Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-12-04T14:17:52Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Diana D. Aguiar.pdf: 2526734 bytes, checksum: ef02491a952f20781293fdfd0e5f5052 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-12-04T14:18:04Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Diana D. Aguiar.pdf: 2526734 bytes, checksum: ef02491a952f20781293fdfd0e5f5052 (MD5) / Made available in DSpace on 2017-12-04T14:18:04Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Diana D. Aguiar.pdf: 2526734 bytes, checksum: ef02491a952f20781293fdfd0e5f5052 (MD5) Previous issue date: 2017-08-09 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In this work we present a new approach for applications in Discriminant Analysis (DA) to problems whose observations in the training set are from time series, using the Bayes classifier and modeling the classes distributions in with Linear Dynamic Models. Theoretical developments were conducted to obtain an analytic form for the classe posterior probability. The simulation studies have been developed to evaluate the proposed approach, to evaluate different strategies to estimate the model variance and determine the classification error rates (ET) to compare them with other usual approaches in AD. Time series were simulated with different structures of classes separation and with different sizes for the training set. The proposed approach was also applied to data from real problems with different degrees of difficulty with respect to the classes number, the time series size and number of observations in the training set. With real data the proposed classifier was compared with other classifiers in terms of error rate. Although it is needed most complete studies, the results suggest that this parametric approach developed constitutes a promising alternative for problems in AD with time series, particularly in a challenging context when the size time series is much large than the number of observations in the classes. / Na presente dissertação apresentamos uma nova abordagem para aplicações em Análise Discriminante (AD) para problemas cujas observações no conjunto de treinamento são oriundas de séries temporais, empregando o Classificador de Bayes e modelando as distribuições nas classes com o emprego de Modelos Lineares Dinâmicos. Foram realizados os desenvolvimentos teóricos necessários para a obtenção de uma forma analítica para as probabilidades a posteriori das classes. Para avaliar a abordagem proposta foram desenvolvidos estudos de simulação, tanto para avaliar as estratégias da escolha do procedimento da estimação da variância, como também, determinar as taxas de erro (TE) de classificação para compará-las com outras abordagens usuais para classificadores em AD. Foram simuladas observações de séries temporais com diferentes estruturas de separação das classes e com diferentes tamanhos para o conjunto de treinamento. A abordagem proposta também foi aplicada em dados de problemas reais, com diferentes graus de dificuldades com relação ao número de classes, tamanho das séries e o número de observações no conjunto de treinamento, sendo então comparadas suas TE com as de outros classificadores. Embora sejam necessários estudos mais completos, os resultados obtidos sugerem que a abordagem paramétrica desenvolvida se constitui em uma alternativa promissora para esta categoria de problemas em AD, com observações de séries temporais, em particular, em um contexto bastante desafiador na prática quando temos séries com tamanhos grandes com relação ao número de observações nas classes.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.