Previsão de cargas por séries temporais - tópicos
|
|
- Nicolas Cabral Aranha
- 7 Há anos
- Visualizações:
Transcrição
1 Previsão de cargas por séries temporais - tópicos Vladimiro Miranda Departamento de Engenharia Electrotécnica e de Computadores Faculdade de Engenharia da Universidade do Porto, Portugal Versão. - Out Este texto foi preparado para apoio à introdução do tema aos alunos das disciplinas de DE da LEEC da FEUP.. INTRODUÇÃO Na actividade de uma empresa concessionária do sector eléctrico, a previsão de consumos ou cargas é uma peça essencial na condução do negócio, seja este visto na perspectiva tradicional da empresa monopolista seja na perspectiva actual da competição em ambiente de mercado regulado. O processo de previsão pode exercer-se sobre objectos diversos e sob formas variadas, e também tendo em conta horizontes temporais e espaciais muito distintos. Para certos objectivos de planeamento, pode ser necessária uma previsão da evolução dos consumos a longo ou muito longo prazo, anos por exemplo; na condução ou exploração de uma rede, para efectura um despacho económico de geração, por exemplo, pode ser indispensável uma previsão em tempo real abrangendo de alguns minutos até poucas horas. Por outro lado, em exercícios de planeamento dos sistemas de geração-transporte, importa ter em conta a evolução da carga agregada a nível nacional ou regional, enquato que para planeamento das redes de distribuição de energia eléctroca se torna indispensável dispor de instrumentos de previsão espacial de carga (ou seja, não só como evolui no tempo mas também como se distribui geograficamente a procura). Quando as necessidades de previsão apenas se referem á evolução temporal da carga, mesmo assim o exercício de previsão pode revestir-se de aspectos de muita complexidade. Há um certo número de factores que influenciam notavelmente a evolução da carga e que podem ser sumariados em: Factores económicos Factores cronológicos Factores meteorológicos Acontecimentos fortuitos, sociais ou outros A envolvente económica na qual opera a empresa concessionária é determinante na explicação da evolução do consumo. Factores demográficos, económicos ou sociais, o nível de actividade industrial ou agrícola, o crescimento demográfico e outros indicadores, todos influenciam o consumo no curto e no médio e longo prazo. De entre os factores cronológicos, há que considerar os sazonais (inverno, verão ), o dia da semana, a hora do dia, a existência de feriados. Por exemplo, se o período de inverno pode levar a um aumento de consumo de energia para aquecimento, o nível de desenvolvimento económico e a localização geográfica podem levar a que no período de verão se acentue a procura de energia para climatização ambiente. As condições meteorológicas também podem influenciar decisivamente a carga. De entre todos os factores, a temperatura atmosférica é reconhecidamente o de maior impacto, em especial nas regiões temperadas (como em Portugal) e frias do globo, para fins de aquecimento, pois é nessas zonas que podem ocorrer maiores amplitudes térmicas. Por contraste, nas zonas equatoriais, se bem que haja necessidade de energia para climatização, não há substanciais variações de temperatura ao ongo do ano (como por exemplo em Singapura) e portanto a temperatura é um factor de menor relevo. Para além disto, acontecimentos fortuitos podem ainda influenciar notavelmente a evolução da carga: um jogo de futebol importante, um programa de televisão especial, um festival público Usualmente, a ocorrência destes acontecimentos pode ser conhecida a priori mas o seu efeito sobre a carga é incerto. Quando apenas importa a evolução temporal da carga de um sistema, uma das técnicas modernamente mais adoptadas é a que recebe o nome de Box e Jenkins aplicada a séries temporais []. As razões deste sucesso /
2 prendem-se com a relativamente fácil compreensão e implementação da técnica e com a precisão nos resultados que muitas vezes se obteve. Nos parágrafos seguintes será apresentada uma descrição sucinta dos fundamentos desta técnica de estudo das séries temporais, sendo certo que desde a sua concepção já sofreu densas evoluções cuja descrição ultrapassa o âmbito destas notas.. EXEMPLOS DE SÉRIES TEMPORAIS Eis alguns exemplos de séries temporais, que poderemos utilizar para efectura exercícios de aplicação experimental das técnicas que a seguir serão explicadas... Concentração de CO na atmosfera A primeira série que servirá de exemplo respeita a concentrações médias de CO na atmosfera, registadas no observatório de Mauna Loa, Hawaii, de 974 a 987. Estas concentrações foram monitoradas pelo analisador contínuo de infra-vermelhos da Divisão de Monitoramento