Este trabalho aplica algumas formas de penalização tipo LASSO aos coeficientes para reduzir a dimensionalidade do espaço paramétrico em séries temporais, no intuito de melhorar as previsões fora da amostra. Particularmente, o método denominado aqui como WLadaLASSO atribui diferentes pesos para cada coeficiente e para cada defasagem. Nas implementações de Monte Carlo deste trabalho, quando comparado a outros métodos de encolhimento do conjunto de coeficientes, essencialmente nos casos de pequenas amostras, o WLadaLASSO mostra superioridade na seleção das covariáveis, na estimação dos parâmetros e nas previsões. Uma aplicação a séries macroeconômicas brasileiras também mostra que tal abordagem apresenta a melhor performance de previsão do PIB brasileiro comparada a outras abordagens. / This dissertation applies some forms of LASSO-type penalty on the coefficients to reduce the dimensionality of the parameter space in time series, in order to improve the out-of-sample forecasting. Particularly, the method named here as WLadaLASSO assigns different weights to each coefficient and lag period. In Monte Carlo implementations in this study, when compared to other shrinkage methods, essentially for small samples, the WLadaLASSO shows superiority in the covariable selection, in the parameter estimation and in forecasting. An application to Brazilian macroeconomic series also shows that this approach has the best forecasting performance of the Brazilian GDP compared to other approaches.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

The idea of time series forecasting techniques is that the past has certain information about future. So, the question of how the information is encoded in the past can be interpreted and later used to extrapolate events of future constitute the crux of time series analysis and forecasting. Several methods such as qualitative techniques (e.g., Delphi method), causal techniques (e.g., least squares regression), quantitative techniques (e.g., smoothing method, time series models) have been developed in the past in which the concept lies in establishing a model either theoretically or mathematically from past observations and estimate future from it. Of all the models, time series methods such as autoregressive moving average (ARMA) process have gained popularity because of their simplicity in implementation and accuracy in obtaining forecasts. But, these models were formulated based on certain properties that a time series is assumed to possess. Classical decomposition techniques were developed to supplement the requirements of time series models. These methods try to define a time series in terms of simple patterns called trend, cyclical and seasonal patterns along with noise. So, the idea of decomposing a time series into component patterns, later modeling each component using forecasting processes and finally combining the component forecasts to obtain actual time series predictions yielded superior performance over standard forecasting techniques. All these methods involve basic principle of moving average computation. But, the developed classical decomposition methods are disadvantageous in terms of containing fixed number of components for any time series, data independent decompositions. During moving average computation, edges of time series might not get modeled properly which affects long range forecasting. So, these issues are to be addressed by more efficient and advanced decomposition techniques such as Wavelets and Empirical Mode Decomposition (EMD). Wavelets and EMD are some of the most innovative concepts considered in time series analysis and are focused on processing nonlinear and nonstationary time series. Hence, this research has been undertaken to ascertain the predictability of nonstationary time series using wavelet and Empirical Mode Decomposition (EMD) based ARMA models. The development of wavelets has been made based on concepts of Fourier analysis and Window Fourier Transform. In accordance with this, initially, the necessity of involving the advent of wavelets has been presented. This is followed by the discussion regarding the advantages that are provided by wavelets. Primarily, the wavelets were defined in the sense of continuous time series. Later, in order to match the real world requirements, wavelets analysis has been defined in discrete scenario which is called as Discrete Wavelet Transform (DWT). The current thesis utilized DWT for performing time series decomposition. The detailed discussion regarding the theory behind time series decomposition is presented in the thesis. This is followed by description regarding mathematical viewpoint of time series decomposition using DWT, which involves decomposition algorithm. EMD also comes under same class as wavelets in the consequence of time series decomposition. EMD is developed out of the fact that most of the time series in nature contain multiple frequencies leading to existence of different scales simultaneously. This method, when compared to standard Fourier analysis and wavelet algorithms, has greater scope of adaptation in processing various nonstationary time series. The method involves decomposing any complicated time series into a very small number of finite empirical modes (IMFs-Intrinsic Mode Functions), where each mode contains information of the original time series. The algorithm of time series decomposition using EMD is presented post conceptual elucidation in the current thesis. Later, the proposed time series forecasting algorithm that couples EMD and ARMA model is presented that even considers the number of time steps ahead of which forecasting needs to be performed. In order to test the methodologies of wavelet and EMD based algorithms for prediction of time series with non stationarity, series of streamflow data from USA and rainfall data from India are used in the study. Four non-stationary streamflow sites (USGS data resources) of monthly total volumes and two non-stationary gridded rainfall sites (IMD) of monthly total rainfall are considered for the study. The predictability by the proposed algorithm is checked in two scenarios, first being six months ahead forecast and the second being twelve months ahead forecast. Normalized Root Mean Square Error (NRMSE) and Nash Sutcliffe Efficiency Index (Ef) are considered to evaluate the performance of the proposed techniques. Based on the performance measures, the results indicate that wavelet based analyses generate good variations in the case of six months ahead forecast maintaining harmony with the observed values at most of the sites. Although the methods are observed to capture the minima of the time series effectively both in the case of six and twelve months ahead predictions, better forecasts are obtained with wavelet based method over EMD based method in the case of twelve months ahead predictions. It is therefore inferred that wavelet based method has better prediction capabilities over EMD based method despite some of the limitations of time series methods and the manner in which decomposition takes place. Finally, the study concludes that the wavelet based time series algorithm could be used to model events such as droughts with reasonable accuracy. Also, some modifications that could be made in the model have been suggested which can extend the scope of applicability to other areas in the field of hydrology.

