PROPOSTA DE FUNÇÃO EXECUTÁVEL EM R PARA AJUSTE DE MODELOS ARIMA(P, D, Q)
|
|
- Zilda Vasques Pais
- 8 Há anos
- Visualizações:
Transcrição
1 XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro de PROPOSTA DE FUNÇÃO EXECUTÁVEL EM R PARA AJUSTE DE MODELOS ARIMA(P, D, Q) Lúcia Adriana dos Sanos Gruginskie (UNISINOS) lagruginskie@gmail.com A proposa dese arigo é consruir e esar uma função, execuável no R, que ajuse (p+1)*(q+1)*(d+1) modelos ARIMA(p, d, q) a uma série emporal univariada, reornando uma mariz cujas colunas apresenem diversas medidas (como AIC, BIC e mape) sobre os modelos ajusados. A função é execuada sem a necessidade de insalação do pacoe forecas. Palavras-chaves: Modelos ARIMA, R, previsão
2 1 Inrodução Enconra-se disponível, hoje, uma gama de arigos e disserações sobre previsão de demanda na engenharia de produção. Esses esudos uilizam-se de dados hisóricos - ou dados hisóricos combinados com ouros méodos de previsão, como a opinião de especialisas - para prever a demanda de produos. Em relação à análise de séries hisóricas para previsão, os modelos de Box & Jenkins, ambém conhecidos por modelos ARIMA (Auorregressivo Inegrado de Média Móvel), são basane uilizados em engenharia de produção, de forma individual ou combinada, como, por exemplo, nos rabalhos de Mileski (2007), Werner e Ribeiro (2006), Werner e Ribeiro (2003), Dias (2006) e Pellegrini (2000), enre ouros. Na uilização da abordagem de Box & Jenkins, no curso do ciclo ieraivo no qual os modelos são consruídos, o passo de idenificação pode ser considerado o mais difícil/críico. (MORETTIN & TOLOI, 2004). Pacoes esaísicos comerciais, como o SPSS, sugerem modelos de ajuse, faciliando o processo de idenificação. Sofwares livres, como o R, ambém possuem formas de idenificar o melhor modelo para o ajuse de séries emporais. A proposa dese arigo é consruir e esar uma função, a ser execuada no R, que ajuse vários modelos ARIMA (p, d, q) a uma série e reorne uma mariz conendo as ordens dos modelos ajusados e uma série de medidas calculadas com o objeivo de faciliar o processo de idenificação do modelo final a ser ajusado. A mariz resulane não dispensa o conhecimeno do analisa, mas reduz o empo de processameno à medida que ajusa vários modelos de forma consecuiva aravés da combinação das ordens p, q e d. O arigo esá esruurado em cinco seções. Após a inrodução, segue uma seção com conceios básicos sobre a abordagem ARIMA, concenrando-se na fase de idenificação, enquano a erceira apresena algumas considerações sobre o R A language and environmen for saisical compuing. A quara seção esa a função em rês séries obidas na lieraura e, por fim, a quina seção raz algumas considerações finais. 2 Os modelos de Box e Jenkins Os modelos foram inroduzidos por Box e Jenkins em 1970 e muios auores ora usam o ermo ARIMA (ou AR, ARI, ARMA, IMA, dependendo das ordens dos modelos), ora modelos de Box & Jenkins. A suposição deses modelos é que a variação conida na série pode ser represenada em rês componenes: o auorregressivo (AR), o componene inegrado (I) ou diferenciado e o componene média móvel (MA). (SPSS INC, 2006). A forma geral dos modelos é ARIMA(p, d, q)(p, D, Q), onde: p refere-se ao processo auorregressivo não sazonal incorporado no modelo ARIMA e P refere-se ao processo auorregressivo sazonal. A ordem da auorregressão (p) refere-se a diferença de empo enre o valor aual e os valores que o predizem; d refere-se à ordem de inegração ou diferenciação não sazonal e D à ordem de inegração sazonal; 2
3 q refere-se ao processo de média móvel não sazonal incorporada ao modelo e Q refere-se ao processo de média móvel sazonal. Ese arigo não raará de modelos sazonais. O ermo não esacionariedade de uma série implica exisir inclinação nos dados e/ou fluuações aumenando ou diminuindo com o passar do empo (ese úlimo pode indicar variância alerada). Para Morein e Toloi (2004), há duas razões para ransformar a série: esabilizar a variância e ornar o efeio sazonal adiivo. Uma dada série de diferenças: d Z Z, não esacionária, pode ornar-se esacionária omando um número finio A série, esacionária não sazonal, pode ser escria como: p p a 1a 1 2a 2... qa q Onde: é o valor da série no insane após a inegração (quando for o caso); i são os parâmeros auorregressivos, i = i, 2,..., p; são os parâmeros das médias móveis, i = 1, 2,... q; 1 2 a represena o ruído branco (ruído com média 0 e variância a ). A esraégia para a consrução do modelo esá baseada em um ciclo ieraivo baseado nos próprios dados, conforme fluxograma abaixo: Escolher uma classe geral de modelo Idenificar o modelo Esimar os parâmeros Diagnosicar (O modelo é adequado?) Não Sim Usar o modelo para previsão ou conrole Figura 1 Eságios na abordagem ieraiva para consrução do modelo Fone: Adapado de Box & Jenkins (1970) 3
4 Segundo Box e Jenkins (1970), a parir da ineração enre eoria e práica, uma classe de modelos para os fins em quesão é considerada. Como essa classe é exensa para ser ajusada direamene aos dados de forma conveniene, méodos para a idenificação de subclasses são desenvolvidos. Tais méodos de idenificação do modelo empregam o conhecimeno do sisema para sugerir uma subclasse apropriada, parcimoniosa, que pode ser provisoriamene cogiada. Usualmene, a forma de idenificar o modelo é examinar as ACFs e PACFs, respecivamene, as funções de auocorrelação e auocorrelação parcial. A ACF e a PACF são ferramenas para verificar o desempenho e a especificação dos modelos de séries emporais. A auocorrelação é usada para descrever a correlação enre dois valores da mesma série emporal, em diferenes períodos de empo. A auocorrelação parcial é uilizada para descrever a correlação enre dois valores da mesma série, porém reirando a influência de valores inermediários. Para auxiliar na idenificação, Shumway (1988) relaciona os seguines comporamenos das funções de auocorrelação e auocorrelação parcial: Não esacionariedade: a ACF decai vagarosamene e a PACF em um valor significaivo (posiivo ou negaivo) no lag 1; Não esacionariedade sazonal: a ACF é próxima de zero, exceo nos lags s, 2s e assim por diane e ambém decai vagarosamene. A série ambém pode se ornar esacionária aravés da diferenciação sazonal, omando, usualmene, uma única diferença; Comporameno auorregressivo: a PACF é diferene de zero para lags 1, 2,..., p e zero para os demais; Comporameno auorregressivo sazonal: A PACF é zero, exceo para os lags s, 2s,... e zero para os demais; Comporameno média móvel: a ACF é diferene de zero para lags 1, 2,... q e zero para os demais; Comporameno média móvel sazonal: a ACF é zero exceo para os lags s, 2s... Sobre as ordens dos modelos, Box e al. (apud Pellegrini, 2000), indicam que p e q são geralmene menores que 2 para séries emporais esacionárias e Shumway (1988) sugere que pode-se ornar uma série esacionária aravés da diferenciação, quando, usualmene, d<=2, aconselhando a omar cuidado para eviar a superdiferenciação na série. O próximo passo é a esimação dos parâmeros. É imporane, na práica, que se empregue o menor número possível de parâmeros para uma adequada represenação. A regra cenral é o princípio da parcimônia (BOX E JENKINS, 1970). O ciclo ieraivo segue com a fase de verificação, quando pode ser feia a análise dos resíduos e a realização de eses como o de Box Ljung. O ese de Box Ljung objeiva verificar se as auocorrelações dos resíduos apresenam valores alos, embora deece quebras específicas no comporameno de ruído branco (MORETTIN e TOLOI, 2004). De acordo com Morein e Toloi (2004), a comparação dos valores da auocorrelação esimada dos resíduos com os limies de ±2 n fornece uma indicação de possível quebra de comporameno de ruído branco, com a condição de que, para pequenos valores de k (relações enre lags próximos), esses limies subesimarão a significância de qualquer discrepância. O arigo não visa a aprofundar conceios nos modelos de Box e Jenkins, pois podem ser 4
