Enligt det antagna klimatmålet år 2017 ska Sverige vara utsläppsneutralt år 2045. Detta innebär att Sveriges utsläpp av växthusgaser måste minska kraftigt. I denna studie studeras utsläpp från olika sektorer och genom en tidsserieanalys prediceras framtida utsläppsvärden fram. Resultaten i studien visar att utsläppen förväntas minska inom samtliga studerade sektorer men att ytterligare forskning krävs för att veta om denna minskning är tillräcklig. Vidare är resultaten känsliga för förändringar, varför uppdaterade och kontinuerliga analyser rekommenderas.

Ce document a pour but de présenter la prévision de l’inflation à l’aide du modèle ARIMA et la Courbe de Phillips. Il est important de s’intéresser à ce sujet en tant qu’économiste, car c’est une variable macroéconomique essentielle qui influence les choix économiques et financiers. Plusieurs méthodes existent pour prévoir l’inflation dont le modèle ARIMA et la courbe de Phillips. Le modèle ARIMA est très robuste en ce sens qu’il englobe le processus autorégressif, la partie de différenciation et la composante de moyenne mobile. Cependant, la courbe de Phillips standard met en évidence la relation inverse entre l’inflation et le taux de chômage. Par ailleurs, la courbe de Phillips améliorée établit la relation inverse entre l’inflation et le taux de chômage et la relation positive entre l’inflation et le taux de de change et le taux d’intérêt de court terme. La méthode employée pour obtenir le modèle ARIMA est l’approche de Box-Jenkins. De plus, le meilleur modèle ARIMA obtenu de la série de l’inflation canadienne est ARIMA (3,1,2) pour les données mensuelles de l’inflation de 1971 à 2016. Le meilleur modèle observé est la courbe de Phillips améliorée. Cela est d’autant plus normale, car le Canada est une petite économie ouverte, et donc ces variables macroéconomiques dépendent en partie de la situation économique de l’extérieur. Néanmoins, la courbe de Phillips améliorée révèle que le taux de chômage influence en majeure partie le taux d’inflation. Nos résultats présentent des prévisions à la baisse du niveau d’inflation de 2017 à 2020, ce qui est conforme avec l’évolution des valeurs réalisées de l’inflation canadienne.

This thesis presents the first full account of the life and achievements of Bradford-born W. Riley (1866-1961), once internationally known as a popular and prolific Yorkshire author. Before becoming a famous writer, he was Managing Director of the successful Bradford Optical Lantern Company, Riley Brothers and was also, for 75 years, a Methodist local preacher and an important layman within northern Methodism. He wrote 39 books, published many stories and articles, and was a busy lecturer. Riley located most of his 30 novels in the Yorkshire Dales and has left a legacy of vivid portraits of people and places in the dales that he knew and loved. This biography of Riley draws upon material never seen hitherto, expanding upon the author's diffident autobiography. The complete bibliography of his extensive writings includes much new and long-lost material. In presenting Riley to a new generation, this account places him in context with his contemporaries. Riley proclaimed his Christianity sympathetically and attractively to his receptive public in much of his output. This thesis includes an insight into the spiritual life, outlook and thinking of a popular and much-respected committed and active Methodist local preacher. Riley's life story is the account of a remarkably successful, self-motivated Victorian. He was a household name in his time, both in Yorkshire and internationally. The research for this thesis has uncovered important material relating to Riley, which will be held in the W. Riley Archive, at the Special Collections Section of the University of Bradford J.P. Priestley Library.

No description available.

[pt] A presente dissertação tem por objetivo o estudo quantitativo da previsão da demanda de carga elétrica semanal para a região sudeste e em particular, para os Estados do Rio de Janeiro e São Paulo. Foram estudadas para tanto as séries reais dos últimos 7(sete) anos, ou seja, de janeiro de 1991 a novembro de 1997 das concessionárias LIGHT, CERJ, CESP, CPFL e ELETROPAULO. Para o estudo de previsão foi utilizado o conceito in sample, ou seja, parte real dos dados foram separados e mais tarde comparados com os valores previstos experimentalmente para aquela mesma época dos dados reais separados. Desta forma, permitiu-se averiguar qual seria a precisão da previsão, verificando-se os erros entre os valores experimentais e reais. Para os cálculos das previsões, também foi utilizado o conceito de bayesiano de combinação de previsões (outperformance) das duas técnicas a saber: redes neurais artificiais (software Neunet) e o modelo clássico Box & Jenkins (software Autobox). Para se obter o valor combinado das previsões, foi utilizado software matlab que se comportou de maneira adequada para o estudo em questão. Além disso vale acrescentar que o software Neunet foi utilizado, pois possui em seu ambiente a técnica de eliminação de sinapses enquadra-se dentro do conceito de redes neurais multicamadas com retropropagação dos erros. / [en] The goal of this dissertation is to present a quantitative study in time series of weekly electrical charge demand at the southeast region, particulary at Rio de Janeiro and São Paulo. In this work will be analysed the last 7 years, from january 1991 to november of 1997. The next time series were study: LIGHT, CERJ, CESP, CPFL and ELETROPAULO. Aimming to test the model against real data the concept of sample data was utilized in this dissertation. Another concept used in this work was outperformance. Outperformance is a Bayesian concept that involves the combination of two or more techniques in order to enchance the forecasting results. Artificial neural network and Box and Jenkins method are combined in this work. It is also interesting to notice that weight elimination, which is a new ANN technique, proved to be faster then classical back- propagation and yielded better results.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

