Próximas defesas e eventos

Título: Detecção de estados e estimação da ordem em cadeias de Markov ocultas: um estudo de simulação

Resumo: Modelos de Markov ocultos (HMMs) são processos bivariados $\{X_n,Y_n\}_{n \geq 0},$ em que a sequência $\{X_n\}_{n \geq 0}$ é uma cadeia de Markov e é um processo oculto, enquanto a sequência $\{Y_n\}_{n \geq 0}$ é observável, sendo essas observações geradas pelos estados ocultos, ou seja, $Y_n$ depende apenas de $X_n.$ Esse trabalho tem o objetivo de analisar três problemas relacionados aos HMMs por meio de estudos de simulação: a estimação dos parâmetros, análise do comportamento da acurácia do estimador de máxima verossimilhança da sequência oculta e a estimação do número de estados ocultos, sendo esses dois últimos uma tentativa de estender, de forma prática, resultados de consistência obtidos por \cite{SBMFlorenciaEAndressa} para a teoria do modelo de blocos estocásticos (SBM). Para isso, utilizamos o algoritmo \textit{Expectation-Maximization} (EM).

Palavras-chave: Estimação dos parâmetros de HMM, Recuperação da sequência oculta do HMM, Estimação da ordem de HMM.

Título: Métodos computacionais para quantificação da caminhabilidade em redes geoespaciais

Resumo: Muitas avaliações da caminhabilidade urbana adotam distância em linha reta, um único perfil de pedestre, unidades espaciais muito agregadas ou pesos definidos a priori. Essas escolhas podem ignorar a rede de circulação e o relevo, ocultar diferenças de velocidade e de tolerância ao esforço, reduzir a variação interna das áreas avaliadas e não refletir a estrutura dos dados observados em cada localidade. Esta tese aborda essas limitações por meio de um procedimento computacional determinístico. Uma instância geoespacial, composta por uma rede caminhável do OpenStreetMap, elevação SRTM, atributos urbanos, perfil de pedestre e resolução espacial, é transformada em um campo espacial do Índice de Qualidade de Caminhada (IQC), em inglês Walkability Quality Index (WQI), acompanhado dos pesos dos indicadores e de medidas de estrutura espacial. O custo de deslocamento corresponde ao tempo de caminhada, calculado em cada aresta, com base em uma variação da função de Tobler parametrizada para três perfis de pedestre: adulto, idoso e atleta. Com isso, as subidas e descidas alteram o alcance efetivo de cada perfil. A contribuição dos destinos alcançáveis em até 20,00 min é ponderada por um decaimento de cosseno aplicado ao tempo de acesso calculado pela rede. Os indicadores de onze dimensões urbanas são agregados em hexágonos H3, normalizados e ponderados pelo método CRITIC, que calcula os pesos com base no contraste e na baixa redundância entre os indicadores de cada execução. O procedimento foi aplicado em 81 combinações, abrangendo nove localidades de seis países, três perfis de pedestre e três resoluções H3. As estatísticas espaciais foram avaliadas com 999 permutações, e os testes múltiplos foram ajustados pela taxa de descobertas falsas (FDR). O protocolo também incluiu a verificação numérica independente dos cálculos. Nas 54 combinações das resoluções 9 e 10, o I de Moran variou de 0.487 a 0.933, sempre com autocorrelação espacial positiva e significativa. A mudança do perfil alterou o índice de forma sistemática em todas as nove localidades, e os nove testes de Friedman apresentaram p < 10^-66. Também foram observadas mudanças nas medianas, na dispersão, na assimetria e na composição dos hexágonos com valores extremos. Na resolução 9, os pesos CRITIC ficaram entre 6.1% e 16.6%, sem concentração em uma única dimensão. A correspondência entre os agrupamentos High-High e Low-Low do LISA e os hot spots e cold spots do G_i* superou 96%. As comparações entre resoluções apresentaram correlações de Spearman de 0.677 a 0.993, com maior estabilidade entre as resoluções 9 e 10. A resolução 8 evidenciou a sensibilidade à agregação associada ao Problema da Unidade de Área Modificável, pois 9 das 27 combinações não apresentaram autocorrelação global significativa. A principal contribuição da tese é um procedimento baseado em dados abertos e reprodutível, documentado em pseudocódigo e com verificação independente dos cálculos, para avaliar, comparar e interpretar a caminhabilidade como um campo espacial dependente do perfil de pedestre e da escala de análise, em vez de representá-la apenas por um valor agregado que oculta a variação interna das áreas.

