Esta dissertação introduz uma abordagem para a previsão de vendas de empresas no contexto do desenvolvimento de novos produtos. Supõe-se que o método proposto dê sustentação ao processo decisório relativo às primeiras fases do desenvolvimento desses produtos. Também visa alcançar algum nível de compreensão relativamente à influência de fatores externos e internos nos níveis de vendas. Basicamente este método compreende três etapas próprias: análise do ambiente externo e interno à companhia, modelagem do comportamento de demanda (potencial de mercado, vendas da empresa, faturamento do segmento de mercado da empresa) e suas respectivas projeções no tempo. Esta abordagem foi aplicada a uma situação específica de desenvolvimento de um novo produto em uma empresa de médio porte que opera como fabricante de brinquedos. É esperado que empresas de pequeno e médio portes que enfrentem restrições de orçamento possam achar esta abordagem praticável - desde que as informações requeridas possam ser coletadas e mantidas adequadamente.

Submitted by Eduarda Figueiredo (eduarda.ffigueiredo@ufpe.br) on 2015-03-10T14:33:16Z No. of bitstreams: 2 dissertação de Rafael.pdf: 6567723 bytes, checksum: 97d8e6bb0560b57ad1b5585b7babb628 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-10T14:33:16Z (GMT). No. of bitstreams: 2 dissertação de Rafael.pdf: 6567723 bytes, checksum: 97d8e6bb0560b57ad1b5585b7babb628 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2012 / Este trabalho objetivou desenvolver uma ferramenta computacional de previsão da maré astronômica que simula os dados em locais onde há falta de informações oficiais disponíveis, assim como preenche os espaços temporais entre os dados fornecidos pela Marinha do Brasil. Foi utilizado no desenvolvimento da ferramenta dois tipos de interpolação: uma temporal, que utiliza interpolações hermitianas cúbicas; e outra espacial, que utiliza uma interpolação ponderada com o inverso da distância. Também se realizou neste trabalho testes comparativos, sendo 11 para validação da simulação temporal e 4 para validação da simulação espacial, utilizando para isso dados obtidos através do software SisBaHiA® e dados medidos in loco. Os resultados obtidos mostram que as simulações realizadas geram dados muito próximos aos usados na comparação. Para as chamadas simulações temporais a diferença média encontrada foi de no máximo 0,05 m. Já com relação às simulações espaciais a diferença média foi de no máximo 0,14 m para os locais simulados.

Made available in DSpace on 2014-06-12T15:59:43Z (GMT). No. of bitstreams: 2 arquivo5506_1.pdf: 2709479 bytes, checksum: e806394a4c08eb8a4ff80d9d4f501b20 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Uma série temporal é definida como um conjunto de observações de um fenômeno ordenadas no tempo. Existem vários problemas reais que podem ser representados por séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer de uma semana. A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as características da série. Podemos encontrar na literatura diversas abordagens que são utilizadas na seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para problemas de aprendizado e adaptada ao problema de seleção de modelos. Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados de desempenho obtidos pelos modelos candidatos em problemas processados no passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada em 4 estudos de caso e apresentou resultados satisfatórios

Made available in DSpace on 2014-06-12T16:00:22Z (GMT). No. of bitstreams: 2 arquivo6445_1.pdf: 691950 bytes, checksum: 1d1d5a8d1d2f4c1729145e463fb50d46 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Uma série temporal é definida como um conjunto de observações de um fenômeno ordenadas no tempo. Existem vários problemas reais que podem ser representados por séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer de uma semana. A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as características da série. Podemos encontrar na literatura diversas abordagens que são utilizadas na seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para problemas de aprendizado e adaptada ao problema de seleção de modelos. Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados de desempenho obtidos pelos modelos candidatos em problemas processados no passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada em 4 estudos de caso e apresentou resultados satisfatórios

