Memoria para optar al título de Ingeniero Civil Eléctrico / La enfermedad de Parkinson es un trastorno neurodegenerativo y objeto de interés en la comunidad científica, dado que existe una mayor incidencia luego de los 60 años en promedio y además la población mundial posee una alta esperanza de vida, implicando que existirá una mayor cantidad de casos en el futuro. Los tratamientos actuales para este trastorno se componen de un generador de pulsos yelectrodos, en donde se estimula de manera constante una zona del cuerpo (puede ser un área cerebral o parte de la médula) independiente del estado actual del paciente, lo cual conlleva en algunos efectos secundarios no deseados. El presente trabajo de memoria se enfoca en esta problemática, ya que busca un lazode control para estos tratamientos y corresponde a una de las primeras aproximaciones con aprendizaje de máquinas. En particular, se estudia un clasificador de movimiento con incertidumbre a partir de la actividad neural de un modelo animal de rata de 6-OHDA. De esta manera, se realiza la extracción de movimiento a partir de un video y de señales cerebrales de un modelo animal de Parkinson a través de algoritmos de ventanas deslizantes, generando imágenes de potencia en ciertas bandas de frecuencia con una etiqueta respectiva de movimiento a partir del video. Estas imágenes sirven para entrenar a un clasificador de Deep Learning Bayesiano, el cual puede extraer incertidumbre en la clasificación. Así, al utilizar Deep Learning Bayesiano con la forma de evaluación de MC Dropout se llega a obtener un recall de 80 % para la etiqueta de movimiento y la base de datos consistente en una ventana deslizante de medio segundo. Además, esta arquitectura es superior (para esta base de datos) en comparación a la de Deep Learning y evaluación estándar de dropout. Por otro lado, para estos resultados se tiene que con una mejor clasificación se obtiene una menor incertidumbre, lo cual es una de las ventajas al usar Deep Learning Bayesiano pues permite obtener una medida de confianza en la clasificación al realizar evaluaciones estocásticas. Finalmente, cabe destacar que este trabajo puede usarse como base para obtener una estrategia de control para un circuito cerrado específico para cada paciente, el cual posee incertidumbre en predicciones implicando en la confianza que posee el sistema para cambiar un estado específico. Para generar una nueva estrategia más robusta con incertidumbre, se debería repetir este experimento agregando nuevos biomarcadores o indicadores fisiológicos, además de explorar otros algoritmos para extracción de movimiento para el etiquetado de la base de datos. / FONDECYT

