Made available in DSpace on 2016-08-29T15:09:50Z (GMT). No. of bitstreams: 1 tese_7242_Tese Nataly Adriana Jimenez Monroy.pdf: 1647826 bytes, checksum: 043d39d2450d7eba488a63e03d4918ad (MD5) Previous issue date: 2013-08-28 / Nos estudos de polui¸c ao atmosf´erica ´e comum observar dados medidos em diferentes posi¸c oes no espa¸co e no tempo, como ´e o caso da medi¸c ao de concentra¸c oes de poluentes em uma cole¸c ao de esta¸c oes de monitoramento. A din amica desse tipo de observa¸c oes pode ser representada por meio de modelos estat´ısticos que consideram a depend encia entre as observa¸c oes em cada localiza¸c ao ou regi ao e as observa¸c oes nas regi oes vizinhas, assim como a depend encia entre as observa¸c oes medidas sequencialmente. Nesse contexto, a classe de Modelos Espa¸co-Temporais Autorregressivos e de M´edias M´oveis (STARMA) ´e de grande utilidade, pois permite explicar a incerteza em sistemas que apresentam uma complexa variabilidade nas escalas temporal e espacial. O processo com representa¸c ao STARMA ´e uma extens ao dos modelos ARMA para s´eries temporais univariadas, sendo que al´em de modelar uma s´erie simples atrav´es do tempo, considera-se tamb´em sua evolu¸c ao em uma grade espacial. A aplica¸c ao dos modelos STARMA em estudos de polui¸c ao atmosf´erica ´e ainda pouco explorada. Nessa dire¸c ao, propomos nesta Tese uma classe de modelos espa¸co-temporais que considera as caracter´ısticas de longa depend encia comumente observadas em s´eries temporais de concentra¸c oes de poluentes atmosf´ericos. Este modelo ´e aplicado a s´eries reais provenientes de observa¸c oes di´arias de concentra¸c ao m´edia de PM10 e SO2 na Regi ao da Grande Vit´oria, ES, Brasil. Os resultados evidenciaram que a din amica de dispers ao dos poluentes estudados pode ser bem descrita usando modelos STARMA e STARFIMA, propostos nesta Tese. Essas classes de modelos permitiram estimar a influ encia dos poluentes sobre os n´ıveis de polui¸c ao nas regi oes vizinhas. O processo STARFIMA mostrou-se apropriado nas s´eries sob estudo, pois essas apresentaram caracter´ısticas de longa mem´oria no tempo. A considera¸c ao dessa propriedade no modelo conduziu a uma melhora significativa do ajuste e das previs oes, no tempo e no espa¸co.