[pt] A energia eólica é uma das alternativas mais promissoras para geração de energia elétrica, pois assegura a diversidade e segurança no fornecimento de energia e atende à necessidade premente de reduzir os níveis de emissão de gases poluentes. Na operação de sistemas elétricos com forte presença de geração eólica é fundamental prever com pelo menos um dia de antecedência os valores futuros (pelo menos horários) da veloci-dade do vento, pois assim pode-se avaliar a disponibilidade de energia para o próximo dia, uma informação útil no despacho das unidades geradoras e no controle do sistema elétrico. A proposta dessa dissertação objetiva especificamente desenvolver modelos de previsão de curto prazo da velocidade do vento, baseado em técnicas de inteligência artificial, modelo da rede neural artificial e neuro-fuzzy adaptativa (ANFIS) e um mode-lo Estatístico composto por um modelo de regressão harmônica e Box-Jenkins. Para aplicação da metodologia considerou-se o município de São João do Cariri (Estado de Paraíba), onde está localizada uma das estações de referência do projeto SONDA (Sis-tema Nacional de Dados Ambientais para o setor de energia). O desempenho dos mode-los rede neural, neuro-fuzzy (ANFIS) e modelo Estatístico são comparados nas previ-sões de 6 horas, 12 horas, 18 h e 24horas a frente. Os resultados obtidos mostram o me-lhor desempenho da modelagem ANFIS e encorajam novos estudos no tema. / [en] Wind power is one of the most promising options for power generation. It ensures the diversity and security of energy supply and meets the pressing need to reduce the levels of emission of polluting gases. In the operation of electrical systems with a strong presence of wind generation, it is essential to provide at least one day in advance the future values (at least hourly) of wind speed, so that we can assess the availability of energy for the next day, a useful information in the order of the generating units and electrical control system. The purpose of this dissertation aims to develop models spe-cifically to develop models to forecast short-term wind speed, based on artificial intelligence techniques, artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statistical model composed of a harmonic regression model and Box-Jenkins. For application of the methodology, the city of São João do Cariri (State of Paraíba), where a reference station of SONDA project (National Environmental Data for the energy sector) is located, was considered.To apply the methodology was consi-dered the city of the ray tracing model (State of Paraíba), which is located a station ref-erence design (National Environmental Data for the energy sector). The performance of artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statis-tical model are compared mixed forecasts of 6 hours, 12 hours, 18hours and 24 hours ahead. The results show the best performance of the ANFIS model and encourage fur-ther studies on the subject.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

nÃo hà / As unidades hospitalares utilizam diversas ferramentas que auxiliam na gestÃo. Um desses indicadores à a taxa de ocupaÃÃo hospitalar que mede a relaÃÃo entre o nÃmero de pacientesdia e o nÃmero de leitos-dia durante determinado perÃodo. Compreender o comportamento da taxa de ocupaÃÃo hospitalar identificando suas tendÃncias e sazonalidades à o objetivo principal deste trabalho. A instituiÃÃo escolhida para este estudo realiza atendimentos para o SUS, Particular e ConvÃnio. Como cada categoria possui suas peculiaridades, este estudo buscou os modelos que mais se ajustavam Ãs sÃries das taxas de ocupaÃÃo e obteve os seguintes resultados: para a modalidade convÃnio o modelo ARIMA (2,1,2), para particular ARMA (1,1), para o SUS AR (1) e para a taxa de ocupaÃÃo total AR(1). Em todas as modalidades foram identificadas presenÃa de sazonalidade em alguns meses, sendo o modelo da taxa de ocupaÃÃo total o que mais apresentou esta caracterÃstica. TambÃm em todas as sÃries, o mÃs de fevereiro foi o que mostrou menor taxa de ocupaÃÃo. / The hospitals use various tools to assist in management. One of these indicators is the hospital occupancy rate, which measures the relationship between the number of patient-days and the number of bed-days during a given period. Understanding the behavior of the hospital occupancy rate of identifying trends and seasonality is the main objective of this work. The institution selected for this study offer these services to the SUS, private and Covenant. As each category has its peculiarities, this study sought models that best fit the series in occupancy rates and obtained the following results: the agreement to form ARIMA (2,1,2), particularly for ARMA (1,1 ) to SUS AR (1) and the total load factor AR (1). In all modes were identified presence of seasonality in some months, with the model of the total load factor that showed this feature. Also in all series, the month of February was the one that showed a lower occupancy rate.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.