[pt] Nesta tese desenvolvemos um Modelo Dinâmico Bayesiano para a densidade Normal Truncada. A estimação clássica e estática de observações desta densidade foi desenvolvida por A.C. Cohen nas décadas de 1950 e 1960, enquanto R. C. Souza apresentou, em 1978, um modelo dinâmico Bayesiano para esta densidade, no qual utilizava idéias da Teoria de Informação. O presente trabalho estende a formulação dinâmica Bayesiana de West, Harrinson e Migon por tratar de observações que não pertencem à família exponencial. Ao mesmo tempo, estendemos os resultados de Souza por não mais supor a estacionariedade da série. Algumas séries reais e simuladas são analisadas e, em particular, comparamos nossos resultados com aqueles obtidos por Souza. / [en] This thesis describes a Dynamic Bayesian Model for a Truncated Normal distribution. The classical and static solution to the problem of finding estimators for the parameters of the original Normal distribution was treated by A.C. Cohen in the 1950s and 1960s R.C. Souza (1978) described in his Doctoral thesis a Dynamic Bayesian Model for this distribution, in which Information Theory concepts were used. The present thesis extends the dynamic formulation of West, Harrison and Migon by considering a distribution which is not a member of a an Exponential Family. Moreover, we extend the results derived by Souza by dropping the assumptions of a steady state model. Some real and simulated series are analyzed and, in particular, we compare our results with those obtained by souza.

[pt] O objetivo principal desta dissertação é descrever e discutir o Modelo Bayesiano de Crescimento Linear Sazonal, formulação Estados múltiplos, utilizando descontos. As idéias originais deste modelo foram desenvolvidas por Ameen e Harrison. Na primeira parte do trabalho (capítulos 2 e 3) apresentamos idéias bem gerais sobre Séries Temporais e os principais modelos da literatura. A segunda parte (capítulos 4, 5 e 6) é dedicada à Estatística Bayesiana (conceitos gerais), ao MDL na sua formulação original, e ao nosso modelo de interesse. São apresentadas algumas sugestões operacionais e um fluxograma de operação do modelo, com vistas a uma futura implementação computacional. / [en] The aim of this thesis is to discuss in details the Multiprocess Linear Grawth Bayesian Model for seasonal and/or nonseasonal series, using discount factors. The original formulation of this model was put forward recently by Ameen and Harrison. In the first part of the thesis (chapters 2 and 3) we show some general concepts related to time series and time series modelling, whereas in the second (chapters 4, 5 and 6) we formally presented / the Bayesian formulation of the proposed model. A flow chart and some optional parameter setings aiming a computational implementation is also presented.

[pt] O objetivo primordial desta tese é descrever e discutir um método para previsão de séries temporais que apresentam descontinuidades bruscas - o chamado Método Bayesiano de Crescimento Linear de Estados Múltiplos (MCL-EM), desenvolvido por Harrison e Stevens. Na primeira parte é feito um rápido apanhado dos métodos existentes para previsão de séries temporais e seu relacionamento com métodos bayesianos mais gerais. A seguir é apresentado o MCL-EM e comparado com os principais métodos clássicos de crescimento linear. Finalmente são apresentadas algumas aplicações a séries reais e simuladas e analisadas suas vantagens e desvantagens em relação aos demais métodos em geral. / [en] The main objective of this dissertation is to describe and discuss a forecasting method for time series subject to sudden discontinuities - the so called multi-state linear Growth Bayesian Method (MLG for short), developped by Harrison and Stevens. The first part consists of a brief revision of the existing time series forecasting methods and their relationships with the more general bayesian methods. It is followed by a description of the MLG and its comparison with the classical linear growth methods. Finally, some applications to real and simulated time series are presented and its advantages and drawbaks are thoroughly discussed.

[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.

O objetivo deste trabalho é apresentar o Modelo Vetorial Autorregressivo (VAR) e uma das suas variações, o Modelo Vetorial de Correções de Erros (VEC), segundo uma abordagem Bayesiana, considerando componentes regionais, que serão inseridos nos modelos apresentados através de informações a priori que levam em consideração a localização dos dados. Para formar tais informações a priori são utilizados conceitos referentes à econometria espacial, como por exemplo, as relações de contigüidade e as implicações que estas trazem. Como exemplo ilustrativo, o modelo em questão será aplicado a um conjunto de dados regionais, coletados por estados brasileiros. Este conjunto de dados consiste em observações da variável produção industrial para oito estados, no período de janeiro de 1991 a setembro de 2006. Em função da escolha do modelo adequado, a questão central foi descobrir em que medida a incorporação destas informações a priori no modelo VEC Bayesiano é coerente quando estimamos modelos que consideram informações localizacionais. / The main goal of this work is to present the Vector Autoregressive Model (VAR) and one of its variations, the Vector Error Correction Model (VEC), according to a Bayesian variant, considering regional components that will be inserted in the models presented through prior information, which takes in consideration the data localization. To form such prior information, spatial econometrics is used, as for example the contiguity relations and the implications that these bring to the modeling. As illustrative example, the model in question will be applied to a regional data set, collected for Brazilian states. This data set consists of industrial production for eight states, in the period between January 1991 and September 2006. The central question is to uncover whether the incorporation of these prior informations in the Bayesian VEC Model is coherent when we use models that consider contiguity information.