5 obidos em Box e Jenkins (1970), Shumway (1988) e Morein e Toloi (2004), enre ouros. Mesmo assim, alguns ermos uilizados adiane serão conceiuados como o ese de Dickey- Fuller e medidas de bondade de ajuse. O ese de Dickey-Fuller esa a hipóese nula que a série em uma raiz uniária conra a alernaiva de esacionariedade e, segundo Werner e Ribeiro (2003), é o ese para raízes uniárias mais uilizado. Em relação aos coeficienes esimados para p, q e inercepo, considerando que o amanho da amosra é grande, de acordo com Morein e Toloi (2004), os esimadores de máxima verossimilhança possuem uma disribuição assinóica normal e, a parir das esimaivas das variâncias, pode-se ober inervalos de confiança para os coeficienes. Medidas de bondade de ajuse para modelos de séries emporais são usualmene associadas com o erro das previsões. Porém, para comparar modelos com diferenes números de parâmeros, os criérios AIC (Akaike informaion crieria) e BIC (Bayesian informaion crierion) podem usados, pois modelos com muios parâmeros ou não esacionários obêm maior penalidade. (DURBIN E KOOPMAN, 2008). Para a esimação dos coeficienes, com o R, podem ser uilizados os méodos de máxima verossimilhança e soma de quadrados condicional. De acordo com Morein e Toloi (2004), a fase críica do procedimeno é a idenificação, quando vários pesquisadores podem idenificar modelos diferenes para uma mesma série emporal. Desa forma, pode-se idenificar não um único modelo, mas alguns modelos que serão esimados e verificados. Nese arigo, o ese de Shapiro-Wilk é usado para esar a normalidade dos resíduos. 3 R Saisical Compuing Environmen and Graphics O R é uma linguagem e ambiene para compuação esaísica. É um projeo GNU (General Public License da Free Sofware Foundaion), fornecendo uma ampla variedade de análises esaísicas e écnicas gráficas, oferecendo o código abero como uma roa para a paricipação nessa aividade. O R pode ser compilado e execuado em um grande número de plaaformas UNIX e sisemas semelhanes (como o FreeBSD e Linux), Windows e MacOS. (MILESKI, 2007). De acordo com Hyndman e Racine (2002), a sinaxe da linguagem R é muio similar à linguagem S. As principais diferenças são as seguines: no R, os objeos não são salvos em arquivos, mas armazenados inernamene; os pacoes disponíveis em R são diferenes das biblioecas disponíveis no S-Plus. Enre ouras possibilidades, o R possui uma bem desenvolvida, simples e eficaz linguagem de programação, que inclui condicionanes, loops, funções recursivas definidas pelo usuário e facilidades de enrada e saída. Para arefas compuacionais inensivas, o C, o C++ e o Forran podem ser conecados e acessados durane a execução. No ambiene R, a análise esaísica é geralmene feia como uma série de passos, com os resulados inermediários sendo armazenados. Segundo Hyndman e Racine (2002), poderosos sofwares comerciais como Malab, Miniab, SAS, SPSS e S-Plus, enre ouros, podem ser caros, às vezes com resrições de licença e uso. 5
6 Assim, o R surgiu como uma alernaiva a eses sofwares comerciais e, como eles, é dinâmico e evolui coninuamene. 4 Proposa do arigo O Sofware comercial SPSS, por exemplo, possui o Exper Modeler, que sugere um modelo de ajuse, enre modelos de alisameno exponencial e ARIMA/SARIMA. O Exper Modeler auomaicamene idenifica e esima o melhor ajuse, baseado em uma medida como o BIC normalizado. Hyndman e Khandakar (2008) descreveram dois algorimos de predição implemenados no pacoe forecas do R, baseados em modelos de alisameno exponencial e de ARIMA, aplicados ano em séries sazonais como não sazonais. Especificamene ao modelo ARIMA, o algorimo auo.arima reorna o melhor modelo de acordo com os criérios AIC, AICc e BIC. O algorimo realiza uma pesquisa sobre o modelo possível denro das limiações da ordem fornecida e reorna o modelo com o menor criério especificado. Tano o exper modeler quano o auo.arima apresenam o melhor modelo segundo algum criério. Para comparar dois modelos específicos, são necessárias mais de uma execução. Assim, na enaiva de faciliar o eságio de idenificação do modelo final a ser ajusado, propõe-se a consrução de uma função a ser execuada no R que ajuse vários modelos ARIMA(p, d, q), reornando uma mariz que raga nas linhas o número de modelos analisados e nas colunas as medidas/informações sobre os modelos. A função, no ambiene R, não necessia de insalação do pacoe forecas. O comando para execução da função requer valores máximos para as ordens p, q e d e o méodo de ajuse (máxima verossimilhança, soma de quadrados condicional ou máxima verssomilhança/soma de quadrados condicional), conforme opções da função arima, no ambiene R. Caso não seja preenchido nada para méodo, a função ajusa de acordo com a soma de quadrados condicional. A função proposa ajusa (p+1)x(q+1)x(d+1) modelos a uma série emporal, sendo que começa com o modelo ARIMA(0, 0, 0), seguindo com o modelo ARIMA(1, 0, 0) e ermina no modelo (p, d, q). O valor máximo aceiável para p e q é 6 e para d é 2; porém, acredia-se que são valores exagerados. Poder-se-ia enar modelos com ordens menores. A mariz resulane é ordenada segundo o valor de AIC Akaike informaion crieria quando é possível uilizar o méodo de máxima verossimilhança, ou pelo mape média absolua percenual dos erros, quando for uilizado o méodo CSS. Além da mariz, a função ainda fornece os gráficos da série, da auocorrelação e da auocorrelação parcial da série original. Fornece, ambém, os valores da esaísica e o p-value do ese de Dickey-Fuller para a série original, para a 1ª e 2ª diferenças. Após a obenção da mariz, o analisa pode escolher alguns (poucos) modelos candidaos e realizar os demais eses e refazer os inervalos de confiança para os coeficienes. A proposa é a de se ober, a parir da execução de uma linha de comando, uma mariz com reze colunas: p : ordem de auorregressão; d : ordem de inegração; q : ordem de médias móveis; sigma2: 2 esimada; 6
