Made available in DSpace on 2014-12-17T15:14:44Z (GMT). No. of bitstreams: 1 JoaoMariaS.pdf: 1049485 bytes, checksum: b130a8a0ccecf0a58604794ae4dbc1f4 (MD5) Previous issue date: 2008-03-07 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Nesta tese investigamos alguns problemas envolvendo duas ?reas complementares, a saber: din?mica estoc?stica e cosmologia. Na primeira linha de desenvolvimento, estendemos o formalismo de for?as flutuantes desenvolvido por Langevin para uma classe de sistemas com amortecimento vari?vel e, em seguida, discutimos algumas aplica??es no dom?nio cosmol?gico. Nesse contexto, supondo que o efeito da radia??o (banho t?rmico) ? semelhante ao de uma perturba??o estoc?stica (for?as flutuantes), discutimos a evolu??o do campo escalar em cen?rios da nova infla??o e no chamado efeito Meszaros. Inicialmente, utilizando um ru?do colorido na equa??o de Langevin, mostramos que as flutua??es do campo inflaton experimentam um regime de difus?o an?mala. Considerando que a componente de radia??o atua como uma poss?vel corre??o estoc?stica sobre o efeito Meszaros, discutimos a influ?ncia do ru?do sobre a evolu??o do contraste de densidade da mat?ria. Seguindo outra abordagem estoc?stica, estudamos os modelos de Friedmann-Robertson-Walker (FRW) como um fluido qu?ntico na chamada formula??o de Madelung. Nesse an?lise, as equa??es de FRW para os modelos fechados (k=1) se reduzem a forma de um oscilador harm?nico simples e as solu??es da equa??o de Schr?dinger associada bem como sua densidade de probabilidade s?o explicitamente obtidas. Mostramos tamb?m que a principal influ?ncia f?sica do processo estoc?stico ? evitar o colapso do modelo e, consequentemente, a singularidade c?smica. Investigamos ainda dois problemas relacionados com modelos de energia escura (quintess?ncia e g?s de Chaplygin). Para o primeiro candidato, discutimos um m?todo anal?tico que permite calcular o potencial de campo escalar numa mistura de um fluido perfeito e quintess?ncia. Supondo que a quintess?ncia ? descrita por uma mat?ria-X, diversas quantidades de interesse cosmol?gico s?o determinadas. Para o g?s de Chaplygin (vers?es de quintess?ncia e quartess?ncia), o redshift de transi??o ? utilizado como um discriminador para se obter limites sobre os par?metros cosmol?gicos relevantes. Os resultados obtidos est?o de bom acordo com alguns estudos recentes utilizando observa??es de supernovas e dados da estrutura de grande escala do universo

Made available in DSpace on 2015-04-14T14:48:57Z (GMT). No. of bitstreams: 1 399893.pdf: 1667296 bytes, checksum: 30db027cb6bbef2de3ec8544333c6dde (MD5) Previous issue date: 2006-12-12 / Um dos maiores proble mas na ?rea de computa??o de alto desempenho ? a dificuldade de definir qual a melhor estrat?gia de paraleliza??o de uma aplica??o. Neste contexto, a utiliza??o de m?todos anal?ticos para a avalia??o de desempenho de aplica??es paralelas aparece como uma alternativa interessante para auxiliar no processo de escolha das melhores estrat?gias de paraleliza??o. Neste trabalho, prop?e-se a ado??o do formalismo de Redes de Aut?matos Estoc?sticos para modelar e avaliar o desempenho de aplica??es paralelas especialmente desenvolvidas para m?quinas agregadas (i.e., clusters). A metodologia utilizada ? baseada na constru??o de modelos gen?ricos para descrever esquemas cl?ssicos de implementa??o paralela, tais como Mestre/Escravo, Fases Paralelas, Pipeline e Divis?o e Conquista. Estes modelos s?o adaptados em casos de aplica??es reais atrav?s da defini??o de valores para par?metros de entrada dos modelos. Finalmente, com intuito de verificar a precis?o da t?cnica de modelagem adotada, compara??es com resultados de implementa??es reais s?o apresentadas.

