Submitted by Maike Costa (maiksebas@gmail.com) on 2016-03-22T12:33:47Z No. of bitstreams: 1 arquivo total.pdf: 3339998 bytes, checksum: b0a1c2eb3f8144c302ab4fbd19644bde (MD5) / Made available in DSpace on 2016-03-22T12:33:47Z (GMT). No. of bitstreams: 1 arquivo total.pdf: 3339998 bytes, checksum: b0a1c2eb3f8144c302ab4fbd19644bde (MD5) Previous issue date: 2015-04-28 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / trigonometry application brings as: historical context : rescuing some of the contributions of older people and some names of people with their discovery contributed to theoretical development of trigometria . Theoretical Foundation : seeking explicit trigonometric ratios used in mid-level public schools, as well as strengthen the importance of mathematics for higher level subjects. The Applications: to meet the challenge made ​​by society in relation to the application of basic trigonometry. / Aplicação da trigonometria traz como: contexto histórico: resgatando um pouco das contribuições de povos antigos e alguns nomes de pessoas que com sua descoberta contribuíram para desenvolvimento teórico da trigometria. Fundamentação Teórica: visando explicitar relações trigonométricas utilizadas em escolas públicas de nível médio, bem como, fortalecer a importância da matemática para assuntos de nível superior. As Aplicações: visando atender ao questionamento feito pela sociedade em relação às aplicações da trigonometria básica.

O método das matrizes operacionais é expandido para o corpo complexo a ordens arbitrárias pela abordagem de Riemann-Liouville e Caputo com ênfase nas séries de Fourier complexas. Elabora-se uma adaptação do formalismo bra-ket de Dirac à linguagem tensorial no espaço de Hilbert de funções com expansões finitas para uso específico na teoria de equações diferenciais e matrizes operacionais, denominado \\Formalismo Coadjunto\". Estende-se o tratamento aos operadores fracionais de Weyl para períodos genéricos a fim de determinar as matrizes operacionais de derivação e integração de ordem arbitrária na base complexa de Fourier. Introduz-se um novo método de resolução de equações diferenciais ordinárias lineares e fracionais não-homogêneas, denominado \\Modelagem Operacional\", que permite a obtenção de soluções de equações de alta ordem com grande precisão sem a necessidade de imposição de condições iniciais ou de contorno. O método apresentado é aperfeiçoado por meio de um novo tipo de expansão, que denominamos \"Séries Associadas de Fourier\", a qual apresenta convergência mais rápida que a série de Fourier original numa restrição de domínio, possibilitando soluções de EDOs e EDFs de alta ordem com maior precis~ao e ampliando a esfera de casos passíveis de resolução. / Operational matrices method is expanded to complex field and arbitrary orders by using the Riemann-Liouville and Caputo approach with emphasis on complex Fourier series. Dirac\'s bra-ket notation is associated to tensor procedures in Hilbert spaces for finite function expansions to be applied specifically to dfferential equations and operational matrices, being called \\Coadjoint Formalism\". This treatment is extended to Weyl fractional operators for generic periods in order to establish the integral and derivative operational matrices of fractional order to complex Fourier basis. A new method to solve linear non-homogeneous ODEs and FDEs, called \\Operational Modelling\"is introduced. It yields high precision solutions on high order dfferential equations without assumption of boundary or initial conditions. The presented method is improved by a new kind of function expansion, called \\Fourier Associated Series\", which yields a faster convergence than original Fourier in a restrict domain, enabling to obtain solutions of high order ODEs and FDEs with excellent precision and broadening the set of solvable equations.

La convergence d 'une série de Fourier est toujours un thème d'actualité. Notre sujet d 'étude porte sur la convergence presque partout de la série de Fourier d 'une fonction· de carré sommable, démontrée par L. Carleson en 1966 en utilisant une décomposition de cette fonction. C. Feffermann, en 1973, utilise la décomposition de l'opérateur de Carleson. Puis, dans la deuxième moitié des années 1990, C. Thiele et M. T . Lacey reprennent cette décomposit ion en s 'appuyant sur la st ructure du plan t emps-fréquence. C'est dans cette optique qu'on va discuter de ce sujet , en tirant profit de la géométrie du plan temps-fréquence et de l'analyse des paquets d 'ondes.