Este trabalho aplica algumas formas de penalização tipo LASSO aos coeficientes para reduzir a dimensionalidade do espaço paramétrico em séries temporais, no intuito de melhorar as previsões fora da amostra. Particularmente, o método denominado aqui como WLadaLASSO atribui diferentes pesos para cada coeficiente e para cada defasagem. Nas implementações de Monte Carlo deste trabalho, quando comparado a outros métodos de encolhimento do conjunto de coeficientes, essencialmente nos casos de pequenas amostras, o WLadaLASSO mostra superioridade na seleção das covariáveis, na estimação dos parâmetros e nas previsões. Uma aplicação a séries macroeconômicas brasileiras também mostra que tal abordagem apresenta a melhor performance de previsão do PIB brasileiro comparada a outras abordagens. / This dissertation applies some forms of LASSO-type penalty on the coefficients to reduce the dimensionality of the parameter space in time series, in order to improve the out-of-sample forecasting. Particularly, the method named here as WLadaLASSO assigns different weights to each coefficient and lag period. In Monte Carlo implementations in this study, when compared to other shrinkage methods, essentially for small samples, the WLadaLASSO shows superiority in the covariable selection, in the parameter estimation and in forecasting. An application to Brazilian macroeconomic series also shows that this approach has the best forecasting performance of the Brazilian GDP compared to other approaches.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Orientador: Emanuel Pimentel Barbosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-05T13:04:51Z (GMT). No. of bitstreams: 1 Gomes_DanielTakata_M.pdf: 3107518 bytes, checksum: c063e22a01c9ebf48a081c148b6138d8 (MD5) Previous issue date: 2005 / Resumo: É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa, tomando-se como referência modelos padrão tipo ARIMA e ARFIMA. São utilizadas séries espaciais (dados de variáveis do solo) e séries temporais (séries de inflações de países desenvolvidos). Os resultados mostram que o uso das redes para predição é vantajoso em relação a modelos lineares para diversas séries. Também é desenvolvido um novo modelo (redes neurais com pesos variáveis) e seu correspondente algoritmo de estimação baseado nas características dos dados / Abstract: Forecasting of time series is a topic of great interest nowadays. To do so, the data generating process needs to be estimated with a good degree of accuracy. In the last years, artificial neural networks are becoming more important in the statistical community. The more basic structure of a neural network, the feedforward neural nets, without feedback, can be a profitable alternative, in some cases, comparing to linear traditional models. However, some time series present characteristics that allow to introduce some kind of feedback in the network. Such network is called recurrent neural network, a tool not so popular in the statistical community.Two of the main concerns of this work are the study of recurrent neural networks for prediction of time series (theoretical fundamental, main architectures and learning algorithms) and the comparative study of the predictive performance of these networks for short and long memory time series. Spatial series (solo science data) and time series (inflation data) are used. The results show that the networks have good prediction performance comparing to linear models in several series. A new model (neural networks with varying coefficients) and its estimation algorithm are proposed, based in the data characteristics / Mestrado / Mestre em Estatística

Orientadores: Luiz Koodi Hotta, Mauricio Enrique Zevallos Herencia / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-06T01:07:19Z (GMT). No. of bitstreams: 1 Paula_Julianade_M.pdf: 3543274 bytes, checksum: 420906ec38aaafeee50d465a68850a25 (MD5) Previous issue date: 2006 / Resumo: O conceito de contagio tem sido um dos mais discutidos na literatura de finanças internacionais a partir da ultima década do século XX. Embora não exista uma forte concordância em relação à sua definição, todos concordam em que ele esta relacionado ao fato de que crises econômicas iniciadas em um período podem propagarem-se por outros países através do aumento das conexões entre os países envolvidos. Neste sentido, um dos indicadores utilizados para verificar a existência de contágio e o aumento da correlação condicional em um período de crise com relação a períodos tranqüilos. Neste trabalho são