ALGORITMOS de Estimação de Distribuição (EDAs) compõem uma frente de pesquisa em Computação Evolutiva que tem apresentado resultados promissores para lidar com problemas complexos de larga escala. Nesse contexto, destaca-se o Algoritmo de Otimização Bayesiano (BOA) que usa um modelo probabilístico multivariado (representado por uma rede Bayesiana) para gerar novas soluções a cada iteração. Baseado no BOA e na investigação de algoritmos de detecção de estrutura de comunidades (para melhorar os modelos multivariados construídos), propõe-se dois novos algoritmos denominados CD-BOA e StrOp. Mostra-se que ambos apresentam vantagens significativas em relação ao BOA. O CD-BOA mostra-se mais flexível que o BOA, ao apresentar uma maior robustez a variações dos valores de parâmetros de entrada, facilitando o tratamento de uma maior diversidade de problemas do mundo real. Diferentemente do CD-BOA e BOA, o StrOp mostra que a detecção de comunidades a partir de uma rede Bayesiana pode modelar mais adequadamente problemas decomponíveis, reestruturando-os em subproblemas mais simples, que podem ser resolvidos por uma busca gulosa, resultando em uma solução para o problema original que pode ser ótima no caso de problemas perfeitamente decomponíveis, ou uma aproximação, caso contrário. Também é proposta uma nova técnica de reamostragens para EDAs (denominada REDA). Essa técnica possibilita a obtenção de modelos probabilísticos mais representativos, aumentando significativamente o desempenho do CD-BOA e StrOp. De uma forma geral, é demonstrado que, para os casos testados, CD-BOA e StrOp necessitam de um menor tempo de execução do que o BOA. Tal comprovação é feita tanto experimentalmente quanto por análise das complexidades dos algoritmos. As características principais desses algoritmos são avaliadas para a resolução de diferentes problemas, mapeando assim suas contribuições para a área de Computação Evolutiva / ESTIMATION of Distribution Algorithms represent a research area which is showing promising results, especially in dealing with complex large scale problems. In this context, the Bayesian Optimization Algorithm (BOA) uses a multivariate model (represented by a Bayesian network) to find new solutions at each iteration. Based on BOA and in the study of community detection algorithms (to improve the constructed multivariate models), two new algorithms are proposed, named CD-BOA and StrOp. This paper indicates that both algorithms have significant advantages when compared to BOA. The CD-BOA is shown to be more flexible, being more robust when using different input parameters, what makes it easier to deal with a greater diversity of real-world problems. Unlike CD-BOA and BOA, StrOp shows that the detection of communities on a Bayesian network more adequately models decomposable problems, resulting in simpler subproblems that can be solved by a greedy search, resulting in a solution to the original problem which may be optimal in the case of perfectly decomposable problems, or a fair approximation if not. Another proposal is a new resampling technique for EDAs (called REDA). This technique results in multivariate models that are more representative, significantly improving the performance of CD-BOA and StrOp. In general, it is shown that, for the scenarios tested, CD-BOA and StrOp require lower running time than BOA. This indication is done experimentally and by the analysis of the computational complexity of the algorithms. The main features of these algorithms are evaluated for solving various problems, thus identifying their contributions to the field of Evolutionary Computation

Neste trabalho está sendo proposto uma abordagem bayesiana para resolver o problema de inferência com restrição nos parâmetros para os modelos de Petterson, Prodan, Stofel e Curtis, utilizados para representar a relação hipsométrica em clones de Eucalyptus sp. Consideramos quatro diferentes densidades de probabilidade a priori, entre as quais, a densidade a priori não informativa de Jeffreys, a densidade a priori vaga normal flat, uma densidade a priori construída empiricamente e a densidade a priori potência. As estimativas bayesianas foram calculadas com a técnica de simulação de Monte Carlo em Cadeia de Markov (MCMC). Os métodos propostos foram aplicados em vários conjuntos de dados reais e os resultados foram comparados aos obtidos com os estimadores de máxima verossimilhança. Os resultados obtidos com as densidades a priori não informativa e vaga foram semelhantes aos resultados encontrados com os estimadores de máxima verossimilhança, porém, para vários conjuntos de dados, as estimativas não apresentaram coerência biológica. Por sua vez, as densidades a priori informativas empírica e a priori potência sempre produziram resultados coerentes biologicamente, independentemente do comportamento dos dados na parcela, destacando a superioridade desta abordagem / In this work we propose a Bayesian approach to solve the inference problem with restriction on parameters for the models of Petterson, Prodan, Stofel and Curtis used to represent the hypsometric relationship in clones of Eucalyptus sp. We consider four different prior probability densities, the non informative Jeffreys prior, a vague prior with flat normal probability density, a prior constructed empirically and a power prior density. The Bayesian estimates were calculated using the Monte Carlo Markov Chain (MCMC) simulation technique. The proposed methods were applied to several real data sets and the results were compared to those obtained with the maximum likelihood estimators. The results obtained with a non informative prior and prior vague showed similar results to those found with the maximum likelihood estimators, but, for various data sets, the estimates did not show biological coherence. In turn, the methods a prior empirical informative and a prior power, always produce biologically consistent results, regardless of the behavior of the data in the plot, highlighting the superiority of this approach

