Nesta pesquisa, estudamos e comparamos duas maneiras de se construir redes. O principal objetivo do nosso estudo é encontrar uma forma efetiva de se construir redes, especialmente quando temos menos observações do que variáveis. A construção das redes é realizada através da estimação do coeficiente de correlação parcial com base na estatística clássica (inverse method) e na Bayesiana (priori conjugada Normal - Wishart invertida). No presente trabalho, para resolver o problema de se ter menos observações do que variáveis, propomos uma nova metodologia, a qual chamamos correlação parcial local, que consiste em selecionar, para cada par de variáveis, as demais variáveis que apresentam maior coeficiente de correlação com o par. Aplicamos essas metodologias em dados simulados e as comparamos traçando curvas ROC. O resultado mais atrativo foi que, mesmo com custo computacional alto, usar inferência Bayesiana é melhor quando temos menos observações do que variáveis. Em outros casos, ambas abordagens apresentam resultados satisfatórios. / This research is about studying and comparing two different ways of building complex networks. The main goal of our study is to find an effective way to build networks, particularly when we have fewer observations than variables. We construct networks estimating the partial correlation coefficient on Classic Statistics (Inverse Method) and on Bayesian Statistics (Normal - Invese Wishart conjugate prior). In this current work, in order to solve the problem of having less observations than variables, we propose a new methodology called local partial correlation, which consists of selecting, for each pair of variables, the other variables most correlated to the pair. We applied these methods on simulated data and compared them through ROC curves. The most atractive result is that, even though it has high computational costs, to use Bayesian inference is better when we have less observations than variables. In other cases, both approaches present satisfactory results.

Nesta pesquisa, estudamos e comparamos duas maneiras de se construir redes. O principal objetivo do nosso estudo é encontrar uma forma efetiva de se construir redes, especialmente quando temos menos observações do que variáveis. A construção das redes é realizada através da estimação do coeficiente de correlação parcial com base na estatística clássica (inverse method) e na Bayesiana (priori conjugada Normal - Wishart invertida). No presente trabalho, para resolver o problema de se ter menos observações do que variáveis, propomos uma nova metodologia, a qual chamamos correlação parcial local, que consiste em selecionar, para cada par de variáveis, as demais variáveis que apresentam maior coeficiente de correlação com o par. Aplicamos essas metodologias em dados simulados e as comparamos traçando curvas ROC. O resultado mais atrativo foi que, mesmo com custo computacional alto, usar inferência Bayesiana é melhor quando temos menos observações do que variáveis. Em outros casos, ambas abordagens apresentam resultados satisfatórios. / This research is about studying and comparing two different ways of building complex networks. The main goal of our study is to find an effective way to build networks, particularly when we have fewer observations than variables. We construct networks estimating the partial correlation coefficient on Classic Statistics (Inverse Method) and on Bayesian Statistics (Normal - Invese Wishart conjugate prior). In this current work, in order to solve the problem of having less observations than variables, we propose a new methodology called local partial correlation, which consists of selecting, for each pair of variables, the other variables most correlated to the pair. We applied these methods on simulated data and compared them through ROC curves. The most atractive result is that, even though it has high computational costs, to use Bayesian inference is better when we have less observations than variables. In other cases, both approaches present satisfactory results.

Um dos desafios que ainda precisa ser superado com o objetivo de melhorar o desempenho do controle preditivo (MPC) é a sua manutenção. Reidentificação do processo é uma das melhores opções disponíveis para atualizar o modelo interno do MPC, a fim de melhorar seu desempenho. No entanto, o processo de reidentificação é dispendioso. Pesquisadores propuseram dois métodos diferentes, capazes de detectar divergências entre o processo real e o seu modelo, através da análise de correlações parciais. Utilizando essas técnicas, ao invés de reidentificar todos os sub-modelos do processo, apenas algumas entradas com divergência significativas teriam que ser perturbadas e somente a parte degradada do modelo seria atualizada. Entretanto, não há informações suficientes e análises sobre a influência das estruturas de modelo nos resultados das correlações parciais. Além disso, apesar de ambas as abordagens serem eficientes na detecção de divergências significativas, elas não fornecem informações suficientes sobre a sua quantificação. Esta dissertação de mestrado demonstra que o método de Carlsson (2010) é uma solução particular do método de Badwe et al. (2009), quando os modelos utilizados no processo de identificação são estruturas FIR. Além disso, alguns outros tipos de estruturas serão estudados, de modo a verificar se eles são adequados para a análise da correlação parcial, com o objetivo de detectar esse tipo de divergência. Quanto à limitação da detecção do nível da divergência entre o modelo e a planta, este trabalho propõe um projeto inicial de um novo método para resolver este problema, através da adição de ruído branco off-line nos dados coletados do processo, com diferentes variações antes da análise da correlação parcial. Um estudo de caso simulado é mostrado, que confirma a eficácia desta nova técnica. Finalmente, são apresentadas as conclusões encontradas e as possibilidades para estudos futuros. / One of the challenges that still needs to be overcome in order to improve the performance of the model predictive control (MPC) is its maintenance. Re-identification of the process is one of the best options available to update the internal model of the MPC, in order to improve performance. However, re-identification is costly. Researchers have proposed two different methods able to detect plant mismatch through partial correlation analysis. Using these techniques, instead of re-identifying all the sub-models in the process, only a few inputs with significant mismatch would have to be perturbed and only the degraded portion of the model would be updated. Nevertheless, there is not enough information and analysis about the influence of the model structures for identification on partial correlation results. Besides, although both approaches are efficient in detecting significant mismatches, they do not provide enough information about its magnitude. This masters thesis demonstrates that the Carlssons method (2010) is a particular solution of the Badwe et al.s method, when the models used on the identification process are FIR structures. Moreover, some other types of structures will be analyzed in order to check if they are suitable for the partial correlation procedure to detect plant mismatches. Concerning the limitation of the detection the level of plant-mismatch, this thesis proposes a starting project of a new method to address this issue by adding offline white noise to the collected data from the process with different variances before analyzing the partial correlation. A simulation case study is shown that confirms the efficacy of this new technique. Finally, conclusions and possible future studies are presented.

