Made available in DSpace on 2010-04-20T21:00:51Z (GMT). No. of bitstreams: 4 Aurelien Dominique Emmanuel Lorthiois.pdf.jpg: 20555 bytes, checksum: 104d9c73afe06900b4f6320d1ca57a47 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf: 374119 bytes, checksum: e3c676f8fa5a823f03f9cbec2e9f9605 (MD5) license.txt: 4886 bytes, checksum: 301591937b0d196eef6c9987d71eaa35 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf.txt: 62072 bytes, checksum: 65eb038f1661cb50c10a8bba7afb736d (MD5) Previous issue date: 2009-02-04T00:00:00Z / No Brasil, o regime de metas para inflação foi instituído em julho de 1999, pelo Banco Central do Brasil, sendo o principal objetivo ancorar as expectativas de mercado. Este regime levou a uma queda da inflação e também a uma convergência das expectativas. Quando comparadas com a inflação ocorrida, as expectativas do mercado melhoraram nos últimos anos, porém, continuam com um erro ainda expressivo para o prazo de 6 meses. Em linhas gerais, a contribuição desta dissertação é de mostrar que existem modelos simples que conseguem prever o comportamento da inflação em médio prazo (6 meses). Um modelo ARIMA do IPCA obtém projeções acumuladas de inflação melhores que as projeções do mercado. / In July 1999, the inflation targeting was implemented by the Brazilian Central Bank, in which the major objective was to guide the market expectations. This regime reduced the inflation and converged the expectations. Although, when compared the inflation accumulated for six month and its market expectation there is still a difference between them. The contribution of this work is that we can construct simple models for inflation that project the inflation in the medium term. An autoregressive moving average model of the official inflation in Brazil can project better than the market.

Estudos recentes em séries temporais direcionam-se àquelas que apresentam característica de longa dependência, ou seja, séries temporais nas quais a dependência entre observações distantes não é desprezível. Neste trabalho, analisamos o modelo ARFIN!A(p, d,q ), para dE (0,0;0,5), que apresenta a. característica de longa dependência. Como estimativas para o grau de diferenciação d consideramos os estimadores obtidos através da função periodograma, da função periodograma suavizado e da função de máxima verossimilhança sugerida por Whittle, comparando a variância e o erro quadrático médio destes estimadores através de diversas simulações. / Recent work on time series analysis is concerned with the property of long mcmory, that is, time series in which the dependence between distant observations is not negligible. In this work we analyzc the ARF I .NI A(p, d, q) model, for d E (0.0; 0.5), that has the property of long memory. We consider estimators for the degree of differencing d based on the perioclogram function, on the smoothed periodogram function , anel on the maximum likelihood function suggested by Whittle. Through several simulations we compare the variance anel the mean squared error for these estimators.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Ingeniero Civil Matemático / El presente estudio tiene como objetivo principal la construcción de una plataforma GIS (Sistema de Información Geo-referenciada) para el análisis estadístico de procesos temporales y geo-referenciados, dicha plataforma consiste en la visualización geográfica de una zona de estudio, en la cual se pueden realizar análisis estadísticos de variables asociadas a la región. Asimismo, se describe y profundiza el modero ARIMA, integrado como metodología estadística en dicha plataforma. Para la realización del estudio se seleccionaron cinco comunas de la región Metropolitana, Santiago de Chile, incluyendo variables clínicas y ambientales. Datadas en orden temporal, los ingresos hospitalarios por asma y neumonía quedan contrastados respecto a condiciones ambientales de Ozono, material particulado y precipitaciones. Como herramientas para la construcción de la plataforma, se utilizaron los lenguajes R y PHP, como interfase de esta se construye un mapa interactivo. Con ello provee a un usuario, con o sin conocimientos previos en estadística, información exploratoria de los datos almacenados y resultados estadísticos que comparan o relacionan variables dentro de la región. El mapa interactivo, contiene la distribución geográfica de la región y distribución de estaciones meteorológicas que pueden ser seleccionadas para obtener información, así como la posibilidad de realizar interacciones usuario-plataforma, que mediante acciones del usuario producen análisis y gráficas mostradas en el GIS. Las aplicaciones GIS suelen ser utilizadas en distintas disciplinas e investigaciones científicas, por ejemplo, pueden ser utilizadas para la gestión de los recursos, para la evaluación del impacto ambiental, para la planificación urbana, en la sociología, entre otros. Dentro de los principales aportes de este trabajo de titulo, cabe mencionar que el formato de la plataforma GIS construida facilita la incorporación de aspectos socio-culturales, económicos y ambientales que contribuyen a la toma de decisiones de una manera más eficaz. Para futuras investigaciones, se propone implementar el modelo ARIMA para series bivariadas en R, lo que permitiría realizar un Test de independencia dos de series temporales