Geofísico para a Mudança Climática do Laboratório de Recursos Atmosféricos do NOAA (National Oceanic and Atmospheric Administration, USA) [] Figura Concentração mensal de CO como o rácio de mistura em ar seco, expressa na escala de fracções molares WMO X85, registada no Scripps Institution of Oceanography A Figura ilustra a evolução da série. É claro que esta série nos desperta a atenção para o problema ambiental global do efeito de estufa e permite um conjunto de reflexões importante, se bem que fora do âmbito do presente texto. Observando-a, constatamos um comportamento sazonal e uma tendência de fundo continuamente crescente... Oscilações de pressão atmosférica A diferença de pressão atmosférica barimétrica entre Tahiti e as Ilhas Darwin (oceano Pacífico), ao nível do mar, é conhecida como Southern Oscillation (traduzamo -lo por oscilação meridional ). A oscilação meridional é usada como preditor do fenómeno conhecido como El Niño, reconhecido como condicionador global do clima do planeta. Mais concretamente, oscilações meridionais com valores inferiores a tipicamente anunciam um El Niño (que decorre da assunção, à superfície do oceano, de correntes quentes habitualmente circulando em profundidade, provocando um aquecimento anormal das águas nas costas do Peru e Equador). Será interessante poder prever a ocorrência de um El Niño, pelas implicações planetárias que o fenómeno tem. O de 998 foi muito importante, e em observou-se o reaparecimento do fenómeno, embora com menor intensidade. /
3 Figura Oscilação meridional: média mensal da diferença de pressão barimétrica entre Tahiti e as Ilhas Darwin, no Oceano Pacífico.3. Consumos de gás em Lisboa O consumo total de gás na cidade de Lisboa, observado pela empresa Gás de Portugal, S.A., que ao tempo era concessionária da distribuição de gás de cidade, exprime-se em m 3 por dia, à pressão de medida normalizada, valor obtido por soma dos consumos horários registados à saída da fábrica de gás. Para além dos fins de semana, há que ter em conta também a ocorrência de feriados, que influenciam o padrão de consumo, perturbando a regularidade do comportamento semanal Figura 3 Consumos diários de gás de cidade em Lisboa, entre de Setembro e de Dezembro de 99, registados em m 3. As abcissas correspondem à numeração sequencial dos dias do ano, de a 365, estando assinalados os Domingos. 3/
4 3. MODELOS DE SÉRIE TEMPORAL 3.. Conceitos básicos Para se compreender o conceito de série temporal, vamos exemplificar com o problema de prever a ponta de carga diária de um sistema de energia. Como dados iniciais, admita-se que conhecemos o valor da ponta do diagrama de um conjunto de dias, desde o dia antecedendo o dia t (presente) até n dias antes: {X t-, X t-, X t-3 } Com estes dados, pretende-se conhecer (prever) a ponta de carga no dia seguinte ou nos dias seguintes, ou seja, conhecer X t+d para d =,,, 3. Como é óbvio, obter-se-á quando muito uma estimativa ẑ t + d. À expressão que exprime a estimativa ẑ t como função de {X t-, X t-, X t-3 } designa-se série temporal. O objectivo da técnica é procurar uma definição desta função que minimize o desvio quadrático entre a previsão e o valor que realmente acontece, ou seja, que minimize ( Xˆ t + d X t+ d ). A ideia básica das séries temporais é que o valor seguinte de uma série se pode explicar a partir dos valores anteriores, mais a influência de perturbações aleatórias ocorrendo em cada momento, formando uma série de ruído branco. Consoante estas influências se combinam, obtêm-se diveros formatos de modelos. 3.. A média e a variância A média X de uma série de N observações é dada simplesmente por A variância numa série de N observações é dada, como habitualmente, por N X = X k. N k= V (X) N = (X k X) N k= 3.3. Alisamento de uma série média móvel Pode interessar atenuar ou cancelar certos efeitos resultantes de perturbações aleatórias. Para tal, pode-se recorrer a técicas de alisamento ( smoothing ) da série, sendo um dos métodos básicos o chamado da média móvel. O processo mais simples é construir uma nova série, construindo-a a partir da média de três elementos consecutivos da série original. Começa-se pelos primeiros três e o processo repete-se, avançando sucessivamente um período de tempo. A nova série resulta com os picos atenuados devido ao efeito do cálculo de médias de três elementos e por isso se fala em alisamento da série. Na Figura 4 apresenta-se uma série, bem como o respectivo valor médio e ainda o seu alisamento por uma média móvel de dimensão 3. O alisamento também pode conduzir à subtracção, a uma série, de efeitos sazonais. Por exemplo, numa série representando pluviosidades mensais, estendida por vários anos, uma média móvel de dimensão atenuaria certamente as oscilações de pluviosidade dentro de cada ano, permitindo evidenciar a tendência de fundo anual. 3,5 3,5,5 5 5 Figura 4 Uma série temporal, o seu valor médio e o seu alisamento por uma média móvel de dimensão 3 4/
