Submitted by Etelvina Domingos (etelvina.domingos@ufpe.br) on 2015-03-12T19:21:17Z No. of bitstreams: 2 DISSERTAÇÃO Cristiany de Moura Barros.pdf: 2719487 bytes, checksum: e9cac5b971a42a4ca3a64646f5f61563 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-12T19:21:17Z (GMT). No. of bitstreams: 2 DISSERTAÇÃO Cristiany de Moura Barros.pdf: 2719487 bytes, checksum: e9cac5b971a42a4ca3a64646f5f61563 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2014-02-26 / CAPES / A análise estatística na esfera unitária é mais complexa do que se possa imaginar: a concepção elegante dos modelos probabilísticos é simples, porém usá-los na prática, muitas vezes se torna mais difícil. Esta di culdade normalmente decorre da normaliza ção complicada das constantes associadas com distribuições direcionais. No entanto, devido à respectiva capacidade poderosa de modelagem, distribuições esféricas continuam encontrando inúmeras aplicações. A distribuição direcional fundamental é a distribuição Von-Mises-Fisher, cujo os modelos para dados concentrados em torno de uma média. Mas para os dados que tem uma estrutura adicional, essa distribuição pode não ser adequada: em particular para os dados axialmente simétricos é mais conveniente abordarmos a distribui ção de Watson (1965), que é o foco desta dissertação. Na distribuição de Watson, são utilizados métodos tais como: ponto de corte para dist ância proposto por Cook (1977), teste de outlier para discordância proposto por Fisher et al. (1985), quantil de uma qui-quadrado proposto por Cook (1977) e distância geod ésica. As contribuições dessa dissertação são: a derivação da distância de Cook, o uso da distância geodésica para detecção de outliers e um método de calculo do ponto de corte.

Submitted by Etelvina Domingos (etelvina.domingos@ufpe.br) on 2015-03-12T19:28:53Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Daniele de Brito Trindade.pdf: 1575283 bytes, checksum: 7c79e6ffbd150b8169bb357d1a252353 (MD5) / Made available in DSpace on 2015-03-12T19:28:53Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Daniele de Brito Trindade.pdf: 1575283 bytes, checksum: 7c79e6ffbd150b8169bb357d1a252353 (MD5) Previous issue date: 2014-02 / CAPES / A modelagem para dados de contagem é bastante utilizada em diversas áreas do conhecimento, como nas ciências biológicas, educação e saúde pública. O modelo comumente utilizado para analisar dados de contagem é o modelo Poisson. Contudo, quando os dados apresentam superdispersão o modelo Poisson não é mais indicado. Existem extensões do modelo Poisson que podem ser usados nesta situação, como o modelo Poisson in acionado de zeros (ZIP, em inglês). Porém, neste trabalho, é considerado o modelo Binomial Negativo, que é adequado para esta situação, além de ser um modelo simples e bastante conhecido. Uma suposição do modelo de regressão tradicional é a independência entre as observações. Contudo, quando as unidades amostrais são medidas repetidamente ao longo do tempo, os estudos longitudinais permite a veri cação das taxas de mudança que ocorrem ao longo do tempo e os fatores que podem motivar tal variação. Estes estudos são de particular interesse quando o objetivo é avaliar variações globais ou individuais da resposta ao longo do tempo. Este tipo de estudo considera a correlação entre as respostas dentro das unidades amostrais e a ordenação cronológica das respostas. Duas abordagens de regressão comumente utilizadas para analisar dados longitudinais são os modelos condicionais e os marginais. O modelo condicional assume a existência de efeitos aleatórios que descrevem o comportamento de um indivíduo especí co, sendo este modelo também chamado de multinível. No modelo marginal a variável resposta é modelada independentemente da correlação existente entre as medidas de cada unidade amostral (denotada por correlação intra-indivíduo), modelando a expectativa marginal como uma função das variáveis explicativas. Neste trabalho as duas abordagens foram aplicadas à análise de dados de contagem longitudinais. Estudos de simulação foram realizados para avaliar a performance dos estimadores provenientes destas metodologias. Aplicações com bases de dados reais são apresentadas.