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Estudos recentes em séries temporais direcionam-se àquelas que apresentam característica de longa dependência, ou seja, séries temporais nas quais a dependência entre observações distantes não é desprezível. Neste trabalho, analisamos o modelo ARFIN!A(p, d,q ), para dE (0,0;0,5), que apresenta a. característica de longa dependência. Como estimativas para o grau de diferenciação d consideramos os estimadores obtidos através da função periodograma, da função periodograma suavizado e da função de máxima verossimilhança sugerida por Whittle, comparando a variância e o erro quadrático médio destes estimadores através de diversas simulações. / Recent work on time series analysis is concerned with the property of long mcmory, that is, time series in which the dependence between distant observations is not negligible. In this work we analyzc the ARF I .NI A(p, d, q) model, for d E (0.0; 0.5), that has the property of long memory. We consider estimators for the degree of differencing d based on the perioclogram function, on the smoothed periodogram function , anel on the maximum likelihood function suggested by Whittle. Through several simulations we compare the variance anel the mean squared error for these estimators.

Estudos recentes em séries temporais direcionam-se àquelas que apresentam característica de longa dependência, ou seja, séries temporais nas quais a dependência entre observações distantes não é desprezível. Neste trabalho, analisamos o modelo ARFIN!A(p, d,q ), para dE (0,0;0,5), que apresenta a. característica de longa dependência. Como estimativas para o grau de diferenciação d consideramos os estimadores obtidos através da função periodograma, da função periodograma suavizado e da função de máxima verossimilhança sugerida por Whittle, comparando a variância e o erro quadrático médio destes estimadores através de diversas simulações. / Recent work on time series analysis is concerned with the property of long mcmory, that is, time series in which the dependence between distant observations is not negligible. In this work we analyzc the ARF I .NI A(p, d, q) model, for d E (0.0; 0.5), that has the property of long memory. We consider estimators for the degree of differencing d based on the perioclogram function, on the smoothed periodogram function , anel on the maximum likelihood function suggested by Whittle. Through several simulations we compare the variance anel the mean squared error for these estimators.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Orientador: Prof. Dr. Douglas Alves Cassiano / Coorientador: Prof. Dr. Sérgio Ricardo Lourenço / Tese (doutorado) - Universidade Federal do ABC. Programa de Pós-Graduação em Energia, Santo André, 2018. / Uma forma de otimização dos recursos energéticos de uma planta petroquímica é a utilização de Mix Integer Linear Programing (MILP) para decisão da configuração ótima do acionamento dos equipamentos da unidade. Entretanto uma questão ainda em aberto é qual a correlação existente entre a série temporal destes ganhos energéticos com o preço da energia no mercado livre, a temperatura ambiente, a carga da planta e a demanda elétrica desta planta petroquímica. Dessa forma, o objetivo deste trabalho foi obter a correlação entre estas variáveis. A metodologia utilizada contou com três abordagens de exploração de correlações, a primeira foi a Modelagem de Regressão Linear (MRL), a segunda a Autoregressive Integrated Moving Average (ARIMA) e, a terceira, a Data Mining. Como principais resultados foram obtidas as correlações entre estas variáveis pelas três abordagens, além da comparação das regressões em termos de: qualidade de ajuste do modelo; visualização dos dados e aplicação em aplicativos comuns como o Excel®. Adicionalmente foram descobertos padrões escondidos nos dados e gerou-se conhecimento acadêmico capaz de suportar decisões industriais que conduzam a melhorias de eficiência energética. / Is possible to optimize the energy resources of a petrochemical plant using Mix Integer Linear Programing (MILP) to decide the optimal configuration of the equipment. However, a still open question is what correlation exists between the time series of these energy savings with the price of energy in the free market, the ambient temperature, the plant load and the electric demand of this petrochemical plant. The objective of this study is to obtain the correlation between these variables. Three approaches was used, Linear Regression Modeling (LRM), Autoregressive Integrated Moving Average (ARIMA) and Data Mining. Were obtained the correlations between these variables by the three approaches, besides the comparison of the regressions in terms of: adherence to the real values; data visualization and application in common applications like Excel®. In addition, hidden patterns were discovered in the data and academic knowledge was generated, supporting industrial decisions that lead to improvements in energy efficiency.

