[pt] Visando determinar os teores dos componentes relevantes e as propriedades físicas de gasolinas comerciais e sintéticas foram tomados espectros Raman de 60 gasolinas comerciais e 52 misturas sintéticas simulando gasolinas. Os espectros foram tomados em um espectrômetro Nicolet FT Raman 950. Os espectros brutos obtidos foram tratados para evitar a influência da variabilidade de potência do laser excitante sobre as intensidades das linhas Raman. As variáveis independentes (intensidades Raman ) e as variáveis dependentes (propriedades das gasolinas comerciais e misturas sintéticas ) foram centradas em torno da média e submetidas à regressão por mínimos quadrados parciais, visando ajustar modelos que permitissem predizer quantitativamente os teores de etanol, hidrocarbonetos saturados, insaturados e aromáticos além dos valores das propriedades MON, RON, densidade e pontos de ebulição inicial, final, a 10%, 50% e 90% das amostras em estudo. Os resultados obtidos mostraram a potencialidade da espectroscopia Raman, para o desenvolvimento de métodos confiáveis para a análise de diversas características das gasolinas estudadas. / [en] The aim of this work was to determine the contents of the more important components and physical properties of commercial gasolines and synthetic mixtures with known composition, prepared in the laboratory. The Raman spectra of 60 gasolines and 52 mixtures were acquired with a Nicolet 950 Fourier Transform Raman (FT-Raman) spectrometer. The raw spectra were treated to avoid the laser potency variability on Raman lines intensities. The independent variables (Raman intensities) and the dependent variables (gasolines and mixtures properties) were mean centered and models were fit by partial least square regression seeking to predict the contents of ethanol, saturated, unsaturated and aromatic hydrocarbons. Also properties as MON, RON, density and boiling point values were determined by this procedure. The final results showed the potential of Raman spectroscopy for analysis of several properties of gasolines.

[pt] Muitos problemas da área de aprendizagem automática tem por objetivo modelar a complexa relação existente num sisitema , entre variáveis de entrada X e de saída Y na ausência de um modelo teórico. A regressão por mínimos quadrados parciais PLS ( Partial Least Squares) constitui um método linear para resolução deste tipo de problema , voltado para o caso de um grande número de variáveis de entrada quando comparado com número de amostras. Nesta tese , apresentamos uma variante do algoritmo clássico PLS para o tratamento de grandes conjuntos de dados , mantendo um bom poder preditivo. Dentre os principais resultados destacamos um versão paralela PPLS (Parallel PLS ) exata para o caso de apenas um variável de saída e um versão rápida e aproximada DPLS (DIRECT PLS) para o caso de mais de uma variável de saída. Por outro lado ,apresentamos também variantes para o aumento da qualidade de predição graças à formulação não linear. São elas o LPLS ( Lifted PLS ), algoritmo para o caso de apenas uma variável de saída, baseado na teoria de funções de núcleo ( kernel functions ), uma formulação kernel para o DPLS e um algoritmo multi-kernel MKPLS capaz de uma modelagemmais compacta e maior poder preditivo, graças ao uso de vários núcleos na geração do modelo. / [en] The purpose of many problems in the machine learning field isto model the complex relationship in a system between the input X and output Y variables when no theoretical model is available. The Partial Least Squares (PLS)is one linear method for this kind of problem, for the case of many input variables when compared to the number of samples. In this thesis we present versions of the classical PLS algorithm designed for large data sets while keeping a good predictive power. Among the main results we highlight PPLS (Parallel PLS), a parallel version for the case of only one output variable, and DPLS ( Direct PLS), a fast and approximate version, for the case fo more than one output variable. On the other hand, we also present some variants of the regression algorithm that can enhance the predictive quality based on a non -linear formulation. We indroduce LPLS (Lifted PLS), for the case of only one dependent variable based on the theory of kernel functions, KDPLS, a non-linear formulation for DPLS, and MKPLS, a multi-kernel algorithm that can result in a more compact model and a better prediction quality, thankas to the use of several kernels for the model bulding.