Given two samples from two populations, one could ask how similar the populations are, that is, how close their probability distributions are. For absolutely continuous distributions, one way to measure the proximity of such populations is to use a measure of distance (metric) between the probability density functions (which are unknown given that only samples are observed). In this work, we work with the integrated squared distance as metric. To measure the uncertainty of the squared integrated distance, we first model the uncertainty of each of the probability density functions using a nonparametric Bayesian method. The method consists of estimating the probability density function f (or its logarithm) using Fourier series {f0;f1; :::;fI}. Assigning a prior distribution to f is then equivalent to assigning a prior distribution to the coefficients of this series. We used the prior suggested by Scricciolo (2006) (sieve prior), which not only places a prior on such coefficients, but also on I itself, so that in reality we work with a Bayesian mixture of finite dimensional models. To obtain posterior samples of such mixture, we marginalize out the discrete model index parameter I and use a statistical software called Stan. We conclude that the Bayesian Fourier series method has good performance when compared to kernel density estimation, although both methods often have problems in the estimation of the probability density function near the boundaries. Lastly, we showed how the methodology of Fourier series can be used to access the uncertainty regarding the similarity of two samples. In particular, we applied this method to dataset of patients with Alzheimer. / Dadas duas amostras de duas populações, pode-se questionar o quão parecidas as duas populações são, ou seja, o quão próximas estão suas distribuições de probabilidade. Para distribuições absolutamente contínuas, uma maneira de mensurar a proximidade dessas populações é utilizando uma medida de distância (métrica) entre as funções densidade de probabilidade (as quais são desconhecidas, em virtude de observarmos apenas as amostras). Nesta dissertação, utilizamos a distância quadrática integrada como métrica. Para mensurar a incerteza da distância quadrática integrada, primeiramente modelamos a incerteza sobre cada uma das funções densidade de probabilidade através de uma método bayesiano não paramétrico. O método consiste em estimar a função de densidade de probabilidade f (ou seu logaritmo) usando séries de Fourier {f0;f1; :::;fI}. Atribuir uma distribuição a priori para f é então equivalente a atribuir uma distribuição a priori aos coeficientes dessa serie. Utilizamos a priori sugerida em Scricciolo (2006) (priori de sieve), a qual não coloca uma priori somente nesses coeficientes, mas também no próprio I, de modo que, na realidade, trabalhamos com uma mistura bayesiana de modelos de dimensão finita. Para obter amostras a posteriori dessas misturas, marginalizamos o parâmetro (discreto) de indexação de modelos, I, e usamos um software estatístico chamado Stan. Concluímos que o método bayesiano de séries de Fourier tem boa performance quando comparado ao de estimativa de densidade kernel, apesar de ambos os métodos frequentemente apresentarem problemas na estimação da função de densidade de probabilidade perto das fronteiras. Por fim, mostramos como a metodologia de series de Fourier pode ser utilizada para mensurar a incerteza a cerca da similaridade de duas amostras. Em particular, aplicamos este método a um conjunto de dados de pacientes com doença de Alzheimer.

En utilisant des méthodes fonctionnelles et numériques, on localise le spectre d'un opérateur différentiel et on construit des solutions approchées pour des classes d'équations de Fredholm de seconde espèce, dont deux sont à noyau faiblement singulier. Dans le premier chapitre, on étudie le conditionnement pseudospectral pour un opérateur de convection-diffusion non autoadjoint défini sur un ouvert non borné. A partir du résultat de conditionnement pseudospectral, on localise le spectre de l'opérateur. Dans le deuxième chapitre, on régularise le noyau d'un opérateur intégral en utilisant un produit de convolution, puis on approche le noyau ainsi obtenu par son développement en série de Fourier tronqué. On obtient un opérateur intégral de rang fini, ce qui nous permet de construire une solution approchée

