[pt] Muito freqüentemente, as técnicas utilizadas na identificação de processos estocásticos conduzem a mais de um modelo passível de ser utilizado na caracterização do processo. O problema de escolher entre estes modelos é formulado como um problema de teste de hipóteses, e o teste de razão de verossimilhança é a ele aplicado. Considera-se então a situação particular onde se quer descrever processos de parâmetro discreto (séries temporais) através de modelos ARIMA (autoregressive Integrated Moving Average). O teste de razão de verossimilhança associado ao problema é então deduzido e implementado através do algoritmo de Kalman-Bucy. Comparações com um outro teste usualmente empregado na escolha de modelos para séries temporais mostram a superioridade do teste de razão de verossimilhança. / [en] Very often random process identification techniques lead to several prospective models to characterize the process. The problem of choosing among these models is cast as a hypothesis testing problem, to which a likelihood ratio test is applied. For the special situation in which a choice between two autoregressive integrated moving average models is to made, likelihood ratio is derived and afterwards implemented through the Kalman-Bucy algorithm. Comparisons with another procedure usually connected to time series model choices show likelihood ratio tests are definetely superior.

[pt] As fontes renováveis de energia tem adquirido grande relevância no contexto mundial devido as diretrizes tomadas pelas políticas globais. Embora sejam termoelétricas, as usinas a biomassa são consideradas fontes de energia renováveis por manter os níveis de gás carbônico na atmosfera. Além disso, as usinas termoelétricas têm mais autonomia na geração do que as demais fontes renováveis como hidrelétricas, eólicas e solares que dependem de incertezas como vazões de água, velocidade do vento e irradiação solar, respectivamente. Este conjunto de características torna a biomassa uma fonte de energia indispensável para futuros planejamentos de operação do sistema. No entanto, esta fonte apresenta períodos intermitentes por estar usualmente atrelada a cultura de cana-de-açúcar. Poucos são os estudos de previsão e simulação desta fonte de energia. Dessa forma, a dissertação visa a implementação do modelo de cadeias de Markov com simulações de Monte Carlo. / [en] Renewable energy sources have acquired great relevance in the world context due to the guidelines taken by global policies. Although they are thermoelectric, biomass power plants are considered renewable energy sources because they maintain the levels of carbon dioxide in the atmosphere. In addition, thermoelectric plants have more autonomy in generation than other renewable sources such as hydro, wind and solar, which depend on uncertainties such as water flow, wind speed and solar irradiation, respectively. This set of characteristics makes biomass an indispensable energy source for future system operation planning. However, this source has intermittent periods as it is usually linked to the sugarcane crop. There are few prediction and simulation studies of this energy source. Thus, the dissertation aims to implement the Markov chain model with Monte Carlo simulations.

[pt] Métodos de amortecimento exponencial são formulações versáteis para a previsão de séries temporais univariadas, desenvolvidas na década de 1960. Modelos mais recentes têm feito uso do bagging para melhorar a qualidade das previsões. Um destes, o BaggedETS, desenvolvido em 2016, trouxe melhorias na qualidade de previsão e está disponível na biblioteca forecast para R. Uma proposta posterior, BaggedClusterETS, adicionou uma etapa de clustering e validação para tratar o efeito da covariância associada ao uso do bagging, resultando em ganhos adicionais de performance. Este trabalho explora três extensões dos métodos supracitados e seus efeitos: o primeiro estuda os efeitos do maximum entropy bootstrap na realização do BaggedETS. O segundo explora diferentes medidas de dissimilaridade para construir os clusters do BaggedClusterETS. O terceiro emprega uma versão simplificada do BaggedClusterETS, removendo as etapas de validação e seleção, empregando apenas os medóides para realizar o bagging. Para testar estas propostas, 21 séries temporais da aviação civil e demanda energética foram empregadas. / [en] Exponential smoothing methods are flexible procedures for univariate time series forecasting, developed in the 1960 s. Most recent developments based on these models use bagging to improve forecast quality. One of these implementations, BaggedETS, developed in 2016, brought improvements in forecast quality and is distributed through the forecast package for R. A posterior implementation, BaggedClusterETS, adds clustering and validation steps to address the covariance effect associated with bagging. The proposal resulted in further accuracy improvements. This work delves into three extensions of the aforementioned methods: the first studies the effects of the maximum entropy bootstrap on the BaggedETS. The second explores different dissimilarity measures to construct the clusters in BaggedClusterETS. The third studies a simplified version of BaggedClusterETS, where the validation and selection steps are removed, and using only the medoids for bagging. To test these proposals, 21 time series from civil aviation and energy consumption were used.

