As teorias que sustentam os modelos de precificação têm obtido resultados pouco satisfatórios ou insatisfatórios, uma vez que em cada estudo busca aproximar-se da realidade por apenas uma face, não observando o problema de todos os ângulos. Nesse sentido, percebeu-se um gap nos estudos de previsão, explorar sob outras lentes a dinâmica das variáveis do mercado que influenciam a formação do preço para o seu prévio monitoramento. Assim, o objetivo desta pesquisa foi construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço futuro de uma commodity a curto e médio prazo, notadamente para o butadieno, um derivado do petróleo. Para que isto fosse possível, foi realizada a datação dos pontos de mudança do preço dessa commodity, frente aos acontecimentos históricos e, a partir daí, construído o estudo sobre três estruturas: mercado, política e econômica. A partir de então, observou-se quais seriam as variáveis mais consistentes para formar a base da pesquisa. As previsões obtidas revelam um desempenho superior às pesquisas anteriormente realizadas. Assim, a análise da previsão dos pontos de mudança constitui um instrumento informativo para sinalizar o comportamento futuro do preço da commodity do butadieno. A ferramenta utilizada para o modelo de precificação de modo a compreender a natureza das flutuações foram as Redes Bayesianas, que apresentam a capacidade de expressar as probabilidades e de um conjunto de variáveis aleatórias previamente definidas, e fazer predições adequadas. A inferência sobre o preço da commodity do butadieno, a curto e médio prazo, é realizada com o auxílio do software GeNIe 2.0. Conclui-se que investir em pesquisas que utilizem de Inteligência Artificial como métodos preditivos, como a utilização de Redes Bayesianas apresenta a vantagem de compreender a relação causa e efeito através da análise de Cenários. Assim, o objetivo de construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço do butadieno a curto e médio prazo, foi alcançado. Para determinado período houve 84% de chances de acerto nas previsões. / The theories that support pricing models have obtained little satisfactory or unsatisfactory results, once each study examines only one aspect of reality, without studying the problem as a whole. In this sense its necessary to explore under other aspects the dynamics of market variables that influence the pricing for its prior monitoring. The objective of this research was to build a decision support tool capable of periodically forecast the future price of a commodity in the short and medium term, especially for butadiene, an oil derivative. To make it possible, was done the dating of turning points in the price of this commodity compared to the historical events and based on these data to build this study on three structures: market, political and economic. Then, we identified the most consistent variables to form the basis of the research. The forecasts obtained show a higher performance compared to previous investigations. Thus, the forecast analysis of turning points is an informative tool to signal the future behavior of the price of this commodity. To understand the nature of these fluctuations, the method used in the pricing model were the Bayesian networks, which are capable of expressing the probabilities of a set of random variables defined previously and make appropriate predictions. The inference on the commodity price of butadiene – in the short and medium term, was performed using the Genie 2.0 software. The conclusion was that investing in research using artificial intelligence and predictive methods such as the Bayesian networks, has the advantage of understanding the relationship of cause and effect through scenario analysis. So the objective of building a decision support tool that can predict periodically, the price of butadiene in the short and medium term, has been achieved. For certain period was 84% accurate in forecasts of chances.

