Edwin Moises Marcos Ortega.

Neste projeto propõem-se diferentes regressões considerando a família odd log-logística generalizada-G (OLLG-G). As distribuições nesta família apresentam maior flexibilidade como, por exemplo, funções de densidades na forma bimodal, além de ter como casos epeciais outras famílias utilizadas na modelagem estatística. Com base na família OLLG-G, serão propostas: regressões paramétricas e semiparamétrica com componentes sistemáticas com presença e ausência de dados censurados via splines penalizados e, também, regressão com fração de cura e fragilidade. Para todas as abordagens o software R será o recurso computacional para implementação dos modelos. Esses modelos são indispensáveis para tratamento de dados em muitos problemas que surgem em áreas como Medicina, Ciências Sociais, Engenharia, Biologia, Física, Entomologia, Zootecnia, Química, dentre outras.

O presente projeto de pesquisa propõe uma nova família de modelos de sobrevivência de longa duração. Esta baseia-se nos diferentes esquemas de ativação em que a quantidade M de fatores se adéqua a uma distribuição discreta Poisson generalizada e o tempo até a ocorrência do evento segue uma família de distribuições contínuas generalizada. A metodologia apresentada também foi aplicada de forma similar na presença das covariáveis por do modelo de regressão. Além disso, é comum em situações práticas que existam dados de sobrevida com informações na censura. Assim, outro objetivo deste projeto de pesquisa foi introduzir a família de distribuições no contexto de censura informativa. O modelo proposto se fundamenta na suposição de que os tempos de falha e de censura são condicionalmente independente dada uma fragilidade. As análises clássicas e Bayesianas foram utilizadas para a estimação dos parâmetros dos modelos. Análise de diagnostico e resíduos também são implementadas neste projeto. Por fim, conjuntos de dados reais foram utilizados para demonstrar a adequabilidade dessa família.

As regressões não paramétricas ou semiparamétricas podem ser uma opção para modelar dados quando a variável resposta e as variáveis explicativas têm uma relação linear ou não linear. Assim, neste projeto, serão propostos três modelos de regressão flexíveis denominados de regressão aditiva, parcial aditiva e semiparamétrica baseados na família Odd log-logística generalizada, considerando três diferentes tipos de suavizações penalizadas.

Os modelos de regressão semiparamétrico podem ser uma opção quando a variável e resposta e uma ou mais variáveis explicativas tem uma relação não linear, ou seja, não é mais levada em conta uma pressuposição fundamental de linearidade entre essas variáveis. Pensando nisso é proposto três modelos flexíveis denominados de modelos de regressão aditivo, parcial e semiparamétrico baseado na distribuição Odd log-logística Gaussiana inversa generalizada com uma estrutura sistemática, considerando três diferentes tipos de penalizações. Será adotado o método de máxima verossimilhança penalizada para estimar os parâmetros do modelo. Além disso, várias simulações são realizadas para diferentes configurações dos parâmetros e tamanhos de amostras. Serão realizadas análises de diagnósticos e resíduos. Finalmente, a potencialidade dos novos modelos de regressão propostos será aplicada a dados reais.

Devemos desenvolver novos modelos de regressão paramétricos e semiparamétricos com fração de cura com diferentes esquemas de ativação baseados na família de distribuições odd log-logística generalizada. Serão utilizados três métodos para estimação dos parâmetros desses modelos de regressão propostos. Também, apresentaremos medidas de influência local sob três esquemas de perturbação. Além disso, apresentaremos estudos de simulação via Monte Carlo com o objetivo de analisar a sensibilidade dos estimadores para os modelos de regressão propostos. Assim, poderemos utilizar o resíduo tipo martingale para investigar possíveis afastamentos da suposição da distribuição dos erros, bem como para detectar possíveis observações atípicas. Finalmente diferentes aplicações em diferentes áreas serão feitas.

Considerar que as observações podem seguir uma distribuição de Weibull, log-normal, log-logística é uma suposição usual em modelos de análise de sobrevivência. No entanto, esta suposição pode ser não realista, ocultando importantes características da variação que estão presentes nos dados. Assim, torna-se conveniente considerar famílias paramétricas de distribuições que sejam mais flexíveis para capturar uma ampla variedade de comportamentos simétricos e assimétricos, que incluam as distribuições (exponencial, Rayleigh, Weibull, Weibull exponenciado, beta Weibull) como casos especiais e produzam estimação robusta no modelo considerado. Neste sentido, a classe de distribuições proposta por Adamidis and Loukas (1998) é interessante porque podemos modificar distribuições com caudas mais pesadas que a distribuição beta-Weibull, produzindo estimação robusta (e inferência) no modelo investigado.
O objetivo deste projeto é estudar uma nova classe de distribuições denominada de beta Weibull geométrico (BWG), distribuição essa mais robusta que as distribuições usuais para análise de dados de sobrevivência. Serão estudadas características dessa nova distribuição (casos especiais, momentos, estatísticas de ordem, mistura de distribuições, etc). Este projeto, também, tratará do estudo de procedimentos inferenciais considerando a nova distribuição BWG, considerando a ocorrência de correlação entre observações em dados agrupados, dados bivariados e dados de sobrevivência com fração de cura. Além disso, aplicaremos o método de avaliação de influência global, local e total, proposto por Cook (1986) e Zhu e Lee (2001), aos diversos modelos de regressão com distribuição BWG propostos nesta pesquisa.