7 loglik: o log da máxima verossimilhança (dos dados diferenciados ou não); Aic: Akaike informaion crieria; n_coef: o número de coeficienes esados no modelo (p+q para modelos com inegração e p+q+1 quando d=0); fora: número de coeficienes fora do inervalo coef ± 1.96 coef. Considera-se que o número de observações da série seja grande para uilizar a aproximação normal. Na análise exploraória, o grau de confiança é fixado em 95%; Ljung: p-value do ese de Ljung realizado para o lag=1; Shapiro: p-value do ese de Shapiro-Wilk realizado com os resíduos; c_fora: número de auocorrelações dos resíduos diferenes de zero, segundo o proposo por Morein e Toloi (2004). Considerando que a mariz resulane é apenas uma análise exploraória e não dispensa eses poseriores; mape: média absolua percenual dos resíduos; Bic: Bayesian informaion crieria. Em relação ao número de coeficienes, considera-se que se a ordem de d, número de diferenças, for maior ou igual a 1, o número de coeficienes é igual a p+q; caso conrário, p+q+1. Segundo Morein e Toloi (2004), pode-se supor que, quando d>0, o ermo consane no modelo pode ser igual a zero. As colunas sigma2, loglik e Aic são obidas do resulado da execução da função arima no R, enquano os eses de Ljung e Shapiro são calculados usando as funções de Box.ex e Shapiro.es, respecivamene. As colunas n_coef, fora, c_fora, mape e Bic são calculadas na função proposa em Anexo. A função foi consruída na versão Tese da Função A função pode ser execuada em séries univariadas, variáveis regressoras ou valores perdidos (missing values). A função não analisa os ouliers. A função pode ser chamada da seguine forma: ajuse(x=serie, p=p, d=d, q=q, mehod=( ML, ML-CSS, CSS )) Onde: x é a série emporal; p, d e q são as ordens máximas; mehod é o méodo selecionado. A função arima do R dispõe das formas de ajuse de máxima verossimilhança e soma de quadrados condicional. O padrão, a não ser que haja valores perdidos, é a uilização da soma de quadrados condicional para localizar os valores iniciais e enão usar a máxima verossimilhança. A seguir o ese da função em 3 séries pesquisadas na lieraura. Não é objeivo do arigo propor um modelo para as séries, mas fornecer informações para a escolha de um Série Nile São 100 medições da vazão anual do rio Nilo no período de A série esá no banco de dados do R. 7
8 Comando: fi_a<-ajuse(s=nile, p=6, d=1, q=6, mehod="ml") Ou seja, o ajuse de (6+1)*(1+1)*(6+1) modelos de Box & Jenkins aplicados à mesma série. A função reornou a esaísica do ese de Dickey-Fuller e o p-value, a seguir. esaísica e p-value do Tese de Dickey-Fuller - série original: esaísica e p-value do Tese de Dickey-Fuller - 1ª diferença: esaísica e p-value do Tese de Dickey-Fuller - 2ª diferença: A realização do ese é para auxiliar na omada de decisão de quanas diferenças omar. Os gráficos da série original a ACF e a PACF esão a seguir. Figura 2 Gráfico da série, da função de auocorrelação e auocorrelação parcial Abaixo, os rês modelos com menores AIC para a série. São as rês primeiras linhas da mariz resulane, porém, ransposa. As demais linhas foram suprimidas. Linha 8
9 Coluna p d q Sigma , , ,62 Loglik -626,61-630,63-630,98 Aic 1267, , ,96 Coeficienes esimados Coeficienes esimados igual a zero Box Ljung (p-value) 0,94 0,74 0,99 Shapiro es (p-value) 0,87 0,73 0,69 Número de auocorrelações residuais diferenes de zero Mape 12,29 12,79 12,81 BIC 1285, , ,74 Fone: Resulado da aplicação da função Tabela 1 Resulado da aplicação da função (Mariz ransposa das 3 primeiras linhas) Com os resulados da função execuada, é possível eliminar modelos que não são ineressanes por apresenar auocorrelação dos resíduos no lag=1, verificado pelo ese de Box Ljung ou por apresenar auocorrelações dos resíduos diferenes de zero, por exemplo. Embora a função enha sido execuada com sucesso no R, gerando uma mariz com 98 linhas (98 modelos ajusados), ela gerou 9 avisos: 7 problemas de convergência e 2 noificando pelo desvio padrão igual a NaN (No a Number). Quando aconece o problema de convergência, a função reorna NA (missing) para odas as medidas daquele modelo, exceo para as ordens p, d e q. Quando a variância de algum dos coeficienes for NaN, o valor reornado para coeficienes esimados igual a zero é NA, na mariz de resulados. As demais séries esadas erão as saídas omiidas Série B São 114 observações do preço médio mensal (correne) recebido pelos produores de café, exposo em Morein e Toloi (1981). Comando: fi_b<-ajuse(s=b, p=6, d=2, q=6, mehod="ml") A função ambém foi execuada com sucesso, gerando 147 linhas (modelos). Como na série anerior, a função gerou 25 avisos acusando problemas de convergência Série S Série obida de Makridakis e al. (apud Pellegrini, 2000), referene a usuários conecados a um servidor da inerne durane um período de 100 minuos. Comando: fi_c<-ajuse(s=s, p=6, d=2, q=6, mehod="ml") A função reornou os gráficos e as saídas dos eses de Dickey-Fuller, porém acusou erro. As alernaivas foram ou reduzir as ordens de p, d e q ou mudar o méodo para CSS - soma de quadrados condicionais. O comando uilizado novamene foi: fi_d<-ajuse(s=s, p=6, d=2, q=6, mehod="css") 9
10 A função foi execuada com sucesso, reornando 29 avisos acusando problemas de convergência. A desvanagem de uilizar o méodo CSS em vez de ML é que aquele reorna NA para os criérios AIC e BIC. Quando a série original apresena zeros, o mape reorna NA. 5 Considerações finais A função execuada no R apresena as seguines limiações: Pode ser aplicada apenas em séries univariadas, sem componenes sazonais, variáveis regressoras e valores perdidos. A função ainda pode incorporar análises complemenares, como a deecção de valores exremos e formas de comparar as previsões com os modelos ajusados, além de ouras medidas imporanes na comparação de modelos. Além das implemenações elencadas nos parágrafos precedenes, é necessário resolver os avisos (warnings) poseriormene, sendo esses os desafios fuuros. Por ouro lado, a função proposa pode auxiliar na idenificação quando se ajusa um modelo de Box & Jenkins a uma série emporal, à medida que permie comparar vários modelos simulaneamene, permiindo descarar aqueles que não são ineressanes. Referências BOX, G.E.P. & JENKINS, G.M. Time series analysis: forecasing and conrol. San Francisco: Holden-Day, DIAS, G.J.C. Planejameno esraégico de um cenro de disribuição: uma aplicação de redes neurais arificiais de funções de bases radiais para previsão de séries emporais. Disseração (Méodos Numéricos em Engenharia). Universidade Federal do Paraná, DURBIN J. & KOOPMAN S.J. Time series analysis by sae space mehods. Oxford: Oxford Universiy Press, Reimpreed HYNDMAN, R. & RACINE, J. Using R o each economerics. Journal of Applied Economerics. Vol. 17, p , HYNDMAN, R. & KHANDAKAR, Y. Auomaic ime series forecasing: he forecas package for R. Journal of Saisical Sofware. Vol. 27, MILESKI, A.J. Análise de méodos de previsão de demanda baseados em séries emporais de uma empresa do seor de perfumes e cosméicos. Disseração (Engenharia de Produção e Sisemas). Ponifícia Universidade Caólica do Paraná, MORETTIN, P.A. TOLOI, C.M.C. Modelos para previsão de séries emporais. Rio de Janeiro: IMPA/CNPQ, v. 2. MORETTIN, P.A. TOLOI, C.M.C. Análise de séries emporais. São Paulo: Blucher, PELLEGRINI, F.R. Meodologia para implemenação de sisemas de previsão de demanda. Disseração (Engenharia de Produção). Universidade Federal do Rio Grande do Sul, R Developmen Core Team (2009). R: A language and environmen for saisical compuing. R Foundaion for Saisical Compuing, Vienna, Ausria. ISBN , URL hp:// SHUMWAY, R.H. Applied saisical ime series analysis. New Jersey: Prenice-Hall, SPSS Inc. TIME SERIES ANALYSIS AND FORECASTING WITH SPSS 14 FOR WINDOWS. Copyrigh 2006 by SPSS Inc. Prined in he Unied Saes of America. WERNER, L. & RIBEIRO, J.L.D. Modelo composo para prever demanda aravés da inegração de 10