Given two samples from two populations, one could ask how similar the populations are, that is, how close their probability distributions are. For absolutely continuous distributions, one way to measure the proximity of such populations is to use a measure of distance (metric) between the probability density functions (which are unknown given that only samples are observed). In this work, we work with the integrated squared distance as metric. To measure the uncertainty of the squared integrated distance, we first model the uncertainty of each of the probability density functions using a nonparametric Bayesian method. The method consists of estimating the probability density function f (or its logarithm) using Fourier series {f0;f1; :::;fI}. Assigning a prior distribution to f is then equivalent to assigning a prior distribution to the coefficients of this series. We used the prior suggested by Scricciolo (2006) (sieve prior), which not only places a prior on such coefficients, but also on I itself, so that in reality we work with a Bayesian mixture of finite dimensional models. To obtain posterior samples of such mixture, we marginalize out the discrete model index parameter I and use a statistical software called Stan. We conclude that the Bayesian Fourier series method has good performance when compared to kernel density estimation, although both methods often have problems in the estimation of the probability density function near the boundaries. Lastly, we showed how the methodology of Fourier series can be used to access the uncertainty regarding the similarity of two samples. In particular, we applied this method to dataset of patients with Alzheimer. / Dadas duas amostras de duas populações, pode-se questionar o quão parecidas as duas populações são, ou seja, o quão próximas estão suas distribuições de probabilidade. Para distribuições absolutamente contínuas, uma maneira de mensurar a proximidade dessas populações é utilizando uma medida de distância (métrica) entre as funções densidade de probabilidade (as quais são desconhecidas, em virtude de observarmos apenas as amostras). Nesta dissertação, utilizamos a distância quadrática integrada como métrica. Para mensurar a incerteza da distância quadrática integrada, primeiramente modelamos a incerteza sobre cada uma das funções densidade de probabilidade através de uma método bayesiano não paramétrico. O método consiste em estimar a função de densidade de probabilidade f (ou seu logaritmo) usando séries de Fourier {f0;f1; :::;fI}. Atribuir uma distribuição a priori para f é então equivalente a atribuir uma distribuição a priori aos coeficientes dessa serie. Utilizamos a priori sugerida em Scricciolo (2006) (priori de sieve), a qual não coloca uma priori somente nesses coeficientes, mas também no próprio I, de modo que, na realidade, trabalhamos com uma mistura bayesiana de modelos de dimensão finita. Para obter amostras a posteriori dessas misturas, marginalizamos o parâmetro (discreto) de indexação de modelos, I, e usamos um software estatístico chamado Stan. Concluímos que o método bayesiano de séries de Fourier tem boa performance quando comparado ao de estimativa de densidade kernel, apesar de ambos os métodos frequentemente apresentarem problemas na estimação da função de densidade de probabilidade perto das fronteiras. Por fim, mostramos como a metodologia de series de Fourier pode ser utilizada para mensurar a incerteza a cerca da similaridade de duas amostras. Em particular, aplicamos este método a um conjunto de dados de pacientes com doença de Alzheimer.

O modelo semiparamétrico de Cox é frequentemente utilizado na modelagem de dados de sobrevivência, pois é um modelo muito flexível e permite avaliar o efeito das covariáveis sobre a taxa de falha. Uma das principais vantagens é a fácil interpretação, de modo que a razão de riscos de dois indivíduos não varia ao longo do tempo. No entanto, em algumas situações a proporcionalidade dos riscos para uma dada covariável pode não ser válida e, este caso, uma abordagem que não dependa de tal suposição é necessária. Nesta tese, propomos um modelo tipo Cox em que o efeito da covariável e a função de risco basal são representadas via bases de Fourier e ondaletas de Haar clássicas e deformadas. Propomos também um procedimento de predição da função de sobrevivência para um paciente específico. Estudos de simulações e aplicações a dados reais sugerem que nosso método pode ser uma ferramenta valiosa em situações práticas em que o efeito da covariável é dependente do tempo. Por meio destes estudos, fazemos comparações entre as duas abordagens propostas, e comparações com outra já conhecida na literatura, onde verificamos resultados satisfatórios. / The semiparametric Cox model is often considered when modeling survival data. It is very flexible, allowing for the evaluation of covariates effects. One of its main advantages is the easy of interpretation, as long as the rate of the hazards for two individuals does not vary over time. However, this proportionality of the hazards may not be true in some practical situations and, in this case, an approach not relying on such assumption is needed. In this thesis we propose a Cox-type model that allows for time-varying covariate effects, for which the baseline hazard is based on Fourier series and wavelets on a time-frequency representation. We derive a prediction method for the survival of future patients with any specific set of covariates. Simulations and an application to a real data set suggest that our method may be a valuable tool to model data in practical situations where covariate effects vary over time. Through these studies, we make comparisons between the two approaches proposed here and comparisons with other already known in the literature, where we verify satisfactory results.