Made available in DSpace on 2014-06-12T17:21:51Z (GMT). No. of bitstreams: 2 arquivo6125_1.pdf: 908109 bytes, checksum: c79892330d40ad4fa5e42081e8094687 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2002 / A presente dissertação tem como principal objetivo apresentar uma metodologia alternativa para a previsão das receitas tributárias federais administradas pela Secretaria da Receita Federal. Optou-se, então, pela utilização da metodologia de Box-Jenkins, especificamente o modelo Auto-Regressivo Integrado de Médias Móveis Sazonal SARIMA. O estudo será apresentado em 4 partes principais, assim desenvolvidas: revisão bibliográfica, natureza dos dados, apresentação e discussão dos resultados. A revisão bibliográfica trará uma discussão geral sobre a previsão de receitas públicas e sobre o tratamento estatístico de séries temporais; apresentando, inclusive, a justificativa da opção pela metodologia de Box-Jenkins. Particularmente, em relação às séries temporais, serão apresentados os principais conceitos que norteiam o seu estudo, tais como: estacionariedade, estocasticidade, processos auto-regressivos AR(p), de médias móveis MA(q) e mistos (auto-regressivos e de médias móveis) ARMA(p, q). Na parte referente à natureza dos dados, serão apresentadas as séries tributárias objetos do presente estudo, os fatos que afetaram a arrecadação tributária federal no período, além do tratamento imposto aos dados em relação às mudanças estruturais observadas, à remoção de pontos discrepantes ( outliers ) e à correção com base em um índice geral de preços. A parte referente à apresentação dos resultados trará os procedimentos utilizados na modelagem das séries tributárias, procedendo-se à identificação do modelo e sua respectiva estimação, à verificação de diagnóstico e, por fim, à previsão para cada um dos modelos selecionados. Na parte final do trabalho, discutir-se-á os resultados obtidos, comparando-se as previsões obtidas pela metodologia de Box-Jenkins com aquelas originadas do método de indicadores utilizado pela Secretaria da Receita Federal, determinando-se quais seriam os melhores modelos para previsão dos valores futuros de cada uma das séries tributárias estudadas