O objetivo deste trabalho consiste em identificar a existência de contágio financeiro utilizando a metodologia de redes bayesianas. Além da rede bayesiana, a análise da interdependência de mercados internacionais em períodos de crises financeiras, ocorridas entre os anos 1996 e 2009, foi modelada com outras duas técnicas - modelos GARCH multivariados e de Cópulas, envolvendo países nos quais foi possível avaliar seus efeitos e que foram objetos de estudos similares na literatura. Com os períodos de crise bem definidos e metodologia calcada na teoria de grafos e na inferência bayesiana, executou-se uma análise sequencial, em que as realidades que precediam períodos de crise foram consideradas situações a priori para os eventos (verossimilhanças). Desta combinação resulta a nova realidade (a posteriori), que serve como priori para o período subsequente e assim por diante. Os resultados apontaram para grande interligação entre os mercados e diversas evidências de contágio em períodos de crise financeira, com causadores bem definidos e com grande respaldo na literatura. Ademais, os pares de países que apresentaram evidências de contágio financeiro pelas redes bayesianas em mais períodos de crises foram os mesmos que apresentaram os mais altos valores dos parâmetros estimados pelas cópulas e também aqueles cujos parâmetros foram mais fortemente significantes no modelo GARCH multivariado. Assim, os resultados obtidos pelas redes bayesianas tornam-se mais relevantes, o que sugere boa aderência deste modelo ao conjunto de dados utilizados neste estudo. Por fim, verificou-se que, após as diversas crises, os mercados estavam muito mais interligados do que no período inicialmente adotado. / This work aims to identify the existence of financial contagion using a metodology of Bayesian networks. Besides Bayesian networks, the analysis of the international markets\' interdependence in times of financial crises, occurred between 1996 and 2009, was modeled using two other techniques - multivariate GARCH models and Copulas models, involving countries in which its effects were possible to assess and which were subject to similar studies in the literature. With well-defined crisis periods and a metodology based on graph theory and Bayesian inference, a sequential analysis was executed, in which the realities preceding periods of crisis were considered to be prior situations to the events (likelihood). From this combination results the new posterior reality, which serves as a prior to the subsequent period and so on. The results pointed to a large interconnection between markets and several evidences of contagion in times of financial crises, with well-defined responsibles and highly supported by the literature. Moreover, the pairs of countries that show evidence of financial contagion by Bayesian networks in over periods of crises were the same as that presented the highest values of the parameters estimated by copulas and the most strongly significant parameters in the multivariate GARCH model. Thus, the results obtained by Bayesian networks become more relevant, suggesting good adherence of the model to the data set used in this study. Finally, it was found that after the various crises, the markets were much more connected.

Made available in DSpace on 2016-03-15T19:37:53Z (GMT). No. of bitstreams: 1 Jorge Candido.pdf: 1397085 bytes, checksum: e82ad6a587c16813c068018b87471755 (MD5) Previous issue date: 2007-02-26 / This work presents a face detection system that uses a Bayesian Network to combine information from different computational cheap visual operators. The aim in this work is to show that combining simple features in a Bayesian Network allows building an enhanced face detector system, increasing the detection rate and speeding up the face detection process. This face detector has been developed to work in the stream acquired by a USB computer camera. After the detector finds a face in the stream, a face tracking system begins to work, locating the eyes position at the screen. The system is part of a high precision optical mouse system that will be used in human-computer interface, helpin users with certain disabilities. / Neste trabalho, foi desenvolvido um sistema automático de detecção e rastreio de face. O sistema de detecção de face é composto de três operadores visuais que fazem a detecção de atributos faciais simples. A característica principal destes operadores é que eles são construídos para funcionar com custo computacional baixo, otimizando o tempo de processamento. Os operadores foram construídos utilizando técnicas de redes neurais para a detecção dos olhos, casamento de modelos para a detecção da boca e para a identificação de cor de pele. Os operadores visuais formam os elementos básicos do detector de face cujos resultados são combinados em uma Rede Bayesiana que define o resultado final do algoritmo de detecção de face . O uso da Rede Bayesiana proporciona ao sistema um melhor desempenho em relação aos operadores individualmente . Este detector foi implementado de forma a analisar as imagens captadas quadro a quadro por uma câmera de vídeo USB. Quando acontece uma detecção de face, a mesma passa a ser ratreada por um sistema de rastreio que busca a região de cor de pele da face, determinando sua posição na tela. Este sistema pode ser utilizado em diversas aplicações que requerem a detecção de faces, em particular, este sistema faz parte de um sistema de mouse óptico de alta precisão para, por exemplo, facilitar a interface homem máquina para pessoas com problemas de coordenação motora.