11 previsões. Revisa Produção. Vol. 16, n. 3, p , WERNER, L. & RIBEIRO, J.L.D. Previsão de demanda: uma aplicação dos modelos Box Jenkins na área de assisência écnica de compuadores pessoais. Revisa Gesão e Produção. Vol. 10, n. 1, p , ANEXO Função proposa ajuse<-funcion(s, p, d, q, gc, mehod = c("css", "CSS-ML", "ML")) if (NCOL(s) > 1) sop("não é uma série univariada") if (!is.numeric(s)) sop("'s' não é uma variável numérica") x <- as.s(s) if (!is.numeric(p)) sop("'p' não é numérico") y<-ifelse(abs(p)>6, 6, abs(p)) if (!is.numeric(d)) sop("'d' não é numérico") w<-ifelse(abs(d)>2, 2, abs(d)) if (!is.numeric(q)) sop("'q' não é numérico") z<-ifelse(abs(q)>6, 6, abs(q)) m<-mehod if (mehod!= "CSS-ML" && mehod!= "ML") m="css" par(mfrow=c(3,1)) plo(x, main=c("gráfico da série")) acf(x, lag.max=nrow(x)-1, main = c("auocorrelação")) pacf(x, lag.max=nrow(x)-1, main = c("auocorrelação Parcial")) PP0<-PP.es(x) #ese para a série original# PP1<-PP.es(diff(x, diff=1))#ese de PP para a primeira diferença# PP2<-PP.es(diff(x, diff=2))#ese de PP para a segunda diferença# ca("esaísica e p-value do Tese de Dickey-Fuller - série original: ", PP0$saisic, PP0$p.value, "\n") ca("esaísica e p-value do Tese de Dickey-Fuller - 1ª diferença: ", PP1$saisic, PP1$p.value, "\n") ca("esaísica e p-value do Tese de Dickey-Fuller - 2ª diferença: ", PP2$saisic, PP2$p.value, "\n") linha<-(y+1)*(w+1)*(z+1)#quanidade de modelos e v é a mariz com os resulados# 11
12 v<-marix(daa=na, nrow=linha, ncol=13, dimnames=lis(c(1:linha), c("p", "d", "q", "sigma2", "loglik", "aic", "coef", "fora", "Box Ljung", "Shapiro", "c_fora", "mape", "bic"))) u<-0#número da linha na mariz resulado# for (k in 0:w) kk<-k for ( i in 0:y) ii<-i for (j in 0:z) jj<-j fi<-arima(x, order=c(ii, kk, jj), mehod=m) u<-u+1 if(fi$code==1)#o valor de convegência# v[u, 1]<-ii v[u, 2]<-kk v[u, 3]<-jj v[u, 4]<-NA v[u, 5]<-NA v[u, 6]<-NA v[u, 7]<-NA v[u, 8]<-NA v[u, 9]<-NA v[u, 10]<-NA v[u, 11]<-NA v[u, 12]<-NA v[u, 13]<-NA rm(fi) else n_coef<-ifelse(kk==0, ii+jj+1, ii+jj)#número de coeficienes# v_coef<-fi$coef #coeficienes# sd<-(diag(fi$var.coef))^0.5 #desvio padrão dos coeficienes# if (!is.numeric(sum(sd))) coe_iner<-na else coe_iner<-ifelse(abs(fi$coef)>1.96*sd, 0, 1) #reorna o número de coeficienes fora do inervalo de 95%# 12
13 inervalo# res<-fi$residuals#residuos# box<-box.es(res, lag = 1, ype="ljung")#ese de Ljung, lag=1# sha<-shapiro.es(res)#ese de shapiro# facc<-acf(res, lag.max=nrow(x)-1, plo=f)#auocorrelações# fac<-facc$acf[2:nrow(x)]#valores das auocorrelações# lim<-2/(nrow(x)^0.5)#limie para as auocorrelações# fac_iner<-ifelse(abs(fac)>lim, 1, 0) #auocorrelações fora do inervalo# mape<-100*sum(abs(res/x)/nrow(x))#calcula o mape# bic<-ifelse(m!="css", (-2*fi$loglik)+(n_coef+1)*log(NROW(x)-kk), NA) v[u, 1]<-ii v[u, 2]<-kk v[u, 3]<-jj v[u, 4]<-fi$sigma2 v[u, 5]<-fi$loglik v[u, 6]<-fi$aic v[u, 7]<-n_coef v[u, 8]<-sum(coe_iner)#número de coeficienes fora do inervalo# v[u, 9]<-box$p.value #p. value do ese de box Ljung# v[u, 10]<-sha$p.value#p. value do ese shapiro para a normalidade dos resíduos# v[u, 11]<-sum(fac_iner)#número de auocorrelações dos resíduos fora do v[u, 12]<-mape#mape# v[u, 13]<-bic rm(fi, n_coef, v_coef, sd, coe_iner, res, box, sha, facc, fac,fac_iner, mape, bic) if(m!="css") vor<-order(v[,6])#ordena a mariz de acordo com o menor valor de AIC# else vor<-order(v[,12])#ordena conforme o mape# or<-v[vor,] dimnames(or)<-lis(c(1:linha), c("p", "d", "q", "sigma2", "loglik", "aic", "coef", "fora", "Box Ljung", "Shapiro", "c_fora", "mape", "bic")) lis=c(pp0$p.value, PP1$p.value, PP2$p.value) or 13
TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS
ARTIGO: TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS REVISTA: RAE-elerônica Revisa de Adminisração de Empresas FGV EASP/SP, v. 3, n. 1, Ar. 9, jan./jun. 2004 1
Leia maisCentro Federal de EducaçãoTecnológica 28/11/2012
Análise da Dinâmica da Volailidade dos Preços a visa do Café Arábica: Aplicação dos Modelos Heeroscedásicos Carlos Albero Gonçalves da Silva Luciano Moraes Cenro Federal de EducaçãoTecnológica 8//0 Objevos
Leia maisPREVISÃO DE DEMANDA: UMA APLICAÇÃO DOS MODELOS BOX- JENKINS NA ÁREA DE ASSISTÊNCIA TÉCNICA DE COMPUTADORES PESSOAIS
PREVISÃO DE DEMANDA: UMA APLICAÇÃO DOS MODELOS BOX- JENKINS NA ÁREA DE ASSISTÊNCIA TÉCNICA DE COMPUTADORES PESSOAIS Liane Werner Deparameno de Esaísica, Universidade Federal do Rio Grande do Sul, Rua Beno
Leia maisInstituto de Tecnologia de Massachusetts Departamento de Engenharia Elétrica e Ciência da Computação. Tarefa 5 Introdução aos Modelos Ocultos Markov
Insiuo de Tecnologia de Massachuses Deparameno de Engenharia Elérica e Ciência da Compuação 6.345 Reconhecimeno Auomáico da Voz Primavera, 23 Publicado: 7/3/3 Devolução: 9/3/3 Tarefa 5 Inrodução aos Modelos
Leia maisCAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico
146 CAPÍULO 9 Inrodução ao Conrole Discreo 9.1 Inrodução Os sisemas de conrole esudados aé ese pono envolvem conroladores analógicos, que produzem sinais de conrole conínuos no empo a parir de sinais da
Leia maisMETODOLOGIA PROJEÇÃO DE DEMANDA POR TRANSPORTE AÉREO NO BRASIL
METODOLOGIA PROJEÇÃO DE DEMANDA POR TRANSPORTE AÉREO NO BRASIL 1. Inrodução O presene documeno visa apresenar dealhes da meodologia uilizada nos desenvolvimenos de previsão de demanda aeroporuária no Brasil
Leia maisAÇÕES DO MERCADO FINACEIRO: UM ESTUDO VIA MODELOS DE SÉRIES TEMPORAIS
AÇÕES DO MERCADO FINACEIRO: UM ESTUDO VIA MODELOS DE SÉRIES TEMPORAIS Caroline Poli Espanhol; Célia Mendes Carvalho Lopes Engenharia de Produção, Escola de Engenharia, Universidade Presbieriana Mackenzie
Leia maisALBINO MILESKI JUNIOR ANÁLISE DE MÉTODOS DE PREVISÃO DE DEMANDA BASEADOS EM SÉRIES TEMPORAIS EM UMA EMPRESA DO SETOR DE PERFUMES E COSMÉTICOS
ALBINO MILESKI JUNIOR ANÁLISE DE MÉTODOS DE PREVISÃO DE DEMANDA BASEADOS EM SÉRIES TEMPORAIS EM UMA EMPRESA DO SETOR DE PERFUMES E COSMÉTICOS Disseração apresenada ao Programa de Pós- Graduação em Engenharia
Leia maisFunção definida por várias sentenças
Ese caderno didáico em por objeivo o esudo de função definida por várias senenças. Nese maerial você erá disponível: Uma siuação que descreve várias senenças maemáicas que compõem a função. Diversas aividades
Leia maisANÁLISE ESTRUTURAL DA SÉRIE DE PREÇOS DO SUÍNO NO ESTADO DO PARANÁ, 1994 A 2007
ANÁLISE ESTRUTURAL DA SÉRIE DE PREÇOS DO SUÍNO NO ESTADO DO PARANÁ, 994 A 7 ALAN FIGUEIREDO DE ARÊDES; MATHEUS WEMERSON GOMES PEREIRA; MAURINHO LUIZ DOS SANTOS; UNIVERSIDADE FEDERAL DE VIÇOSA VIÇOSA -
Leia maisCapítulo 5: Introdução às Séries Temporais e aos Modelos ARIMA
0 Capíulo 5: Inrodução às Séries emporais e aos odelos ARIA Nese capíulo faremos uma inrodução às séries emporais. O nosso objeivo aqui é puramene operacional e esaremos mais preocupados com as definições
Leia maisPalavras-chave: Análise de Séries Temporais; HIV; AIDS; HUJBB.