nÃo hà / Este trabalho tem o propÃsito de investigar a dinÃmica na desigualdade de renda no Brasil no perÃodo de 1976 a 2012, onde se analisa a representatividade na alteraÃÃo do comportamento da desigualdade de renda per capita motivada por aspectos nacionais, regionais e locais. Para isso, foi utilizado um modelo de regressÃo com dados em painel, com aplicaÃÃo de tÃcnicas Bayesianas, na qual à realizada uma nova estimativa apÃs a inserÃÃo de novos fatores ao conjunto de fatores existentes. AlÃm das polÃticas de distribuiÃÃo de renda, dos nÃveis educacionais, dos ganhos reais do salÃrio mÃnimo e crescimento econÃmico, tambÃm foram analisados outros fatores que causam impactos na desigualdade de renda per capita no paÃs. Chegou-se a conclusÃo de que os estados das regiÃes Sul, Sudeste e Centro Oeste possuem variÃveis mais representativas ligadas ao fator comum nacional, em detrimento das variÃveis ligadas ao fator comum regional que à mais relevante para os estados das regiÃes Norte e Nordeste. Da mesma forma, na decomposiÃÃo da variÃncia nacional o maior impacto na desigualdade de renda local à determinado por fator nacional para os estados do Sul do paÃs, enquanto na decomposiÃÃo da variÃncia regional o maior impacto na desigualdade de renda per capita local à atribuÃdo aos estados do Norte do paÃs. / This work has the purpose of investigating the dynamic regarding income inequality in Brazil in the period ranging from 1976 to 2012, where the representativeness of the change on per capita income inequality behavior driven by national, regional and local aspects was analyzed. For this, a regression model with panel data was utilized, along with Bayesian techniques application, on which a new estimation was performed after inserting new factors in the group of existent factors. Apart from the policies concerning income distribution, educational levels, real gains for minimum wage and economic growth, factors that have some degree of impact on per capita income inequality were analyzed as well. It could be concluded that states in the South, Southeast and Center West have more representative variables linked to the common national factor, to the detriment of the variables linked to the common regional factor, which is more relevant to the northern and northeastern states. Just the same, in the national variance decomposition, the strongest impact on inequality of local income is determined by the national factor for the South states, while in the regional variance decomposition the strongest impact on the local per capita income inequality is due to the northern states.

[pt] Modelos estruturais para séries temporais vêm sendo bastante utilizados ultimamente e, adotam, basicamente, a mesma idéia da decomposição clássica de uma série temporal em seus componentes não-observáveis: tendência, sazonalidade, cíclica e irregular; para a componente cíclica, em particular, que é modelada por uma senóide a amortecida, existem apenas soluções no contexto da Estatística Clássica Harvey (1985). Neste trabalho discutimos extensivamente a solução Bayesiana para o modelo, tornando completamente estocástico a componente ciclo e obtendo um algoritmo para a estimação seqüencial dos parâmetros. A natureza não linear do problema é tratada pelos Modelos Dinâmicos Bayesianos; West e Harrison (1986). / [en] The structural models for time series, so much in use today make use of the well know idea of decomposing a time series into its unobserved components of trend, seasonal, cycle and noise. The cyclical component in particular, which uses a damped sine wave to describe its moviment, has a clear solution available already in computer packages on the Classica framework of Harvey (1985). In this thesis we present a Bayesian solution to the cyclical component modelled by the same damped sine wave. The frequency and the damping factor, regarded as hyperparameters on the Classical solution are now incorporated to the system state vector and estimated by a sequential procedure. Finally, the non-linear nature of model is elegantly dealt with by the Bayesian Dynamic Models of West and Harrison (1986).