Neste trabalho demos continuidade ao estudo desenvolvido por Colla (2007) que utilizou-se do arcabouço de álgebra linear com técnicas de fatoração de matrizes esparsas aplicadas à inferência em redes Bayesianas. Com isso, a biblioteca computacional resultante possui uma separação clara entre a fase simbólica e numérica da inferência, o que permite aproveitar os resultados obtidos na primeira etapa para variar apenas os valores numéricos. Aplicamos técnicas de paralelização para melhorar o desempenho computacional, adicionamos inferência para Redes Credais e novos algoritmos para inferência em Redes Bayesianas para melhor eciência dependendo da estrutura do grafo relacionado à rede e buscamos tornar ainda mais independentes as etapas simbólica e numérica. / In this work we continued the study by Colla (2007), who used the framework of linear algebra techniques with sparse matrix factorization applied to inference in Bayesian networks. Thus, the resulting computational library has a clear separation between the symbolic and numerical phase of inference, which allows you to use the results obtained in the rst step to vary only numeric values. We applied parallelization techniques to improve computational performance, we add inference to Credal Networks and new algorithms for inference in Bayesian networks for better eciency depending on the structure of the graph related to network and seek to become more independent symbolic and numerical steps.

Orientador: Renato Vicentini dos Santos / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Biologia / Made available in DSpace on 2018-08-23T02:31:35Z (GMT). No. of bitstreams: 1 Murad_NataliaFaraj_M.pdf: 15243579 bytes, checksum: a5e50145fbdf4bddfb2ea99313b17991 (MD5) Previous issue date: 2013 / Resumo: A cana-de-açúcar é uma das mais importantes plantas cultivadas no Brasil, que é o maior produtor e exportador mundial. Seu valor econômico é devido principalmente a sua capacidade de estocar sacarose nos colmos. Os padrões de expressão gênica podem regular processos de desenvolvimento da planta e influenciar no acúmulo de sacarose em tecidos de reserva. A regulação desses padrões ocorre através de complexos sistemas de interações entre muitos genes e seus produtos, resultando em uma complexa rede de regulação gênica. Modelos gráficos probabilísticos têm sido amplamente utilizados para inferência e representação dessas redes. Dentre eles, as redes bayesianas são o principal por ser considerado o método mais flexível e também requererem um número reduzido de parâmetros para a descrição do modelo. Sendo assim, este estudo utilizou a metodologia de redes bayesianas para inferência de interações regulatórias entre genes de metabolismo e sinalização de sacarose a partir de dados de expressão gênica, obtidos através de microarrays, disponíveis no Gene Expression Omnibus (GEO). As redes foram obtidas através de softwares para inferência de redes e então analisadas quanto aos genes que as compõem e padrões de expressão. Os genes foram agrupados em clusters considerando-se seus padrões de coexpressão. Os genes mais representados no cluster da enzima sacarose fosfato sintase (SPS) em cana são genes de relacionados à tradução, ligação ao DNA e genes de função desconhecida, enquanto os menos representados são de fotossíntese, resposta a hormônios, e outros eventos metabólicos. A rede do cluster da SPS apresentou sete genes principais (hubs) que aparentam ter um importante papel dentro do cluster. Foi obtida também uma rede considerando genes selecionados em estudos com experimentos de microarrays previamente publicados. Uma dessas redes possui 136 genes e apresentou 6 genes principais, sendo que a maioria deles é de fotossíntese. Na rede considerando genes diferencialmente expressos nesses experimentos (265 genes), genes que pertencem à mesma categoria funcional tenderam a sofrer regulação por um único gene em comum, formando grupos de funções semelhantes em cada hub / Abstract: Sugarcane is one of the most important plants cultivated in Brazil which is the world's largest producer and exporter. Its economic yield is mainly due to its high sucrose content. The patterns of gene expression may regulate processes of plant development and influence the accumulation of sucrose by storage tissues. The regulation of these patterns occurs through complex systems of interactions between many genes and their products, resulting in a complex gene regulatory network. Probabilistic graphical models have been widely used for inference and representation of these networks. Among them, Bayesian networks are the main for being considered to be the most flexible method and also requiring a reduced number of parameters to the model description. Then, this work has used the Bayesian network methodology for inference of regulatory interactions between signaling and sucrose metabolism genes from gene expression data, obtained from microarrays, available on Gene Expression Omnibus (GEO). Networks were generated by networks inference softwares, and then analyzed observing their composing genes and expression patterns. The genes were grouped considering their coexpression patterns. The most represented genes in the sacarose phosphate syntase (SPS) cluster are related with translation, DNA biding and unknown function genes while the least represented are of photosynthesis, hormone response and other metabolic events. The SPS cluster network presented 7 main hubs that seem to play an important role in the cluster. It was also obtained a network considering genes selected from studies with microarray experiments previously published. One of these gene networks has 136 genes and it presented 6 main genes, being the most of them are from photosynthesis. In the network considering differential expressed in this experiments, genes that are from the same functional category tended to suffer regulation for one unique common gene, forming groups of genes with similar function on each hub / Mestrado / Genetica Vegetal e Melhoramento / Mestra em Genética e Biologia Molecular

