Estudos recentes relacionados ao meio ambiente vêm ganhando grande destaque em todo o mundo devido ao fato dos níveis de poluição e a destruição das reservas naturais terem aumentado de maneira alarmante nos últimos anos. As grandes cidades são as que mais sofrem com a poluição e aqui serão estudados os níveis de poluição do ar em duas cidades em particular, a Cidade do México e São Paulo. A Cidade do México apresenta sérios problemas com os níveis de ozônio e São Paulo é a cidade brasileira com os maiores problemas relacionados à poluição. Entre os diferentes modelos considerados para analisar dados de poluição do ar, pode-se considerar o uso de modelos de séries temporais para modelar as médias diárias ou semanais de poluição. Nessa direção pode-se usar modelos de volatilidade estocástica. Essa família de modelos estatísticos tem sido extensivamente usada para analisar séries temporais financeiras, porém não se observa muitas aplicações em dados ambientais e de saúde. Modelos de volatilidade estocástica bivariados e multivariados, sob a aproximação Bayesiana, foram considerados para analisar os dados, especialmente usando métodos MCMC (Monte Carlo em Cadeias de Markov) para obter os sumários a posteriori de interesse, pois pode-se ter muitas dificuldades usando métodos clássicos de inferência estatística / Recent studies related to environmental has been considered in all world due to increasing levels of pollution and of natural resources destruction especially, in the last years. The largest cities in the world are the ones been mostly affected by pollution and in this work we consider the analysis of air pollution data of two important cities: Mexico City and São Paulo. The Mexico City presents serious problems of ozone levels and São Paulo is the Brazilian city with the largest problems related to air pollution. Among the different models which could be used to analyze air pollution data, we consider the use of time series modeling to the weekly or daily levels of pollution. In this way, we consider the use of volatility stochastic models. This family of models has been well explored with financial data but not well explored to analyze environmental and health data. Bivariate and multivariate stochastic models under the Bayesian approach were considered to analyze the data, especially using MCMC (Markov Chain Monte Carlo) methods to obtain the posterior summary of interest, since we usually have big difficulties using standard classical inference methods

Estudos recentes relacionados ao meio ambiente vêm ganhando grande destaque em todo o mundo devido ao fato dos níveis de poluição e a destruição das reservas naturais terem aumentado de maneira alarmante nos últimos anos. As grandes cidades são as que mais sofrem com a poluição e aqui serão estudados os níveis de poluição do ar em duas cidades em particular, a Cidade do México e São Paulo. A Cidade do México apresenta sérios problemas com os níveis de ozônio e São Paulo é a cidade brasileira com os maiores problemas relacionados à poluição. Entre os diferentes modelos considerados para analisar dados de poluição do ar, pode-se considerar o uso de modelos de séries temporais para modelar as médias diárias ou semanais de poluição. Nessa direção pode-se usar modelos de volatilidade estocástica. Essa família de modelos estatísticos tem sido extensivamente usada para analisar séries temporais financeiras, porém não se observa muitas aplicações em dados ambientais e de saúde. Modelos de volatilidade estocástica bivariados e multivariados, sob a aproximação Bayesiana, foram considerados para analisar os dados, especialmente usando métodos MCMC (Monte Carlo em Cadeias de Markov) para obter os sumários a posteriori de interesse, pois pode-se ter muitas dificuldades usando métodos clássicos de inferência estatística / Recent studies related to environmental has been considered in all world due to increasing levels of pollution and of natural resources destruction especially, in the last years. The largest cities in the world are the ones been mostly affected by pollution and in this work we consider the analysis of air pollution data of two important cities: Mexico City and São Paulo. The Mexico City presents serious problems of ozone levels and São Paulo is the Brazilian city with the largest problems related to air pollution. Among the different models which could be used to analyze air pollution data, we consider the use of time series modeling to the weekly or daily levels of pollution. In this way, we consider the use of volatility stochastic models. This family of models has been well explored with financial data but not well explored to analyze environmental and health data. Bivariate and multivariate stochastic models under the Bayesian approach were considered to analyze the data, especially using MCMC (Markov Chain Monte Carlo) methods to obtain the posterior summary of interest, since we usually have big difficulties using standard classical inference methods