Análise de Séries Temporais de Pacienes com HIV/AIDS Inernados no Hospial Universiário João de Barros Barreo (HUJBB), da Região Meropoliana de Belém, Esado do Pará Gilzibene Marques da Silva ¹ Adrilayne
Leia maisPrevisão de Demanda. Métodos de Previsão. Demanda: disposição ao consumo Demanda versus Vendas Fatores que afetam a Demanda (Vendas)
2.1 Previsão de emanda Conceios básicos Méodos de Previsão iscussão Formulação do Problema emanda: disposição ao consumo emanda versus Vendas Faores que afeam a emanda (Vendas) Economia, Mercado, Preços,
Leia maisValor do Trabalho Realizado 16.
Anonio Vicorino Avila Anonio Edésio Jungles Planejameno e Conrole de Obras 16.2 Definições. 16.1 Objeivo. Valor do Trabalho Realizado 16. Parindo do conceio de Curva S, foi desenvolvida pelo Deparameno
Leia maisCOMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS CAUSAIS
Naal/RN COMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS CAUSAIS André Assis de Salles Escola Poliécnica - Universidade Federal do Rio de Janeiro Cenro de Tecnologia Bloco F sala
Leia maisPROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA
3 PROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA PROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA Felipe Lacerda Diniz Leroy 1 RESUMO Nese arigo,
Leia maisPREÇOS DE PRODUTO E INSUMO NO MERCADO DE LEITE: UM TESTE DE CAUSALIDADE
PREÇOS DE PRODUTO E INSUMO NO MERCADO DE LEITE: UM TESTE DE CAUSALIDADE Luiz Carlos Takao Yamaguchi Pesquisador Embrapa Gado de Leie e Professor Adjuno da Faculdade de Economia do Insiuo Vianna Júnior.
Leia maisAPLICAÇÃO DE SÉRIES TEMPORAIS NA PREVISÃO DA MÉDIA MENSAL DA TAXA DE CÂMBIO DO REAL PARA O DÓLAR COMERCIAL DE COMPRA USANDO O MODELO DE HOLT
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro
Leia maisExperimento. Guia do professor. O método de Monte Carlo. Governo Federal. Ministério da Educação. Secretaria de Educação a Distância
Análise de dados e probabilidade Guia do professor Experimeno O méodo de Mone Carlo Objeivos da unidade 1. Apresenar um méodo ineressane e simples que permie esimar a área de uma figura plana qualquer;.
Leia maisOBJETIVOS. Ao final desse grupo de slides os alunos deverão ser capazes de: Explicar a diferença entre regressão espúria e cointegração.
Ao final desse grupo de slides os alunos deverão ser capazes de: OBJETIVOS Explicar a diferença enre regressão espúria e coinegração. Jusificar, por meio de ese de hipóeses, se um conjuno de séries emporais
Leia maisEstudo comparativo de processo produtivo com esteira alimentadora em uma indústria de embalagens
Esudo comparaivo de processo produivo com eseira alimenadora em uma indúsria de embalagens Ana Paula Aparecida Barboza (IMIH) anapbarboza@yahoo.com.br Leicia Neves de Almeida Gomes (IMIH) leyneves@homail.com
Leia maisAPLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DAS COMMODITIES AGRÍCOLAS BRASILEIRAS
APLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DAS COMMODITIES AGRÍCOLAS BRASILEIRAS PABLO AURÉLIO LACERDA DE ALMEIDA PINTO; ELENILDES SANTANA PEREIRA; MARIANNE COSTA OLIVEIRA; JOSÉ MÁRCIO DOS SANTOS; SINÉZIO
Leia mais4 Cenários de estresse
4 Cenários de esresse Os cenários de esresse são simulações para avaliar a adequação de capial ao limie de Basiléia numa deerminada daa. Sua finalidade é medir a capacidade de o PR das insiuições bancárias
Leia maisCURVA DE KUZNETS AMBIENTAL ESTIMATIVA ECONOMÉTRICA USANDO CO2 E PIB PER CAPITA
CURVA DE KUZNETS AMBIENTAL ESTIMATIVA ECONOMÉTRICA USANDO CO E PIB PER CAPITA CLEYZER ADRIAN CUNHA; UNIVERSIDADE FEDERAL DE GOIÁS GOIANIA - GO - BRASIL cleyzer@uai.com.br APRESENTAÇÃO ORAL Agropecuária,
Leia maisRAIZ UNITÁRIA E COINTEGRAÇÃO: TR S
RAIZ UNITÁRIA E COINTEGRAÇÃO: TR S APLICA ES Marina Silva Cunha 1. INTRODUÇÃO Segundo Fava & Cai (1995) a origem da discussão sobre a exisência de raiz uniária nas séries econômicas esá no debae sobre
Leia maisPREVISÃO DE ARRECADAÇÃO DE ICMS PARA O ESTADO DE MINAS GERAIS: UMA COMPARAÇÃO ENTRE MODELOS ARIMA E ARFIMA
PREVISÃO DE ARRECADAÇÃO DE ICMS PARA O ESTADO DE MINAS GERAIS: UMA COMPARAÇÃO ENTRE MODELOS E Auoria: Filipe de Morais Cangussu Pessoa, Daniel Arruda Coronel Resumo: O objeivo dese rabalo foi fazer uma
Leia maisRisco no mercado de arroz em casca
RISCO NO MERCADO DE ARROZ EM CASCA ANDRÉIA CRISTINA DE OLIVEIRA ADAMI; GERALDO SANT ANA DE CAMARGO BARROS; ESALQ/USP PIRACICABA - SP - BRASIL adami@esalq.usp.br APRESENTAÇÃO ORAL Comercialização, Mercados
Leia maisMODELAGEM E PREVISÃO POR MEIO DE METODOLOGIA BOX & JENKINS: UMA FERRAMENTA DE GESTÃO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM E PREVISÃO POR MEIO DE METODOLOGIA BOX & JENKINS: UMA FERRAMENTA DE GESTÃO DISSERTAÇÃO
Leia maisTeste de estresse na ligação macro-risco de crédito: uma aplicação ao setor doméstico de PFs. Autores: Ricardo Schechtman Wagner Gaglianone
Tese de esresse na ligação macro-risco de crédio: uma aplicação ao seor domésico de PFs Auores: Ricardo Schechman Wagner Gaglianone Lieraura: ligação macrorisco de crédio Relação macro-volume de crédio
Leia maisENGENHARIA ECONÔMICA AVANÇADA
ENGENHARIA ECONÔMICA AVANÇADA TÓPICOS AVANÇADOS MATERIAL DE APOIO ÁLVARO GEHLEN DE LEÃO gehleao@pucrs.br 55 5 Avaliação Econômica de Projeos de Invesimeno Nas próximas seções serão apresenados os principais
Leia maisCálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH
Cálculo do valor em risco dos aivos financeiros da Perobrás e da Vale via modelos ARMA-GARCH Bruno Dias de Casro 1 Thiago R. dos Sanos 23 1 Inrodução Os aivos financeiros das companhias Perobrás e Vale
Leia maisProf. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística
Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma
Leia maisUniversidade Federal de Pelotas UFPEL Departamento de Economia - DECON. Economia Ecológica. Professor Rodrigo Nobre Fernandez
Universidade Federal de Peloas UFPEL Deparameno de Economia - DECON Economia Ecológica Professor Rodrigo Nobre Fernandez Capíulo 6 Conabilidade Ambienal Nacional Peloas, 2010 6.1 Inrodução O lado moneário
Leia maisO mercado brasileiro da soja: um estudo de transmissão, causalidade e cointegração de preços entre 2001 e 2009
Sinop, MT, Brasil, 18 a 22 de ouubro de 2010. O mercado brasileiro da soja: um esudo de ransmissão, causalidade e coinegração de preços enre 2001 e 2009 Gilbero Siso Fernández (UNEMAT) gilbsis@gmail.com
Leia maisEquações Simultâneas. Aula 16. Gujarati, 2011 Capítulos 18 a 20 Wooldridge, 2011 Capítulo 16
Equações Simulâneas Aula 16 Gujarai, 011 Capíulos 18 a 0 Wooldridge, 011 Capíulo 16 Inrodução Durane boa pare do desenvolvimeno dos coneúdos desa disciplina, nós nos preocupamos apenas com modelos de regressão
Leia maisDinâmica de interação da praga da cana-de-açúcar com seu parasitóide Trichogramma galloi
Dinâmica de ineração da praga da cana-de-açúcar com seu parasióide Trichogramma galloi Elizabeh de Holanda Limeira 1, Mara Rafikov 2 1 Universidade Federal do ABC - UFABC, Sano André, Brasil, behmacampinas@yahoo.com.br
Leia maisO Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios
O Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios! Principais diferenças! Como uilizar! Vanagens e desvanagens Francisco Cavalcane (francisco@fcavalcane.com.br) Sócio-Direor
Leia maisFigura 1 Carga de um circuito RC série
ASSOIAÇÃO EDUAIONAL DOM BOSO FAULDADE DE ENGENHAIA DE ESENDE ENGENHAIA ELÉTIA ELETÔNIA Disciplina: Laboraório de ircuios Eléricos orrene onínua 1. Objeivo Sempre que um capacior é carregado ou descarregado
Leia mais1 Introdução. Onésio Assis Lobo 1 Waldemiro Alcântara da Silva Neto 2
Transmissão de preços enre o produor e varejo: evidências empíricas para o seor de carne bovina em Goiás Resumo: A economia goiana vem se desacado no conexo nacional. Seu PIB aingiu R$ 75 bilhões no ano
Leia maisMÉTODO MARSHALL. Os corpos de prova deverão ter a seguinte composição em peso:
TEXTO COMPLEMENTAR MÉTODO MARSHALL ROTINA DE EXECUÇÃO (PROCEDIMENTOS) Suponhamos que se deseje dosar um concreo asfálico com os seguines maeriais: 1. Pedra 2. Areia 3. Cimeno Porland 4. CAP 85 100 amos
Leia mais12 Integral Indefinida
Inegral Indefinida Em muios problemas, a derivada de uma função é conhecida e o objeivo é enconrar a própria função. Por eemplo, se a aa de crescimeno de uma deerminada população é conhecida, pode-se desejar
Leia maisCERNE ISSN: 0104-7760 cerne@dcf.ufla.br Universidade Federal de Lavras Brasil
CERNE ISSN: 0104-7760 cerne@dcf.ufla.br Universidade Federal de Lavras Brasil Pereira de Rezende, José Luiz; Moreira Coelho, Luiz; Donizee de Oliveira, Anônio; Sáfadi, Thelma Análise dos preços de carvão
Leia maisANÁLISE ECONOMÉTRICA DA PRODUÇÃO DE MADEIRA SERRADA NO BRASIL
ANÁLISE ECONOMÉTRICA DA PRODUÇÃO DE MADEIRA SERRADA NO BRASIL Renao Vinícius Oliveira Casro 1, Ana Flávia Neves Mendes 2, Glauciana da Maa Aaíde 1, Carlos Albero Araújo Júnior 1, Gusavo Eduardo Marcai
Leia maisMecânica dos Fluidos. Aula 8 Introdução a Cinemática dos Fluidos. Prof. MSc. Luiz Eduardo Miranda J. Rodrigues
Aula 8 Inrodução a Cinemáica dos Fluidos Tópicos Abordados Nesa Aula Cinemáica dos Fluidos. Definição de Vazão Volumérica. Vazão em Massa e Vazão em Peso. Definição A cinemáica dos fluidos é a ramificação
Leia maisModelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais
XI SIMPEP - Bauru, SP, Brasil, 8 a 1 de novembro de 24 Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indúsria de Óleos Vegeais Regiane Klidzio (URI) gep@urisan.che.br
Leia maisFATORES CONDICIONANTES DO VOLUME DE CONTRATOS FUTUROS DE SOJA NEGOCIADOS NA BOLSA DE MERCADORIAS & FUTUROS (BM & FBOVESPA)
FATORES CONDICIONANTES DO VOLUME DE CONTRATOS FUTUROS DE SOJA NEGOCIADOS NA BOLSA DE MERCADORIAS & FUTUROS (BM & FBOVESPA) Faores condicionanes do volume de conraos fuuros de soja... 243 Facors for he
Leia maisAnálise de Previsão de Itens de Demanda Intermitente Utilizando o Modelo Syntetos- Boylan Approximation (SBA)
Análise de Previsão de Iens de Demanda Inermiene Uilizando o Modelo Syneos- Boylan Approximaion (SBA) RESUMO Auoria: Carlos Alexandre Vieira de Carvalho Esa pesquisa se concenra em méodos de Suavização
Leia maisEscola E.B. 2,3 / S do Pinheiro
Escola E.B. 2,3 / S do Pinheiro Ciências Físico Químicas 9º ano Movimenos e Forças 1.º Período 1.º Unidade 2010 / 2011 Massa, Força Gravíica e Força de Ario 1 - A bordo de um vaivém espacial, segue um
Leia maisModelos de Previsão. 1. Introdução. 2. Séries Temporais. Modelagem e Simulação - Modelos de Previsão
Modelos de Previsão Inrodução Em omada de decisão é basane comum raar problemas cujas decisões a serem omadas são funções de faos fuuros Assim, os dados descrevendo a siuação de decisão precisam ser represenaivos
Leia mais1 Pesquisador - Embrapa Semiárido. 2 Analista Embrapa Semiárido.
