MODELAGEM ARIMA-ARCH PARA A OBTENÇÃO DE RESÍDUOS APTOS À APLICAÇÃO DE GRÁFICOS DE CONTROLE NA PRESENÇA DE CORRELAÇÃO E AUTO-CORRELAÇÃO
|
|
- Amália Santiago Branco
- 5 Há anos
- Visualizações:
Transcrição
1 MODELAGEM ARIMA-ARCH PARA A OBTENÇÃO DE RESÍDUOS APTOS À APLICAÇÃO DE GRÁFICOS DE CONTROLE NA PRESENÇA DE CORRELAÇÃO E AUTO-CORRELAÇÃO Adriano Mendonca Souza (UFSM) amsouza@smail.ufsm.br Francisca mendonca Souza (ISCTE-IUL) kikamatcom@yahoo.com.br Roselaine Ruviaro Zanini (UFSM) rrzanini@smail.ufsm.br Rui Menezes (ISCTE-IUL) rui.menezes@iscte.pt Esta pesquisa tem como objetivo apresentar um procedimento de modelagem matemática para as variáveis de processo produtivo quando estas possuem características multivariadas, e os resíduos devem ser utilizados para a elaboração dos gráficoss de controle. Considera-se para análise um conjunto de variáveis com características de correlação cruzada e autocorrelacionadas. A correlação cruzada é tratada utilizando a análise de componentes principais e vencida esta etapa investiga-se as componentes selecionadas em relação a sua condição de autocorrelação, que são tratadas por meio da modelagem ARIMA-ARCH. Estas etapas são realizadas de modo a atender os pressupostos para a aplicação de gráficos de controle. Procura-se mostrar que nem sempre estando os resíduos com características de ruído branco, deixa de existir dependência. A exemplificação do estudo se dá com a aplicação da metodologia proposta na avaliação da temperatura da produção de aço. Portando apresenta-se a modelagem conjunta ARIMA-ARCH para a obtenção de resíduos aptos para a aplicação em gráficos de controle, desta forma avalia-se a média e a variância condicional da variável em estudo. Palavras-chaves: Processos autocorrelacionados, Correlação cruzada, Volatilidade, Modelos ARIMA, Modelos ARCH
2 1. Introdução Os gráficos de controle univariados e multivariados são usados amplamente para a avaliação de processos de produtivos Montgomery (2004). Neste caso, deve-se considerar a natureza das variáveis que podem ser classificadas como univariadas ou multivariadas, e a natureza das observações que podem ser autocorrelacionadas ou não. Portanto é necessário escolher a melhor metodologia para a avaliação da estabilidade do processo. Se o processo for considerado multivariado e autocorrelacionado, duas pré-análises devem ser conduzidas. A primeira é a aplicação direta do gráfico de controle T 2 de Hotelling na tentativa de tratar a correlação cruzada entre as variáveis, mas este procedimento não elimina autocorrelação. Então uma alternativa apropriada é eliminar a correlação por meio da aplicação da análise de componentes principais (ACP) e verificar se estas ainda apresentam o efeito de autocorrelação. Em caso afirmativo, deve-se procurar um modelo matemático de forma a encontrar resíduos oriundos desta modelagem que estejam aptos para a aplicação de gráficos de controle. Em ambos os casos, uni e multivariados, os gráficos de controle devem, segundo Smeti et al. (2007), ser avaliados sobre as suposições de que as observações do processo são independentes e identicamente distribuídas (iid). Se essa condição não é satisfeita, há um aumento no número de alarmes falsos e no número médio de pontos necessários para que o gráfico avise que o processo está fora de controle (ARL). Este estudo está centrado na hipótese de que, mesmo se tratando a autocorrelação por meio de um modelo matemático do tipo Autoregressivo Integrado e de Médias Móveis (ARIMA), que proporciona resíduos com características de ruído branco, estes resíduos são investigados de uma forma quadrática e apresentam algum tipo de dependência que poderão fornecer informação adicional a respeito da variabilidade por meio dos modelos Autoregressivos Condicionais a Heteroscedasticidade (ARCH). Esta pesquisa tem como objetivo apresentar um procedimento de modelagem matemática para as variáveis de processo produtivo quando estas possuem características multivariadas autocorrelacionadas e os resíduos devem ser utilizados para a elaboração dos gráficos de controle. Desta forma, pretende-se apresentar a modelagem ARIMA - ARCH aplicadas aos componentes principais (CP), onde os resíduos serão utilizados em análise futura por meio de gráficos de controle. 2. Revisão de literatura Neste item serão abordados os seguintes assuntos: gráficos de controle, análise de componentes principais e modelos de previsão Análise de componentes principais O método de Análise de Componentes Principais (ACP) foi desenvolvido por Pearson (1901) e, posteriormente, por HOTELLING (1933, 1947). Essa técnica vem sendo estudada por autores como MORRISON (1976), SEBER (1984), REINSEL (1993), JACKSON (1981ab) e JOHNSON e WICHERN (1992). A ideia central é a redução da dimensionalidade 2