As doenças respiratórias e a poluição do ar são temas de muitos trabalhos científicos, porém a relação entre doenças respiratórias e queimadas de cana-de-açúcar ainda é pouco estudada. A queima da palha da cana-de-açúcar é uma prática comum em grande parte do Estado de São Paulo, com especial destaque para os dados da região de Ribeirão Preto. Os focos de queimadas são detectados por satélites do CPTEC/INPE (Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais) e neste trabalho consideramos o tempo entre dias de extrapolação do número de internações diárias. Neste trabalho introduzimos diferentes modelos estatísticos para analisar dados de focos de queimadas e suas relações com as internações por doenças respiratórias. Propomos novos modelos para analisar estes dados, na presença ou não da covariável, que representa o número de queimadas. Sob o enfoque Bayesiano, usando os diferentes modelos propostos, encontramos os sumários a posteriori de interesse utilizando métodos de simulação de Monte Carlo em Cadeias de Markov. Também usamos técnicas Bayesianas para discriminar os diferentes modelos. Para os dados da região de Ribeirão Preto, encontramos modelos que levam à obtenção das inferências a posteriori com grande precisão e vericamos que a presença da covariável nos traz um grande ganho na qualidade dos dados ajustados. Os resultados a posteriori nos sugerem evidências de uma relação entre as queimadas e o tempo entre as extrapolações do número de internações, ou seja, de que quando observamos um maior número de queimadas anteriores à extrapolação, também observamos que o tempo entre as extrapolações é menor. / Relations between respiratory diseases and air pollution has been the goals of many scientic works, but the relation between respiratory diseases and sugar cane burning still is not well studied in the literature. Pre-harvest burning of sugarcane elds used primarily to get rid of the dried leaves is common in most of São Paulo state, Southeast Brazil, especially in the Ribeirão Preto region. The locals of pre-harvest sugar cane burning are detected by surveillance satellites of the CPTEC/INPE (Center of Climate Prediction of the Space Research National Institute). In this work, we consider as our data of interest, the time in days, between peaks numbers of hospitalizations due to respiratory diseases. Dierent statistical models are assumed to analyze the data of pre-harvest burning of sugar cane elds and their relations with hospitalizations due to respiratory diseases. These new models are considered to analyze data sets in presence or not of covariates, representing the numbers of pre-harvest burning of sugar cane elds. Under a Bayesian approach, we get the posterior summaries of interest using MCMC (Markov Chain Monte Carlo) methods. We also use dierent existing Bayesian discrimination methods to choose the best model. In our case, considering the data of Ribeirão Preto region, we observed that the models in presence of covariates give accurate inferences and good t for the data. We concluded that there is evidence of a relationship between respiratory diseases and sugar cane burning, that is, larger numbers of pre-harvest sugar cane burning, implies in larger numbers of hospitalizations due to respiratory diseases. In this case, we also observe small times (days) between extra numbers of hospitalizations.