5 Série original Série alisada por média móvel de dimensão 3 3,6,57,7 3,4,577 4,76,5 5,37,653 6,83, ,4,84 8,65,697 9,4,35,43,33,36,75,53 3,46,77 4,9,83 5 3,4 3,4 6 3,7,99 7,76,87 8,55,557 9,36,46, Estacionaridade Um pressuposto comum em muitas técnicas lidando com uma série temporal é que esta é estacionária. Um processo estacionário tem a propriedade de que a sua média e variância não variam com o tempo. É possível definir o carácter estacionário de uma série em termos matemáticos rigorosos, mas para o nosso propósito interessa-nos verificar que a série tem um aspecto plano, sem exibir tendência crescente ou decrescente, com dispersão regular em torno da média e sem flutuações periódocas indicando sazonalidade. Se a série não for estacionária, é habitualmente possível convertê-la numa outra estacionária recorrendo a algumas técnicas apropriadas: a) se os dados revelam uma tendência ( trend ) crescente ou decrescente, pode tentar-se ajustar uma curva e subtraí-la aos dados, ficando com uma série de resíduos. Como o propósito do ajustamento é remover a tendência de longo prazo, habitualmente um ajustamento de uma recta é suficiente; b) se a variância não é constante, extrair o logaritmo ou a raiz quadrada da série pode ajudar a estabilizá-la. c) Em qualquer caso, pode-se diferenciar a série. Isto é, dada uma série com elementos X j, constrói-se a série das diferenças Y j Y j = X j A série diferenciada conterá menos um ponto que a original. Embora se possa diferenciar uma série mais do que uma vez, é comum que uma diferenciação seja suficiente. Na Figura 5 ilustra-se como a diferenciação contribui para criar uma série estacionária. Como é evidente, a partir de uma série diferenciada pode X j 5/
6 reconstituir-se uma série original por integração, ou seja, pela soma acumulada dos elementos da série diferenciada Série Série diferenciada Figura 5 - Uma série temporal e a respecvtiva série diferenciada com atraso. Observe-se como a série diferenciada tem comportamento estacionário Neste exemplo, efectuou-se uma diferenciação de atraso, isto é, a diferenciação consegue-se pela subtracção de elementos com um intervalo de distância entre eles. Introduzindo o operador k como diferenciação de atraso k, poderíamos escrever a série diferenciada de atraso k como X k = X j X j k 3.5. Sazonalidade Por sazonalidade de uma série, entendem-se flutuações periódicas que normalmente são de alguma forma reconhecíveis ou que se intuem a partir do conhecimento exógeno das causas originadoras da série. Por exemplo, o consumo de energia eléctrica apresenta uma sazonalidade em diversos graus: diária, semanal, anual, etc. Se a sazonalidade está presente numa série temporal, ela deve ser incluída no modelo da série. Para se detectar a sazonalidade de uma série, podem-se usar vários processos: a) um gráfico da série evidencia muitas vezes a sazonalidade b) um diagrama da função de auto-correlação (a descrever em parágrafos seguintes) pode ajudar a identificar sazonalidades Modelos auto-regressivos (AR) Num processo autoregressivo, o valor presente da série temporal X t é expresso linearmente em termos dos valores passados da série e da perturbação aleatória a t ocorrendo no instante t. A ordem deste processo depende do valor mais antigo sobre o qual a regressão tem lugar. Num processo auto-regressivo de ordem p, o modelo pode escrever-se como X + a t = δ + φ X t + φ Xt φp Xt p em que os vários φi são constantes reais e a série dos a t apresenta distribuição normal de valores independentes. Um modelo autoregressivo é simplesmente uma regressão linear do valor corrente da série sobre um ou mais dos valores anteriores da série. Por isso, estes modelos podem ser criados usando a técnica dos mínimos quadrados, e têm uma interpretação fácil. t 6/