The maritime industry is experiencing one of its longest and fastest periods of growth. Hence, the global maritime surveillance capacity is in a great need of growth as well. The detection of vessel activity is an important objective of the civil security domain. Detecting vessel activity may become problematic if audit data is uncertain. This thesis aims to investigate if Bayesian networks acquired from expert knowledge can detect activities with a signature-based detection approach. For this, a maritime pilot-boat scenario has been identified with a domain expert. Each of the scenario’s activities has been divided up into signatures where each signature relates to a specific Bayesian network information node. The signatures were implemented to find evidences for the Bayesian network information nodes. AIS-data with real world observations have been used for testing, which have shown that it is possible to detect the maritime pilot-boat scenario based on the taken approach.

After a huge amount of success within the military, the benefits of the use of unmanned aerial systems over manned aircraft is obvious. They are becoming cheaper and their functions advancing to such a point that there is now a large drive for their use by civilian operators. However there are a number of significant challenges that are slowing their inevitable integration into the national airspace systems of countries. A large array of emergency situations will need to be dealt with autonomously by contingency management systems to prevent potentially deadly incidences. One such emergency situation that will need autonomous intervention, is the total loss of thrust from engine failure. The complex multi faceted task of landing the stricken aircraft at a potentially unprepared site is called a forced landing. This thesis presents methods to address a number of critical parts of a forced landing system for use by an unmanned aerial system. In order for an emergency landing site to be considered, it needs to be within glide range. In order to find a landing site s reachability from the point of engine failure the aircraft s glide performance and a glide path must be known. A method by which to calculate the glide performance, both from aircraft parameters or experiments is shown. These are based on a number of steady state assumptions to make them generic and quick to compute. Despite the assumptions, these are shown to have reasonable accuracy. A minimum height loss path to the landing site is defined, which takes account of a steady uniform wind. While this path is not the path to be flown it enables a measure of how reachable a landing site is, as any extra height the aircraft has once it gets to the site makes a site more reachable. It is shown that this method is fast enough to be run online and is generic enough for use on a range of aircraft. Based on identified factors that make a landing site more suitable, a multi criteria decision making Bayesian network is developed to decide upon which site a unmanned aircraft should land in. It can handle uncertainty and non-complete information while guaranteeing a fast reasonable decision, which is critical in this time sensitive situation. A high fidelity simulation environment and flight test platform are developed in order to test the performance of the developed algorithms. The test environments developed enable rapid prototyping of algorithms not just within the scope of this thesis, but on a range of vehicle types. In simulation the minimum height loss paths show good accuracy, for two completely different types of aircraft. The decision making algorithms show that they are capable of being ran online in a flight test. They make a reasonable decision and are capable of quickly reacting to changing conditions, enabling redirection to a more suitable landing site.

Implementation of EU Water Framework Directive has led to an increased demand for cost-benefit analysis in water management. The directive introduces a good status, which is required on all water bodies by 2027. Excessive phosphorus inflows are one of the main reasons for not meeting the criteria in the Czech Republic. If achieving of the good status is not cost-proportionate, exemption can be applied. Many different methodologies were created across different states, including Czech official methodology by Slavíková et al. (2015). However, this methodology does not deal with uncertainty of measures effectiveness. This thesis describes how to implement the uncertainty into calculations using Bayesian networks. A case study of Stanovice water reservoir demonstrates the approach practically. Results of the Bayesian network show, that selected measures with available data eliminate desired amount of phosphorus in 70% of all cases. This reduction is most likely sufficient, because it holds for the upper estimate of required abatement (60 to 200 kg). Based on comparison of benefits and costs, it seems net benefits are generated by implementing suggested measures. Therefore, policy recommendation is to implement the selected measures.

