Made available in DSpace on 2016-06-02T20:04:51Z (GMT). No. of bitstreams: 1 4292.pdf: 1258858 bytes, checksum: c7d8d771d500d5ab8d54fbaae144001b (MD5) Previous issue date: 2012-02-07 / Financiadora de Estudos e Projetos / In this work we present a Bayesian analysis for bivariate survival data in the presence of a covariate and censored observations. We propose a bivariate distribution for the bivariate survival times based on the Farlie-Gumbel-Morgenstern (FGM) copula to model data with weak dependence. Some survival models with and without cure rate have been assumed for the marginal distributions. For inferential purpose a Bayesian approach via Markov Chain Monte Carlo (MCMC) was considered. Further, some discussions on model selection criteria are given and comparisons with other copula models were performed. To detect influential observations in the data we consider a Bayesian case deletion influence diagnostics based on the -divergence. The OpenBUGS and R systems were used to simulate samples of the posterior distribution. Numerical illustrations are presented considering artificial and real data sets. / Neste trabalho apresentamos uma análise bayesiana para dados de sobrevivência bivariados na presença de covariáveis e observações censuradas. Propomos uma distribuição bivariada para os tempos de sobrevivência baseada na cópula de Farlie- Gumbel-Morgenstern (FGM) para modelar dados com fraca dependência. Alguns modelos de sobrevivência com e sem fração de cura foram assumidos para as distribuições marginais. Para fins inferenciais foi considerada uma abordagem bayesiana usando métodos Monte Carlo em Cadeias de Markov (MCMC). Além disso, algumas discussões sobre os critérios de seleção de modelos são apresentadas e comparações com outras cópulas foram realizadas. A fim de detectar observações influentes nos dados analisados foi utilizado o método bayesiano de análise de influência caso a caso baseado na divergência. Os sistemas OpenBUGS e R foram utilizados para simular amostras da distribuição a posteriori de interesse. Ilustrações numéricas são apresentadas considerando conjunto de dados artificiais e reais.

Nos últimos anos, diversos autores têm concentrado seus esforços na generalização de distribuições de probabilidades obtendo, dessa forma, maior flexibilidade e, consequentemente, ganho na análise de dados e na capacidade de incorporar um grande número de sub-modelos nas distribuições generalizadas. Neste trabalho, serão apresentadas duas novas distribuições de probabilidade: McGumbel e gama Burr XII; e uma nova família de distribuições de probabilidade: Marshall-Olkin binomial negativa. Algumas propriedades das novas distribuições são apresentadas e o método de máxima verossimilhança foi utilizado para estimar os parâmetros dos modelos propostos. / In recent years, several authors have concentrated their efforts on the generalization of probability distributions obtained in this way more flexibility and hence gain in data analysis and the ability to incorporate a large number of sub-models in the generalized distributions. In this work, two new probability distributions will be presented: MacDonald Gumbel and gamma Burr XII; and a new family of probability distributions: negative binomial Marshall-Olkin. Some properties of the new distributions are presented and the method of maximum likelihood was used to estimate the parameters of the proposed models.