7 3.7. Modelos de média móvel (MA moving average ) Num processo dito de média móvel, o valor presente da série expressa-se em função dos valores presente e passados das perturbações aleatórias, que formam uma série de ruído branco. A ordem deste processo depende do valor mais antigo da série de ruído branco considerado; para um processo de média móvel de ordem q, a série exprime-se como em que os vários X t = m + a θ j são constantes reais. t θ a t θ a t... θ Isto é, um modelo de média móvel constrói-se como uma regressão linear do valor presente da série sobre as perutrbações aleatórias de um ou mais valores anteriores da série. Admite-se que estas perturbações são geradas por uma mesma distribuição, habitualmente normal, de média e desvio padrão constantes. Este modelo difere do anterior na medida em que cada perturbação aleatória se propaga para os valores futuros da série. Por causa disto, é mais complicado efectuar-se um ajustamento desta série e não se pode usar um modelo linear de mínimos quadrados. Além disso, os modelos MA são e mais difícil interpretação que os AR Modelos mistos auto-regressivos e de média móvel (ARMA) Box e Jenkins popularizaram uma técnica que combina as características dos modelos autoregressivos AR e de média móvel MA. Embora estes modelos fossem já conhecidos e investigados, a contribuião de Box e Jenkins foi o desenvolvimento de um processo eficaz e sistemático de identificação e estimação de modelos que pudessem incorporar em simultâneo ambas características. O processo de Box e Jenkins dito de tipo ARMA combina os dois efeitos anteriores. Um processo de ordem p,q representa-se por X t = δ + φ X t + φ X t φ p X t p + a t θ a p t a θ t q a t... θ O modelo de Box e Jenkins assume que a série é estacionária. Nalguns casos, subtrai-se a série do valor médio, para se trabalhar com uma série de média nula Modelos auto-regressivos integrados e de média móvel (ARIMA) Os processos definidos anteriormente são estacionários. Significa isto que a média da série temporal e as covariâncias entre as suas observações não variam com o tempo. Se o processo não for estacionário, terá que se proceder à sua estacionarização. A estacionarização de uma série temporal recomendada por Box e Jenkins consegue obter-se com operações de diferenciação, mesmo que aplicada sucessivas vezes. À série estacionarizada aplica-se então um modelo ARMA. Assim, ARIMA corresponde então a um processo auto-regressivo integrado com média móvel. A designação integrado explica-se pelo facto de se reconstruir a série original a partir da série diferenciada, por uma operação de integração ou soma recursiva. p a t q 4. PROPRIEDADES DE UMA SÉRIE Autocorrelação O conceito de covariância entre duas variáveis pretende avaliar até que ponto é que a variação de uma está associada à variação da outra. Para duas variáveis discretas Y e Z discretas, a covariância em p medidas é dada por Cov (Y, Z) = N (Yk Y)(Z k Z), onde Y e Z correspondem aos respectivos valores médios. N k= O conceito de coeficiente de correlação ρ corresponde a um escalamento da covariância entre e, com a normalização da covariância pela média geométrica das variâncias de cada uma das variáveis: Cov(Y, Z) ρ = ou V(Y)V(Z) Cov (Y, Z) ρ = V(Y)V(Z) 7/
8 Se o coeficiente de correlação estiver próximo de ou, encontra-se uma correspondência aproximadamente linear entre os valores de uma e os correspondentes de outra variável. Com ρ próximo de zero, não é perceptível uma relação entre os valores assumidos por uma variável e por outra (ver Figura 6) ρ =, ρ =, Figura 6 Representaçao de duas variáveis altamente correlacionadas (esquerda) e não correlacionadas (direita). A linha corresponde à tendência linear calculada pelo critério dos mínimos quadrados. Este conceito pode estendr-se às séries temporais, buscando uma relação entre valores da série (fazendo o papel de variável Y) e valores da mesma série com um certo atraso k (fazendo o papel de variável Y). Neste caso, estamos perante a definição da autocorrelação da série para o atraso k: Cov(Xt, X t k ) ρ (X t, Xt k ) = ρ k = V(X t ) já que V(X t ) = V(X t k ), pois trata-se afinal da variância da mesma série. O conjunto dos ρ k para k =,,,, p forma a chamada função de autocorrelação da série temporal. No exemplo seguinte, produziu-se uma série com base numa função geradora da forma X (t) =,8*X(t ) + Rand onde Rand corresponde a um número aleatório entre e produzido por uma distribuição uniforme. A Figura 7 apresenta a série assim gerada. 8/
9 4 3,5 3,5,5,5 5 5 Figura 7 Série temporal gerada artificialmente A aplicação da expressão da autocorrelação da série, para os primeiros 3 atrasos, dá coeficientes que se encontram apresentados graficamente na Figura 8.,,8,6,4, -, -,4 Figura 8 Coeficientes de auto-correlação da série da figura anterior o coeficiente de ordem vale, obviamente. Note-se como, a partir de um atraso de 3 unidades de tempo, o coeficiente de autocorrelação se mantém diminuto. Para comparação, produziu-se uma nova série com base numa função geradora da forma X (t) =,8* X(t ) +,4*sen(t / ) + Rand onde Rand corresponde a um número aleatório entre e produzido por uma distribuição uniforme. Note-se que esta função é a anterior com a presença de um termo periódico sinusoidal sobreposto. Na Figura 9 apresenta-se o andamento da série assim gerada. 9/