estudadas algumas técnicas estatísticas para estimar a correlação condicional. São considerados estimativas através do método do alisamento exponencial, de modelos da família GARCH multivariada e utilizando a analise fatorial com modelos de volatilidade estocástica. Estas técnicas são empregadas para estudar o contagio que envolvam países latino-americanos e alguns países asiáticos, quais sejam, Brasil, México, Argentina, Malásia e Rússia ao longo do período de 05/09/1995 a 30/12/2004. Nota-se que existe unanimidade nos resultados com relação a existência ou não de contagio entre as técnicas para alguns países em determinados período de tempo, principalmente durante a crise asiática, mas existem períodos onde essas técnicas levam a conclusões diferentes / Abstract: The issue of contagion has been one of the most debated in the international finance literature in the last years. Although there is no general agreement regarding the definition of contagion, it is known that this issue is related to the fact that crisis started in one country tend to propagate to other countries. Therefore, a measure used as an indication of the presence of contagion is the growth of the conditional correlation during crisis periods. This dissertation review some of the statistical techniques used to estimate conditional correlation: the exponential smoothing method, multivariate GARCH type models and factor analysis with stochastic volatility model. These techniques are applied in order to study contagion among Latin American and some asian market countries, i.e. Brazil, Mexico, Argentina, Malaysia and Russia covering the period from 05/09/1995 until 30/12/2004. In some crisis period, mainly during the Asian crisis there is a general agreement among all techniques, but there also cases where they lead to different conclusions / Mestrado / Mestre em Estatística

Orientador: Emanuel Pimentel Barbosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-08T06:20:36Z (GMT). No. of bitstreams: 1 Barbao_Jaqueline_M.pdf: 5813756 bytes, checksum: 029960ddd670b1a986b10c66dba44508 (MD5) Previous issue date: 2007 / Resumo: Neste trabalho são estudadas 4 metodologias para análise de ciclos em séries temporais, das quais 3 delas foram mais recentemente desenvolvidas na literatura. A primeira, proposta por Kaiser e Maravall (2001), se baseia numa modificação do filtro Hodrick-Prescott (HP) unidimensional através de uma abordagem por modelos ARIMA. A segunda, desenvolvida em Mills (2003) consiste numa extensão multivariada do filtro HP. A terceira, utiliza modelos de espaço de estado ou estruturais (Durbin e Koopman.2001), uni-variados e multivariados para decompor a série. A quarta, é um método mais tradicional, aqui tomado como referência comparativa e que se baseia em modelos de regressão (não-linear) harmónica. Utilizando 3 séries de índices macroeconômicos da Espanha (índice de produção industrial, consumo de cimento e número de biblhetes vendidos de passagens aéreas), e 2 séries de fenômenos naturais (chuvas em Fortaleza e número médio de manchas solares), esses métodos são implementados e seus resultados discutidos e avaliados comparativamente. Aspectos dessa avaliação incluem a facilidade de implementação, capacidade de descrição e previsão, e qualidade da componente cíclica estimada. / Abstract: The analysis of cycles in time series is considered in this investigation through four methodologies, of which three were more recently developed in literature. The first method, proposed in Kaiser and Maravall (2001), is based on a modification of the unidimensional Hodrick-Prescot filter (HP) through ARIMA models approach. The second method, developed in Mills (2003), consists of a multivaxiate extension of the HP filter, whereas the third method, which follows Durbin and Koopman (2001), decomposes the series through either univariate or multiariate state space models. The fourth method, which is traditional in literature and based on harmonic non-linear regression models, is taken in order to be used as standard reference for comparison. These methods are applied in three Spanish macroeconomic time series (industry production index, cement consumption and airline tickets sales) and two natural phenomena time series (rainfall in Fortaleza/Brazil and sunspot average number). These methodologies are examined with respect the facilities of the implementation, forecasting and description capability, and the quality of the estimated cycle component. / Mestrado / Mestre em Estatística