XII Escola de Modelos de Regressão, Foraleza-CE, 13-16 Março 2011 Análise de modelos de previsão de preços de Uva Iália: uma aplicação do modelo SARIMA João Ricardo F. de Lima 1, Luciano Alves de Jesus
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Ciências Exaas Prof. Daniel Furado Ferreira 8 a Lisa de Exercícios Disribuição de Amosragem 1) O empo de vida de uma lâmpada possui disribuição normal com média
Leia maisSusan Schommer Risco de Crédito 1 RISCO DE CRÉDITO
Susan Schommer Risco de Crédio 1 RISCO DE CRÉDITO Definição: Risco de crédio é o risco de defaul ou de reduções no valor de mercado causada por rocas na qualidade do crédio do emissor ou conrapare. Modelagem:
Leia maisMETODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS. Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2
IV SEMEAD METODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2 RESUMO Uma das ferramenas de gesão do risco de mercado
Leia maisOTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE GANHOS
STC/ 08 17 à 22 de ouubro de 1999 Foz do Iguaçu Paraná - Brasil SESSÃO TÉCNICA ESPECIAL CONSERVAÇÃO DE ENERGIA ELÉTRICA (STC) OTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE
Leia maisANÁLISE DO COMPORTAMENTO DO ÍNDICE DOW JONES. Pedro Luiz Costa Carvalho
ANÁLISE DO COMPORTAMENTO DO ÍNDICE DOW JONES Pedro Luiz Cosa Carvalho Bacharel e mesre em Adminisração - UFLA Prof.: Insiuo Federal Goiano, campus Uruaí - Goiás Brasil. (pcosacarvalho@yahoo.com.br). Recebido
Leia maisContratos Futuros e o Ibovespa: Um Estudo Empregando Procedimento de Auto- Regressão Vetorial Estutural. Autoria: Gustavo de Souza Grôppo
Conraos Fuuros e o Ibovespa: Um Esudo Empregando Procedimeno de Auo- Regressão Veorial Esuural. Auoria: Gusavo de Souza Grôppo Resumo: Ese esudo em como objeivo principal verificar a relação enre conraos
Leia maisSistema Computacional para Previsão de Demanda em Pontos de Suprimento e Subestação da COELBA
1 Sisema Compuacional para Previsão de Demanda em Ponos de Suprimeno e Subesação da COELBA P M Ribeiro e D A Garrido, COELBA, R G M Velásquez, CELPE, D M Falcão e A P A da Silva, COPPE Resumo O conhecimeno
Leia maisPREVISÃO DO VOLUME DE VENDAS DE UM BEM DE CONSUMO
ARNAUD FRANCIS JEAN GUÉRIN PREVISÃO DO VOLUME DE VENDAS DE UM BEM DE CONSUMO Trabalho de formaura apresenado À Escola Poliécnica da Universidade de São Paulo para a obenção do Diploma de Engenheiro de
Leia maisMODELOS DE SUAVIZAÇÃO EXPONENCIAL, ARIMA E REDES NEURAIS ARTIFICIAIS: UM ESTUDO COMPARATIVO PARA A PREVISÃO DE DEMANDA DE PRODUTOS
CENTRO UNIVERSITÁRIO UNIVATES CURSO DE ENGENHARIA DE PRODUÇÃO MODELOS DE SUAVIZAÇÃO EXPONENCIAL, ARIMA E REDES NEURAIS ARTIFICIAIS: UM ESTUDO COMPARATIVO PARA A PREVISÃO DE DEMANDA DE PRODUTOS William
Leia maisRedes de Computadores
Inrodução Ins iuo de Info ormáic ca - UF FRGS Redes de Compuadores Conrole de fluxo Revisão 6.03.015 ula 07 Comunicação em um enlace envolve a coordenação enre dois disposiivos: emissor e recepor Conrole
Leia maisPOSSIBILIDADE DE OBTER LUCROS COM ARBITRAGEM NO MERCADO DE CÂMBIO NO BRASIL
POSSIBILIDADE DE OBTER LUCROS COM ARBITRAGEM NO MERCADO DE CÂMBIO NO BRASIL FRANCISCO CARLOS CUNHA CASSUCE; CARLOS ANDRÉ DA SILVA MÜLLER; ANTÔNIO CARVALHO CAMPOS; UNIVERSIDADE FEDERAL DE VIÇOSA VIÇOSA
Leia mais3 REVISÃO BIBLIOGRÁFICA
33 3 REVISÃO BIBLIOGRÁFICA No iem 3.1, apresena-se uma visão geral dos rabalhos esudados sobre a programação de horários de rens. No iem 3.2, em-se uma análise dos rabalhos que serviram como base e conribuíram
Leia maisUMA ANÁLISE ECONOMÉTRICA DOS COMPONENTES QUE AFETAM O INVESTIMENTO PRIVADO NO BRASIL, FAZENDO-SE APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA.
UMA ANÁLISE ECONOMÉTRICA DOS COMPONENTES QUE AFETAM O INVESTIMENTO PRIVADO NO BRASIL, FAZENDO-SE APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA Área: ECONOMIA COELHO JUNIOR, Juarez da Silva PONTILI, Rosangela Maria
Leia maisConceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.
Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma
Leia maisUNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO
UNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO MODELO INTEGRADO PARA PREVISÃO DE VENDAS COMO UMA FERRAMENTA DE COMPETITIVIDADE: UM ESTUDO DE CASO EM UMA
Leia mais= + 3. h t t. h t t. h t t. h t t MATEMÁTICA
MAEMÁICA 01 Um ourives possui uma esfera de ouro maciça que vai ser fundida para ser dividida em 8 (oio) esferas menores e de igual amanho. Seu objeivo é acondicionar cada esfera obida em uma caixa cúbica.
Leia maisEspaço SENAI. Missão do Sistema SENAI
Sumário Inrodução 5 Gerador de funções 6 Caracerísicas de geradores de funções 6 Tipos de sinal fornecidos 6 Faixa de freqüência 7 Tensão máxima de pico a pico na saída 7 Impedância de saída 7 Disposiivos
Leia maisDeteção e Previsão de Falhas em Equipamentos de Produção Industrial
ASSOCIAÇÃO DE POLITÉCNICOS DO NORTE (APNOR) INSTITUTO POLITÉCNICO DO PORTO Deeção e Previsão de Falhas em Equipamenos de Produção Indusrial Daniel Filipe Ferreira da Silva Disseração apresenada ao Insiuo
Leia maisEquações Diferenciais Ordinárias Lineares
Equações Diferenciais Ordinárias Lineares 67 Noções gerais Equações diferenciais são equações que envolvem uma função incógnia e suas derivadas, além de variáveis independenes Aravés de equações diferenciais
Leia maisProf. Josemar dos Santos
Engenharia Mecânica - FAENG Sumário SISTEMAS DE CONTROLE Definições Básicas; Exemplos. Definição; ; Exemplo. Prof. Josemar dos Sanos Sisemas de Conrole Sisemas de Conrole Objeivo: Inroduzir ferramenal
Leia maisDEMANDA BRASILEIRA DE CANA DE AÇÚCAR, AÇÚCAR E ETANOL REVISITADA
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro
Leia mais2. Referencial Teórico
15 2. Referencial Teórico Se os mercados fossem eficienes e não houvesse imperfeições, iso é, se os mercados fossem eficienes na hora de difundir informações novas e fossem livres de impedimenos, índices
Leia maisESTUDO DE MODELOS DE SÉRIES TEMPORAIS PARA A DEMANDA DE PRODUÇÃO DE CIMENTO
ESTUDO DE MODELOS DE SÉRIES TEMPORAIS PARA A DEMANDA DE PRODUÇÃO DE CIMENTO Nagila Raquel Marins Gomes; Célia Mendes Carvalho Lopes Engenharia de Produção, Escola de Engenharia, Universidade Presbieriana
Leia maisCOINTEGRAÇÃO E CAUSALIDADE ENTRE AS TAXAS DE JURO E A INFLAÇÃO EM PORTUGAL
COINTEGRAÇÃO E CAUSALIDADE ENTRE AS TAAS DE JURO E A INFLAÇÃO EM PORTUGAL JORGE CAIADO 1 Deparameno de Maemáica e Informáica Escola Superior de Gesão Insiuo Poliécnico de Caselo Branco Resumo No presene
Leia maisTaxa de Juros e Desempenho da Agricultura Uma Análise Macroeconômica
Taxa de Juros e Desempenho da Agriculura Uma Análise Macroeconômica Humbero Francisco Silva Spolador Geraldo San Ana de Camargo Barros Resumo: Ese rabalho em como obeivo mensurar os efeios das axas de
Leia maisAnálise de séries de tempo: modelos de decomposição
Análise de séries de empo: modelos de decomposição Profa. Dra. Liane Werner Séries de emporais - Inrodução Uma série emporal é qualquer conjuno de observações ordenadas no empo. Dados adminisraivos, econômicos,
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Séries Temporais Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Processos Esocásicos É um conjuno de variáveis
Leia maisModelos de séries temporais aplicados a índices de preços hospitalares do Hospital da Universidade Federal de Santa Catarina
Modelos de séries emporais aplicados a índices de preços hospialares do Hospial da Universidade Federal de Sana Caarina Marcelo Angelo Cirillo Thelma Sáfadi Resumo O princípio básico da adminisração de
Leia maisOs Sete Hábitos das Pessoas Altamente Eficazes
Os See Hábios das Pessoas Alamene Eficazes Sephen Covey baseou seus fundamenos para o sucesso na Éica do Caráer aribuos como inegridade, humildade, fidelidade, emperança, coragem, jusiça, paciência, diligência,
Leia maisPREVISÃO DE INFLAÇÃO EM CABO VERDE POR MEIO DE VETORES AUTOREGRESSIVOS
PREVISÃO DE INFLAÇÃO EM CABO VERDE POR MEIO DE VETORES AUTOREGRESSIVOS Resumo Anônio José Medina dos Sanos Bapisa Rubicleis Gomes da Silva O objeivo do rabalho foi esimar um modelo de correção de erro
Leia maisElasticidades da demanda residencial de energia elétrica
Elasicidades da demanda residencial de energia elérica RESUMO O objeivo dese rabalho é esimar elasicidades de preço e renda da demanda residencial por elericidade aravés de modelos dinâmicos. Como objeo
Leia maisPREVISÃO E FILTRAGEM DE DADOS DA PRODUÇÃO DE PETRÓLEO EM ESTAÇÕES COLETORAS
UNIVERSIDADE FEDERAL DE CAMPINA GRANDE Cenro de Engenharia Elérica e Informáica Deparameno de Sisemas e Compuação PREVISÃO E FILTRAGEM DE DADOS DA PRODUÇÃO DE PETRÓLEO EM ESTAÇÕES COLETORAS Bruno Coiinho
Leia maisA FÁBULA DO CONTROLADOR PID E DA CAIXA D AGUA
A FÁBULA DO CONTROLADOR PID E DA CAIXA D AGUA Era uma vez uma pequena cidade que não inha água encanada. Mas, um belo dia, o prefeio mandou consruir uma caia d água na serra e ligou-a a uma rede de disribuição.