In the past years, several network reconstruction methods modeled as Gaussian Graphical Model in high dimensional settings where proposed. In this work we will analyze three different methods, the Graphical Lasso (GLasso), Graphical Ridge (GGMridge) and a novel method called LPC, or Local Partial Correlation. The evaluation will be performed in high dimensional data generated from different simulated random graph structures (Erdos-Renyi, Barabasi-Albert, Watts-Strogatz ), using Receiver Operating Characteristic or ROC curve. We will also apply the methods in the reconstruction of genetic co-expression network for the differentially expressed genes in cervical cancer tumors. / Vários métodos tem sido propostos para a reconstrução de redes em alta dimensão, que e tratada como um Modelo Gráfico Gaussiano. Neste trabalho vamos analisar três métodos diferentes, o método Graphical Lasso (GLasso), Graphical Ridge (GGMridge) e um novo método chamado LPC, ou Correlação Parcial Local. A avaliação será realizada em dados de alta dimensão, gerados a partir de grafos aleatórios (Erdos-Renyi, Barabasi-Albert, Watts-Strogatz ), usando Receptor de Operação Característica, ou curva ROC. Aplicaremos também os metidos apresentados, na reconstrução da rede de co-expressão gênica para tumores de câncer cervical.

In the past years, several network reconstruction methods modeled as Gaussian Graphical Model in high dimensional settings where proposed. In this work we will analyze three different methods, the Graphical Lasso (GLasso), Graphical Ridge (GGMridge) and a novel method called LPC, or Local Partial Correlation. The evaluation will be performed in high dimensional data generated from different simulated random graph structures (Erdos-Renyi, Barabasi-Albert, Watts-Strogatz ), using Receiver Operating Characteristic or ROC curve. We will also apply the methods in the reconstruction of genetic co-expression network for the differentially expressed genes in cervical cancer tumors. / Vários métodos tem sido propostos para a reconstrução de redes em alta dimensão, que e tratada como um Modelo Gráfico Gaussiano. Neste trabalho vamos analisar três métodos diferentes, o método Graphical Lasso (GLasso), Graphical Ridge (GGMridge) e um novo método chamado LPC, ou Correlação Parcial Local. A avaliação será realizada em dados de alta dimensão, gerados a partir de grafos aleatórios (Erdos-Renyi, Barabasi-Albert, Watts-Strogatz ), usando Receptor de Operação Característica, ou curva ROC. Aplicaremos também os metidos apresentados, na reconstrução da rede de co-expressão gênica para tumores de câncer cervical.

