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.

Neste trabalho dois novos modelos estatísticos de regressão são propostos, com estrutura muito semelhante aos Modelos Lineares Generalizados (MLG) porém, admitindo as distribuições Weibull exponenciada (WE) e beta Weibull (BW) para o componente aleatório as quais não pertencem a família exponencial como é requerido em MLG. Os novos modelos trazem uma nova abordagem para as distribuições admitidas em modelos de regressão e estende o MLG para além da família exponencial. Os modelos, nomeados por Modelo Linear Weibull Exponeciada Generalizado (MLWEG) e Modelo Linear Beta Weibull Generalizado (MLBWG), possuem como caso particular o modelo Exponencial, pertencente a família de MLG, além de outros modelos que os MLGs não contemplam como, por exemplo: Weibull, WE, Exponencial Exponenciado (EE) entre outros. Além da função taxa de falha (ftf) constante da distribuição Exponencial, os novos modelos ajustam também formas monótonas e não monótonas da ftf. Quando se admite função de ligação logarítmica obtém-se o mesmo modelo de locação e escala, muito utilizado em análise de sobrevivência, sem a necessidade de transformação da variável resposta simplificando a modelagem e permitindo maior compreensão da influência das covariáveis na resposta. Método de estudo de observações influentes foi construído baseado na metodologia de influência local sobre três esquemas de perturbações: perturbação da verossimilhança, da variável resposta e das covariáveis e a análise de resíduo foi proposta a partir da função quantílica. Por fim, dois conjuntos de dados reais foram utilizados para ilustrar a aplicabilidade dos modelos propostos e seus resultados discutidos. / In this work two new statistical regression models are proposed, with very similar structure to Generalized Linear Models (GLM) but, assuming the exponentiated Weibull (EW) and beta Weibull (BW) distributions for the random component which do not belong to the exponential family as required in GLM. The new models bring a new approach to the distribution accepted in regression models and extend the GLM beyond of the exponential family. The models, named by Generalized Exponentiated Weibull Linear Model (GEWLM) and Generalized Beta Weibull Linear Model (GBWLM) have as a particular case the Exponential model, belonging to the family of GLM, and other models that GLMs do not include, for example : Weibull, EW, Exponentiated Exponential (EE) among others. Besides the failure rate function (frf) constant of Exponential distribution, the new models also model monotonous and not monotonous forms of frf. When it accepts logarithmic link function obtains the same location and scale model, widely used in the analysis of survival without the need to transform the response variable simplifying the modeling and allowing greater understanding of the inuence of covariates on the response. Study of inuential observations method was built based on the methodology of the local inuence on three perturbations schemes: perturbation of the likelihood of the response variable and the covariates and residual analysis was proposed from the quantile function. Finally, two sets of real data are used to illustrate the applicability of the models proposed and results discussed.

Neste trabalho dois novos modelos estatísticos de regressão são propostos, com estrutura muito semelhante aos Modelos Lineares Generalizados (MLG) porém, admitindo as distribuições Weibull exponenciada (WE) e beta Weibull (BW) para o componente aleatório as quais não pertencem a família exponencial como é requerido em MLG. Os novos modelos trazem uma nova abordagem para as distribuições admitidas em modelos de regressão e estende o MLG para além da família exponencial. Os modelos, nomeados por Modelo Linear Weibull Exponeciada Generalizado (MLWEG) e Modelo Linear Beta Weibull Generalizado (MLBWG), possuem como caso particular o modelo Exponencial, pertencente a família de MLG, além de outros modelos que os MLGs não contemplam como, por exemplo: Weibull, WE, Exponencial Exponenciado (EE) entre outros. Além da função taxa de falha (ftf) constante da distribuição Exponencial, os novos modelos ajustam também formas monótonas e não monótonas da ftf. Quando se admite função de ligação logarítmica obtém-se o mesmo modelo de locação e escala, muito utilizado em análise de sobrevivência, sem a necessidade de transformação da variável resposta simplificando a modelagem e permitindo maior compreensão da influência das covariáveis na resposta. Método de estudo de observações influentes foi construído baseado na metodologia de influência local sobre três esquemas de perturbações: perturbação da verossimilhança, da variável resposta e das covariáveis e a análise de resíduo foi proposta a partir da função quantílica. Por fim, dois conjuntos de dados reais foram utilizados para ilustrar a aplicabilidade dos modelos propostos e seus resultados discutidos. / In this work two new statistical regression models are proposed, with very similar structure to Generalized Linear Models (GLM) but, assuming the exponentiated Weibull (EW) and beta Weibull (BW) distributions for the random component which do not belong to the exponential family as required in GLM. The new models bring a new approach to the distribution accepted in regression models and extend the GLM beyond of the exponential family. The models, named by Generalized Exponentiated Weibull Linear Model (GEWLM) and Generalized Beta Weibull Linear Model (GBWLM) have as a particular case the Exponential model, belonging to the family of GLM, and other models that GLMs do not include, for example : Weibull, EW, Exponentiated Exponential (EE) among others. Besides the failure rate function (frf) constant of Exponential distribution, the new models also model monotonous and not monotonous forms of frf. When it accepts logarithmic link function obtains the same location and scale model, widely used in the analysis of survival without the need to transform the response variable simplifying the modeling and allowing greater understanding of the inuence of covariates on the response. Study of inuential observations method was built based on the methodology of the local inuence on three perturbations schemes: perturbation of the likelihood of the response variable and the covariates and residual analysis was proposed from the quantile function. Finally, two sets of real data are used to illustrate the applicability of the models proposed and results discussed.