Orientadores: Víctor Hugo Lachos Dávila, Aldo William Medina GarayDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação CientíficaResumo: Neste trabalho estudamos alguns aspectos de estimação e diagnóstico de influência global e local em modelos de regressão robustos com respostas censuradas sob a classe de distribuições de misturas de escala skew-normal (SMSN) (Lachos et al., 2010). A SMSN é uma classe atraente de distribuições assimétricas com caudas pesadas que inclui a skew-normal, skew-t, skew-slash, skew-normal contaminada e toda a família de distribuições de misturas de escala normal (SMN) como casos especiais. As estimativas de máxima verossimilhança (ML) dos parâmetros são obtidas utilizando uma aproximação estocástica do algoritmo EM (SAEM). Esta abordagem nos permite estimar os parâmetros de interesse de forma eficiente, assim como, obter os erros padrão, predições de valores não observados (censuras) e a função de log-verossimilhança. Para analisar o desempenho do modelo proposto, técnicas de deleção de casos e influência local são desenvolvidas para mostrar a robustez contra outlier e observações influentes. Os métodos propostos são verificados através da análise de vários estudos de simulação e aplicando em dois conjuntos de dados reaisAbstract: In this work, we study studied some aspects of estimation and diagnostics of global and local influence in robust regression models with censored responses under the class of scale mixtures of the skew-normal (SMSN) distribution (Lachos et al., 2010). The SMSN is an attractive class of asymmetrical heavy-tailed densities that includes the skew-normal, skew-t, skew-slash, skew-contaminated normal and the entire family of scale mixtures of normal (SMN) distributions as special cases. The estimates of maximum likelihood (ML)of the parameters are obtained using a stochastic approximation of the EM (SAEM) algorithm. This approach allows us to estimate the parameters of interest efficiently, as well as obtain standard errors, predictions of unobservable values (censoring) and the log-likelihood function. To examine the performance of the proposed model, case-deletion and local influence techniques are developed to show its robust aspect against outlying and influential observations. The proposed methods are verified through the analysis of several simulation studies and applying in two real datasetsMestradoEstatisticaMestre em EstatísticaCAPES