Palavras-chave: Caminhabilidade urbana, Índice de Qualidade de Caminhada, Redes geoespaciais, Grade hexagonal, Ponderação CRITIC, Análise espacial

Título: Previsão de Longo Prazo em Preço de Sojas com Arquiteturas Modernas de Deep Learning

Resumo: Este trabalho tem como objetivo apresentar e comparar métodos de abordagem deep learning para a previsão do preço de soja. As arquiteturas dos modelos abrangem tanto aqueles que são baseados em transformers, como TFT e PatchTST , quantos aqueles que são baseados em perceptron em multi-camadas (MLP), como N-HiTS e TiDE. O TFT se destaca por ser um modelo híbrido que combina LTSM e self-attention, já o PatchTST é baseada apenas em Transformer puro, o N-HiTS por sua vez tem estrutura de MLP com interpolação hierárquica, enquanto o TiDE é baseada em MLP denso. Serão apresentados a arquitetura desses modelos e as limitações que cada uma possui. Por fim, foram usados os dados do preço de soja da CEPEA/ESALQ do período de 2010 a 2026, incorporando também covariáveis exógenas, como a taxa de câmbio USD/BRL e o índice de preços do petróleo, com o objetivo de investigar a capacidade preditiva dos modelos em cenários caracterizados por elevada volatilidade e forte influência de fatores macroeconômicos

Palavras-chave: Commodities agrícolas. Redes neurais. Transformers. Previsão de janela longa

Título: Equações de estimação generalizadas para dados ordinais

Resumo: Neste trabalho são apresentadas equações de estimação generalizadas para respostas ordinais com medidas repetidas. O foco está em duas abordagens para modelar a associação entre observações de uma mesma unidade experimental: a modelagem pela matriz de correlação e a modelagem por razões de chances locais. Inicialmente, é feita uma revisão sobre funções de estimação, equações de estimação e modelos de regressão ordinal. Em seguida, são desenvolvidos os componentes das equações de estimação generalizadas para respostas ordinais, bem como os procedimentos de inferência associados. Também são discutidos métodos de diagnóstico baseados nos resíduos surrogate e quantílicos, com o objetivo de avaliar a adequação da média marginal e da estrutura de associação. Para ilustrar a metodologia, são realizados estudos de simulação com respostas ordinais correlacionadas sob diferentes cenários de tamanho amostral e estrutura de dependência. Os resultados indicam consistência e boa eficiência das estimativas, além de bom desempenho dos resíduos na identificação de má especificação da média e da estrutura de associação. Por fim, são analisados dois conjuntos de dados reais: um estudo sobre intervenção breve no consumo de álcool e um experimento comportamental com camundongos. Em ambos os casos, os resultados obtidos foram coerentes com o contexto aplicado e com as conclusões dos estudos de referência.

Palavras-chave: Dados ordinais, Medidas repetidas, Equações de estimação generalizadas, Resíduos surrogate, Resíduos quantílicos

Título: Dinâmica de squeezes no bitcoin: Uma abordagem bayesiana por modelos lineares dinâmicos e filtros de partículas

Resumo: Em um squeeze do mercado de futuros perpétuos de Bitcoin, uma liquidação forçada empurra o preço, o preço empurrado força novas liquidações, e a cascata comprime em poucas horas a oscilação que o mercado levaria semanas para produzir. Diante de um episódio desses, quem administra risco faz duas perguntas: em que direção o preço se move, e com que magnitude. Esta dissertação mostra que os dados respondem apenas uma delas. Estudamos quinze episódios ocorridos entre 2024 e 2025 com modelos bayesianos, que a cada nova observação corrigem a crença sobre o que ninguém mede diretamente, o ajuste natural para um mercado que muda enquanto é observado. As duas perguntas são tratadas em separado, cada uma partindo do modelo linear dinâmico mais simples capaz de enfrentá-la. Por um lado, no que diz respeito à direção, nenhum modelo que use apenas o passado acertou mais que o acaso nos episódios de teste, como se tudo o que o passado tem a dizer já estivesse embutido no preço: a direção é herdada da tendência de fundo do mercado, e a tendência só se reconhece depois de uma virada. Por outro lado, a magnitude é outra história. As liquidações forçadas são visíveis no instante em que ocorrem, e a turbulência que elas abrem tem memória: a agitação de hoje anuncia a de amanhã. Os modelos de contas exatas deixam parte dessa memória para trás; quando a conta exata deixa de existir, resta simular, e o filtro de partículas mantém milhares de cenários em paralelo, descartando a cada observação o que os dados desmentem. A síntese reúne direção e magnitude em um único modelo hierárquico e identifica no filtro de partículas Rao-Blackwellizado a arquitetura que essa estrutura pede: simular só o que não admite conta exata, resolver o resto exatamente. O modelo fica escrito; estimá-lo é o trabalho seguinte. Neste paradigma, o squeeze permite dimensionar sua magnitude, não antecipar sua direção.

