RESUMEN Los modelos de series de tiempo se usan a menudo en estudios de hidrología y meteorología para modelar series de flujos a fin de hacer pronósticos y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos. En este artículo presentamos un nuevo enfoque de modelado para series de tiempo hidrológicas y meteorológicas asumiendo una distribución continua para los datos, donde se modelan los parámetros tanto de la media condicional como de la varianza condicional. Métodos bayesianos estándares que usan MCMC (Markov Chain Monte Carlo) son usados para simular muestras de la distribución a posteriori conjunta de interés. Dos aplicaciones a conjuntos de datos reales ilustran la metodología propuesta, asumiendo que las observaciones provienen de una distribución normal, gamma o beta. Un primer ejemplo está dado por una serie temporal de promedios mensuales de los caudales naturales, medidos en el período anual que va de 1931 a 2010 en la presa hidroeléctrica de Furnas, Brasil. Un segundo ejemplo considera una serie temporal de 313 datos de humedad del aire medidos en una estación meteorológica de Río Claro, una ciudad brasileña ubicada en el sureste de Brasil. Estas aplicaciones nos motivan a introducir nuevas clases de modelos para analizar series de tiempo hidrológicas y meteorológicas.

ABSTRACT Time series models are often used in hydrology and meteorology studies to model streamflows series in order to make forecasting and generate synthetic series which are inputs for the analysis of complex water resources systems. In this paper we introduce a new modeling approach for hydrologic and meteorological time series assuming a continuous distribution for the data, where both the conditional mean and conditional variance parameters are modeled. Bayesian methods using standard MCMC (Markov Chain Monte Carlo Methods) are used to simulate samples for the joint posterior distribution of interest. Two applications to real data sets illustrate the proposed methodology, assuming that the observations come from a normal, a gamma or a beta distribution. A first example is given by a time series of monthly averages of natural streamflows, measured in the year period ranging from 1931 to 2010 in Furnas hydroelectric dam, Brazil. A second example is given with a time series of 313 air humidity data measured in a weather station of Rio Claro, a Brazilian city located in southeastern of Brazil. These applications motivate us to introduce new classes of models to analyze hydrological and meteorological time series.

In this work we compared the estimates of the parameters of ARCH models using a complete Bayesian method and an empirical Bayesian method in which we adopted a non-informative prior distribution and informative prior distribution, respectively. We also considered a reparameterization of those models in order to map the space of the parameters into real space. This procedure permits choosing prior normal distributions for the transformed parameters. The posterior summaries were obtained using Monte Carlo Markov chain methods (MCMC). The methodology was evaluated by considering the Telebras series from the Brazilian financial market. The results show that the two methods are able to adjust ARCH models with different numbers of parameters. The empirical Bayesian method provided a more parsimonious model to the data and better adjustment than the complete Bayesian method.

Este trabalho aborda o problema de previsão para séries de vazões médias mensais, no qual denomina-se de horizonte de previsão (h), o intervalo de tempo que separa a última observação usada no ajuste do modelo de previsão e o valor futuro a ser previsto. A análise do erro de previsão é feita em função deste horizonte de previsão. Estas séries possuem um comportamento periódico na média, na variância e na função de autocorrelação. Portanto, considera-se a abordagem amplamente usada para a modelagem destas séries que consiste inicialmente em remover a periodicidade na média e na variância das séries de vazões e em seguida calcular uma série padronizada para a qual são ajustados modelos estocásticos. Neste estudo considera-se para a série padronizada os modelos autorregressivos periódicos PAR (p m). As ordens p m dos modelos ajustados para cada mês são determinadas usando os seguintes critérios: a análise clássica da função de autocorrelação parcial periódica (FACPPe); usando-se o Bayesian Information Criterion (BIC) proposto em (MecLeod, 1994); e com a análise da FACPPe proposta em (Stedinger, 2001). Os erros de previsão são calculados, na escala original da série de vazão, em função dos parâmetros dos modelos ajustados e avaliados para horizontes de previsão h variando de 1 a 12 meses. Estes erros são comparados com as estimativas das variâncias das vazões para o mês que está sendo previsto. Como resultado tem-se uma avaliação da capacidade de previsão, em meses, dos modelos ajustados para cada mês.