Submitted by Erika Demachki (erikademachki@gmail.com) on 2015-03-09T12:10:52Z No. of bitstreams: 2 Dissertação - Otto Julio Ahlert Pinno da Silva - 2014.pdf: 1770799 bytes, checksum: 02efab9704ef08dc041959d737152b0a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Erika Demachki (erikademachki@gmail.com) on 2015-03-09T12:11:12Z (GMT) No. of bitstreams: 2 Dissertação - Otto Julio Ahlert Pinno da Silva - 2014.pdf: 1770799 bytes, checksum: 02efab9704ef08dc041959d737152b0a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-03-09T12:11:12Z (GMT). No. of bitstreams: 2 Dissertação - Otto Julio Ahlert Pinno da Silva - 2014.pdf: 1770799 bytes, checksum: 02efab9704ef08dc041959d737152b0a (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-10-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Finding faults or causes of performance problems in modernWeb computer systems is an arduous task that involves many hours of system metrics monitoring and log analysis. In order to aid administrators in this task, many anomaly detection mechanisms have been proposed to analyze the behavior of the system by collecting a large volume of statistical information showing the condition and performance of the computer system. One of the approaches adopted by these mechanism is the monitoring through strong correlations found in the system. In this approach, the collection of large amounts of data generate drawbacks associated with communication, storage and specially with the processing of information collected. Nevertheless, few mechanisms for detecting anomalies have a strategy for the selection of statistical information to be collected, i.e., for the selection of monitored metrics. This paper presents three metrics selection filters for mechanisms of anomaly detection based on monitoring of correlations. These filters were based on the concept of partial correlation technique which is capable of providing information not observable by common correlations methods. The validation of these filters was performed on a scenario of Web application, and, to simulate this environment, we use the TPC-W, a Web transactions Benchmark of type E-commerce. The results from our evaluation shows that one of our filters allowed the construction of a monitoring network with 8% fewer metrics that state-of-the-art filters, and achieve fault coverage up to 10% more efficient. / Encontrar falhas ou causas de problemas de desempenho em sistemas computacionais Web atuais é uma tarefa árdua que envolve muitas horas de análise de logs e métricas de sistemas. Para ajudar administradores nessa tarefa, diversos mecanismos de detecção de anomalia foram propostos visando analisar o comportamento do sistema mediante a coleta de um grande volume de informações estatísticas que demonstram o estado e o desempenho do sistema computacional. Uma das abordagens adotadas por esses mecanismo é o monitoramento por meio de correlações fortes identificadas no sistema. Nessa abordagem, a coleta desse grande número de dados gera inconvenientes associados à comunicação, armazenamento e, especialmente, com o processamento das informações coletadas. Apesar disso, poucos mecanismos de detecção de anomalias possuem uma estratégia para a seleção das informações estatísticas a serem coletadas, ou seja, para a seleção das métricas monitoradas. Este trabalho apresenta três filtros de seleção de métricas para mecanismos de detecção de anomalias baseados no monitoramento de correlações. Esses filtros foram baseados no conceito de correlação parcial, técnica que é capaz de fornecer informações não observáveis por métodos de correlações comuns. A validação desses filtros foi realizada sobre um cenário de aplicação Web, sendo que, para simular esse ambiente, nós utilizamos o TPC-W, um Benchmark de transações Web do tipo E-commerce. Os resultados obtidos em nossa avaliação mostram que um de nossos filtros permitiu a construção de uma rede de monitoramento com 8% menos métricas que filtros estado-da-arte, além de alcançar uma cobertura de falhas até 10% mais eficiente.

