Made available in DSpace on 2014-06-12T15:51:09Z (GMT). No. of bitstreams: 2 arquivo665_1.pdf: 3380455 bytes, checksum: 8a23bc7062b82256993c2f578dc3bc37 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O Brasil é responsável por 10% dos homicídios do mundo, em 2005 foram 47.578 pessoas assassinadas no país (SIM/DATASUS). Pernambuco foi responsável por 10% dos homicídios do país, tendo, no ano de 2007, 4.592 pessoas mortas por agressão (DIEP-PE). Os jovens são os mais vitimados, sendo o grupo entre 15 e 29 anos de idade do sexo masculino, de cor parda ou preta e com baixa escolaridade, o que padece em 65% dos casos. Parte da literatura das ciências sociais aponta para a relação entre pobreza/desigualdade com o crescimento da violência (CERQUEIRA e LOBÃO, 2004; BEATO e REIS, 2000). Os estudos sobre violência no Brasil negligenciam a Região Nordeste e fazem inferência sobre as causas da criminalidade homicida utilizando as experiências do Sul e Sudeste. A dinâmica pode até ser parecida, mas as causas nem sempre são as mesmas. A pobreza e a desigualdade, que fazem parte da realidade nordestina há séculos, não são variáveis determinantes para a criminalidade violenta nessa região. O crescimento econômico dos últimos anos (HOFFMANN, 2006) teve em alguns estados nordestinos uma relação inversa com a violência. O objetivo central desta tese é analisar a dinâmica dos homicídios no Nordeste brasileiro, com destaque para o estado de Pernambuco e suas relações causais. 2/3 dos homicídios da região Nordeste estão concentrados em três estados: Bahia, Alagoas e Pernambuco. Qual a dinâmica desse tipo de morte violenta na região Nordeste? Quais fatores causam ou se correlacionam/associam com os homicídios nessa região? As respostas são várias e, apesar da melhoria da condição socioeconômica no Nordeste, a maioria dos estados nordestinos aponta para o crescimento da criminalidade violenta (Proxy homicídios) em seus territórios, sugerindo que a atuação das políticas públicas em segurança são fatores determinantes para o controle da variável dependente (homicídios). Os modelos apresentados fazem testes de variáveis socioeconômicas consideradas proxy para pobreza e desigualdade em relação aos homicídios, além de variáveis que analisam o desempenho do governo em algumas áreas sociais, avaliando qual o impacto dessas variáveis no crescimento/controle/decréscimo dos homicídios na Região Nordeste e no Brasil. Outras análises estão baseadas no impacto das instituições coercitivas (variáveis independentes) nos homicídios. Baseado em alguns autores (MOCAN, 2003; GOERTZEL e KHAN, 2008; ACERO VELASQUEZ, 2006; SOARES, 2008; SAPORI, 2008; ZAVERUCHA, 2004 e KHAN e ZANETIC, 2009), a tese central aqui defendida tem nas políticas públicas de segurança eficientes/eficazes (accountability) as variáveis explicativas para a redução e/ou controle dos homicídios no Brasil

O segmento de fast-food tornou-se um mercado muito concorrido e com empresas bem conhecidas, tais como: Subway, McDonalds, Burguer King, Bobs e Habibs. Técnicas de inteligência artificial e ciência de dados podem oferecer inúmeros benefícios para este mercado, como por exemplo, permitir o desenvolvimento de modelos computacionais para tomada de decisões. No contexto de finanças onde envolvam a comercialização de determinados produtos, é muito comum deparar-se com cenários que envolvam incerteza, principalmente quando se deseja realizar projeções financeiras, avaliar riscos e estimativas. O objetivo deste trabalho consiste em desenvolver modelos probabilísticos baseados em Redes Bayesianas (RB) para realizar predições em vendas e análise de causalidade entre variáveis que influenciam no processo de comercialização de determinados grupos de produtos no seguimento de fast-food. Nesta análise foram avaliadas Redes Bayesianas com aprendizado de estrutura baseado em restrições, através do algoritmo Grow Shrink (GS), e Redes Bayesianas com aprendizado de estrutura baseado em pontuação, através do algoritmo Hill-Climbing (HC), posteriormente foram comparadas com um modelo de série temporal baseado em Generalized Additive Model (GAM). Os dados para análise foram adquiridos de uma rede de fast-food brasileira que possui cerca de 1100 lojas associadas, destas, foram utilizadas lojas que pertencem ao estado de São Paulo, assim como avaliado variáveis de grupos de vendas no período de 2010 à 2017. Os resultados foram avaliados através da métrica Mean Absolute Percentage Error (MAPE), que considera valores reais alimentados em modelos e valores ajustados a partir do modelo e calcula a diferença absoluta entre os dois como porcentagem do valor real, com base neste cálculo é possível obter a acurácia de cada modelo. A Rede Bayesiana (RB) com aprendizagem de estrutura baseada em pontuação, utilizando o algoritmo Hill Climbing (HC), foi escolhida como o melhor modelo, pois apresentou relações causais mais coerentes entre os vértices que influenciam o processo de venda, bem como combinações de vértices que resultam em