This paper addresses the problem of forecasting for monthly mean streamflow series, in which we call the forecast horizon (h), the interval of time between the last observation used in fitting the model prediction and the future value being predicted. The analysis of the forecast error is made on the basis of the forecast horizon. These series have a periodic behavior on average, ariance and autocorrelation function. Therefore, we consider the widely used approach to modeling these series that initially consists of removing the periodicity in mean and variance of the streamflow series and then calculating a standardized series for which stochastic models are adjusted. In this study we consider the series to the standard periodic autoregressive models PAR (p m). Orders p m of the adjusted models for each month are determined from the analysis of periodic partial autocorrelation function (PePACF), using the Bayesian Information Criterion (BIC) applied to PAR models, proposed in (MecLeod, 1994) and analysis of PePACF proposed in (Stedinger, 2001). The forecast errors are calculated on the basis of parameters adjusted and evaluated for forecasting horizons h, ranging from 1 to 12 months on the original scale of the flow series. These errors are compared with estimates of the variances of the flows for the month being predicted. As a result we have an evaluation of the predictive performance in months of the adjusted models for each month.

Neste trabalho estudamos o problema de identificação do modelo de uma população utilizando um modelo dinâmico discreto baseado no modelo de crescimento de Richards. A população é submetida a intervenções devido ao consumo, como no caso de caça ou na criação de animais. A identificação do modelo permite-nos estimar a probabilidade ou o tempo médio de ocorrência para que se atinja um certo número populacional. A inferência paramétrica dos modelos é obtida através da técnica de perfil de máxima verossimilhança como desenvolvida neste trabalho. O método de identificação desenvolvido pode ser aplicado para avaliar a produtividade de criação animal ou o risco de extinção de uma população autóctone. Ele foi aplicado aos dados da população global de gado de corte bovino brasileiro, e é utilizado na investigação de a população atingir um certo número desejado de cabeças.

In this work we study the problem of modeling identification of a population employing a discrete dynamic model based on the Richards growth model. The population is subjected to interventions due to consumption, such as hunting or farming animals. The model identification allows us to estimate the probability or the average time for a population number to reach a certain level. The parameter inference for these models are obtained with the use of the likelihood profile technique as developed in this paper. The identification method here developed can be applied to evaluate the productivity of animal husbandry or to evaluate the risk of extinction of autochthon populations. It is applied to data of the Brazilian beef cattle herd population, and the the population number to reach a certain goal level is investigated.

Este trabalho apresenta um modelo de rede neural nebulosa para previsão de vazões sazonais. O modelo é baseado em um método de aprendizado construtivo onde grupos de neurônios competem quando a rede recebe uma nova entrada. A rede aprende os parâmetros fundamentais para definir as regras nebulosas e funções de pertinência para cada variável de entrada. O modelo foi aplicado para o problema de previsão de vazões médias mensais de três usinas hidroelétricas situadas em diferentes regiões do Brasil. O desempenho do modelo foi comparado com métodos convencionais usados para previsão de vazões. Os resultados mostraram que a rede neural nebulosa forneceu um melhor desempenho para previsão um passo à frente, com erros significativamente menores que as outras abordagens.

This paper presents a neural fuzzy network model for seasonal streamflow forecasting. The model is based on a constructive learning method where neurons groups compete when the network receives a new input, so that it learns the fuzzy rules and membership functions essential for modelling a fuzzy system. The model was applied to the problem of seasonal streamflow forecasting using a database of average monthly inflows of three Brazilian hydroelectric plants located at different river basins. The performance of the model developed was compared with conventional approaches used to forecast streamflows. The results show that the neural fuzzy network model provides a better one-step-ahead streamflow forecasting, with forecasting errors significantly lower than the other approaches.