Submitted by Fernanda Rodrigues de Lima (fernanda.rlima@ufpe.br) on 2018-07-31T22:29:30Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-07T21:19:13Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Made available in DSpace on 2018-08-07T21:19:13Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) Previous issue date: 2017-03-17 / CNPq / A previsão de séries temporais é um importante campo de estudo em aprendizado de máquina. Já que a literatura mostra diversas técnicas para a solução desse problema, combinar saídas de diferentes modelos é uma estratégia simples e robusta. Entretanto, mesmo quando se usam tais combinadores, o experimentador pode encarar o seguinte dilema: qual técnica deve ser usada para combinar os preditores individuais? Este trabalho apresenta um arcabouço para seleção dinâmica de combinadores de previsão de séries temporais. O processo de seleção dinâmica pode ser resumido em três fases. A primeira delas é responsável pela geração do conjunto de especialistas base, sendo que esse conjunto pode ser formado por modelos de mesma natureza ou heterogêneos. A diversidade dos especialistas é importante em ambas as situações. A segunda fase, de seleção, é realizada através da estimação da competência dos modelos disponíveis no conjunto gerado na primeira fase, em respeito a regiões locais do espaço de características. No caso da seleção dinâmica, a escolha dos modelos é realizada para cada padrão de teste, ao invés de utilizar a mesma seleção para todos eles (seleção estática). A terceira fase é a integração dos modelos selecionados. No método proposto, foram utilizados como preditores individuais modelos estatísticos (lineares e não-lineares) e de aprendizado de máquina. Em relação aos combinadores, foram utilizadas algumas técnicas que usam uma base de dados independente para determinação dos pesos da combinação linear e outros métodos que não possuem essa necessidade. Foram propostos dois algoritmos de seleção dinâmica, baseados em acurácia e comportamento. Para cada um deles, foram implementadas variações no que diz respeito ao uso de todos ou dos melhores preditores e combinadores do comitê. Para testar o método proposto, dez séries temporais caóticas foram utilizadas: Mackey-Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser e três séries produzidas a partir de exames de eletroencefalograma. A previsão de séries caóticas tem importância para várias áreas de atuação humana como astronomia e processamento de sinais, sendo que algumas das séries que foram testadas também funcionam como benchmark em diversas pesquisas. As melhores variações dos algoritmos de seleção dinâmica propostos alcançaram resultados satisfatórios em todas as bases de dados. Após a realização de testes estatísticos, comprovou-se que os métodos foram superiores aos melhores combinadores e preditores base na maioria dos cenários, para previsão de curto e longo alcance. / Time series forecasting is an important research field in machine learning. Since the literature shows several techniques for the solution of this problem, combining outputs of different models is a simple and robust strategy. However, even when using combiners, the experimenter may face the following dilemma: which technique should one use to combine the individual predictors? This work presents a framework for dynamic selection of forecast combiners. The dynamic selection process can be summarized in three steps. The first one is responsible for the generation of the base experts set, and this set can be formed by models of the same kind or heterogeneous ones. The diversity of the experts is important in both cases. The second phase (selection) is carried out by estimating the competence of the available models in the set generated in the first phase, with respect to local regions of the feature space. In the case of dynamic selection, the model selection is performed for each test pattern, instead of using the same selection for all of them (static selection). The third phase is the integration of the selected models. In the proposed method, predictors from statistics (linear and nonlinear) and machine learning were used. As combiners, we chose techniques that use extra data and some others that do not require an independent dataset for determining the weights of the linear combination. Two dynamic selection algorithms were proposed, based on accuracy and behavior. For each of them, variations were implemented with respect to the use of all or the best predictors and combiners of the pool. To test the proposed method, ten chaotic time series were used: Mackey- Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser and three time series produced from electroencephalogram exams. The prediction of chaotic series is important for many areas of human activity such as astronomy and signal processing, and those that were tested also are used as benchmark in several works. The best variations of the proposed dynamic selection algorithms have achieved satisfactory results in all databases. After performing statistical tests, it was verified that the methods were superior to the best combiners and predictors based on most scenarios, for short and long term forecasting.