3 do problema a ser estudado, mantendo o máximo de informação, principalmente quando os dados são constituídos de um grande número de variáveis inter-relacionadas. Esta redução é feita transformando-se o conjunto de variáveis originais em um novo conjunto de variáveis que mantém, ao máximo, a variabilidade do conjunto de dados. Partindo-se de um vetor X`= [X 1 X 2... X p ] de variáveis aleatórias com vetor média µ e matriz de variância-covariância Σ, procura-se encontrar um novo conjunto de variáveis Y 1 Y 2... Y p, as quais são não-correlacionadas entre si e cujas variâncias de cada nova variável é descrita em ordem decrescente de valores. Esta combinação linear é denominada de componente principal (REIS, 2001). Cada componente principal será representada por Y j = a 1j X 1 + a 2j X a pj X p1, em que a j corresponde ao vetor de constantes que deve manter a condição de normalidade, isto é, p 2 a ij j 1 p j 1 1para que o sistema tenha solução única e de ortogonalidade, isto é, a ij a kj 0 para i k com i, k = 1, 2,..., p, que garante que as componentes principais sejam independentes. De acordo com Corrar, Paulo e Dias Filho (2007) o i-ésimo CP é Y j = a 1j X a pj X p1, tem as seguintes características: i) Vâr ( ) ˆ logo Vâr Y ) Vâr ( Y )... Vâr ( Y ); ii) Vâr ( X ) ˆ i i Vâr ( Yi ) ; iii) Côv ( Y i, Y j ) 0, desde que aija kj 0. Y i i p j i ( 1 2 p As novas variáveis, denominadas de Componentes Principais (CP) são independentes e não-correlacionadas, favorecendo a análise, principalmente quando muitas variáveis devem ser analisadas, o que geralmente ocorre em controle estatístico de processos. A ACP possui um papel importante em controle de qualidade, pois, é uma ferramenta adicional para verificar a estabilidade do sistema (TELHADA, 1995). 2.2 Modelos de previsão Os modelos autorregressivos integrados e de médias móveis (ARIMA) fundamentamse na teoria de que o comportamento da própria variável responderá pela sua dinâmica futura BOX e JENKINS, (1970). Genericamente um processo { xt, t Z} que seja não-estacionário segue um processo ARIMA (p,d,q) conforme a expressão 2.1. (2.1) em que: B é operador retroativo, d representa a ordem de integração; é o termo autorregressivo representado pela ordem p, e é o parâmetro de média móvel representado por q, e a t = RB(0;σ 2 ),, que é o ruído branco. Os autores Box, Jenkins e Reinsel (1994), Makridakis, Wheelwright e Hyndman (1998), Gujarati, (2000), Morettin e Toloi (2004) e Morettin (2008) mostram que a construção dos modelos ARIMA segue um ciclo iterativo e na etapa final geralmente utilizam-se os 3
4 critérios Akaike s Information Criteria (AIC) e Bayesian Information Criteria (BIC), que selecionam os melhores modelos considerando o número de parâmetros estimados. AIC T ln( SQR) 2n BIC T ln( SQR) nln( T) (2.2) (2.3) em que: T é o tamanho da amostra; SQR é a soma do quadrado dos resíduos e n é o número de parâmetros. Os modelos lineares são responsáveis por modelar e prever a média condicional da série, assumindo que os resíduos e t possuem características de ruído branco, com média zero e variância constante. Mas, ao se investigar um pouco mais os resíduos, pode-se observar uma dependência entre as observações quando estes resíduos são elevados ao quadrado. Os resíduos quadráticos de um modelo linear representam a volatilidade dos resíduos, os quais Engle (1982) descreveu por meio dos modelos autorregressivos de heteroscedasticidade condicional (ARCH) e posteriormente foram generalizados por Bollerslev (1986, 1992), nos quais fica caracterizada uma dependência não linear dos resíduos, função da dependência da variância condicional (COSTA e BAIDYA, 2001). Assim, pode-se observar que a variância desses erros não é constante ao longo do tempo, existindo uma autocorrelação na variância dos erros de previsão (BOLLERSLEV, 1986; GUJARATI, 2000). Logo, dado um modelo linear, que pode ser um modelo de regressão ou um modelo de série temporais do tipo ARIMA, tem-se a expressão 2.4. (2.4) em que o termo de erro distribuído conforme 2.5., condicionado à informação disponível no período (t-1) seria (2.5) Os valores das constantes α 0 e α 1 são os parâmetros explicativos da variância do termo do erro. Nesse caso, a variância de, no instante t, dependerá de um termo constante mais o quadrado do erro no período t-1. Dessa forma, tem-se o modelo ARCH (1), o qual pode ser generalizado para r defasagens de. (2.6) Portanto, no modelo ARCH (m), a variância de e no período t dependerá de um termo constante mais o quadrado dos erros nos períodos t-1 até t-m (LAMOUNIER, 2006). Para que a variância condicional seja positiva e fracamente estacionária, impõem-se as restrições de que 0 0 e para todo i = 2,..., p e t 1. 4