[pt] O presente trabalho é inteiramente baseado na teoria de modelagem de series temporais, proposta por BOX & JENKINS em Time Series Analysis: Forecasting and Control. (1970). E dado ênfase ao problema de transformação e estimação de parâmetros, com vistas a previsão de series temporais. O trabalho apresenta um conjunto de programas para aplicação das técnicas desenvolvidas. Em particular é tratado o caso de uma serie hidrológica de vazões do Rio Grande, Brasil, nos últimos 40 anos. / [en] The present paper is totally based upon the theory of time series modeling, presented by BOX & JENKINS in Time Series Analysis: Forecasting and Control. (1970). Enphasis is given to the problem of tranformation and estimation of parameters, with the objective to forecast time series. This paper presents a set of programs for pratical applications of the techniques developped. The case of a hidrologic time series of inflows of Rio Grande, Brasil is included.

[pt] Neste trabalho um novo modelo de mistura de distribuições é proposto, onde a estrutura da mistura é determinada por uma árvore de decisão com transição suave. Modelos baseados em mistura de distribuições são úteis para aproximar distribuições condicionais desconhecidas de dados multivariados. A estrutura em árvore leva a um modelo que é mais simples, e em alguns casos mais interpretável, do que os propostos anteriormente na literatura. Baseando-se no algoritmo de Esperança- Maximização (EM), foi derivado um estimador de quasi- máxima verossimilhança. Além disso, suas propriedades assintóticas são derivadas sob condições de regularidades. Uma estratégia de crescimento da árvore, do especifico para o geral, é também proposta para evitar possíveis problemas de identificação. Tanto a estimação quanto a estratégia de crescimento são avaliados em um experimento Monte Carlo, mostrando que a teoria ainda funciona para pequenas amostras. A habilidade de aproximação universal é ainda analisada em experimentos de simulação. Para concluir, duas aplicações com bases de dados reais são apresentadas. / [en] In this work a new model of mixture of distributions is proposed, where the mixing structure is determined by a smooth transition tree architecture. Models based on mixture of distributions are useful in order to approximate unknown conditional distributions of multivariate data. The tree structure yields a model that is simpler, and in some cases more interpretable, than previous proposals in the literature. Based on the Expectation-Maximization (EM) algorithm a quasi-maximum likelihood estimator is derived and its asymptotic properties are derived under mild regularity conditions. In addition, a specific-to-general model building strategy is proposed in order to avoid possible identification problems. Both the estimation procedure and the model building strategy are evaluated in a Monte Carlo experiment, which give strong support for the theorydeveloped in small samples. The approximation capabilities of the model is also analyzed in a simulation experiment. Finally, two applications with real datasets are considered.

[pt] Existe consenso entre os pesquisadores de que o modelo de séries temporais não é adequado para previsão de peças de reposição. Entretanto, a maioria das ferramentas de previsão existentes no mercado emprega o modelo de séries temporais. Este trabalho apresenta a distribuição de Poisson como alternativa para a previsão de estoque de peças eletrônicas de reposição. A partir de noções básicas de gestão de estoques utilizando séries temporais e dos conceitos de confiabilidade, disponibilidade e do Processo de Poisson é proposto um modelo alternativo. Com o uso de exemplos reais são apresentados os resultados da aplicação do modelo proposto e a comparação com o modelo SAGA, que utiliza séries temporais. A principal característica do modelo proposto é o uso da distribuição de Poisson e a Taxa de Falhas real como principais parâmetros de cálculo. A análise dos resultados mostrou que é possível reduzir os erros de previsão, o custo de estoque e o número de pedidos não atendidos, com conseqüente aumento da Disponibilidade Operacional. / [en] There is a consensus that time series model is not appropriate in forecasting replacement parts. However most of market used forecasting tools are time series models. This work presents Poisson distribution as an alternative to forecast replacement parts on electronic equipments. From basic stock management notions, using time series and trust concepts of reliability, availability, and Poisson Process, an alternative model is proposed. Using real examples, the result from proposed model and its comparison to SAGA model, which is based on time series, is presented. The major characteristic of the proposed model is the application of Poisson distribution, and the real faults rate as the main calculus parameters. The analyses results have shown that is possible to reduce forecasting errors, therefore the stock cost, and the reduction of back orders amount, increasing the Operational availability.

