tests of Gaussian white noise and white noise that follow distributions with long tails (Cauchy and α-stable). We investigate the performance of the estimation for time series showing structural breaks over time. A final set of tests verifies the performance in time series with different settings for the construction of subseries in the estimation algorithm .

A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA. / The Bayesian approach in statistical inference has been widely used as an alternative to traditional methods. In this work, we present a Bayesian approach for estimating the parameters of the autoregressive moving average processes of orderp and q, denoted by ARMA(p, g) and of the autoregressive fractionally integrated moving average process, denoted by ARFIMA(p, d, g). For the later model, the Bayesian approach is performed assuming p = g = 0. Whereas AR(p), which is a particular case of the ARMA(p, g) model when g = O, an estimator is proposed via the Bayesian approach. The efficiency of the estimator is verified by Monte Cario simulations and the results are compared with the classical maximum likelihood estimator. In the case of ARFIMA(0, d, 0) process, a theoretical study is performed by the Bayesian approach. For estimating the parameters of that process we consider its infiriite autoregressive representation. Some Bayesian computational algorithms are presented in this work since they play an important role in Bayesian inferences. Some of these algorithms, such as Gibbs sampler and Metropolis-Hastings algorithm, were used in building the estimators for the parameters of ARMA and ARFIMA models.

Tese de mestr.. Métodos Computacionais em Ciências e Engenharia. Faculdade de Engenharia. Universidade do Porto. 2000

El desarrollo de observadores para la estimación de variables y/o parámetros en un proceso biotecnológico es el tema central del presente trabajo. Se aborda así el desarrollo de un observador de estados que considera en su diseño las incertidumbres presentes en el modelado del sistema, definidas éstas dentro de un politopo cuyos vértices son los límites de operación del sistema. Este desarrollo se presenta en dos vertientes. Una es la aplicación del concepto a un observador Luenberger clásico. Este desarrollo tiene como principal característica que la matriz de ganancia es determinada empleando el procedimiento de desigualdades matriciales lineales (LMI). La otra aplicación es hacia un observador híbrido, el cuál se compone de un observador Luenberger, desarrollado bajo el esquema mencionado anteriormente, y un observador Asintótico, en el cuál mediante un parámetro que depende del modelo, hace que el observador transite entre uno u otro tipo de observador. Además se desarrolla una extensión del observador híbrido para aplicarse a un esquema multifrecuencial, el cuál se define mediante las medidas disponibles en línea y las medidas realizadas fuera de línea y con retardo. Estas propuestas se comparan con un observador asintótico clásico y un filtro Kalman extendido, mostrándose los resultados de la misma bajo condiciones de simulación. / Chiu Nazaralá, R. (2009). Análisis y desarrollo de observador empleando LMI aplicado a bioprocesos [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/6883 / Palancia

Robôs móveis dependem de dados provenientes de sensores para ter uma representação do seu ambiente. Porém, os sensores geralmente fornecem informações incompletas, inconsistentes ou imprecisas. Técnicas de fusão de sensores têm sido empregadas com sucesso para aumentar a precisão de medidas obtidas com sensores. Este trabalho propõe e investiga o uso de técnicas de inteligência artificial para fusão de sensores com o objetivo de melhorar a precisão e acurácia de medidas de distância entre um robô e um objeto no seu ambiente de trabalho, obtidas com diferentes sensores. Vários algoritmos de aprendizado de máquina são investigados para fundir os dados dos sensores. O melhor modelo gerado com cada algoritmo é chamado de estimador. Neste trabalho, é mostrado que a utilização de estimadores pode melhorar significativamente a performance alcançada por cada sensor isoladamente. Mas os vários algoritmos de aprendizado de máquina empregados têm diferentes características, fazendo com que os estimadores tenham diferentes comportamentos em diferentes situações. Objetivando atingir um comportamento mais preciso e confiável, os estimadores são combinados em comitês. Os resultados obtidos sugerem que essa combinação pode melhorar a confiança e precisão das medidas de distâncias dos sensores individuais e estimadores usados para fusão de sensores. / Mobile robots rely on sensor data to have a representation of their environment. However, the sensors usually provide incomplete, inconsistent or inaccurate information. Sensor fusion has been successfully employed to enhance the accuracy of sensor measures. This work proposes and investigates the use of artificial intelligence techniques for sensor fusion. Its main goal is to improve the accuracy and reliability of a distance between a robot and an object in its work environment using measures obtained from different sensors. Several machine learning algorithms are investigated to fuse the sensors data. The best model generated with each algorithm are called estimator. It is shown that the employment of the estimators based on artificial intelligence can improve significantly the performance achieved by each sensor alone. The machine learning algorithms employed have different characteristics, causing the estimators to have different behaviour in different situations. Aiming to achieve more accurate and reliable behavior, the estimators are combined in committees. The results obtained suggest that this combination can improve the reliability and accuracy of the distance measures by the individual sensors and estimators used for sensor fusion.