Palavras-chave: Bitcoin, Squeezes, Eficiência de mercado, Modelos lineares dinâmicos, Filtros de partículas

Título: Um estudo sobre o uso de aprendizado por reforço para a geração de casos de teste baseado em modelos

Resumo: A crescente complexidade dos sistemas reativos impõe desafios relevantes às atividades de verificação e validação de software, especialmente quando a geração de casos de teste depende de exploração extensiva do comportamento modelado. Nesse contexto, o Teste Baseado em Modelos (\textit{Model-Based Testing} -- MBT) constitui uma estratégia para derivar casos de teste a partir de modelos formais, entre os quais os \textit{statecharts} se destacam por sua capacidade de representar hierarquia, paralelismo e comunicação orientada a eventos. Entretanto, a aplicação direta de técnicas clássicas de MBT sobre modelos complexos enfrenta limitações de escalabilidade, em razão do crescimento combinatório do espaço de estados e do custo associado à derivação de artefatos de teste. Esta dissertação investiga o uso de Aprendizado por Reforço, com ênfase em \textit{Q-Learning}, como mecanismo de exploração automática de modelos comportamentais para geração de casos de teste. A abordagem proposta organiza-se em três etapas principais. Inicialmente, o comportamento do sistema é representado por meio de \textit{statecharts}. Em seguida, o modelo é transformado em uma máquina de estados finitos (\textit{Finite State Machine} -- FSM) plana por um processo de planificação, tornando-o compatível com a representação tabular exigida pelo \textit{Q-Learning}. Sobre essa FSM, um agente de aprendizado por reforço interage com o ambiente e produz sequências de execução orientadas por uma função de recompensa associada a critérios de cobertura. Como contribuição metodológica e prática, o trabalho descreve a implementação do processo de transformação de \textit{statecharts} em FSM, a integração desse modelo transformado com um agente de \textit{Q-Learning} e a geração automática de sequências de teste a partir dos episódios de exploração. A avaliação da abordagem é estruturada com base em métricas de cobertura de estados e cobertura de transições, permitindo analisar a adequação do uso de aprendizado por reforço no contexto de MBT para sistemas reativos.

Palavras-chave: MBT, SC, FSM/MEF, AR/RL, QL, GACT.

Título: Seções multiplicativas de CA-grupoides

Resumo: Neste trabalho, estudamos o complexo de seções multiplicativas de CA-grupoides torcidos. Mostramos que este complexo possui uma estrutura de uma ∞-álgebra de Leibniz de 2 termos. Além disso, provamos que, para CA-grupoides torcidos exatos, esta ∞-álgebra de Leibniz de 2 termos é invariante sob equivalência de Morita.

Palavras-chave: CA-grupoides torcidos, complexo de seções multiplicativas, invariância de Morita.

Título: O argmax não é suficiente: otimização empírica de limiar e partição para classificação binária e multiclasse

Resumo: A classificação supervisionada pode ser decomposta em uma etapa de inferência, que estima probabilidades condicionais de classe, e uma etapa de decisão, que mapeia essas probabilidades em ações. Sob matrizes de custo assimétricas ou métricas de desempenho não decomponíveis, como F-beta, a regra padrão argmax é, em geral, subótima. Além disso, a regra analítica Bayes-ótima, quando existe, requer probabilidades calibradas, que classificadores reais não produzem de forma consistente. Esta dissertação trata a regra de decisão como um componente aprendível, ajustado em uma partição de validação separada, em vez de ser obtido diretamente da fórmula analítica plug-in. A classe de decisão é pequena (um limiar escalar no caso binário e uma partição do simplex com poucos parâmetros no caso multiclasse, com dimensão polinomial no número de classes K). Assim, a otimização direta é, em princípio, aprendível a partir de um orçamento modesto de rótulos. Nos experimentos, entretanto, o ganho obtido só se mostra confiável quando se realiza validação cruzada sobre todo o conjunto de treinamento. No cenário binário, derivamos o limiar analítico de Elkan, caracterizamos sua fragilidade sob má calibração e comparamos doze estratégias em quatorze conjuntos de dados, dez classificadores-base e dez objetivos. No cenário multiclasse, organizamos as estratégias de otimização de partições em uma taxonomia unificada, calculamos suas dimensões de Natarajan, introduzimos uma classe de tesselação de Voronoi que contém a classe de deslocamento paralelo e tem risco populacional estritamente menor em uma testemunha construída com perda simétrica, e as comparamos em onze conjuntos de dados, dez classificadores-base e doze objetivos. Uma análise de sensibilidade em K sobre construções sintéticas mostra que a vantagem do ajuste da camada de decisão sobre o plug-in analítico diminui à medida que K cresce, em consonância com o mecanismo candidato de diluição dimensional proposto.

Palavras-chave: Classificação, Teoria da decisão, Aprendizado sensível a custo, Otimização de limiar, Teoria do aprendizado estatístico