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-01T20:38:56Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-02T20:05:14Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) / Made available in DSpace on 2018-08-02T20:05:14Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) Previous issue date: 2017-03-13 / FACEPE / A time series is a collection of observations measured sequentially in time. Several realworld dynamic processes can be modeled as time series. One of the main problems of time series analysis is the forecasting of future values. As a special kind of data stream, a time series may present concept drifts, which are changes in the underlying data generation process from time to time. The concept drift phenomenon affects negatively the forecasting methods which are based on observing past behaviors of the time series to forecast future values. Despite the fact that concept drift is not a new research area, the effects of concept drifts in time series are not widely studied. Some approaches proposed in the literature to handle concept drift in time series are passive methods that successive update the learned model to the observations that arrive from the data stream. These methods present no transparency to the user and present a potential waste of computational resources. Other approaches are active methods that implement a detect-and-adapt scheme, in which the learned model is adapted just after the explicit detection of a concept drift. By using explicit detection, the learned model is updated or retrained just in the presence of drifts, which can reduce the space and computational complexity of the learning system. These methods are generally based on monitoring the residuals of a fitted model or on monitoring the raw time series observations directly. However, these two sources of information (residuals and raw observations) may not be so reliable for a concept drift detection method applied to time series. Residuals of a fitted model may be influenced by problems in training. Raw observations may present some variations that do not represent significant changes in the time series data stream. The main contribution of this work is an active adaptive learning system which is able to handle concept drift in time series. The proposed method, called Feature Extraction and Weighting for Explicit Concept Drift Detection (FW-FEDD) considers a set of time series features to detect concept drifts in time series in a more reliable way, being trustworthy and transparent to users. The features considered are weighted according to their importance to define concept drifts at each instant. A concept drift test is then used to detect drifts in a more reliable way. FW-FEDD also implements a forecasting module composed by a pool of forecasting models in which each model is specialized in a different time series concept. Several computational experiments on both artificial and real-world time series showed that the proposed method is able to improve the concept drift detection accuracy compared to methods based on monitoring raw time series observations and residual-based methods. Results also showed the superiority of FW-FEDD compared to other passive and active adaptive learning systems in terms of forecasting performance. / Uma série temporal é uma coleção de observações medidas sequencialmente no tempo. Diversos processos dinâmicos reais podem ser modelados como uma série temporal. Um dos principais problemas no contexto de séries temporais é a previsão de valores futuros. Sendo um tipo especial de fluxo de dados, uma série temporal pode apresentar mudança de conceito, que é a mudança no processo gerador dos dados. O fenômeno da mudança de conceito afeta negativamente os métodos de previsão baseados na observação do comportamento passado da série para prever valores futuros. Apesar de que mudança de conceito não é uma nova área, os efeitos da mudança de conceito em séries temporais ainda não foram amplamente estudados. Algumas abordagens propostas na literatura para tratar esse problema em séries temporais são métodos passivos que atualizam sucessivamente o modelo aprendido com novas observações que chegam do fluxo de dados. Estes métodos não são transparentes para o usuário e apresentam um potencial consumo de recursos computacionais. Outras abordagens são métodos ativos que implementam um esquema de detectar-e-adaptar, no qual o modelo aprendido é adaptado somente após a detecção explícita de uma mudança. Utilizando detecção explícita, o modelo aprendido é atualizado ou retreinado somente na presença de mudanças, reduzindo a complexidade computacional e de espaço do sistema de aprendizado. Estes método são geralmente baseados na monitoração dos resíduos de um modelo ajustado ou na monitoração dos dados da série diretamente. No entanto, estas duas fontes de informação (resíduos e dados crus) podem não ser tão confiáveis para um método de detecção de mudanças. Resíduos de um modelo ajustado podem ser influenciados por problemas no treinamento. Observações cruas podem apresentar variações que não representam mudanças significativas no fluxo de dados. A principal contribuição deste trabalho é um sistema de aprendizado adaptativo ativo capaz de tratar mudanças de conceito em séries temporais. O método proposto, chamado de Feature Extraction and Weighting for Explicit Concept Drift Detection (FW-FEDD) considera um conjunto de características da série temporal para detectar mudança de conceito de uma forma mais confiável, sendo transparente ao usuário. As características consideradas são ponderadas de acordo com sua importância para a definição das mudanças em cada instante. Um teste de mudança de conceito é utilizado para detectar as mudanças de forma mais confiável. FW-FEDD também implementa um módulo de previsão composto por um conjunto de modelos de previsão onde cada modelo é especializado em um conceito diferente. Diversos experimentos computacionais usando séries reais e artificiais mostram que o método proposto é capaz de melhorar a detecção de mudança de conceito comparado com métodos baseados na monitoração de dados crus da série e métodos baseados em resíduos. Resultados também mostraram a superioridade do FW-FEDD comparado com outros métodos de aprendizado adaptativo ativos e passivos em termos de acurácia de predição.