Submitted by Guilherme Aparecido Santos Aguilar null (guiaguilar@hotmail.com) on 2017-03-24T20:21:32Z No. of bitstreams: 1 dissertacao.pdf: 1514798 bytes, checksum: 2336853543dbc4bd478bff182d7bc837 (MD5) / Approved for entry into archive by Luiz Galeffi (luizgaleffi@gmail.com) on 2017-03-27T17:03:00Z (GMT) No. of bitstreams: 1 aguilar_gas_me_prud.pdf: 1514798 bytes, checksum: 2336853543dbc4bd478bff182d7bc837 (MD5) / Made available in DSpace on 2017-03-27T17:03:00Z (GMT). No. of bitstreams: 1 aguilar_gas_me_prud.pdf: 1514798 bytes, checksum: 2336853543dbc4bd478bff182d7bc837 (MD5) Previous issue date: 2017-03-06 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Devido aos inúmeros campos para aplicações na Análise de Sobrevivência, diferentes funções de risco são necessárias para modelar os mais diversos casos em estudo. Portanto, ao criar novas distribuições pode-se obter diferentes funções de risco com suas diferentes curvas, que podem ser utilizadas para diversos tipos de dados. Serão apresentadas três novas distribuições de probabilidade, criadas a partir de três diferentes métodos, sendo a Gama Exponenciada Estendida de Marshall Olkin, Gama Exponenciada Poisson Truncada no Zero e também a Gama Exponenciada Bivariada. Para as distribuições de probabilidade univariadas foram obtidos resultados probabilísticos, tais como o n-ésimo momento; r-ésimo momento de vida média residual; r-ésimo momento de vida média residual invertido; ordenação estocástica; entropias; desvios médios; curvas de Bonferroni e de Lorenz; assimetria, curtose e seus gráficos; estatísticas de ordem e parâmetro stress − strength. Em relação a distribuição Gama Exponenciada Bivariada foi encontrada sua função acumulada; função densidade; função marginal; função condicional e seu n-ésimo momento. Para as novas distribuições univariadas encontradas, também foram feitas simulações para diferentes valores de parâmetros com o intuito de verificar qual o melhor método de estimação, para cada parâmetro de cada distribuição. Os métodos utilizados foram: estimador de máxima verossimilhança, Mínimos Quadrados, Mínimos Quadrados Ponderados, Cramér-von-Mises, Anderson Darling, Anderson Darling -RT (cauda à direita), Anderson Darling - LT (cauda à esquerda), Anderson Darling - 2LT (cauda à esquerda de segunda ordem), Kolmogorov e também foi utilizado o método Bayesiano com priori Gama. Por último foram também realizadas aplicações em um banco de dados, uma para cada distribuição univariada, onde foi comparado o ajuste das novas distribuições propostas com outras já conhecidas na literatura. / Due to the many fields for applications in Survival Analysis, different hazard functions are needed to modelling the various case studies. Therefore, creating new distributions can obtains different hazard functions with different graphics, which can be used for various types of data. There will be presented three new probability distributions, created from three different methods, the Marshall Olkin Extendet Exponentiated Gamma, Poisson Zero Truncated Exponentiated Gamma and the Bivariate Exponentiated Gamma. For such univariate probability distributions it will be obtained some probabilistics results, like n-th time, rth moment of residual life, r-th moment of residual life inverted, stochastic ordering, entropies, mean deviation, Bonferroni and Lorenz curve, skewness, kurtosis, order statistics and stress-strength parameter. Regarding the Bivariate Gamma Exponentiated was found your acumulated and density function; marginal function; conditional function and it’s n-th moment. For the new univariate distributions found, were also made simulations for different parameter values in order to find the best estimation method for each parameter. The methods used were: maximum likelihood, ordinary least-squares, weighted least-squares, Cramér-von-Mises, Anderson Darling, Anderson Darling - RT (right-tail), Anderson Darling - LT (left-tail), Anderson Darling - 2LT (left-tail second order), Kolmogorov and bayesian estimator with the prior Gamma. Some techniques to compare the estimators were used. Finally, applications were also performed, one for each univariate distribution, where the adjustment of some proposed distributions in relation to the database was tested.