10 4,5 4 3,5 3,5,5,5 5 5 Figura 9 Série artificial incluindo um termo sinusoidal A aplicação da expressão da autocorrelação da série, para as primeiros 3 atrasos, dá coeficientes que se encontram apresentados graficamente na Figura 8.,,8,6,4, -, ,4 -,6 -,8 Figura - Coeficientes de auto-correlação da série da figura anterior o coeficiente de ordem vale, obviamente. Evidencia-se nitidamente a presença de um termo regular periódico. A presença de um termo claramente periódico ressalta imediatamente da figura. A identificação de uma situação desta natureza pode sugerir a necessidade de filtrar esta componente, procurando subtrair à série um termo sinusoidal, por exemplo. Quando analisamos um autocorrelograma, estamos sobretudo interessados em descobrir valores fortemente significativos e por isso valores pequenos são tomados como zero. /
11 4.. Autocorrelação parcial Devemos, de qualquer modo, ter em conta que as autocorrelações para intervalos sucessivos são formalmente dependentes. Pense-se no seguinte: se o primeiro elemento da série está fortemente relacionado com o segundo, e o segundo com o terceiro, então o primeiro está de alguma forma também relacionado com o terceiro. Daí que o coeficiente de autocorrelação para um atraso de ordem não seja independente do coeficiente de autocorrelação para um atraso de ordem. Para obter uma informação sobre autocorrelações na série sem esta influência em cascata, definiu-s um poutro conceito, o de função de autocorrelação parcial. A autocorrelação parcial de atraso k corresponde à autocorrelação entre X t e X t-k que não é explicada pelos atrasos de a k. O seu cálculo é mais elaborado do que a simples função de autocorrelação e não o apresentaremos nestas notas. Todavia, sem uma referência à existência desta função, qualquer descrição do métodode Box and Jenkins ficaria substancialmente incompleto. 5. IDENTIFICAÇÃO DE UM MODELO DE BOX E JENKINS Eis um resumo do método de Box e Jenkins: Estacionaridade - o primeiro passo para desenvolver um modelo de Box e Jenkins é determinar se a série é estacionária. Isto consegue-se observando se o gráfico da série apresenta uma escala constante e posicionamento estável. Também se pode observar, num diagrama de autocorrelação, quando a série não é estacionária, um decaimento muito lento da função de autocorrrelação. Sazonalidade (ou periodicidade) - a identificação de sazonalidade também pode fazer-se por observação directa ou por exame do diagrama da função de autocorrelação Obtenção de estacionaridade - Box e Jenkins recomendaram o processo de diferenciação para se obter a estacionaridade de uma série, ms também é possível ajustar-se uma curva e trabalhar com a série das diferenças para esta curva. Identificação das ordens p e q - isto executa-se pelo exame das funções de autocorrelação e de autocorrelação parcial, comparando os seus gráficos com o respectivo comportamento teórico quando as ordens p e q são conhecidas Ordem p de um processo autoregressivo - para um processo autoregressivo AR() de ordem, a função de autocorrelação deve ter um comportamento com decaimento exponencial. Para processos AR de ordem superior, poderão observar-se combinações de aspectos de decaimento exponencial com sinusoides amoortecidas. Neste caso, interssa observar a função de autocorrelação parcial, cujo valor para um processo AR(p) deverá ser nulo para atrasos superiores a p. Ordem q de um processo de média móvel - um processo de média móvel MA pode ser indiciado por uma função de autocorrelação com um ou mais picos. A função de autocorrelação de um processo MA(q) anula-se parta atrasos superiores a q. A tabela seguinte resume como usar a função de autocorrelação para identificar o modelo de uma série temporal FORMA Exponencial, decaindo para zero Valores alternando entre positivos e negativos, decaindo para zero Um ou mais picos, com os restantes valores praticamente zero Decaimento só começando após alguns atrasos MODELO INDICADO Modelo AR. Usar o gráfico da função de autocorrelação parcial para identificar a ordem p do processo Modelo AR. Usar o gráfico da função de autocorrelação parcial para identificar a ordem p do processo Modelo MA. A ordem q do modelo é identificada pelo valor do atraso em que a função se anula Modelo misto ARMA /
12 Todos os valores perto de zero Valores elevados em intervalos fixos Não se observa decaimento para zero Daos essencialmente aleatórios Sazonalidade A série não é estacionária 6. ESTIMAÇÃO DE PARÂMETROS Uma vez identificado o modelo (AR, MA, ARMA, ARIMA), procede-se à estimação dos seus parâmetros, recorrendo-se em geral a algum processo ou algoritmo que minimiza os quadrados dos resíduos ou no princípio da máxima verosimilhança. Não desenvolveremos nestas notas introdutórias tais processos. REFERÊNCIAS [] Box, G.E.P., Jenkins, G.M., Time Series Analysis: Forecasting and Control, San Francisco: Holden-Day, 97 [] Jim Elkins, NOAA, 988, in /