[pt] O setor energético brasileiro passou por transformações significativas, destacando o papel crucial do gás natural para garantir a segurança energética diante da transição para fontes menos dependentes de combustíveis fósseis. A previsão da demanda de gás natural é essencial para a gestão eficiente do setor. Enquanto a literatura tem se concentrado na previsão de demanda de eletricidade, há uma lacuna em estudos sobre modelagem e previsão da demanda de gás natural, especialmente em contextos industriais e de médio/longo prazo. A necessidade de modelos mais precisos e abrangentes para prever a demanda de gás natural é evidente a partir da análise dos estudos existentes. Dessa forma, o objetivo deste trabalho é abordar uma análise comparativa da previsão de demanda de gás natural, por meio de modelos sugeridos na literatura recente de séries temporais, com aplicação no software R, para dados diários e semanais de consumo de gás natural, obtidos dos Relatórios de Movimentação de Gás Natural em Gasodutos de Transporte, divulgados mensalmente pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis, no período de 2021 a 2023. Os modelos fornecem as previsões para uma amostra teste de trinta dias futuros para dados diários e de quatro semanas para dados semanais e é realizada uma análise comparativa fora da amostra com base em métricas de desempenho, para identificar o modelo mais adequado para a série de dados. Ao final do estudo, os modelos de previsão utilizando redes neurais e tbats (transformação Box-Cox, erros ARMA, tendência e componentes sazonais trigonométricas) foram aqueles que demonstraram melhor desempenho para dados diários, enquanto o método de decomposição com modelagem autorregressiva e ajuste sazonal (stlar) e o seasonal naive method (método ingênuo sazonal) foram os que apresentaram melhor desempenho para as séries temporais em base semanal. / [en] The Brazilian energy sector has undergone significant transformations, highlighting the crucial role of natural gas in ensuring energy security in the face of the transition to sources less dependent on fossil fuels. Forecasting natural gas demand is essential for efficient management of the sector. While the literature has focused on forecasting electricity demand, there is a gap in studies on modeling and forecasting natural gas demand, especially in industrial and medium/long-term contexts. The need for more accurate and comprehensive models to forecast natural gas demand is evident from the analysis of existing studies. Therefore, the objective of this work is to address a comparative analysis of natural gas demand forecasting, using models suggested in recent time series literature, with application in the R software, for daily and weekly natural gas consumption data, obtained of the Natural Gas Movement Reports in Transport Gas Pipelines, released monthly by the National Agency for Petroleum, Natural Gas and Biofuels, in the period from 2021 to 2023. The models provide forecasts for a test sample of thirty days in the future for daily and four weeks for weekly data and an out-of-sample comparative analysis is performed based on performance metrics to identify the most suitable model for the data series. At the end of the study, the forecast models using neural networks and tbats (Box-Cox transformation, ARMA errors, trend and trigonometric seasonal components) were those that demonstrated the best performance for daily data, while the decomposition method with autoregressive modeling and seasonal adjustment (stlar) and the seasonal naive method were the ones which showed better performance for time series on a weekly basis.

[pt] Atualmente, uma tarefa muito importante na mineração de dados é compreender como extrair os dados mais informativos dentre um número muito grande de dados. Uma vez que todos os campos de conhecimento apresentam uma grande quantidade de dados que precisam ser reduzidas até as informações mais representativas, a abordagem das séries temporais é definitivamente um método muito forte para representar e extrair estas informações. No entanto nós precisamos ter uma ferramenta apropriada para inferir os dados mais significativos destas séries temporais, e para nos ajudar, podemos utilizar alguns métodos de medida de similaridade para saber o grau de igualdade entre duas séries temporais, e nesta pesquisa nós vamos realizar um estudo utilizando alguns métodos de similaridade baseados em medidas de distância e aplicar estes métodos em alguns algoritmos de clusterização para fazer uma avaliação de se existe uma combinação (método de similaridade baseado em distância / algoritmo de clusterização) que apresenta uma performance melhor em relação a todos os outros utilizados neste estudo, ou se existe um método de similaridade baseado em distância que mostra um desempenho melhor que os demais. / [en] Nowadays a very important task in data mining is to understand how to collect the most informative data in a very amount of data. Once every single field of knowledge have lots of data to summarize in the most representative information, the time series approach is definitely a very strong way to represent and collect this information from it (12, 22). On other hand we need to have an appropriate tool to extract the most significant data from this time series. To help us we can use some similarity methods to know how similar is one time series from another In this work we will perform a research using some distance-based similarity methods and apply it in some clustering algorithms to do an assessment to see if there is a combination (distance-based similarity methods / clustering algorithm) that present a better performance in relation with all the others used in this work or if there exists one distancebased similarity method that shows a better performance between the others.

