Nesta tese de doutorado, a metodologia proposta se baseia em dados de sobrevivência inflacionados de zero para lidar com situações as quais existem uma fração de zeros inflacionados (ou ajustados) e de curados considerando diferentes esquemas de ativação. Nessa abordagem assumimos que a ocorrência do evento de interesse é originada por um estrutura latente de ativação: primeiro, último e aleatório, ou seja, permite que diferentes mecanismos de ativação concorrentes expliquem a ocorrência do fenômeno de interesse. Neste contexto, o novo modelo denominado modelo de fração de cura inflacionado de zero sob diferentes esquemas de ativação é uma extensão do modelo inflacionado de zeros proposto por Jr, Moreira e Louzada (2017); do modelo proposto por Roman et al. (2013) e do modelo de tempo de promoção proposto por Yakovlev (1996) e Chen, Ibrahim e Sinha (1999), pois incorporamos a inflação de zeros e os esquemas de ativações na modelagem. Para as estimativas dos parâmetros do modelo com longa duração e inflação de zeros, nós consideramos as abordagens clássica e Bayesiana. Os modelos de fração de cura ou modelos de fração de cura zero ajustados assumem indiretamente que todos os pacientes expostos ao evento de interesse têm risco homogêneo, porém, a existência de uma heterogeneidade pode ser medida através da inclusão de covariáveis. Sendo assim, é possível medir uma parcela dessa heterogeneidade pelas covariáveis, contudo tem-se a presença de um grau de heterogeneidade induzida por causas não observáveis. Os modelos que incluem essa heterogeneidade não observável entre os sujeitos são conhecidos como modelos de fragilidade. Neste contexto, o termo de fragilidade é incorporado na função de risco da modelagem proposta para controlar a heterogeneidade não observável dos pacientes em que assumimos uma distribuição gama para a variável de fragilidade. Estudos de simulação são realizados e também aplicações de dados reais

In this doctoral thesis, the proposed methodology is based on zero-inflated survival data to deal with situations where there is a fraction of inflated (or adjusted) zeros and cured cases considering different activation schemes. In this approach, we assume that the occurrence of the event of interest is generated by a latent activation structure: first, last, and random, allowing different competing activation mechanisms to explain the occurrence of the phenomenon of interest. In this context, the new model called the zero-inflated cure rate model under different activation schemes is an extension of the zero-inflated model proposed by Jr, Moreira e Louzada (2017); the model proposed by Roman et al. (2013) the promotion time model proposed by Yakovlev (1996) e Chen, Ibrahim e Sinha (1999), as we incorporate zero-inflation and activation schemes in the modeling. For the estimation of the parameters of the model with long duration and zero-inflation, we consider classical and Bayesian approaches. The cure rate models or zero cure rate models indirectly assume that all patients exposed to the event of interest have homogeneous risk, but the existence of heterogeneity can be measured through the inclusion of covariates. Thus, it is possible to measure a portion of this heterogeneity by covariates, but there is a degree of heterogeneity induced by unobserved causes. Models that include this unobserved heterogeneity among subjects are known as frailty models. In this context, the frailty term is incorporated into the risk function of the proposed modeling to control the unobserved heterogeneity of patients, and we assume a gamma distribution for the frailty variable. Simulation studies are performed, as well as applications to real data.