No abstract

A foundation of medical research is time series analysis—the behavior of variables of interest with respect to time. Time series data are often analyzed using the mean, with statistical tests applied to mean differences, and has the assumption that data are stationary. Although widely practiced, this method has limitations. Here we present an alternative statistical approach with sample analysis that provides a summary statistic accounting for the non-stationary nature of time series data. This work discusses the use of entropy as a measurement of the complexity of time series, in the context of Neuroscience, due to the non-stationary characteristic of the data. To elucidate our argument, we conducted entropy analysis on a sample of electroencephalographic (EEG) data from an interventional study using non-invasive electrical brain stimulation. We demonstrated that entropy analysis could identify intervention-related change in EEG data, supporting that entropy can be a useful “summary” statistic in non-linear dynamical systems.

In this paper, it is presented a simple guide for researchers in occupational therapy to perform basic statistical analysis in a flexible and independent way, using the R software, that is a free open source software which its popularity has been increased considerably in many fields. We have presented a step-by-step guide about how to install such software, it is also discussed the necessary steps to include the data set and perform basic statistical analysis, such as the calculation of sample size, basic statistics, graphical presentation, hypothesis tests, and the linear correlation test. The dataset considered in this study comes from a research in occupational therapy and the topics considered are result of the common statistical procedures that were face in the course of the Post Graduation Program in Occupational Therapy at the Federal University of São Carlos (UFSCar), in which were possible to find the principal statistical procedures used by the researchers in applications.

À minha esposa, Claudia Ao nosso Nenê Aos meus pais, Waldemar e M. Helena Agradecimentos A conclusão dessa dissertação não seria possível sem o auxílio de algumas pessoas que contribuíram diretamente no estudo de Testes de Sobrevivência Acelerados, à quais expresso os mais sinceros agradecimentos. Ao Prof. Dr. Jorge Alberto Achcar por me orientar neste trabalho com sua valiosa dedicação e segurança, participando ativamente do estudo, incentivando-me em todo o decorrer da pesquisa. Ao Prof. Dr. Josemar Rodrigues pelo incentivo e apoio dado no início do meu curso de Pós-Graduação e pelas valiosas sugestões e comentários dados a este trabalho. Ao Prof. Dr. Emanoel Pimentel Barbosa pelas oportunas discussões e sugestões sobre o tema em questão. Também agradeço à. Profa Dra Maria Creusa S. Gaivão Leite pelas sugestões apresentadas quando da realização do meu exame de qualificação; ao Prof. José Albertino R. Rodrigues (in memorian) pelo apoio e incentivo ao meu ingresso na Pós-Graduação; aos Colegas e Funcionários do Departamento de Estatística da Universidade Federal de São Carlos (UFSCar) pela acolhida e camaradagem durante a elaboração deste trabalho; aos Professores, Funcionários e Colegas da Pós-Graduação pelo excelente convívio; ao Conselho Nacional de Desenvolvimento Científico e Tecnológio (CNPq) pelo apoio financeiro parcial; a UFSCar pela concessão do afastamento parcial para a realização dos meus estudos; e finalmente ao Luciano Cesário e Carmen Lúcia Pagadigorria pelo excelente trabalho de digitação dos manuscritos. Resumo Nesta dissertação, considerando Testes de Sobrevivência Acelerados, desenvolvemos uma análise Bayesiana, do modelo de Eyring com uma variável estresse, e é considerada sua extensão para uma relação estresse-resposta geral, onde os modelos mais utilizados em exeperimentos acelerados com uma variável estresse são casos particulares. Também, o modelo de Eyring generalizado é analisado sob o enfoque Bayesiano. Consideramos, nestas análises, tanto uma distribuição Exponencial para os tempos de sobrevivência dos componentes, quanto uma distribuição de Weibull,dados sob um esquema de censura de tipo II e densidades a priori não-informativas de Jeffreys para os parâmetros envolvidos. O método de Laplace é usado para aproximarmos as densidades a posteriori de interesse quando não conseguimos achar suas soluções analíticas explicitas. Além disso, a precisão dos valores aproximados é estudada e relacionada com o uso de uma parametrização adequada. Também, achamos a densidade preditiva para uma observação futura, em um nível especificado de estresse, a qual é uhada para desenvolvermos testes de controle de qualidade. AbstractAccelerated life tests are considered in this dissertation. A Bayesian analysis of the Eyring model is developed and its extension on to a general stress-response relationship is considered, where the most used models for accelerated experiments, with one stress variable are obtained as particular cases. Also, the generalized Eyring model is analysed under a Bayesian view point. ...

Abstract. Expressing the lifetime behavior through its hazard enables us to derive special classes of failure distributions according to the hazard pattern. The usual lifetime distributions, as both exponential and Weibull models, accommodate constant (exponential) and increasing/decreasing (Weibull) hazard functions. Nevertheless, in practice, it is common to find lifetime data with hazard function of different types, for example, a U-shaped hazard function. In the present paper we investigate the properties of the modified Weibull model [8], a three-parameter model which allows U-shaped hazards to be accommodated. Inferences for this model's parameters based on both complete and censored samples are presented. We discuss different parametrizations as well as the interval estimation for the parameters of this model. Keywords:Interval estimation, maximum likelihood estimation, Monte Carlo simulation, U-shaped hazard function, modified Weibull. IntrodutionThe most commonly used models for accommodating U-shaped hazard functions have initial structure based on the Weibull model, which can traditionally handle constant, increasing, and decreasing hazard functions. These models can fit data with U-shaped form hazard functions as well as specify a simple Weibull model. Models presenting such property can be found in studies by [12]