Engenharias

Sob o enfoque bayesiano, considera-se o modelo logístico em que a variável resposta está sujeita a erros de classificação. Visando minimizar o impacto desses na estimação dos coeficientes da regressão, propõe-se realizar classificações repetidas e independentes dos elementos amostrais e incorporar ao modelo o número total de sucessos obtidos nessas avaliações. O modelo proposto utiliza diferentes distribuições a priori Normais independentes para os coeficientes de regressão e distribuições a priori independentes Betas para os erros de classificação. Para o processo de inferência a posteriori, utiliza-se abordagem de dados aumentados, Gibbs Sampler e o método de rejeição adaptativo com Metropolis. Comparando-se os resultados obtidos com aqueles em que não há erros de classificação, o MTS apresenta resultados mais satisfatórios na medida em que a distribuição a priori dos erros de classificação e dos coeficientes de regressão é mais informativa e o número de classificações repetidas é maior. Como esperado, os resultados utilizando classificações repetidas são mais satisfatórios que aqueles quando se utiliza apenas uma classificação do elemento.

O presente estudo tem como principal foco a análise espacial pontual do tipo Origem-Destino aplicada a dados de acidentes de trânsito georeferenciados ocorridos na malha viária de Natal-RN no 2° trimestre do ano de 2008. Nesse estudo o “Destino” se refere à localização georeferenciada dos acidentes de trânsito e a “Origem” se refere a localização georeferenciada dos endereços dos veículos envolvidos nos acidentes da amostra analisada. O estudo teve o objetivo de Identificar na distribuição espacial dos acidentes ocorridos malha viária de Natal e do local dos dois endereços dos veículos envolvidos nos acidentes, regiões que poderiam apresentar formação de aglomerados de acidentes. Através da função M foi possível testar a hipótese de associação da distribuição dos processos pontuais de Origem e Destino. Foram utilizados os softwares ArcView e TerraView para a construção dos mapas temáticos da distribuição espacial georeferenciada dos acidentes e dos endereços dos veículos. Foi elaborado o algoritmo para estimar a função M com simulações dos valores de K1 e K2 referente aos acidentes e aos endereços. O resultado da aplicação desta função indicou que existe associação entre os padrões pontuais.

As técnicas de classificação que utilizam a distância de Mahalanobis amostral partem do princípio que as observações seguem uma distribuição normal p-variada, e associam uma área pequena da distribuição quando essa distância é grande. Portanto, se a distância de uma observação ao centro da distribuição é grande é indicativo de que essa observação não deve pertencer a esse grupo (ou população). O problema é definir limites para que essa distância seja considerada grande (ou pequena). O que é feito, em geral, é estabelecer um quantil da distribuição dessa distância e associar com a área (pequena) da distribuição. Gnanadesikan and Kettenring (1972), mostraram que a estatística b(xi)=(n/(n-1)2)di, tem distribuição beta[(p/2),(n-p-1)/2], onde di representa i-ésima distância de Mahalanobis amostral, sendo cada xi um vetor de observações e Sena-Jr (1997) mostrou que F(x0) = [(n-p)/(p(n-1))][(n/(n+1)]d0 tem distribuição F(p,n-p), onde d0 também representa a distância de Mahalanobis amostral da nova observação. A diferença entre as duas estatísticas está no fato que a b(.) calcula todas as distâncias, incluindo a que desejamos classificar, enquanto a F(.) calcula apenas a nova observação, isto é a b(.) inclui a nova observação no conjunto e observa se a sua distância é compatível com as demais, enquanto a F(.) verifica apenas uma única vez. Por outro lado técnicas de detecção de observações aberrantes ou de detecção de outliers, pode ser usada com alternativa a essa aproximação, já que a suposição de normalidade não pode ser violada na construção das distancia b(xi) e F(xi), embora algumas técnicas de detecção de outliers também inclua essa suposição.

As séries de vazões médias mensais frequentemente apresentam correlação periódica. Entre os modelos capazes de captar essa correlação, o mais utilizado é o modelo Auto-Regressivo Periódico (PAR). No processo de estimação, a metodologia bayesiana foi implementada para
os modelos Normal, Log-Normal e t-Student e, posteriormente, foram analisadas as séries de vazões médias mensais dos reservatórios de Água Vermelha, Emborcação, Furnas, São Simão e Sobradinho. Os resultados encontrados para a previsão são satisfatórios, sendo o modelo Log-
Normal o mais indicado nestas análises.