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisVariabilidade Temporal Anual do Campo de Pressão TELECONEXÕES
Variabilidade Temporal Anual do Campo de Pressão TELECONEXÕES Dinâmica do Clima Ano Lectivo 2006-2007 INTRODUÇÃO A distribuição dos sistemas de altas e baixas pressões influência os padrões de ventos e
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Séries Temporais Considere um processo onde o valor presente de uma série depende dos
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisInstituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores
Instituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores Teoria dos Sinais e dos Sistemas O procedimento de Gram-Schmidt: definição, exemplos e aplicações Artur Ferreira {arturj@isel.pt}
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisÍndice de Produção Industrial(*) mantém variação homóloga negativa
31 de Maio de 2011 Índice de Produção Industrial Abril de 2011 Índice de Produção Industrial(*) mantém variação homóloga negativa Em Abril, o índice de produção industrial apresentou uma variação homóloga
Leia maisCapítulo 1. ˆ Observações correlacionadas são mais difíceis de analisar e requerem técnicas
Capítulo 1 Introdução Uma série temporal é uma coleção de observações feitas sequencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisModelação, Identificação e Controlo Digital
29 Adormecimento dos mínimos quadrados recursivos Se os dados forem adequados, os elementos do ganho de Kalman diminuem à medida que o tempo passa, tornando-se eventualmente muito reduzidos se o ruído
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Séries Temporais Considere um processo onde o valor presente de uma série depende dos
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisESTATÍSTICA DESCRITIVA E PREVISÃO INDICE
ESTATÍSTICA DESCRITIVA E PREVISÃO INDICE CAPITULO L APRESENTAÇÃO DE DADOS, pag 1 1.1 Introdução, 2 1.2. Quadros ou Tabelas, 3 1.3 Distribuições de Frequência, 4 1.4 Classificação de Dados, 7 1.5 Distribuição
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisAnálise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais
Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Guilherme Alvarenga Laia 1 Maria Imaculada de Sousa Silva 2 Nádia Giaretta Biase 3 1 Introdução
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisSéries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência jω Ge ( ) = jω Ye ( ) jω Ue ( ) Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisTeleconexões Precipitação
Teleconexões Precipitação Realizado por: Mafalda Morais, nº 31326 Rita Soares, nº 31157 Elsa Vieira, nº26297 Modificações em alguns parâmetros do sistema climático, (tais como albedo da superfície, vegetação,
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisPrognostico da Estação Chuvosa e sua Interpretação para Agricultura
Prognostico da Estação Chuvosa 2016-2017 e sua Interpretação para Agricultura Setembro de 2016 PROGNÓSTICO SOBRE A ESTAÇÃO CHUVOSA 2016/2017 E INTERPRETAÇÃO PARA AGRICULTURA 1. INTRODUÇÃO A Oscilação Sul
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisModelação, Identificação e Controlo Digital 2003/04 Segundo Exame
Lic. Em Engª Electrotécnica e de Computadores Modelação, Identificação e Controlo Digital 003/04 Segundo Exame 4 de Fevereiro de 004, 9 horas - sala E5 Quotação: P-4, P-4, P3-4, P4-3, P5-3, P6-. P Considere
Leia maisEstimativa da taxa de desemprego em julho: 12,1%
31 de agosto de Estimativas Mensais de Emprego e Desemprego ho de Estimativa da taxa de desemprego em julho: 12,1% A estimativa provisória da taxa de desemprego para julho de situa-se em 12,1%, valor inferior
Leia maisRelatório do Seminário Data Mining em Séries Temporais
Universidade Federal de Santa Catarina Disciplina: INE5644 - Data Mining Professor: Luiz Otavio Alvares Alunos: Anderson Zapello Giovani Milanez Jean Pacher João Paulo Raittes Relatório do Seminário Data
Leia maisProcessos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos ão Paramétricos 1 Métodos ão Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J. Miranda
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curo prazo Séries emporais Cláudio Moneiro Disribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Séries emporais Esa é a meodologia clássica mais popular para a previsão
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisTipos de Chuvas. Chuvas Orográficas: é quando as massas de ar são barradas pela ocorrência do relevo(planaltos ou montanhas).