A teoria dos valores extremos é um tópico da probabilidade que descreve a distribuição assintótica das estatísticas de ordem, tais como máximos ou mínimos, de uma seqüência de variáveis aleatórias que seguem uma função de distribuição F normalmente desconhecida. Descreve, ainda, a distribuição assintótica dos excessos acima de um valor limiar de um ou mais termos dessa seqüência. Dessa forma, as metodologias padrões utilizada neste contexto consistem no ajuste da distribuição generalizada dos valores extremos a uma série de máximos anuais ou no ajuste da distribuição generalizada de Pareto a uma série de dados compostas somente de observações excedentes de um valor limiar. No entanto, segundo Coles et al. (2003), há uma crescente insatisfação com o desempenho destes modelos padrões para predição de eventos extremos causada, possivelmente, por pressuposições não atendidas como a de independência das observações ou pelo fato de que os mesmos não sejam recomendados para serem utilizados em algumas situações específicas como por exemplo e quando observações de máximos anuais compostas por duas ou mais populações independentes de eventos extremos sendo que a primeira descreve eventos menos freqüentes e de maior magnitude e a segunda descreve eventos mais freqüentes e de menor magnitude. Então, os dois artigos que compõem este trabalho tem como objetivo apresentar alternativas de análise de valores extremos para estas situações em que o ajuste dos modelos padrões não são adequados. No primeiro, foram ajustadas as distribuições generalizada de Pareto e exponencial, caso particular da GP, aos dados de vazão média diária do Posto de Artemis, Piracicaba, SP, Brasil, conjuntamente com a técnica do desagrupamento, (declustering), e comparadas as estimativas dos níveis de retorno para períodos de 5, 10, 50 e 100 anos. Conclui-se que as estimativas intervalares dos níveis de retorno obtidas por meio do ajuste da distribuição exponencial são mais precisas do que as obtidas com o ajuste da distribuição generalizada de Pareto. No segundo artigo, por sua vez, foi apresentada uma metodologia para o ajuste da distribuição de Gumbel e de misturas de duas distribuições de Gumbel aos dados de velocidades de ventos mensais de Piracicaba, SP. Selecionou-se a distribuição que melhor ajustou-se aos dados por meio de testes de hipóteses bootstrap paramétrico e critérios de seleção AIC e BIC. E concluiu-se que a mistura de duas distribuições de Gumbel é a distribuição que melhor se ajustou-se aos dados de velocidades máxima de ventos dos meses de abril e maio, enquanto que o ajuste da distribuição de Gumbel foi o melhor para os meses de agosto e setembro. / The extreme value theory is a probability topics that describes the asymtoptic distribution of order statistics such as maximum or minimum of random variables sequence that follow a distribution function F normaly unknown. Describes still, the excess asymtoptic distribution over threshold of this sequence. So, the standard methodologies of extremes values analysis are the fitting of generalized extreme value distribution to yearly maximum series or the fitting of generalized Pareto distribution to partial duration series. However, according to Coles et al. (2003), there is a growing dissatisfaction with the use this standard models for the prediction of extremes events and one of possible causes this fact may be a false assumptions about a sequence of observed data as a independence assumptions or because the standards models must not used in some specific situations like for example when maximum sample arise from two or more independents populations, where the first population describes more frequents and low intense events and the second population describes less frequents and more intense events. In this way, the two articles this work has a objective show alternatives about extreme values analysis for this situations that the standards models doesn´t recommended. In the first article, the generalized distribution Pareto and exponencial distribution, particular case of GP, together with to declustering methods was applied to mean daily flow of the Piracicaba river, Artemis station, Piracicaba, SP, and the estimates the return levels of 5, 10, 50 and 100 years were compared. We conclude that the interval estimates of the 50 and 100 year return levels obtained using the fitting the exponencial distribution are more precise than those obtained using the generalized Pareto distribution. In the second article, we propose the fit of Gumbel distribution and the Gumbel mixture to data maximum speed wind in Piracicaba, SP. We select the best model using bootstrap test of hypotheses and the AIC and BIC selection criteria We conclude that the mixture Gumbel is the best model to analyze the maximum wind speed data for months of april e may and otherside the fit of Gumbel distributions was the best fit to months of august e september.

In the present study, we investigate kernel density estimation (KDE) and its application to the Gumbel probability distribution. We introduce the basic concepts of reliability analysis and estimation in ordinary and Bayesian settings. The robustness of top three kernels used in KDE with respect to three different optimal bandwidths is presented. The parametric, Bayesian, and empirical Bayes estimates of the reliability, failure rate, and cumulative failure rate functions under the Gumbel failure model are derived and compared with the kernel density estimates. We also introduce the concept of target time subject to obtaining a specified reliability. A comparison of the Bayes estimates of the Gumbel reliability function under six different priors, including kernel density prior, is performed. A comparison of the maximum likelihood (ML) and Bayes estimates of the target time under desired reliability using the Jeffrey's non-informative prior and square error loss function is studied. In order to determine which of the two different loss functions provides a better estimate of the location parameter for the Gumbel probability distribution, we study the performance of four criteria, including the non-parametric kernel density criterion. Finally, we apply both KDE and the Gumbel probability distribution in modeling the annual extreme stream flow of the Hillsborough River, FL. We use the jackknife procedure to improve ML parameter estimates. We model quantile and return period functions both parametrically and using KDE, and show that KDE provides a better fit in the tails.

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-08-16T19:07:45Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao.pdf: 8597272 bytes, checksum: f35bb6aa304c707fd6db9c1a297f3202 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-08-16T19:07:57Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao.pdf: 8597272 bytes, checksum: f35bb6aa304c707fd6db9c1a297f3202 (MD5) / Made available in DSpace on 2018-08-16T19:07:57Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao.pdf: 8597272 bytes, checksum: f35bb6aa304c707fd6db9c1a297f3202 (MD5) Previous issue date: 2018-03-06 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / In this work were proposed a multivariate model for predition of spatially dependents extreme values. The model was constructed by conditioning a Gumbel distribution with respect to spatially shared random effect following an alpha-stable distribution. Some properties of this new model are presented and a MCEM algorithm was developed for the estimation of the parameters. The model was illustrated by the spatio-temporal prediction of maximum temperature in the Amazonas state, Brazil / Neste trabalho foi proposto um modelo multivariado para predição de valores extremos espacialmente dependentes. O modelo foi construído condicionando uma distribuição Gumbel com respeito a um efeito aleatório espacialmente compartilhado seguindo uma distribuição alfa-estável. Algumas propriedades deste novo modelo foram apresentadas e um algoritmo MCEM foi desenvolvido para estimação dos parâmetros. O modelo foi ilustrado através da predição espaço-temporal de temperatura máxima no estado do Amazonas.