As doenças respiratórias e a poluição do ar são temas de muitos trabalhos científicos, porém a relação entre doenças respiratórias e queimadas de cana-de-açúcar ainda é pouco estudada. A queima da palha da cana-de-açúcar é uma prática comum em grande parte do Estado de São Paulo, com especial destaque para os dados da região de Ribeirão Preto. Os focos de queimadas são detectados por satélites do CPTEC/INPE (Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais) e neste trabalho consideramos o tempo entre dias de extrapolação do número de internações diárias. Neste trabalho introduzimos diferentes modelos estatísticos para analisar dados de focos de queimadas e suas relações com as internações por doenças respiratórias. Propomos novos modelos para analisar estes dados, na presença ou não da covariável, que representa o número de queimadas. Sob o enfoque Bayesiano, usando os diferentes modelos propostos, encontramos os sumários a posteriori de interesse utilizando métodos de simulação de Monte Carlo em Cadeias de Markov. Também usamos técnicas Bayesianas para discriminar os diferentes modelos. Para os dados da região de Ribeirão Preto, encontramos modelos que levam à obtenção das inferências a posteriori com grande precisão e vericamos que a presença da covariável nos traz um grande ganho na qualidade dos dados ajustados. Os resultados a posteriori nos sugerem evidências de uma relação entre as queimadas e o tempo entre as extrapolações do número de internações, ou seja, de que quando observamos um maior número de queimadas anteriores à extrapolação, também observamos que o tempo entre as extrapolações é menor. / Relations between respiratory diseases and air pollution has been the goals of many scientic works, but the relation between respiratory diseases and sugar cane burning still is not well studied in the literature. Pre-harvest burning of sugarcane elds used primarily to get rid of the dried leaves is common in most of São Paulo state, Southeast Brazil, especially in the Ribeirão Preto region. The locals of pre-harvest sugar cane burning are detected by surveillance satellites of the CPTEC/INPE (Center of Climate Prediction of the Space Research National Institute). In this work, we consider as our data of interest, the time in days, between peaks numbers of hospitalizations due to respiratory diseases. Dierent statistical models are assumed to analyze the data of pre-harvest burning of sugar cane elds and their relations with hospitalizations due to respiratory diseases. These new models are considered to analyze data sets in presence or not of covariates, representing the numbers of pre-harvest burning of sugar cane elds. Under a Bayesian approach, we get the posterior summaries of interest using MCMC (Markov Chain Monte Carlo) methods. We also use dierent existing Bayesian discrimination methods to choose the best model. In our case, considering the data of Ribeirão Preto region, we observed that the models in presence of covariates give accurate inferences and good t for the data. We concluded that there is evidence of a relationship between respiratory diseases and sugar cane burning, that is, larger numbers of pre-harvest sugar cane burning, implies in larger numbers of hospitalizations due to respiratory diseases. In this case, we also observe small times (days) between extra numbers of hospitalizations.

Este trabalho tem como objetivo principal apresentar uma abordagem clássica e Bayesiana dos modelos lineares com observações censuradas, que é uma nova área de pesquisa com grandes possibilidades de aplicações. Aqui, substituimos o uso convencional da distribuição normal para os erros por uma família de distribuições mais flexíveis, o que nos permite lidar de forma mais adequada com observações censuradas na presença de outliers. Esta família é obtida através de um mecanismo de fácil construção e possui como casos especiais as distribuições t de Student, Pearson tipo VII, slash, normal contaminada e, obviamente, a normal. Para o caso de respostas correlacionadas e censuradas propomos um modelo de regressão linear robusto baseado na distribuição t de Student, desenvolvendo um algoritmo tipo EM que depende dos dois primeiros momentos da distribuição t de Student truncada. / This work aims to present a classical and Bayesian approach to linear models with censored observations, which is a new area of research with great potential for applications. Here, we replace the conventional use of the normal distribution for the errors of a more flexible family of distributions, which deal in more appropriately with censored observations in the presence of outliers. This family is obtained through a mechanism easy to construct and has as special cases the distributions Student t, Pearson type VII, slash, contaminated normal, and obviously normal. For the case of correlated and censored responses we propose a model of robust linear regression based on Student\'s t distribution and we developed an EM type algorithm based on the first two moments of the truncated Student\'s t distribution.

Este trabalho tem como objetivo principal apresentar uma abordagem clássica e Bayesiana dos modelos lineares com observações censuradas, que é uma nova área de pesquisa com grandes possibilidades de aplicações. Aqui, substituimos o uso convencional da distribuição normal para os erros por uma família de distribuições mais flexíveis, o que nos permite lidar de forma mais adequada com observações censuradas na presença de outliers. Esta família é obtida através de um mecanismo de fácil construção e possui como casos especiais as distribuições t de Student, Pearson tipo VII, slash, normal contaminada e, obviamente, a normal. Para o caso de respostas correlacionadas e censuradas propomos um modelo de regressão linear robusto baseado na distribuição t de Student, desenvolvendo um algoritmo tipo EM que depende dos dois primeiros momentos da distribuição t de Student truncada. / This work aims to present a classical and Bayesian approach to linear models with censored observations, which is a new area of research with great potential for applications. Here, we replace the conventional use of the normal distribution for the errors of a more flexible family of distributions, which deal in more appropriately with censored observations in the presence of outliers. This family is obtained through a mechanism easy to construct and has as special cases the distributions Student t, Pearson type VII, slash, contaminated normal, and obviously normal. For the case of correlated and censored responses we propose a model of robust linear regression based on Student\'s t distribution and we developed an EM type algorithm based on the first two moments of the truncated Student\'s t distribution.