Submitted by Helmut Patrocinio (hell.kenn@gmail.com) on 2017-11-19T18:31:55Z No. of bitstreams: 1 Adriado_Tort_Disserta??o.pdf: 21259604 bytes, checksum: 641564a87ee862d7f3df6a7050e5f6f4 (MD5) / Approved for entry into archive by Ismael Pereira (ismael@neuro.ufrn.br) on 2017-11-22T11:58:32Z (GMT) No. of bitstreams: 1 Adriado_Tort_Disserta??o.pdf: 21259604 bytes, checksum: 641564a87ee862d7f3df6a7050e5f6f4 (MD5) / Made available in DSpace on 2017-11-22T11:59:01Z (GMT). No. of bitstreams: 1 Adriado_Tort_Disserta??o.pdf: 21259604 bytes, checksum: 641564a87ee862d7f3df6a7050e5f6f4 (MD5) Previous issue date: 2005-11-27 / A presente disserta??o, como j? indicado no pr?prio t?tulo, versa sobre exemplos de aplica??es da teoria dos processos estoc?sticos a problemas oriundos de biologia e medicina. ? ineg?vel o imenso aux?lio que a matem?tica prestou e vem prestando no desenvolvimento de conhecimentos de diversas ?reas de pesquisa ao longo da hist?ria da ci?ncia. Em particular, numa estreita rela??o simbi?tica com a f?sica, modelos matem?ticos realizaram grandes proezas ao descrever e predizer satisfatoriamente diversos fen?menos , fazendo at? mesmo com que a matem?tica fosse valorizada a um n?vel de linguagem pr?pria da natureza, principalmente no in?cio do s?culo passado com as grandes revolu??es da f?sica te?rica. Em grande parte inspirados por tal sucesso, muitos matem?ticos t?m se voltado para estudar e tentar descrever os fen?menos biol?gicos. A biologia matem?tica, que podemos dizer ser uma ci?ncia relativamente nova, ? hoje em dia um dos ramos de aplica??o da matem?tica que mais cresce, e que tem ganho cada vez mais respeito e adeptos. Principalmente a partir da metade do ?ltimo s?culo, v?rios problemas de ?reas biom?dicas t?m sido cada vez mais atacados com o aux?lio sistem?tico da matem?tica. Geralmente, os pesquisadores experimentais das ?reas biom?dicas reportam um grande n?mero de resultados e dados emp?ricos. A matem?tica entra para tentar fazer uma costura de tais resultados, de maneira a sintetiz?-los numa teoria unificadora. Como aplica??es em outras ?reas, os modelos s?o mais elegantes quando n?o s? podem descrever resultados j? conhecidos, como tamb?m s?o capazes de predizer resultados futuros. Embora ainda seja uma ?rea de garimpo e muitos modelos est?o ainda num est?gio de primeira aproxima??o, a biologia matem?tica j? mostra importantes utilidades de aplica??es reais no entendimento dos processos biol?gicos, e inclusive alguns pr?mios Nobel j? foram distribu?dos a fisiologistas que utilizaram matem?tica nas suas pesquisas.

Submitted by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-03-20T14:37:41Z No. of bitstreams: 1 TES_JOAQUIM_VINICIUS_CARVALHO_ASSUNCAO_COMPLETO.pdf: 5447781 bytes, checksum: f414b8262d7361d1082fc73dfea5f008 (MD5) / Made available in DSpace on 2017-03-20T14:37:41Z (GMT). No. of bitstreams: 1 TES_JOAQUIM_VINICIUS_CARVALHO_ASSUNCAO_COMPLETO.pdf: 5447781 bytes, checksum: f414b8262d7361d1082fc73dfea5f008 (MD5) Previous issue date: 2016-08-09 / Modelos estoc?sticos podem ser ?teis para representar de maneira compacta cen?rios n?o determin?sticos. Al?m disso, simula??es aplicadas em um modelo compacto s?o mais r?pidas e demandam menos recursos computacionais do que t?cnicas de minera??o em grandes volumes de dados. O desafio est? na constru??o desses modelos. A acur?cia, juntamente com tempo e a quantidade de recursos usados para ajustar um modelo s?o fatores chave para sua utilidade. Tratamos aqui de t?cnicas de aprendizado de m?quina para ajustes de estruturas com a propriedade de Markov; especialmente formalismos complexos como Modelos Ocultos de Markov (HMM) e Redes de Automatos Estoc?sticos (SAN). Quanto a acur?cia, levamos em considera??o as atuais t?cnicas de ajuste, e medidas baseadas em verossimilhan?a. Quanto ao tempo de cria??o, automatizamos o processo de mapeamento de dados via s?ries temporais e t?cnicas de representa??o. Quanto aos recursos computacionais, usamos s?ries temporais e t?cnicas de redu??o de dimensionalidade, evitando assim, problemas com a explos?o do espa?o de estados. Tais t?cnicas s?o demonstradas em um processo que incorpora uma s?rie de passos comuns para o ajuste de modelos com s?ries temporais. Algo semelhante ao que o processo de descoberta de conhecimento em banco de dados (KDD) faz; por?m, tendo como componente principal, modelos estoc?sticos. / Stochastic models might be useful for creating compact representations of non-deterministic scenarios. Furthermore, simulations applied to a compact model, are faster and require fewer computational resources than the use of data mining techniques over large volumes of data. The challenge is to build such models. The accuracy as well as the time and the amount of resources used to fit such models, are the key factors related to their utility. We use machine learning techniques for the fitting of structures characterized by a Markov property; especially, complex formalisms such as Hidden Markov Models (HMM) and Stochastic Automata Networks (SAN). Regarding the accuracy, we considered the state of the art on fitting techniques and model measurements based on likelihood. Regarding the computational resources, we used time series and dimensionality reduction techniques to avoid the space state explosion. Such techniques are demonstrated in a process that embodies a set of common steps for the model fitting through time series. Similar to the knowledge discovery in databases (KDD), yet using stochastic models as a main component.