combos de produtos, além disso, resultou em 97.60% de acurácia na previsão de vendas das lojas do estado de São Paulo (SP) na amostra de teste avaliada, com base na métrica Mean Absolute Percentage Error (MAPE). / The fast-food segment has become a busy market with well-known companies such as: Subway, McDonalds, Burger King, Bobs and Habibs. Artificial intelligence and data science techniques can offer innumerable benefits to this market, such as allowing the development of computational models for decision making. In the context of finances involving the marketing of certain products, it is very common to come across scenarios where uncertainty is involved, especially when financial projections are desired, to evaluate risks and estimation. The objective of this work is to develop probabilistic models based on Bayesian Networks (BN) to make sales predictions and causality analysis among variables that influence the commercialization process of certain product groups in the fast-food segment. In this analysis we evaluated Bayesian networks with learning of structure based on constraints, through the algorithm Grow Shrink (GS), and Bayesian Networks with learning of structure based on score, through the algorithm Hill-Climbing (HC), later were compared with a model time series based on Generalized Additive Model (GAM). The data for analysis were acquired from a Brazilian fast-food chain with approximately 1100 associated stores, of which stores were used that belong to the state of São Paulo, as well as evaluated variables of sales groups in the period from 2010 to 2017. The results were evaluated by using the Mean Absolute Percentage Error (MAPE), which considers real values fed in models and values adjusted from the model and calculates the absolute difference between the two as a percentage of the real value, based on this calculation it is possible to obtain the accuracy of each model. The Bayesian Network (BN) with scoring based structure learning, using the Hill Climbing (HC) algorithm, was chosen as the best model because it presented more coherent causal relationships between vertices that influence the sales process, as well as combinations of vertices that result in product combos, in addition, achieved a 97.60% accuracy in the sales forecast of stores in the state of Sao Paulo (SP) in the test sample evaluated, based on the Mean Absolute Percentage Error (MAPE) metric.

Orientador: Sanderléia Roberta Longhin / Coorientador: Liesbeth Degand / Banca: Roberto Gomes Camacho / Banca: Rosane de Andrade Berlinck / Banca: Maria da Conceição Auxiliadora de Paiva / Banca: Maria Alice Tavares / Resumo: Esta tese investiga os processos de gramaticalização de onze conectores causais do português: ca, que, como, pois, pois que, porque, porquanto, posto que, já que, visto que e por causa que. Empreendendo incursões em diferentes sincronias do português, esta pesquisa pauta-se pela premissa de que a sistematicidade e a historicidade linguística devem ser estudadas paralelamente (COSERIU, 1979). Com base na abordagem da Gramaticalização (MARTELOTTA, 2011; BYBEE, 2010; HOPPER; TRAUGOTT, 1993; HOPPER, 1991) em correlação com os estudos de (Inter)Subjetivização (TRAUGOTT, 2010; 2007), analisam-se propriedades semântico-pragmáticas e sintáticas de cada conector, tendo em vista os seguintes objetivos: a) descrever as trajetórias de gramaticalização dos conectores causais encontrados no corpus; b) analisar, sincrônica e diacronicamente, os seus usos e estatuto sintático e c) investigar se a (inter)subjetivização representa um dos estágios possíveis da gramaticalização desses conectores. O corpus é constituído por amostras de língua falada e escrita. Os dados de fala são do século XXI; os textos escritos datam do século XIII ao XX. As investigações no corpus seguem pressupostos estabelecidos pela perspectiva das Tradições Discursivas (KABATEK, 2012). Os principais resultados são: i) alguns dos conectores gramaticalizam-se ainda no latim; ii) a gramaticalização dos conectores causais, no português, com exceção de porque, não envolve (inter)subjetivização; iii) a tendência... / Abstract: This thesis probes into the grammaticalization of eleven Portuguese causal connectives: "ca", "que", "como", "pois", "pois que", "porque", "porquanto", "posto que", "já que", "visto que" and "por causa que". By carrying out incursions into different synchronies of Portuguese, this research is in line with the assumption that it is possible to examine language considering its systemacity and historicity in parallel (COSERIU, 1979). Based on the grammaticalization approach (MARTELOTTA, 2011; BYBEE, 2010; HOPPER; TRAUGOTT, 1993; HOPPER, 1991) in correlation with researches on (inter)subjectification (TRAUGOTT, 2010; 2007), semantic-pragmatic and syntactic features of each connective are analyzed, aiming at: a) describing connectives' trajectories of grammaticalization; b) investigating connectives' usages and syntatic status both synchronically and diachronically and c) identifying (inter)subjectification as one of the stages of the grammaticalization of causals. The corpus of the investigation consists of written and spoken texts. The written texts represent samples from the 13th to the 20th centuries. Spoken samples belong to the 21st century. The investigations through the corpus follow assumptions of the discourse tradition perspective (KABATEK, 2012). The main results are as follows: i) some of the causal connectives undergo grammaticalization in Latin; ii) the grammaticalization of causals throughout the Portuguese doesn't involve (inter)subjectification, ... / Doutor