A teoria dos valores extremos é um tópico da probabilidade que descreve a distribuição assintótica das estatísticas de ordem, tais como máximos ou mínimos, de uma seqüência de variáveis aleatórias que seguem uma função de distribuição F normalmente desconhecida. Descreve, ainda, a distribuição assintótica dos excessos acima de um valor limiar de um ou mais termos dessa seqüência. Dessa forma, as metodologias padrões utilizada neste contexto consistem no ajuste da distribuição generalizada dos valores extremos a uma série de máximos anuais ou no ajuste da distribuição generalizada de Pareto a uma série de dados compostas somente de observações excedentes de um valor limiar. No entanto, segundo Coles et al. (2003), há uma crescente insatisfação com o desempenho destes modelos padrões para predição de eventos extremos causada, possivelmente, por pressuposições não atendidas como a de independência das observações ou pelo fato de que os mesmos não sejam recomendados para serem utilizados em algumas situações específicas como por exemplo e quando observações de máximos anuais compostas por duas ou mais populações independentes de eventos extremos sendo que a primeira descreve eventos menos freqüentes e de maior magnitude e a segunda descreve eventos mais freqüentes e de menor magnitude. Então, os dois artigos que compõem este trabalho tem como objetivo apresentar alternativas de análise de valores extremos para estas situações em que o ajuste dos modelos padrões não são adequados. No primeiro, foram ajustadas as distribuições generalizada de Pareto e exponencial, caso particular da GP, aos dados de vazão média diária do Posto de Artemis, Piracicaba, SP, Brasil, conjuntamente com a técnica do desagrupamento, (declustering), e comparadas as estimativas dos níveis de retorno para períodos de 5, 10, 50 e 100 anos. Conclui-se que as estimativas intervalares dos níveis de retorno obtidas por meio do ajuste da distribuição exponencial são mais precisas do que as obtidas com o ajuste da distribuição generalizada de Pareto. No segundo artigo, por sua vez, foi apresentada uma metodologia para o ajuste da distribuição de Gumbel e de misturas de duas distribuições de Gumbel aos dados de velocidades de ventos mensais de Piracicaba, SP. Selecionou-se a distribuição que melhor ajustou-se aos dados por meio de testes de hipóteses bootstrap paramétrico e critérios de seleção AIC e BIC. E concluiu-se que a mistura de duas distribuições de Gumbel é a distribuição que melhor se ajustou-se aos dados de velocidades máxima de ventos dos meses de abril e maio, enquanto que o ajuste da distribuição de Gumbel foi o melhor para os meses de agosto e setembro. / The extreme value theory is a probability topics that describes the asymtoptic distribution of order statistics such as maximum or minimum of random variables sequence that follow a distribution function F normaly unknown. Describes still, the excess asymtoptic distribution over threshold of this sequence. So, the standard methodologies of extremes values analysis are the fitting of generalized extreme value distribution to yearly maximum series or the fitting of generalized Pareto distribution to partial duration series. However, according to Coles et al. (2003), there is a growing dissatisfaction with the use this standard models for the prediction of extremes events and one of possible causes this fact may be a false assumptions about a sequence of observed data as a independence assumptions or because the standards models must not used in some specific situations like for example when maximum sample arise from two or more independents populations, where the first population describes more frequents and low intense events and the second population describes less frequents and more intense events. In this way, the two articles this work has a objective show alternatives about extreme values analysis for this situations that the standards models doesn´t recommended. In the first article, the generalized distribution Pareto and exponencial distribution, particular case of GP, together with to declustering methods was applied to mean daily flow of the Piracicaba river, Artemis station, Piracicaba, SP, and the estimates the return levels of 5, 10, 50 and 100 years were compared. We conclude that the interval estimates of the 50 and 100 year return levels obtained using the fitting the exponencial distribution are more precise than those obtained using the generalized Pareto distribution. In the second article, we propose the fit of Gumbel distribution and the Gumbel mixture to data maximum speed wind in Piracicaba, SP. We select the best model using bootstrap test of hypotheses and the AIC and BIC selection criteria We conclude that the mixture Gumbel is the best model to analyze the maximum wind speed data for months of april e may and otherside the fit of Gumbel distributions was the best fit to months of august e september.

No description available.

No description available.

no / The paper deals with the problem of predicting the maximum response statistics of Multi-Degree-of-Freedom (MDoF) linear structures subjected to non-stationary non-white noises. The extension of two different censored closures of Gumbel type, originally proposed by the authors for the response of Single-Degree-of-Freedom oscillators, it is presented. The improvement associated with the introduction in the closure of a consistent censorship factor, accounting for the response bandwidth, it is pointed out. Simple and effective step-by-step procedures are formulated and described in details. Numerical applications on a realistic 25-storey moment-resisting frame along with comparisons with classical approximations and Monte Carlo simulations are also included.

Yes / The use of the Advanced Censored Closure (ACC) technique, recently proposed by the authors for predicting the peak response of linear structures vibrating under random processes, is extended to the case of non-linear oscillators driven by stationary white noise. The proposed approach requires the knowledge of mean upcrossing rate and spectral bandwidth of the response process, which in this paper are estimated through the Stochastic Averaging method. Numerical applications to oscillators with non-linear stiffness and damping are included, and the results are compared with those given by Monte Carlo Simulation and by other approximate formulations available in the literature.