[pt] O estudo de séries temporais desempenha um papel fundamental no processo de tomada de decisão, dando origem a inúmeras metodologias ao longo do tempo. Dentro desse contexto, os modelos score-driven surgem como uma abordagem flexível e interpretável. No entanto, devido ao número significativo de parâmetros envolvidos, o processo de estimação desses modelos tende a ser complexo. Para lidar com essa complexidade, este estudo tem como objetivo avaliar como a adoção de técnicas modernas de otimização impacta o desempenho final do modelo. Além de simplificar o processo de estimação de parâmetros, essa mudança de paradigma permite a integração de novas técnicas, como a otimização robusta, na formulação do modelo, potencialmente aprimorando seu desempenho. O pacote SDUC.jl, que facilita o ajuste e a previsão de modelos impulsionados por escores com base em componentes não observáveis usando técnicas modernas de otimização, representa uma das principais contribuições deste estudo. Ao utilizar séries temporais conhecidas para ilustrar sua funcionalidade e dados mensais de carga elétrica do sistema brasileiro, o estudo foi capaz de demonstrar a flexibilidade do pacote e seu desempenho robusto, mesmo durante períodos de mudança de regime nos dados, graças à aplicação de técnicas de robustez. / [en] The study of time series plays a pivotal role in the decision-making process, giving rise to numerous methodologies over time. Within this context, score-driven models emerge as a flexible and interpretable approach. However, due to the significant number of parameters involved, the estimation process for these models tends to be complex. To address this complexity, this study aims to evaluate how the adoption of modern optimization techniques impacts the final performance of the model. Beyond simplifying the parameter estimation process, this shift in paradigm allows for the integration of new techniques, such as robust optimization, into the model formulation, thereby potentially enhancing its performance. The SDUC.jl package, which facilitates the adjustment and prediction of score-driven models based on unobservable components using modern optimization techniques, represents one of the main contributions of this study. By utilizing well-known time series to illustrate its functionality and monthly electrical load data from the Brazilian system, the study was able to demonstrate the flexibility of the package and its robust performance, even during periods of regime change in the data, thanks to the application of robustness techniques.

[pt] A metodologia Box & Jenkins tem sido mais utilizada para fazer previsões do que outros métodos até então. Alguns analistas têm relutado, entretanto, em usar esta metodologia, em parte porque a identificação da estrutura adequada é uma tarefa complexa. O reconhecimento tanto dos padrões de comportamento das funções de autocorrelação quanto da autocorrelação parcial (teórica/estimada) dependem da série temporal através da qual é possível extraí-las. Uma vez obtidos os resultados, pode-se inferir qual o tipo de estrutura Box & Jenkins adequada para a série. A proposta do trabalho é desenvolver três novas metodologias de identificação automática das estruturas Box & Jenkins ARMA simples e/ou sazonais, identificar os filtros sazonal e linear da série de uma forma menos complexa. A primeira metodologia utiliza árvores de decisão, a segunda, redes neurais e a terceira, K-Nearest Neighbor (KNN). A estas metodologias serão utilizadas as estruturas Box & Jenkins sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os resultados são aplicados a séries simuladas, bem como a séries reais. Como comparação, utilizou-se o método automático de identificação proposto no software FPW-XE. / [en] The Box & Jenkins is the most popular forecasting technique. However, some researchers have not embraced it because the identification of its structure is highly complex. The process of proper characterizing the properties of both autocorrelation functions and partial correlation (theoretical or estimated) depends on the time series from which they are being obtained. Given the results in question, it is possible to infer the proper Box & Jenkins structure for the time series being studied. For the reasons above, the goal of this dissertation is to develop three new methodologies to identifying, in an automatic fashion, the Box & Jenkins structure of an ARMA series. The methodologies identify, in a simpler manner, both the seasonal and linear filters of the series. The first methodology applies the decision tree. The second applies the neural networks. The third applies the K-Nearest Neighbor (KNN). In each of them the Box & Jenkins seasonal structures of 3, 4, 6 and 12 periods were used, as well as the nonseasonal structure. The results are applied to simulated and actual series. For comparison purposes, the automatic identification procedure of the software FPW-XE is also used.