Leia maisCurso de preparação para a prova de matemática do ENEM Professor Renato Tião
Porcenagem As quaro primeiras noções que devem ser assimiladas a respeio do assuno são: I. Que porcenagem é fração e fração é a pare sobre o odo. II. Que o símbolo % indica que o denominador desa fração
Leia maisANÁLISE E COMPARAÇÃO PREDITIVA PARA A SÉRIE DE RETORNOS DA PETROBRÁS UTILIZANDO MODELOS ARCH
ANÁLISE E COMPARAÇÃO PREDITIVA PARA A SÉRIE DE RETORNOS DA PETROBRÁS UTILIZANDO MODELOS ARCH Pedro Luiz Cosa Carvalho pcosacarvalho@yahoo.com.br Mesre em Adminisração/UFLA Prof.: Insiuo Federal Goiano
Leia maisBoom nas vendas de autoveículos via crédito farto, preços baixos e confiança em alta: o caso de um ciclo?
Boom nas vendas de auoveículos via crédio faro, preços baixos e confiança em ala: o caso de um ciclo? Fábio Auguso Reis Gomes * Fabio Maciel Ramos ** RESUMO - A proposa dese rabalho é conribuir para o
Leia maisUNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO ANDRÉ MAURO SANTOS DE ESPÍNDOLA
UNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO ANDRÉ MAURO SANTOS DE ESPÍNDOLA INTELIGÊNCIA COMPETITIVA E MODELOS DE SÉRIES TEMPORAIS PARA PREVISÃO DE CONSUMO:
Leia maisPessoal Ocupado, Horas Trabalhadas, Jornada de Trabalho e Produtividade no Brasil
Pessoal Ocupado, Horas Trabalhadas, Jornada de Trabalho e Produividade no Brasil Fernando de Holanda Barbosa Filho Samuel de Abreu Pessôa Resumo Esse arigo consrói uma série de horas rabalhadas para a
Leia maisSILVA, W. V. TARDELLI, M. ROCHA, D. T. da MAIA, M.
APLICAÇÃO DA MÉTRICA VALUE AT RISK A ÍNDICES DE BOLSAS DE VALORES DE PAÍSES LATINO-AMERICANOS: UM ESTUDO UTILIZANDO OS MODELOS DE PREVISÃO DE VOLATILIDADE EWMA, EQMA E GARCH APLICAÇÃO DA MÉTRICA VALUE
Leia maisSamuel Bellido RODRIGUES Doutorando PPGMNE/UFPR. Arinei Carlos Lindback da SILVA Prof. Doutor PPGMNE/UFPR. Doutorando PPGMNE/UFPR.
COMBINAÇÃO PREDITIVA DAS TÉCNICAS ARIMA E SUPPORT VECTOR REGRESSION (SVR) NA PREVISÃO DO DESLOCAMENTO DO BLOCO H8 DA USINA HIDRELÉTRICA DE ITAIPU COM BASE NAS SÉRIES TEMPORAIS DOS PÊNDULOS Samuel Bellido
Leia maisTaxa de Câmbio e Taxa de Juros no Brasil, Chile e México
Taxa de Câmbio e Taxa de Juros no Brasil, Chile e México A axa de câmbio consiui variável fundamenal em economias aberas, pois represena imporane componene do preço relaivo de bens, serviços e aivos, ou
Leia maisModelos Não-Lineares
Modelos ão-lineares O modelo malhusiano prevê que o crescimeno populacional é exponencial. Enreano, essa predição não pode ser válida por um empo muio longo. As funções exponenciais crescem muio rapidamene
Leia maisESTIMANDO O IMPACTO DO ESTOQUE DE CAPITAL PÚBLICO SOBRE O PIB PER CAPITA CONSIDERANDO UMA MUDANÇA ESTRUTURAL NA RELAÇÃO DE LONGO PRAZO
ESTIMANDO O IMPACTO DO ESTOQUE DE CAPITAL PÚBLICO SOBRE O PIB PER CAPITA CONSIDERANDO UMA MUDANÇA ESTRUTURAL NA RELAÇÃO DE LONGO PRAZO Área 5 - Crescimeno, Desenvolvimeno Econômico e Insiuições Classificação
Leia maisModelos Econométricos para a Projeção de Longo Prazo da Demanda de Eletricidade: Setor Residencial no Nordeste
1 Modelos Economéricos para a Projeção de Longo Prazo da Demanda de Elericidade: Seor Residencial no Nordese M. L. Siqueira, H.H. Cordeiro Jr, H.R. Souza e F.S. Ramos UFPE e P. G. Rocha CHESF Resumo Ese
Leia maisO objectivo deste estudo é a obtenção de estimativas para o número de nados vivos (de cada um dos sexos) ocorrido por mês em Portugal.
REVISTA DE ESTATÍSTICA 8ª PAGINA NADOS VIVOS: ANÁLISE E ESTIMAÇÃO LIVE BIRTHS: ANALYSIS AND ESTIMATION Auora: Teresa Bago d Uva -Gabinee de Esudos e Conjunura do Insiuo Nacional de Esaísica Resumo: O objecivo
Leia maisSéries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial
Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na
Leia maisAmpliador com estágio de saída classe AB
Ampliador com eságio de saída classe AB - Inrodução Nese laboraório será esudado um ampliador com rês eságios empregando ransisores bipolares, com aplicação na faixa de áudio freqüência. O eságio de enrada
Leia mais3 Metodologia do Estudo 3.1. Tipo de Pesquisa
42 3 Meodologia do Esudo 3.1. Tipo de Pesquisa A pesquisa nese rabalho pode ser classificada de acordo com 3 visões diferenes. Sob o pono de visa de seus objeivos, sob o pono de visa de abordagem do problema
Leia maisUMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS
UMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS VIEIRA, Douglas Tadeu. TCC, Ciências Econômicas, Fecilcam, vieira.douglas@gmail.com PONTILI,
Leia maisPOLÍTICA MONETÁRIA E MUDANÇAS MACROECONÔMICAS NO BRASIL: UMA ABORDAGEM MS-VAR
POLÍTICA MONETÁRIA E MUDANÇAS MACROECONÔMICAS NO BRASIL: UMA ABORDAGEM MS-VAR Osvaldo Cândido da Silva Filho Bacharel em Economia pela UFPB Mesre em Economia pela UFPB Douorando em Economia pelo PPGE UFRGS
Leia mais