A Modelagem de Equações Estruturais (SEM, do inglês Structural Equation Modeling) é uma metodologia multivariada que permite estudar relações de causa/efeito e correlação entre um conjunto de variáveis (podendo ser elas observadas ou latentes), simultaneamente. A técnica vem se difundindo cada vez mais nos últimos anos, em diferentes áreas do conhecimento. Uma de suas principais aplicações é na conrmação de modelos teóricos propostos pelo pesquisador (Análise Fatorial Conrmatória). Existem diversas medidas sugeridas pela literatura que servem para avaliar o quão bom está o ajuste de um modelo de SEM. Entretanto, é escassa a quantidade de trabalhos na literatura que listem relações entre os valores de diferentes medidas com possíveis problemas na amostra e na especicação do modelo, isto é, informações a respeito de que possíveis problemas desta natureza impactam quais medidas (e quais não), e de que maneira. Tal informação é importante porque permite entender os motivos pelos quais um modelo pode estar sendo considerado mal-ajustado. O objetivo deste trabalho é investigar como diferentes perturbações na amostragem, especicação e estimação de um modelo de SEM podem impactar as medidas de qualidade de ajuste; e, além disso, entender se o tamanho da amostra influencia esta resposta. Simultaneamente, também se avalia como tais perturbações afetam as estimativas, dado que há casos de perturbações em que os parâmetros continuam sendo bem ajustados, mesmo com algumas medidas indicando um mau ajuste; ao mesmo tempo, há ocasiões em que se indica um bom ajuste, enquanto que os parâmetros são estimados de forma distorcida. Tais investigações serão realizadas a partir de simulações de exemplos de amostras de diferentes tamanhos para cada tipo de perturbação. Então, diferentes especicações de modelos de SEM serão aplicados a estas amostras, e seus parâmetros serão estimados por dois métodos diferentes: Mínimos Quadrados Generalizados e Máxima Verossimilhança. Conhecendo tais resultados, um pesquisador que queira aplicar a técnica de SEM poderá se precaver e, dentre as medidas de qualidade de ajuste disponíveis, optar pelas que mais se adequem às características de seu estudo. / The Structural Equation Modeling (SEM) is a multivariate methodology that allows the study of cause-and-efect relationships and correlation of a set of variables (that may be observed or latent ones), simultaneously. The technique has become more diuse in the last years, in different fields of knowledge. One of its main applications is on the confirmation of theoretical models proposed by the researcher (Confirmatory Factorial Analysis). There are several measures suggested by literature to measure the goodness of t of a SEM model. However, there is a scarce number of texts that list relationships between the values of different of those measures with possible problems that may occur on the sample or the specication of the SEM model, like information concerning what problems of this nature impact which measures (and which not), and how does the impact occur. This information is important because it allows the understanding of the reasons why a model could be considered bad fitted. The objective of this work is to investigate how different disturbances of the sample, the model specification and the estimation of a SEM model are able to impact the measures of goodness of fit; additionally, to understand if the sample size has influence over this impact. It will also be investigated if those disturbances affect the estimates of the parameters, given the fact that there are disturbances for which occurrence some of the measures indicate badness of fit but the parameters are not affected; at the same time, that are occasions on which the measures indicate a good fit and there are disturbances on the estimates of the parameters. Those investigations will be made simulating examples of different size samples for which type of disturbance. Then, SEM models with different specifications will be fitted to each sample, and their parameters will be estimated by two dierent methods: Generalized Least Squares and Maximum Likelihood. Given those answers, a researcher that wants to apply the SEM methodology to his work will be able to be more careful and, among the available measures of goodness of fit, to chose those that are more adequate to the characteristics of his study.