O modelo semiparamétrico de Cox é frequentemente utilizado na modelagem de dados de sobrevivência, pois é um modelo muito flexível e permite avaliar o efeito das covariáveis sobre a taxa de falha. Uma das principais vantagens é a fácil interpretação, de modo que a razão de riscos de dois indivíduos não varia ao longo do tempo. No entanto, em algumas situações a proporcionalidade dos riscos para uma dada covariável pode não ser válida e, este caso, uma abordagem que não dependa de tal suposição é necessária. Nesta tese, propomos um modelo tipo Cox em que o efeito da covariável e a função de risco basal são representadas via bases de Fourier e ondaletas de Haar clássicas e deformadas. Propomos também um procedimento de predição da função de sobrevivência para um paciente específico. Estudos de simulações e aplicações a dados reais sugerem que nosso método pode ser uma ferramenta valiosa em situações práticas em que o efeito da covariável é dependente do tempo. Por meio destes estudos, fazemos comparações entre as duas abordagens propostas, e comparações com outra já conhecida na literatura, onde verificamos resultados satisfatórios. / The semiparametric Cox model is often considered when modeling survival data. It is very flexible, allowing for the evaluation of covariates effects. One of its main advantages is the easy of interpretation, as long as the rate of the hazards for two individuals does not vary over time. However, this proportionality of the hazards may not be true in some practical situations and, in this case, an approach not relying on such assumption is needed. In this thesis we propose a Cox-type model that allows for time-varying covariate effects, for which the baseline hazard is based on Fourier series and wavelets on a time-frequency representation. We derive a prediction method for the survival of future patients with any specific set of covariates. Simulations and an application to a real data set suggest that our method may be a valuable tool to model data in practical situations where covariate effects vary over time. Through these studies, we make comparisons between the two approaches proposed here and comparisons with other already known in the literature, where we verify satisfactory results.

Cette thèse présente quelques résultats de la théorie des probabilités quantiques et de l'analyse harmonique à valeurs operateurs. La thèse est composée des trois parties.Dans la première partie, on démontre la décomposition atomique des espaces de Hardy de martingales non commutatives. On identifie aussi les interpolés complexes et réels entre les versions conditionnelles des espaces de Hardy et BMO de martingales non commutatives.La seconde partie est consacrée à l'étude des espaces de Hardy à valeurs opérateursvia la méthode d'ondellettes. Cette approche est similaire à celle du cas des martingales non commutatives. On démontre que ces espaces de Hardy sont équivalents à ceux étudiés par Tao Mei. Par conséquent, on donne une base explicite complètement inconditionnelle pour l'espace de Hardy H1(R), muni d'une structure d'espace d'opérateurs naturelle. La troisième partie porte sur l'analyse harmonique sur le tore quantique. On établit les inégalités maximales pour diverses moyennes de sommation des séries de Fourier définies sur le tore quantique et obtient les théorèmes de convergence ponctuelle correspondant. En particulier, on obtient un analogue non commutative du théorème classique de Stein sur les moyennes de Bochner-Riesz. Ensuite, on démontre que les multiplicateurs de Fourier complètement bornés sur le tore quantique coïncident à ceux définis sur le tore classique. Finalement, on présente la théorie des espaces de Hardy et montre que ces espaces possèdent les propriétés des espaces de Hardy usuels. En particulier, on établit la dualité entre H1 et BMO.