[pt] Esta dissertação investiga a utilização do Modelo de Regressão Multivariada Seemingly Unrelated sob uma perspectiva Bayesiana, na estimação das curvas de carga dos principais eletrodomésticos. Será utilizada uma estrutura de Demanda Condicional (CDA), consideradas de especial interesse no setor comercial e residencial para o gerenciamento pelo lado da demanda (Demand Side Management) dos hábitos dos consumidores residenciais. O trabalho envolve três partes principais: uma apresentação das metodologias estatísticas clássicas usadas para estimar as curvas de cargas; um estudo sobre Modelos de Regressão Multivariada Seemingly Unrelated usando uma aproximação Bayesiana. E por último o desenvolvimento do modelo num estudo de caso. Na apresentação das metodologias clássicas fez-se um levantamento preliminar da estrutura CDA para casos univariados usando Regressão Múltipla, e multivariada usando Regressão Multivariada Seemingly Unrelated, onde o desempenho desta estrutura depende da estrutura de correlação entre os erros de consumo horário durante um dia específico; assim como as metodologias usadas para estimar as curvas de cargas. No estudo sobre Modelos de Regressão Multivariada Seemingly Unrelated a partir da abordagem Bayesiana considerou-se um fator importante no desempenho da metodologia de estimação, a saber: informação a priori. No desenvolvimento do modelo, foram estimadas as curvas de cargas dos principais eletrodomésticos numa abordagem Bayesiana mostrando o desempenho da metodologia na captura de ambos tipos de informação: estimativas de engenharia e estimativas CDA. Os resultados obtidos avaliados pelo método acima comprovaram superioridade na explicação de dados em relação aos modelos clássicos. / [en] The present dissertation investigates the use of multivariate regression models from a Bayesian point of view. These models were used to estimate the electric load behavior of household end uses. A conditional demand structure was used considering its application to the demand management of the residential and commercial consumers. This work is divided in three main parts: a description of the classical statistical methodologies used for the electric load prediction, a study of the multivariate regression models using a Bayesian approach and a further development of the model applied to a case study. A preliminary revision of the CDA structure was done for univariate cases using multiple regression. A similar revision was done for other cases using multivariate regression (Seemingly Unrelated). In those cases, the behavior of the structure depends on the correlation between a minimization of the daily demand errors and the methodologies used for the electric load prediction. The study on multivariate regression models (Seemingly Unrelated) was done from a Bayesian point of view. This kind of study is very important for the prediction methodology. When developing the model, the electric load curves of the main household appliances were predicted using a Bayesian approach. This fact showed the performance of the metodology on the capture of two types of information: Engineering prediction and CDA prediction. The results obtained using the above method, for describing the data, were better than the classical models.

O desenvolvimento de novos, e mais eficientes, métodos de classificação de imagem digitais em Sensoriamento Remoto se constitui em uma importante área que tem chamado a atenção de muitos pesquisadores. Nesta área em particular, um problema que freqüentemente surge para a classificação de imagens digitais provenientes de cenas naturais, é a ocorrência de classes espectrais com resposta espectral muito similar. Nestes casos, os sistemas sensores mais comuns e os métodos tradicionais de classificação de imagem apresentam muito baixa precisão ou mesmo falham completamente. Várias abordagens vem sendo propostas na literatura. Uma das possíveis abordagens consiste em fazer uso de informações auxiliares que possuam poder discriminante para as classes sob análise. Esta é a possibilidade explorada nesta dissertação, utilizar-se de dados auxiliares, provenientes de fontes diversas, tais como: temperatura, precipitação, altitude e classes de solo. Estes dados são então combinados com dados provenientes de imagens multiespectrais de acordo com a Teoria de Evidência proposta por Dempster e Shafer. Esta abordagem é testada usando dados de uma área no Estado do Rio Grande do Sul, Brasil, com a finalidade de delimitar a ocorrência da Mata Nativa com Araucária (composta pela conifera Araucaria angustifolia), que é de difícil separação em relação a outras classes espectrais que ocorrem na região, tornando difícil o processo preciso de classificação.