Um dos desafios que ainda precisa ser superado com o objetivo de melhorar o desempenho do controle preditivo (MPC) é a sua manutenção. Reidentificação do processo é uma das melhores opções disponíveis para atualizar o modelo interno do MPC, a fim de melhorar seu desempenho. No entanto, o processo de reidentificação é dispendioso. Pesquisadores propuseram dois métodos diferentes, capazes de detectar divergências entre o processo real e o seu modelo, através da análise de correlações parciais. Utilizando essas técnicas, ao invés de reidentificar todos os sub-modelos do processo, apenas algumas entradas com divergência significativas teriam que ser perturbadas e somente a parte degradada do modelo seria atualizada. Entretanto, não há informações suficientes e análises sobre a influência das estruturas de modelo nos resultados das correlações parciais. Além disso, apesar de ambas as abordagens serem eficientes na detecção de divergências significativas, elas não fornecem informações suficientes sobre a sua quantificação. Esta dissertação de mestrado demonstra que o método de Carlsson (2010) é uma solução particular do método de Badwe et al. (2009), quando os modelos utilizados no processo de identificação são estruturas FIR. Além disso, alguns outros tipos de estruturas serão estudados, de modo a verificar se eles são adequados para a análise da correlação parcial, com o objetivo de detectar esse tipo de divergência. Quanto à limitação da detecção do nível da divergência entre o modelo e a planta, este trabalho propõe um projeto inicial de um novo método para resolver este problema, através da adição de ruído branco off-line nos dados coletados do processo, com diferentes variações antes da análise da correlação parcial. Um estudo de caso simulado é mostrado, que confirma a eficácia desta nova técnica. Finalmente, são apresentadas as conclusões encontradas e as possibilidades para estudos futuros. / One of the challenges that still needs to be overcome in order to improve the performance of the model predictive control (MPC) is its maintenance. Re-identification of the process is one of the best options available to update the internal model of the MPC, in order to improve performance. However, re-identification is costly. Researchers have proposed two different methods able to detect plant mismatch through partial correlation analysis. Using these techniques, instead of re-identifying all the sub-models in the process, only a few inputs with significant mismatch would have to be perturbed and only the degraded portion of the model would be updated. Nevertheless, there is not enough information and analysis about the influence of the model structures for identification on partial correlation results. Besides, although both approaches are efficient in detecting significant mismatches, they do not provide enough information about its magnitude. This masters thesis demonstrates that the Carlssons method (2010) is a particular solution of the Badwe et al.s method, when the models used on the identification process are FIR structures. Moreover, some other types of structures will be analyzed in order to check if they are suitable for the partial correlation procedure to detect plant mismatches. Concerning the limitation of the detection the level of plant-mismatch, this thesis proposes a starting project of a new method to address this issue by adding offline white noise to the collected data from the process with different variances before analyzing the partial correlation. A simulation case study is shown that confirms the efficacy of this new technique. Finally, conclusions and possible future studies are presented.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Model predictive control (MPC) strategies have become the standard for advanced control applications in the process industry. Significant benefits are generated from the MPC's capacity to ensure that the plant operates within its constraints more profitably. However, like any controller, after some time under operation, MPCs rarely function as when they were initially designed. A large percentage of performance degradation of MPC is associated with the deterioration of model that controller uses to predict process outputs and calculate inputs. The objective of the present work is implementation of mathematical methods that can be used to detect model-plant mismatch in linear and nonlinear MPC systems. In this work, techniques based on cross correlation, partial correlation and mutual information are implemented and tested by numerical simulation in case studies characteristic of the petrochemical industry, represented by linear and nonlinear models, operating under MPC control. The results obtained through the applying the techniques are analyzed and compared as to their efficiency is not intended to offer their potential for real industrial applications. / Estratégias de controle preditivo (MPC) têm-se tornado o padrão para aplicações de controle avançado na indústria de processos. Os benefícios significativos são gerados a partir da habilidade do controlador MPC de assegurar que a planta opere dentro das restrições de forma mais lucrativa. Porém, como todo controlador, depois de algum tempo em operação, os MPCs raramente funcionam como quando foram inicialmente projetados. Uma grande porcentagem da degradação do desempenho dos controladores MPC está associada à deterioração do modelo que o controlador usa para fazer a predição das saídas do processo e calcular as entradas. O objetivo do presente trabalho é a implementação de métodos matemáticos que possam ser utilizados para a detecção de erros planta-modelo em sistemas de controle MPC lineares e não lineares. Neste trabalho, técnicas baseadas em correlação cruzada, correlação parcial e informação mútua são implementadas e testadas por simulação numérica em estudos de caso característicos da indústria petroquímica, representados por modelos lineares e não lineares, operando sob controle MPC. Os resultados obtidos através da aplicação das técnicas são analisados e comparados quanto à sua eficiência no objetivo proposto avaliando seu potencial para aplicações industriais reais.

Made available in DSpace on 2016-06-02T20:06:01Z (GMT). No. of bitstreams: 1 2117.pdf: 990773 bytes, checksum: a7b62936541ab91d8ae3424f62aa0f40 (MD5) Previous issue date: 2008-08-22 / In the financial market usually notices are taken of the shares sequentially over the time in order to characterize them a time series. However, the major interest is to forecast the behavior of these shares. Motivated by this fact, a lot of models were created based on the past information considering constant averages and variance over time. Although, in financial series a feature often presented is called volatility, which can be noticed by the variance to vary in time. In order to catch this characteristic were developed the models of the family GARCH, that model the conditional variance through known information. These models were well used and have passed by many formulation modifications to be able to catch different effects, such as the effect leverage EGARCH. Thus, the goal is to estimate volatility patterns obeying the specifications of the family GARCH verifying which ones of them describe better the data inside and outside the sample. / No mercado financeiro costuma-se fazer observações sobre as carteiras sequencialmente ao longo do tempo, caracterizando uma série temporal. Contudo, o maior interesse está em prever o comportamento destas carteiras. Motivado por este fato, foram criados muitos modelos de previsão baseando-se em observações passadas considerando a média e variância constantes no tempo. Porém, nas séries financeiras uma característica muito presente é a chamada volatilidade, que pode ser observada pela variância não constante no tempo. A fim de captar esta característica, desenvolveram-se os modelos da família GARCH, que modelam a variância condicional através de informações passadas. Estes modelos foram muito utilizados e sofreram muitas modificações nas formulações para poderem captar diferentes efeitos, como o efeito de leverage (EGARCH). Assim, deseja-se estimar modelos de volatilidade obedecendo às especificações da família GARCH, verificando quais deles descrevem melhor os dados dentro e fora da amostra.