Submitted by Aelson Maciera (aelsoncm@terra.com.br) on 2017-06-28T18:26:17Z No. of bitstreams: 1 DissMHAI.pdf: 1513128 bytes, checksum: 1bb98ae57371ab00d2c86311b02054cb (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-08-07T17:53:27Z (GMT) No. of bitstreams: 1 DissMHAI.pdf: 1513128 bytes, checksum: 1bb98ae57371ab00d2c86311b02054cb (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-08-07T17:53:36Z (GMT) No. of bitstreams: 1 DissMHAI.pdf: 1513128 bytes, checksum: 1bb98ae57371ab00d2c86311b02054cb (MD5) / Made available in DSpace on 2017-08-07T17:57:44Z (GMT). No. of bitstreams: 1 DissMHAI.pdf: 1513128 bytes, checksum: 1bb98ae57371ab00d2c86311b02054cb (MD5) Previous issue date: 2017-04-12 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Given two samples from two populations, one could ask how similar the populations are, that is, how close their probability distributions are. For absolutely continuous distributions, one way to measure the proximity of such populations is to use a measure of distance (metric) between the probability density functions (which are unknown given that only samples are observed). In this work, we work with the integrated squared distance as metric. To measure the uncertainty of the squared integrated distance, we first model the uncertainty of each of the probability density functions using a nonparametric Bayesian method. The method consists of estimating the probability density function f (or its logarithm) using Fourier series {f0;f1; :::;fI}. Assigning a prior distribution to f is then equivalent to assigning a prior distribution to the coefficients of this series. We used the prior suggested by Scricciolo (2006) (sieve prior), which not only places a prior on such coefficients, but also on I itself, so that in reality we work with a Bayesian mixture of finite dimensional models. To obtain posterior samples of such mixture, we marginalize out the discrete model index parameter I and use a statistical software called Stan. We conclude that the Bayesian Fourier series method has good performance when compared to kernel density estimation, although both methods often have problems in the estimation of the probability density function near the boundaries. Lastly, we showed how the methodology of Fourier series can be used to access the uncertainty regarding the similarity of two samples. In particular, we applied this method to dataset of patients with Alzheimer. / Dadas duas amostras de duas populações, pode-se questionar o quão parecidas as duas populações são, ou seja, o quão próximas estão suas distribuições de probabilidade. Para distribuições absolutamente contínuas, uma maneira de mensurar a proximidade dessas populações é utilizando uma medida de distância (métrica) entre as funções densidade de probabilidade (as quais são desconhecidas, em virtude de observarmos apenas as amostras). Nesta dissertação, utilizamos a distância quadrática integrada como métrica. Para mensurar a incerteza da distância quadrática integrada, primeiramente modelamos a incerteza sobre cada uma das funções densidade de probabilidade através de uma método bayesiano não paramétrico. O método consiste em estimar a função de densidade de probabilidade f (ou seu logaritmo) usando séries de Fourier {f0;f1; :::;fI}. Atribuir uma distribuição a priori para f é então equivalente a atribuir uma distribuição a priori aos coeficientes dessa serie. Utilizamos a priori sugerida em Scricciolo (2006) (priori de sieve), a qual não coloca uma priori somente nesses coeficientes, mas também no próprio I, de modo que, na realidade, trabalhamos com uma mistura bayesiana de modelos de dimensão finita. Para obter amostras a posteriori dessas misturas, marginalizamos o parâmetro (discreto) de indexação de modelos, I, e usamos um software estatístico chamado Stan. Concluímos que o método bayesiano de séries de Fourier tem boa performance quando comparado ao de estimativa de densidade kernel, apesar de ambos os métodos frequentemente apresentarem problemas na estimação da função de densidade de probabilidade perto das fronteiras. Por fim, mostramos como a metodologia de series de Fourier pode ser utilizada para mensurar a incerteza a cerca da similaridade de duas amostras. Em particular, aplicamos este método a um conjunto de dados de pacientes com doença de Alzheimer.