Orientador: Claudia Maria Bauzer Medeiros / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-11T15:55:05Z (GMT). No. of bitstreams: 1 Mariote_LeonardoElias_M.pdf: 1035887 bytes, checksum: 094c91408f53fdbaaa175f5b7206a2d7 (MD5) Previous issue date: 2008 / Resumo: Redes de sensores têm aumentado a quantidade e variedade de dados temporais disponíveis. Com isto, surgiram novos desafios na definição de novas técnicas de mineração, capazes de descrever características distintas em séries temporais. A literatura correlata endereça problemas diversos, como indexação, classificação, definição de vetores de características e funções de distâncias mais eficazes. No entanto, a maioria dos trabalhos atuais tem como objetivo descrever e analisar os valores de uma série temporal, e não sua evolução. Além disto, vários fenômenos requerem uma análise mais elaborada, capaz de relacionar várias grandezas. Tal tipo de análise não pode ser realizada pela maioria das técnicas existentes hoje. Esta dissertação apresenta uma técnica que descreve séries temporais sob uma premissa diferente - a de caracterizar a oscilação das séries e não seus valores propriamente ditos. O novo descritor apresentado - TID ES (TIme series oscillation D EScriptor) - utiliza os coeficientes angulares de uma segmentação linear da curva que representa a evolução das . séries analisadas, em múltiplas escalas. Com isso, permite a comparação e a mineração de séries utilizando várias granularidades, enriquecendo a análise efetuada. As principais contribuições são: ~I) A especificação de um descritor que caracteriza a oscilação de séries temporais, ao invés de seus valores, utilizando múltiplas escalas; (II) A implementação deste descritor, validada por meio de dados sintéticos e reais; (III) A extensão do descritor de modo a suportar a análise de coevolução em um conjunto de séries / Abstract: Sensor networks have increased the amount and variety of temporal data available. This motivated the appearance of new techniques far data mining, which describe different aspects of time series. Related work addresses several issues, such as indexing and clustering time series, and the definition of more efficient feature vectares and distance functions. However, most results focus on describing the values in a series, and not their evolution. Furthermore, the majority of papers only characterize a single series, which is not enough in cases where multiple kinds of data must be considered simultaneously. This thesis presents a new technique, which describes time series using a distinct approach, characterizing their oscillation, rather than the values themselves. The descriptor presented - called TIDES (TIme series oscillation DEScriptor) uses the angular coefficients from a linear segmentation of the curve that represents the evolution of the analyzed series. Furthermore, TIDES suports multiscale analysis, what enables series and series mining under different granularities. The main contributions are: (I) The specification of a descriptor that characterizes the oscillation of time series, rather than their values, unde multiple scale; (II) The implementation of this descriptor, validated for synthetic and real data; (III) The extension of the descriptor to support the analysis of the coevolution of a set of series / Mestrado / Banco de Dados / Mestre em Ciência da Computação

Orientador: Sérgio Augusto Cunha / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Educação Física / Made available in DSpace on 2018-08-22T12:25:32Z (GMT). No. of bitstreams: 1 Rodrigues_AnaCarolinadeMelloAlves_M.pdf: 2144136 bytes, checksum: d441e8c33daa046aa1f2cfd67d18b720 (MD5) Previous issue date: 2013 / Resumo: A análise do desempenho muscular por dinamometria hipocinética comumente utiliza-se de valores de torque máximo de quadríceps e isquiotibiais. Porém com a utilização dos valores de torque em função da amplitude de movimento, bem como o cálculo da potência e do desequilíbrio muscular desta maneira torna possível observar o comportamento muscular e a capacidade de estabilização do joelho ao longo de toda amplitude de movimento, e possibilita identificar amplitudes que há risco de lesão de LCA. O objetivo deste estudo foi analisar a série temporal da produção de torque do quadríceps e dos isquiotibiais e calcular a potência e o desequilíbrio muscular de atletas de futsal feminino em função do ciclo de movimento de flexão e extensão do joelho no membro dominante. A amostra foi composta de 19 atletas amadoras de futsal feminino, com idade média de 20 ± 2,83 anos. A avaliação consistiu em 2 série de 5 repetições máximas de extensão/flexão do joelho unilateral de forma concêntrica, em 2 velocidades angulares (180°·s-1 e 210°·s-1) através de um dinamômetro isocinético (Biodex System Pro4). As análises foram baseadas nos valores de torque e potencia do quadríceps e dos isquiotibiais em função da amplitude de movimento, e foram calculadas a razão entre essas musculaturas em função da amplitude de movimento. Foram comparados os valores de torque, potência e razão em função do ângulo do joelho, para ambas as velocidades através da ANOVA e teste de Tukey post hoc. As variáveis foram analisadas em rotinas de ambiente Matlab®, com o valor de significância de 5%. Os valores de torque e potencia do quadríceps apresentaram-se maiores de 40% a 80% do ciclo de movimento nas velocidades de 180°·s-1 e 210°·s-1 que corresponde aos ângulos de 50° a 70° de flexão do joelho. Os valores do torque dos isquiotibiais foram maiores de 80% a 100 % do ciclo, que corresponde aos ângulos de 70° a 80° de flexão do joelho em ambas as velocidades, enquanto que a potencia dos isquiotibiais foi constate até 70% do ciclo, com menores valores de 70% a 100% do ciclo, que corresponde aos ângulos de 65° a 80° de flexão do joelho. Com relação a razão em função do ciclo de movimento, 6 atletas apresentaram em algum instante do ciclo de movimento valores abaixo de 60% na velocidade de 180°·s-1, e 4 atletas a 210°·s-1. O estudo mostra que análise do torque, potência e razão ao longo do ciclo de movimento caracteriza melhor o desempenho muscular destas atletas e identifica desequilíbrios entre isquiotibiais e quadríceps que poderiam não ser encontrados com o método de análise convencional, além de fornecer informações sobre desempenho em ângulos específicos do movimento de flexão e extensão do joelho que podem ser utilizados no treinamento e reabilitação destes grupos musculares / Abstract: The analysis of the muscle performance by isokinetic dynamometry is commonly used by peak torque of quadriceps and hamstrings. However, with the use of the torque values as a function of the amplitude of motion, as well as the calculation of the power and muscle imbalance in this way makes it possible to observe the behavior and the ability muscular stabilization of the knee over the entire range of motion, and helps identify amplitudes there is risk of ACL injury. The aim of this study was to analyze the time series of the torque production of the quadriceps and hamstrings and calculate power and muscle imbalance of female soccer athletes due to the cycle of movement of flexion and knee extension limb dominant. The sample consisted of 19 athletes amateur futsal, mean age 20 ± 2.83 years. The evaluation consisted of two series of five repetitions maximum extension / flexion of the knee-sided concentrically in two angular velocities (180°·s-1 e 210°·s-1) using an isokinetic dynamometer (Biodex System Pro4) . The analyzes were based on the values of torque and power of the quadriceps and hamstrings due to the range of motion, and we calculated the ratio of these muscles due to the range of motion. We compared the values of torque, power and reason as a function of knee angle for both speeds by ANOVA and Tukey post hoc. The variables were analyzed in Matlab ® routines, with the significance level of 5%. The values of torque and power of the quadriceps were higher than 40% to 80% of the cycle of motion at speeds of 180°·s-1 and 210°·s-1 which corresponds to angles of 50° to 70 ° of flexion knee. The hamstring torque values were greater than 80% to 100% duty cycle, corresponding to angles of 70° to 80° of knee flexion at both speeds, whereas the power hamstring muscles were finds up to 70% of the cycle, lower ratios of 70% to 100% duty cycle, corresponding to angles of 65° to 80° of knee flexion. Regarding the ratio as a function of the movement cycle 6 athletes had at some point in the movement cycle values below 60% at a rate of 180°·s-1 and athletes 4 at 210°·s-1. The study shows that analysis of the torque, power and reason throughout the movement cycle is a better muscle performance of athletes identifies imbalances between hamstring and quadriceps that could not be found with the conventional method of analysis, in addition to providing information about performance specific angles of flexion and extension of the knee that can be used in the training and rehabilitation of such muscle groups / Mestrado / Biodinamica do Movimento e Esporte / Mestra em Educação Física