Os processos espaço-temporais vêm ganhando destaque nos últimos anos, em razão do aumento de estudos compreendendo variáveis que apresentam interação entre as dimensões espacial e temporal. Com o objetivo de modelar esses processos, Pfeifer e Deutsch (1980a) propuseram uma extensão da classe de modelos univariados de Box-Jenkins, denominada por modelo espaço-temporal autoregressivo de média móvel (STARMA). Essa classe de modelos é utilizada para descrever dados de séries temporais espacialmente localizadas. Os processos passíveis de modelagem via classe de modelos STARMA são caracterizados por observações de variáveis aleatórias, em que os locais a serem incorporados no modelo são fixos no espaço. A dependência entre as n séries temporais é modelada por meio da matriz de ponderação, de modo que os modelos da classe STARMA expressem cada observação no tempo t e na localização i como uma média ponderada de combinações lineares das observações anteriores e a inovação defasada no espaço e no tempo conjuntamente. Dada a nova classe de modelos, os objetivos deste estudo foram apresentar a classe de modelos STARMA, implentar computacionalmente, no software R, rotinas que permitam a análise de dados espaço-temporais, com as rotinas implementadas estabelecer e testar modelos de séries temporais aos dados de temperaturas mínimas médias mensais de 8 estações meteorológicas situadas no Paraná e comparar a classe de modelos STARMA com a classe de modelos univariados proposta por Box e Jenkins (1970). Com este estudo verificou-se que na apresentação da classe de modelos STARMA há complexidade no conceito de ordens de vizinhança e na identificação dos modelos espaço-temporais. Em relação a criação de rotinas responsáveis pelas análises de dados espaço-temporais observou-se dificuldades em sua implementação, principalmente no momento de estimação dos parâmetros. Na comparação da classe de modelos STARMA, multivariada, com a classe de modelos SARIMA, univariada, constatou-se que ambos os modelos se ajustaram de maneira satisfatória aos dados, produzindo previsões acuradas. / Spatio-temporal processes have been highlighted lately, due to the increase of studies approaching variables that present interactions between the spatial and temporal dimensions. In order to model these processes, Pfeifer e Deutsch (1980a) have suggested an extension of the Box-Jenkins univariate model class, named spatio-temporal autoregressive moving-average model (STARMA). This model class is used to describe spatially located time series data. The processes prone to be modeled via the STARMA model class are characterized by observations of random variables, in which the locations to be incorporated in the model are spatially fixed. The dependence between the n time series is modeled through the weighing matrix. So STARMA models express each observation at time t and location i as a weighed mean of linear combinations of the previous observations and the jointly lagged innovation in space and time. Given the new class models, the objectives of this study were to present a class of models STARMA, implentar computationally, in textit R software, routines that allow the analysis of spatio-temporal data with the routines implemented to establish and test models time series data of monthly average minimum temperatures of 8 meteorological stations located in Paraná and compare the class of models STARMA with the class of univariate models proposed by Box e Jenkins (1970). With this study it was found that the presentation of the class of models STARMA no complexity in the concept of ordered neighborhood and identification of spatio-temporal models. Regarding the creation of routines responsible for the analysis of spatio-temporal observed difficulties in its implementation, especially at the time of estimation of parameters. In comparison class STARMA models, multivariate, with the class of SARIMA models, univariate, it was found that both models were adjusted satisfactorily to the data, producing accurate forecasts.