Análise de modelos de regressão é uma técnica estatística para investigar e modelar a relação
entre variáveis. Aplicações de regressão são bastante utilizadas e ocorrem em diversos domínios, incluindo a engenharia, ciências físicas e químicas, ciências políticas e econômicas entre outras. A distribuição Gama é muito utilizada para descrever dados de contínuos e positivos. Em situações em que se tem uma variável resposta com dados de contínuos positivos deseja-se estudar a relação com variáveis explicativas, pode-se utilizar o modelo de regressão da família gama, que pertence à classe especial de modelos lineares generalizados. O trabalho proposto tem como objetivo ajustar um modelo de regressão que explique a vida útil de uma lâmpada através algumas características, tais como, potência, fluxo luminoso e outras características geométricas da mesma. Foram propostos inicialmente alguns modelos de regressão, assim foram feitas análises, investigações sobre a adequação de algumas suposições. Após esta investigação foi proposto um modelo, dado como ideal, com base nas suposições feitas pela modelagem.

O uso de estatística escore em melhoramento de métodos de classificação de padrões tem recebido considerável atenção. A problemática nesta metodologia é a garantia da distribuição
assintótica das estatísticas de teste utilizadas a partir de um certo tamanho de amostra. Nelson et al. [4] propuseram um método de classificação eficiente para diferentes tamanhos de amostra via estatística escore tendo a qui-quadrado como distribuição limite. Motivado pelo problema de verificação de assinaturas, este trabalho propõe um novo teste de hipótese baseado na distribuição beta. Além disso, nós utilizamos simulação de Monte Carlo para comparar o depempenho desta nova metodologia à dois métodos clássicos baseados nas distribuições qui-quadrado e T2 de Hotelling.

Há situações em que existem diversos fatores de risco de falha presentes ao mesmo tempo na vida de um sistema. Por esta razão dizemos que esses fatores estão competindo para provocar a falha do mesmo. Entretanto, apenas um desses competidores é o responsável pela falha do sistema. O comportamento dessa falha é na maioria das vezes, representado pela sua taxa de falha, a qual pode assumir diferentes comportamentos. Assim é desejável o uso de um modelo probabilístico que, apenas por mudança nos valores de seus parâmetros, possa representar cada uma das diversas situações. Neste trabalho, estudamos sob a perspectiva de análise de referência Bayesiana, a aplicação de riscos competitivos sob o modelo Weibull, devido 'a grande flexibilidade deste modelo. Em virtude da complexidade da distribuição a posteriori, utilizamos o método de simulação via cadeias de Markov, Metropolis-Hastings para calcular as medidas de interesse. Ao final, para exemplificação da metodologia descrita, apresentamos um exemplo com dados reais.

Este artigo apresenta uma formulação direta para a aproximação do limite superior de controle h de um gráfico de somas acumuladas (CUSUM) unilateral superior para variáveis com distribuição binomial. É possível calcular o parâmetro h para valores pré-determinados da proporção sob controle (p0), proporção que se deseja rapidamente detectar (p1), tamanho da amostra n e o valor esperado do número de amostras até a emissão de um alarme falso (ARL0). Para avaliar a fórmula são realizadas algumas comparações com resultados da literatura.

Neste trabalho, busca-se encontrar e ajustar um modelo de séries temporais que se ajuste satisfatoriamente aos dados da série financeira dos valores das ações da Petrobrás, possibilitando, assim, um estudo do comportamento e dos fatores relevantes da série e a previsão de dados futuros da mesma. Após um tratamento e ajuste dos dados, um levantamento de acontecimentos e fatos importantes foi realizado, para identificar possíveis causas das repentinas mudanças na conduta dos dados, variações essas identificadas graficamente. Foram selecionados para estudo dois modelos: GARCH, um modelo não-linear, e EWMA, um modelo de média móvel exponencialmente ponderada. Ambos foram modelados e a análise da eficiência do ajuste da série foi realizada por método gráfico, utilizando análise de resíduos, com gráficos de dispersão e de autocorrelação. O estudo identificou que um dos modelos apresentava um melhor ajuste para a série de dados em estudo do que o outro, sendo então realizada a previsão para alguns próximos valores da série temporal a partir deste modelo, que apresenta uma maior capacidade de absorção das componentes das séries, como a volatilidade, nas suas modelagens; e também pelo seu histórico de melhores ajustes em séries temporais financeiras.

We introduce the beta extended Weibull family of distributions which
contains as special sub-models some important distributions discussed in the literature, such as the generalized modified Weibull, beta Weibull, beta exponentiated Weibull,
beta exponential, beta modified Weibull and Weibull distributions, among
several others. New distributions are proposed as members of this
family, for example, the beta XTG, beta log-Weibull,
beta Chen and beta Gompertz distributions.
We derive the moments and the moment generating function of the new family.
Maximum likelihood estimation is proposed for estimating the model parameters.
We calculate the observed information matrix. Some new distributions are
used to improve the analysis of the Aarset's data.