<div dir="ltr"><h3><font size="2"><span style="font-weight:normal">Boa noite a todos(as),<br><br>Esta mensagem é para divulgar mais uma palestra do <span class="gmail-il">Ciclo</span> de <span style="color:rgb(60,64,67);background-color:rgb(253,226,147)"><span class="gmail-il">Seminários</span></span> do PPGE/UFPE (2023), que será realizada amanhã, 03/05, pelo Google Meet às 15:00 horas. </span></font></h3><h3><font size="2"><span style="font-weight:normal">Sobre o pales</span></font><font size="2" style="font-weight:normal">trante: </font> <span style="font-weight:normal">Alice Buarque Vieira de Mello</span></h3><span style="color:rgb(60,64,67);font-family:Roboto,Arial,sans-serif;font-size:14px;letter-spacing:0.2px;white-space:pre-wrap"><div style=""><span style="color:rgb(60,64,67);font-family:Roboto,Arial,sans-serif;font-size:14px;letter-spacing:0.2px;white-space:pre-wrap">Atualmente é discente do Programa de Pós-Graduação em Estatística da UFPE. Formada em Bacharelado em Matemática pela mesma universidade, a discente realizou mestrado em Estatística no mesmo programa de Pós-Graduação e está, atualmente, em fase de elaboração da sua tese.</span></div><b>
Título: </b>A CONSTRUÇÃO DE UM NOVO PROCESSO AUTORREGRESSIVO DE PRIMEIRA ORDEM COM DISTRIBUIÇÃO MARGINAL GAMA-LINDLEY

</span><div>Sobre a palestra:</div><div>Link da videochamada: <a href="https://meet.google.com/txm-uvpn-kma">https://meet.google.com/txm-uvpn-kma</a><br>Ou disque: ‪(US) +1 484-998-0578‬ PIN: ‪647 808 642‬#<br></div><div><b><br></b></div><div><b>Título:</b></div><div><p dir="ltr" style="line-height:1.75;margin-top:0pt;margin-bottom:0pt"><span style="color:rgb(60,64,67);font-family:Roboto,Arial,sans-serif;font-size:14px;letter-spacing:0.2px;white-space:pre-wrap">A CONSTRUÇÃO DE UM NOVO PROCESSO AUTORREGRESSIVO DE PRIMEIRA ORDEM COM DISTRIBUIÇÃO MARGINAL GAMA-LINDLEY</span><br></p><p dir="ltr" style="line-height:1.75;margin-top:0pt;margin-bottom:0pt"><span style="color:rgb(60,64,67);font-family:Roboto,Arial,sans-serif;font-size:14px;letter-spacing:0.2px;white-space:pre-wrap"><br></span></p></div><div><b>Resumo:</b><br></div><div>Durante as últimas décadas foi dada grande atenção à proposta de novas distribuições. A necessidade da pesquisa na área de teoria de novas distribuições veio, dentre outros aspectos,do fato de encontrar um melhor ajuste a conjuntos de dados reais, que são modelados por distribuições conhecidas na literatura. Nesse contexto, a ordem natural da pesquisa é desenvolver o gerador de novas distribuições ou escolher um já proposto na literatura. Após essa etapa, em geral, o autor escolhe uma distribuição de base e insere no gerador suas funções de densidade de probabilidade e distribuição acumulada. Além da aplicação a dados reais, os autores analisama distribuição taxa de falha; desenvolvem propriedades matemáticas relevantes como: função quantílica, momentos e função geratriz de momentos; realizam o processo de estimação, no intuito de encontrar expressões para os estimadores em forma fechada, ou seja, expressões em função de funções matemáticas conhecidas na literatura e realizam estudos de simulação para verificar se a condição de consistência dos estimadores é válida. Esse é o processo natural na proposta de novas distribuições e/ou novos geradores. Com a quantidade relativamente grande de trabalhos na área, propor novos geradores/distribuições, tem se tornado complicado, uma vez que os revisores das revistas de publicação não veem mais a inovação no tema. Diante disso, o presente trabalho de dissertação traz um tema pouco trabalhado na literatura de novas distribuições: o seu contexto em séries temporais. A ideia aqui é tomar uma distribuição conhecida na literatura e escolher um processo estacionário a ser utilizado. Neste trabalho, escolhemos a distribuição Gama-Lindley (GaL) e o processo autorregressivo de ordem 1, AR(1).Usando o processo AR(1), escolhemos como saída a distribuição GaL e temos como objetivo encontrar a distribuição do erro. O novo processo é chamado GaLAR(1) e é mostrado que o erro do processo possui distribuição como sendo uma mistura das distribuições Delta de Dirac, Exponencial com parâmetro \lambda, Gama com vetor de parâmetros (2, \lambda) e Exponencial de parâmetro (\lambda\beta + \beta)/\rho. Providenciamos algumas propriedades estatísticas do novo processo:medidas estatísticas condicionais e distribuição conjunta. A estimação para os parâmetros do processo proposto foi realizada via método dos mínimos quadrados condicionais e método gaussiano. Os estimadores foram avaliados considerando seis cenários e tamanhos amostrais diferentes. Além disso, objetivando comparar o desempenho do processo proposto, consideramos seis processos autorregressivos de primeira ordem com distribuição marginal não-gaussiana conhecidos na literatura. As medidas utilizadas na comparação foram: Critério de Informaçãode Akaike (AIC), Critério de Informação Bayesiano (BIC) e a Raiz do Erro Quadrático Médio de Previsão (RMSE). O banco de dados usado para ilustrar o desempenho e a competitividade do processo proposto, comparado com os citados anteriormente, é um conjunto de dados hídricos. Os resultados obtidos mostram que o processo proposto é bastante competitivo e ganha para todos os outros.  <br></div><div><br></div><div>Favor divulgar entre possíveis interessados.<br></div><div>Att, </div><div><br></div><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr">Maria do Carmo Soares de Lima<div>Professora Adjunta C- UFPE</div></div></div></div></div></div>