The failure analysis and resolution in cloud-computing environments are a a highly important issue, being their primary motivation the mitigation of the impact of such failures on applications hosted in these environments. Although there are advances in the case of immediate detection of failures, there is a lack of research in root cause analysis of failures in cloud computing. In this process, failures are tracked to analyze their causal factor. This practice allows cloud operators to act on a more effective process in preventing failures, resulting in the number of recurring failures reduction. Although this practice is commonly performed through human intervention, based on the expertise of professionals, the complexity of cloud-computing environments, coupled with the large volume of data generated from log records generated in these environments and the wide interdependence between system components, has turned manual analysis impractical. Therefore, scalable solutions are needed to automate the root cause analysis process in cloud computing environments, allowing the analysis of large data sets with satisfactory performance. Based on these requirements, this thesis presents a data-driven solution for root cause analysis in cloud-computing environments. The proposed solution includes the required functionalities for the collection, processing and analysis of data, as well as a method based on Bayesian Networks for the automatic identification of root causes. The validation of the proposal is accomplished through a proof of concept using OpenStack, a framework for cloud-computing infrastructure, and Hadoop, a framework for distributed processing of large data volumes. The tests presented satisfactory performance, and the developed model correctly classified the root causes with low rate of false positives. / A análise e reparação de falhas em ambientes de computação em nuvem é uma questão amplamente pesquisada, tendo como principal motivação minimizar o impacto que tais falhas podem causar nas aplicações hospedadas nesses ambientes. Embora exista um avanço na área de detecção imediata de falhas, ainda há percalços para realizar a análise de sua causa raiz. Nesse processo, as falhas são rastreadas a fim de analisar o seu fator causal ou seus fatores causais. Essa prática permite que operadores da nuvem possam atuar de modo mais efetivo na prevenção de falhas, reduzindo-se o número de falhas recorrentes. Embora essa prática seja comumente realizada por meio de intervenção humana, com base no expertise dos profissionais, a complexidade dos ambientes de computação em nuvem, somada ao grande volume de dados oriundos de registros de log gerados nesses ambientes e à ampla inter-dependência entre os componentes do sistema tem tornado a análise manual inviável. Por esse motivo, torna-se necessário soluções que permitam automatizar o processo de análise de causa raiz de uma falha ou conjunto de falhas em ambientes de computação em nuvem, e que sejam escaláveis, viabilizando a análise de grande volume de dados com desempenho satisfatório. Com base em tais necessidades, essa dissertação apresenta uma solução guiada por dados para análise de causa raiz em ambientes de computação em nuvem. A solução proposta contempla as funcionalidades necessárias para a aquisição, processamento e análise de dados no diagnóstico de falhas, bem como um método baseado em Redes Bayesianas para a identificação automática de causas raiz de falhas. A validação da proposta é realizada por meio de uma prova de conceito utilizando o OpenStack, um arcabouço para infraestrutura de computação em nuvem, e o Hadoop, um arcabouço para processamento distribuído de grande volume de dados. Os testes apresentaram desempenhos satisfatórios da arquitetura proposta, e o modelo desenvolvido classificou corretamente com baixo número de falsos positivos.

There are different models, which describe conditional independence induced by multivariate distributions. Models such as Undirected Graphs, Directed Acyclic Graphs, Essential Graphs and Annotated Graphs are introduced and compared in this thesis. The focus is put on annotated graphs. It is shown that annotated graphs represent equivalence classes of DAG-representable relations. An algorithm for reconstruction of an annotated graph from an essential graph as well as the algorithm for the inverse procedure are given. Some properties of a characteristic imset, which is a non-graphical representation, are discussed. A relationship between annotated graphs and characteristic imsets is investigated, an algorithm, which reconstructs an annotated graph from a characteristic imset is given. Powered by TCPDF (www.tcpdf.org)