Orientador: Luiz Koodi Hotta / Dissertação (mestrado) - Universidade Estadual de Campinas. Instituto de Matematica, Estatistica e Ciencia da Computaçã / Made available in DSpace on 2018-07-21T11:11:12Z (GMT). No. of bitstreams: 1 Ota_Rissa_M.pdf: 3729508 bytes, checksum: 4518d0c22bb71b17e856d1bdf00226e6 (MD5) Previous issue date: 1996 / Resumo: Neste trabalho são discutidos alguns tipos de valores aberrantes (denotado nesse trabalho por outlier) mais citados na literatura de séries temporais e os efeitos que eles podem causar na identificação, estimação e previsão dos modelos, mostrando assim a importância em detectá-los. Nos primeiros dois capítulos são apresentados os modelos de outliers e alguns testes de detecção existentes na literatura. O Capítulo 3 é dedicado ao estudo dos efeitos dos outliers nas estimações, identificações e previsões. No Capítulo 4 são apresentados os efeitos dos outliers presentes nas últimas observações na previsão de valores agregados, comparando os efeitos nas previsões calculadas através de modelos desagregados e agregados. No estudo são considerados os casos de modelos conhecido e desconhecido, sendo este último realizado através de simulações. De um modo geral, a previsão através de modelo agregado, na presença de outlier aditivo (AO), é menos afetada do que a previsão pelo modelo desagregado. Quando um outlier de inovação (IO) está presente na série a previsão pelo modelo agregado é geralmente mais afetada. Isto era esperado porque no caso de modelos conhecidos o IO não tem efeito nas previsões do modelo desagregado. São também realizados estudos para verificar o efeito dos testes usuais de detecção de outlier na previsão, mostrando que, embora na maioria dos casos a utilização dos testes diminuam os vícios de previsão devido aos outliers, em alguns casos eles aumentam o erro quadrático médio de previsão. Isto ocorre principalmente na presença de dois IOs, de sinais trocados, devido à incorreta detecção dos outliers, na posição e/ou tipo. / Abstract: Not informed. / Mestrado / Mestre em Estatística

Orientador: Luiz Koodi Hotta / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-07-22T06:26:26Z (GMT). No. of bitstreams: 1 ZevallosHerencia_MauricioEnrique_M.pdf: 5088188 bytes, checksum: b39111251d3789bf1418c906023717cd (MD5) Previous issue date: 1997 / Resumo: Entre os modelos utilizados para modelar a volatilidade apresentada pelos retornos das séries financeiras, dois dos mais estudados na literatura são os modelos ARCH e de Variância Estocástica. Ambos dos modelos são capazes de reproduzir teoricamente as características empíricas observadas nos retornos das séries financeiras, mas fazem distinção quanto ao tratamento da volatilidade. Nos modelos ARCH considerada como observável e nos modelos de Variância Estocástica como não-observável. Por sua vez, nos modelos ARCH, um dos modelos mais utilizados é o GARCH(1,l), o qual apresenta em alguns casos, características semelhantes ao modelo de Variância Estocástica AR(l)-SV estacionário. O objetivo básico desta dissertação é fazer uma comparação dos modelos ARCH e de Variância Estocástica em termos das estimativas de volatilidade e da previsão da volatilidade um-passo à frente. No Capítulo 1 são apresentadas as idéias básicas e a nomenclatura. O Capítulo 2 está dedicado ao estudo das características empíricas das séries de retornos dos ativos da TELEBRÁS e da taxa de câmbio marco alemão com relação ao dólar norte-americano, que serão analisadas nesta dissertação, dando ênfase à não-linearidade apresentada pelos retornos. Nos capítulos 3 e 4 são apresentados os modelos ARCH e Variância Estocástica, suas principais propriedades e métodos para estimação, teste de hipóteses, diagnóstico e previsão. Finalmente, no Capítulo 5 realizamos a comparação dos modelos ARCH e Variância Estocástica utilizando as séries financeiras mencionadas e, adicionalmente, para os modelos GARCH(1,l) e AR(1)-SV através de simulações. / Abstract: Not informed. / Mestrado / Mestre em Estatística

Orientador: Sergio L. M. Salles Filho / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociencias / Made available in DSpace on 2018-07-26T03:14:12Z (GMT). No. of bitstreams: 1 Zackiewicz_Mauro_M.pdf: 962878 bytes, checksum: 024181e84f0b6b4fc761b9db14598736 (MD5) Previous issue date: 2000 / Mestrado