A Modelagem de Equações Estruturais (SEM, do inglês Structural Equation Modeling) é uma metodologia multivariada que permite estudar relações de causa/efeito e correlação entre um conjunto de variáveis (podendo ser elas observadas ou latentes), simultaneamente. A técnica vem se difundindo cada vez mais nos últimos anos, em diferentes áreas do conhecimento. Uma de suas principais aplicações é na conrmação de modelos teóricos propostos pelo pesquisador (Análise Fatorial Conrmatória). Existem diversas medidas sugeridas pela literatura que servem para avaliar o quão bom está o ajuste de um modelo de SEM. Entretanto, é escassa a quantidade de trabalhos na literatura que listem relações entre os valores de diferentes medidas com possíveis problemas na amostra e na especicação do modelo, isto é, informações a respeito de que possíveis problemas desta natureza impactam quais medidas (e quais não), e de que maneira. Tal informação é importante porque permite entender os motivos pelos quais um modelo pode estar sendo considerado mal-ajustado. O objetivo deste trabalho é investigar como diferentes perturbações na amostragem, especicação e estimação de um modelo de SEM podem impactar as medidas de qualidade de ajuste; e, além disso, entender se o tamanho da amostra influencia esta resposta. Simultaneamente, também se avalia como tais perturbações afetam as estimativas, dado que há casos de perturbações em que os parâmetros continuam sendo bem ajustados, mesmo com algumas medidas indicando um mau ajuste; ao mesmo tempo, há ocasiões em que se indica um bom ajuste, enquanto que os parâmetros são estimados de forma distorcida. Tais investigações serão realizadas a partir de simulações de exemplos de amostras de diferentes tamanhos para cada tipo de perturbação. Então, diferentes especicações de modelos de SEM serão aplicados a estas amostras, e seus parâmetros serão estimados por dois métodos diferentes: Mínimos Quadrados Generalizados e Máxima Verossimilhança. Conhecendo tais resultados, um pesquisador que queira aplicar a técnica de SEM poderá se precaver e, dentre as medidas de qualidade de ajuste disponíveis, optar pelas que mais se adequem às características de seu estudo. / The Structural Equation Modeling (SEM) is a multivariate methodology that allows the study of cause-and-efect relationships and correlation of a set of variables (that may be observed or latent ones), simultaneously. The technique has become more diuse in the last years, in different fields of knowledge. One of its main applications is on the confirmation of theoretical models proposed by the researcher (Confirmatory Factorial Analysis). There are several measures suggested by literature to measure the goodness of t of a SEM model. However, there is a scarce number of texts that list relationships between the values of different of those measures with possible problems that may occur on the sample or the specication of the SEM model, like information concerning what problems of this nature impact which measures (and which not), and how does the impact occur. This information is important because it allows the understanding of the reasons why a model could be considered bad fitted. The objective of this work is to investigate how different disturbances of the sample, the model specification and the estimation of a SEM model are able to impact the measures of goodness of fit; additionally, to understand if the sample size has influence over this impact. It will also be investigated if those disturbances affect the estimates of the parameters, given the fact that there are disturbances for which occurrence some of the measures indicate badness of fit but the parameters are not affected; at the same time, that are occasions on which the measures indicate a good fit and there are disturbances on the estimates of the parameters. Those investigations will be made simulating examples of different size samples for which type of disturbance. Then, SEM models with different specifications will be fitted to each sample, and their parameters will be estimated by two dierent methods: Generalized Least Squares and Maximum Likelihood. Given those answers, a researcher that wants to apply the SEM methodology to his work will be able to be more careful and, among the available measures of goodness of fit, to chose those that are more adequate to the characteristics of his study.