<html> <head> <style></style></head> <body class='hmmessage'><div dir='ltr'><div>Divulgação de Seminário - Ciclo de Seminários do Programa de Pós-Graduação em Matemática Aplicada e Estatística da UFRN - 2015</div><div><br></div><div><br></div><div>Na próxima segunda-feira daremos continuidade ao Ciclo de Seminários do Programa de Pós-Graduação em Matemática Aplicada e Estatística (PPgMAE) da UFRN - 2015</div><div><br></div><div><br></div><div>Seguem as informações:</div><div><br></div><div><br></div><div>Ciclo de Seminários do Programa de Pós-Graduação em Matemática Aplicada e Estatística (PPgMAE) da UFRN - 2015</div><div><br></div><div>Título: Regression models for time varying extremes</div><div><br></div><div>Palestrante: Fernando Ferraz do Nascimento - Departamento de Estatística - UFPI</div><div><br></div><div>DATA: 30 de Novembro de 2015 (Segunda-feira) </div><div><br></div><div>HORÁRIO: 15:00 horas</div><div><br></div><div>LOCAL: Auditório do CCET - UFRN</div><div><br></div><div><br></div><div>* Depois da apresentação é oferecido um coffee-break para socialização e discussões científicas.</div><div><br></div><div><br></div><div>Abstract: A common approach to modeling extreme data is to consider the distribution of the exceedance value over a high threshold. This approach is based on the <span style="font-size: 12pt;">distribution of excess, which follows the generalized Pareto distribution (GPD) and has proven to be adequate for this type of situation. As with all data involving </span><span style="font-size: 12pt;">analysis in time, excesses above a threshold may also vary and suffer from the influence of covariates. Thus, the GPD distribution can be modeled by entering the </span><span style="font-size: 12pt;">presence of these factors. This paper presents a new model for extreme values, where GPD parameters are written on the basis of a dynamic regression model. The </span><span style="font-size: 12pt;">estimation of the model parameters is made under the Bayesian paradigm, with sampling points via MCMC. As with environmental data, behavior data is related to other </span><span style="font-size: 12pt;">factors such as time and covariates like latitude, distance from the sea, etc. Simulation studies have shown the efficiency and identifiability of the model, and </span><span style="font-size: 12pt;">applying real rain data from the state of Piaui, Brazil, shows the advantage in predicting and interpreting the model against other similar models proposed in the </span></div><div><br></div><div>literature.</div><div><br></div><div><br></div><div>Mais informações no site do PPgMAE: https://sigaa.ufrn.br/sigaa/public/programa/noticias_desc.jsf?lc=pt_BR&id=2595&noticia=115468244</div><div><br></div><div><br></div><div>Saudações,</div><div><br></div><div>Marcelo Bourguignon</div><div><br></div> </div></body> </html>