Neste projeto será desenvolvido um modelo de regressão com fração de cura cuja abordagem tem a estrutura de riscos competitivos utilizando a distribuição log-gama generalizado. O modelo proposto possibilita modelar dados de sobrevivência, provenientes de populações não-homogêneas, em que parte da população não apresentam o evento de interesse mesmo após um longo período de acompanhamento. Métodos de validação dos modelos propostos são apresentados baseados na análise de sensibilidade.

2.1 Estender métodos de inferência de segunda-ordem disponíveis para os MLG para classes mais amplas de modelos com o auxílio da computação simbólica. As pesquisas conjuntas que os professores do Departamento de Estatística e Informática da UFRPE e do Departamento de Ciências Exatas da ESALQ planejam desenvolver dizem respeito às duas linhas de pesquisas: 1. Generalizar métodos estatísticos que foram desenvolvidos para os MLG para as seguintes classes de modelos citadas anteriormente: MNLFE, MLGD, MLGSD e MLGH; 2. Utilizar conjuntamente métodos tradicionais de teoria assintótica acoplados aos software de computação simbólica como Mathematica e Maple para desenvolver uma inferência mais precisa para os modelos citados em 1. Acreditamos que no contexto dessas linhas vários trabalhos de pesquisa poderão ser desenvolvidos. 2.2 Desenvolver modelos bayesianos para interpretação e análise de dados biológicos, agrários e sociais. 1.Utilizar Inferência Bayesiana para a interpretação de probabilidades que envolvem fenômenos biológicos, agrários e sociais, explicitando assim, resoluções de problemas práticos e teóricos. 2.Estudar dados biológicos, agrários e sociais utilizando inferência Bayesiana, estabelecendo uma comparação entre a probabilidade à priori e a probabilidade a posteriori . 3.Analisar os resultados obtidos nesta abordagem levando em consideração as probabilidades à priori e a posteriori, resultantes das aplicações vivenciadas, fazendo comparações entre estas e as probabilidades baseadas somente com o conhecimento das leis clássicas de probabilidade. 2.3 Desenvolvimento e aplicação de diversas técnicas, computacionalmente intensivas, para modelagem, análise e simulação computacional de vários fenômenos, objeto de Biometria. Mais especificamente, aplicação de técnicas como Monte Carlo, Autômatas Celulares e Data Envelopment Analysis. 1. Segmentação de imagens, reconhecimento de padrões, agrupamento e classificação de dados. .

Este projeto trata do estudo de procedimentos inferenciais clássicos e bayesianos no âmbito de uma nova proposta de modelo de sobrevivência com fração de cura, que inclui como casos particulares os modelos tradicionais de sobrevivência com fração de cura de Berkson & Gage (1952) e Yakovlev & Tsodikov (1996). Além disso, propomos dois modelos de sobrevivência com fração de cura e fragilidade para dados de sobrevivência multivariados.

Neste projeto, a distribuição Weibull é modificada para propor uma nova distribuição de probabilidade, em que o objetivo é obter uma distribuição mais flexível e que modela função de taxa de falha não monótona. Depois disso será proposta um modelo de regressão utilizando a distribuição Weibull modificada generalizada com a presença de dados censurados. Utilizaremos o método de máxima verossimilhança e abordagem bayesiana para estima os parâmetros do modelo proposto.

Neste projeto serão analisados as distribuições cujas funções de risco apresentam a forma de banheira. Dentre as distribuições consideradas são: Weibull exponenciada, Weibull aditiva e Weibull nova estendida. Em cada distribuição será proposto um modelo de Rgressão.

Neste projeto estamos desenvolvendo as técnicas de diagnóstico e análise de influ~encia nos modelos de Riscos Múltiplos

Este projeto do estudo de procedimentos inferenciais clássicos e bayesianos considerando a família Weibull-exponenciada para dados de sobrevivência, considerando a ocorrência de correlação entre observações em dados agrupados e dados de sobrevivência com fração de cura. Além disso, pretendemos aplicar o método de avaliação de influência local proposta por Cokk(1986) ao modelo de regressão Weibull-exponenciada. Vários trabalhos apresentam o desenvolvimento da aplicação da tpecnica de influência local.

Em análise de dados de sobrevivência, alguns estudos caracterizam-se por apresentar uma fração significativa de sobreviventes, isto é, unidades experimentais que não apresentam o evento de interesse mesmo após um longo período de acompanhamento. A abordagem neste caso tem como base modelos de mistura que consideram uma função de sobrevivência imprópria para a população total. Neste trabalho, investigamos o modelo com fração de cura com covariáveis e dados censurados para diferentes distribuições, destacando-se dentre elas a distribuição Weibull, a distribuição log-gama generalizada estendida, a distribuição Weibull-exponenciada e distribuição nova Weibull estendida

O objetivo principal deste projeto é estudar e comparar os modelos denominados de redes neurais com a regressão logística. Ainda propomos estudar uma abordagem bayesiana.

Neste projeto o obtivo principal foi estudar e analisar o comportamento do consumidor de carne bovina e frango.

Objetivo principal deste projeto é estudar e analisar toda a parte de diagnóstico e resíduos nos modelos de regressão Weibull-exponenciada, com a presença de dados censurados

Estudaremos alguns tipos de resíduos nos modelos de regressão log-gama generalizado estendido. Também analisaremos a distribuição empírica desses resíduos.

Efeito do jejum alimentar e uso de aditivos na qualidade da carne de frango de corte criados no sistema alternativo