[pt] Esta tese concentra-se essencialmente em modelos para análise e previsão de séries temporais vetoriais onde o comportamento sazonal é o foco principal, e no procedimento Bayesiano correspondente de estimação seqüencial. A estrutura básica do modelo multivariado proposto, não- linear, de crescimento sazonal multiplicativo para séries temporais, consiste de uma componente de tendência localmente linear para cada série individual e uma única componente sazonal, multiplicativa, compartilhada por todas as séries marginais. O procedimento de estimação seqüencial baseia-se em aproximações analíticas que viabilizam uma análise conjugada, representando uma extensão não-linear do algoritmo apresentado em Barbosa and Harrison (1992) para modelos lineares dinâmicos multivariados. Detalhes do modelo proposto e sua implementação são apresentados, assim como exemplos da aplicação do método, com dados simulados e reais. Para os dados reais, escolheu-se os valores do consumo de energia elétrica no Brasil, cuja metodologia de previsão adotada pelas empresas de energia também faz parte deste trabalho. / [en] This thesis is essentially devoted to models for analysis and forecasting of vector time series, where the seasonal behavior is the main focus, and a Bayesian procedure of sequential estimation is adopted. The basic structure of the non-linear multivariate model, of seasonal growth multiplicative for time series, consists of a locally linear trend component for each individual series and a shared multiplicative seasonal component common to all marginal series. The procedure of sequential estimation is based on analytic transformations to obtain a conjugate analysis, representing a non-linear extension of the algorithm by Barbosa and Harrison (1992) for multivariate dynamic linear models. Details of the proposed procedure and of the implementation are shown, as well examples of the application of the method, with simulated and real data. For real data, the brazilian electricity demand values were chose. The forecasting methodology adopted by the energy companies is also present in this work.

O desenvolvimento de novos, e mais eficientes, métodos de classificação de imagem digitais em Sensoriamento Remoto se constitui em uma importante área que tem chamado a atenção de muitos pesquisadores. Nesta área em particular, um problema que freqüentemente surge para a classificação de imagens digitais provenientes de cenas naturais, é a ocorrência de classes espectrais com resposta espectral muito similar. Nestes casos, os sistemas sensores mais comuns e os métodos tradicionais de classificação de imagem apresentam muito baixa precisão ou mesmo falham completamente. Várias abordagens vem sendo propostas na literatura. Uma das possíveis abordagens consiste em fazer uso de informações auxiliares que possuam poder discriminante para as classes sob análise. Esta é a possibilidade explorada nesta dissertação, utilizar-se de dados auxiliares, provenientes de fontes diversas, tais como: temperatura, precipitação, altitude e classes de solo. Estes dados são então combinados com dados provenientes de imagens multiespectrais de acordo com a Teoria de Evidência proposta por Dempster e Shafer. Esta abordagem é testada usando dados de uma área no Estado do Rio Grande do Sul, Brasil, com a finalidade de delimitar a ocorrência da Mata Nativa com Araucária (composta pela conifera Araucaria angustifolia), que é de difícil separação em relação a outras classes espectrais que ocorrem na região, tornando difícil o processo preciso de classificação.

O desenvolvimento de novos, e mais eficientes, métodos de classificação de imagem digitais em Sensoriamento Remoto se constitui em uma importante área que tem chamado a atenção de muitos pesquisadores. Nesta área em particular, um problema que freqüentemente surge para a classificação de imagens digitais provenientes de cenas naturais, é a ocorrência de classes espectrais com resposta espectral muito similar. Nestes casos, os sistemas sensores mais comuns e os métodos tradicionais de classificação de imagem apresentam muito baixa precisão ou mesmo falham completamente. Várias abordagens vem sendo propostas na literatura. Uma das possíveis abordagens consiste em fazer uso de informações auxiliares que possuam poder discriminante para as classes sob análise. Esta é a possibilidade explorada nesta dissertação, utilizar-se de dados auxiliares, provenientes de fontes diversas, tais como: temperatura, precipitação, altitude e classes de solo. Estes dados são então combinados com dados provenientes de imagens multiespectrais de acordo com a Teoria de Evidência proposta por Dempster e Shafer. Esta abordagem é testada usando dados de uma área no Estado do Rio Grande do Sul, Brasil, com a finalidade de delimitar a ocorrência da Mata Nativa com Araucária (composta pela conifera Araucaria angustifolia), que é de difícil separação em relação a outras classes espectrais que ocorrem na região, tornando difícil o processo preciso de classificação.