CLIMAS DO MUNDO ;;. V jlóyufrdcdf Latitude Tipos de Chuvas Chuvas Orográficas: é quando as massas de ar são barradas pela ocorrência do relevo(planaltos ou montanhas). Chuvas Frontais: é resultado do encontro
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia mais1 Despacho económico
Trânsito de potência difuso DC com despacho incorporado Documento complementar à dissertação José Iria ee06210@fe.up.pt - 10-03-2011 1 Despacho económico 1.1 Considerações Gerais O problema de decisão
Leia maisINFLUÊNCIA DE EVENTOS ENOS 1982/1983 NA PRECIPITAÇÃO PLUVIAL DO MUNICÍPIO DE CAMPINAS, SP.
INFLUÊNCIA DE EVENTOS ENOS 198/1983 NA PRECIPITAÇÃO PLUVIAL DO MUNICÍPIO DE CAMPINAS, SP. Leônidas Mantovani Malvestio 1, Prof. Dr Jonas Teixeira Nery Universidade Estadual Paulista- UNESP leonidasgeo@gmail.com
Leia maisVanda Pires. Divisão de Clima e Alterações Climáticas Agradecimentos: Fátima E. Santo e Álvaro Silva
Aplicações Estatísticas em Climatologia Statistical Applications in Climatology Vanda Pires Agradecimentos: Fátima E. Santo e Álvaro Silva Divisão de Clima e Alterações Climáticas vanda.cabrinha@ipma.pt
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia maisGestão de Stocks. Estudo realizado por: Dulce Varandas e Lídia Teixeira. Orientação:
Implementação de um Sistema de Gestão Empresarial (ERP) numa empresa do sector metalúrgico Gestão de Stocks Estudo realizado por: Orientação: Dulce Varandas e Lídia Teixeira Prof. Jorge Pinho de Sousa
Leia maisRELAÇÃO ENTRE O ÍNDICE OSCILAÇÃO SUL (IOS) E A PRECIPITAÇÃO NO RIO GRANDE DO SUL 1. INTRODUÇÃO
RELAÇÃO ENTRE O ÍNDICE OSCILAÇÃO SUL (IOS) E A PRECIPITAÇÃO NO RIO GRANDE DO SUL FERNANDES, Valesca 1 ; SPERLING, Vinicius 2 ; MARQUES, Julio Renato 2 1 Graduanda da Faculdade de Meteorologia da UFPel.
Leia maisRecursos hídricos. Especificidade do clima português
Recursos hídricos Especificidade do clima português Recurso insubstituível e suporte de Vida A água é fundamental para os sistemas naturais, para a vida humana e para as atividades económicas. O Tejo,
Leia maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisPrevisão da produção de energia hidrelétrica no Brasil via séries temporais.
Previsão da produção de energia hidrelétrica no Brasil via séries temporais. Sílvio de Castro Silveira. Introdução Joel Augusto Muniz Thelma Sáfadi Tadeu Vilela de Souza Recentemente ascendeu-se a discussão
Leia maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia maisÍndice de Produção Industrial Julho de 2017 Índice de Produção Industrial (*) acelerou
Índice de Produção Industrial Julho de 2017 Índice de Produção Industrial (*) acelerou 30 de agosto de 2017 O índice de produção industrial apresentou uma variação homóloga de 6,4%, em julho (3,7% no mês
Leia mais2 A Escolha do Indicador Climatológico
19 2 A Escolha do Indicador Climatológico 2.1. Introdução A análise da dinâmica de um fenômeno climatológico passa pelo estudo dos sinais a ele associados. Este capítulo descreve a escolha do sinal utilizado
Leia maisEstimativa da taxa de desemprego em agosto: 12,4%
Estimativas Mensais de Emprego e Desemprego sto de 29 de setembro de Estimativa da taxa de desemprego em agosto: 12,4% A estimativa provisória da taxa de desemprego para agosto de situa-se em 12,4%, valor
Leia maisANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS
ANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS ANALYSIS OF CHANGES IN TEMPERATURE ON DECK OF OUR LADY OF NOSSA SENHORA DA GLÓRIA BY BOX AND JENKINS Nathaly
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Leia maisInterpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem
Sistemas de Informação Geográfica II Interpolação 1. Interpolação Autocorrelação Padrões de amostragem Validação de resultados Interpolação Predição do valor de atributos em pontos não-amostrados Tempo
Leia mais4 Previsão da atenuação em enlaces consecutivos
4 Previsão da atenuação em enlaces consecutivos Evidências experimentais obtidas em regiões de clima temperado indicam que, em condições de visibilidade, eventos de atenuação por multipercurso atmosférico
Leia maisDesenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros
Desenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros Michel de Oliveira Vasconcelos Instituto Tecnológico de Aeronáutica, São José dos
Leia maisEstimativa da taxa de desemprego em junho: 12,4%
30 de julho de Estimativas Mensais de Emprego e Desemprego junho de Estimativa da taxa de desemprego em junho: 12,4% A estimativa provisória da taxa de desemprego para junho de situa-se em 12,4%, mantendo-se
Leia mais0,0 out-15 jan-16 abr-16 jul-16 out-16 jan-17 abr-17 jul-17 out-17-10,0
Índice de Produção Industrial Outubro de 2017 30 de novembro de 2017 Produção Industrial (*) manteve variação homóloga positiva O índice de produção industrial registou uma variação homóloga de 3,5% em
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisMESTRADO INTEGRADO DE ENGENHARIA CIVIL. Disciplina: TRANSPORTES
MESTRADO INTEGRADO DE ENGENHARIA CIVIL Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Sessão 4: Estudos Simples de Procura de Transportes A Projecções tendenciais e modelos de 2009/2010
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisDefinição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável
Correlação Definição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável Exemplos Perímetro de um quadrado e o tamanho
Leia maisPrevisão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis
Previsão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis Gabriel Tambarussi Avancini 1 Thiago Viana Flor de Santana 1 Vitor Augusto Ozaki 1 Djair
Leia maisNome: Número: Espaço reservado para classificações
Instituto Superior de Economia e Gestão Universidade de Lisboa Licenciaturas em Economia e em Finanças Econometria - Época Normal - 07/01/2015 Duração 2 horas Nome: Número: Notas: A utilização do telemóvel
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia maisI.1. Seleccionado um passageiro ao acaso, qual a probabilidade de ter idade no intervalo [20 a 50) anos e ser fraudulento?
INTRODUÇÃO À ANÁLISE DE DADOS INSTITUTO SUPERIOR DE CIÊNCIAS SOCIAIS E POLÍTICAS UNIVERSIDADE TÉCNICA DE LISBOA Frequência - 29 de Janeiro de 8 Grupo I (4, v) No seguimento de um estudo efectuado pela
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisEventos climáticos extremos: monitoramento e previsão climática do INPE/CPTEC
Eventos climáticos extremos: monitoramento e previsão climática do INPE/CPTEC Ariane Frassoni dos Santos ariane.frassoni@cptec.inpe.br Junho de 2014 Sumário Introdução Clima e variabilidade climática Monitoramento
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 8
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 8 Armando Manuel 09/29/2017 A PREVISÃO Armando Manuel 09/29/2017 11 1. A metodologia Box-Jenkins é um processo que se inicia com a analise
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisO OCEANO NO CLIMA. Ressurgência Camada de Ekman Giro das circulações, Circulação termohalina ENSO. correntes oceânicas a oeste
O OCEANO NO CLIMA Ressurgência Camada de Ekman Giro das circulações, correntes oceânicas a oeste Circulação termohalina ENSO Correntes Oceânicas Correntes oceânicas têm um papel importante no transporte
Leia maisIdentificação por Métodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Identificação por Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos
Leia maisPrevisão de taxas de falhas utilizando o Método de Box & Jenkins. Forecast of failure rates using the Box & Jenkins Method
Previsão de taxas de falhas utilizando o Método de Box & Jenkins Débora Morales1 (UFPR) debora_mo2@hotmail.com Naiara Fernanda Johnsson 2 (UFPR) nai_johnsson@hotmail.com Resumo: O presente artigo propõe
Leia maisPREVISÃO CLIMÁTICA TRIMESTRAL
PREVISÃO CLIMÁTICA TRIMESTRAL JANEIRO/FEVEREIRO/MARÇO - 2018 Cooperativa de Energia Elétrica e Desenvolvimento Rural DEZEMBRO/2017 La Niña 2017-2018 A temperatura da superfície do mar (TSM) na região equatorial
Leia maisMONITORAMENTO ATMOSFÉRICO NOÇÕES SOBRE A ATMOSFERA TERRESTRE
EMED - Empreendimentos Educacionais Ltda Centro de Formação Profissional BOM PASTOR MONITORAMENTO ATMOSFÉRICO NOÇÕES SOBRE A ATMOSFERA TERRESTRE Centro de Formação Profissional Colégio Bom Pastor Curso
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia mais