5 O modelo GARCH explicará a variância dos erros oriundos de um modelo econométrico ou de séries temporais no instante t e dependerá de um termo constante de um termo representado pelo quadrado dos resíduos, no instante t-1, que representa a partição ARCH, acrescido de um termo que representa a revisão da volatilidade feita no último período,, que é o termo GARCH. Considerando novamente a equação 2.4, observa-se que a variância dos resíduos também pode ser explicada pelo resíduo quadrático defasado, bem como pela atualização da variância em instantes posteriores, conforme expresso por 2.7. (2.7) A soma dos parâmetros (α+β) representa a persistência dos choques na volatilidade e se esta soma é próxima de zero, indica que o choque sobre a volatilidade terá efeitos rápidos, e a variância deverá rapidamente retornar a sua média histórica. Caso contrário, o efeito da persistência será mais duradouro, e o retorno da variância a sua média histórica será mais demorado (LAMOUNIER, 2006). 3. Metodologia A exemplificação do estudo se dará por meio do processo de produção de lingotamento contínuo durante a fase de solidificação de produto sólido semi-acabado. Os dados referem-se à temperatura medida por termopares, dispostos ao longo do molde, num total de 30 sensores com leituras horárias, formando um total de 392 observações. Para cumprir o objetivo proposto, realiza-se os seguintes passos metodológicos: Considerando-se que as variáveis são correlacionadas, o procedimento adequado é a decomposição do conjunto de variáveis originais em componentes principais para posterior análise, já utilizando as variáveis estacionárias e padronizadas. A seleção das CP se dará pelo método de Kaiser (Kaiser, 1960 apud Mardia, 1979), e, com explicação do conjunto de dados superior a 70%. Dessa forma, um número menor de novas variáveis é escolhido para representar o conjunto de variáveis originais. A partir desse instante, apenas procedimentos univariados são utilizados, realizando-se a redução de dimensionalidade do problema (ALEXANDRE, 2000; MINGOTI e YASSUKAWA, 2008). Detectada que as CP selecionadas apresentam características de autocorrelação, os modelos lineares ARIMA são aplicados. Caso os resíduos oriundos da modelagem ARIMA apresentem características de heteroscedasticidade, os resíduos serão elevados ao quadrado para se proceder a modelagem da volatilidade condicional, onde a estimação será conjunta do tipo genérico ARIMA GARCH. Desta forma espera-se mostrar que os resíduos, embora apresentando características de ruído branco (RB), ainda possuem informações e, estas podem ser extraídas e auxiliar na interpretação dos GC, além de serem úteis para se determinar resíduos com maior acurácia, dado que os modelos conjuntos são estimados simultaneamente. 5
6 Dessa forma, trata-se um problema multivariado de forma univariada e cumpre-se as premissas impostas para a aplicação de gráficos de controle: amostras provenientes de um processo iid e de variáveis não-correlacionadas. 4. Resultados e discussões Inicia-se este item com a análise das 30 variáveis envolvidas no processo de produção, que são de grande importância para manter a qualidade do produto a ser elaborado. Como se trata de variáveis que apresentam características de correlação cruzada aplica-se a análise de componentes principais de modo a obter um conjunto de novas variáveis independentes. Na Tabela 1 apresentam-se os autovalores, o percentual de variância e seus respectivos valores acumulados. Ordem Autovalor % de variância explicada Autovalor acumulado % de variância acumulada 1 11, , , , , , , , , , , , , , , , , , , , , , , , , , , ,1688 TABELA 1 Autovalores e percentual de variância explicada com seus respectivos valores acumulados para as componentes selecionadas para estudo do processo de lingotamento Para a extração das CP, utilizou-se a matriz de correlação, e os CP selecionados foram aqueles com autovalor maior do 1 cujo conjunto explicasse, no mínimo, 70% da variância acumulada. Assim, encontrou-se sete componentes principais e uma variabilidade explicada de aproximadamente 83%. A contribuição da ACP, até esse momento, foi a de redução de dimensionalidade. De 30 variáveis originais que deveriam ser analisadas inicialmente, agora se obtém apenas 7 novas variáveis, que são as CP. Também, deve-se salientar que o efeito de correlação entre as variáveis está neutralizado, pois as componentes geradas são independentes entre si, vencendo-se, assim, a primeira premissa para a aplicação de gráficos de controle. Embora essas novas variáveis não sejam correlacionadas, deve-se observar se as mesmas não são autocorrelacionadas, pois, se o forem, a aplicação de gráficos de controle deve ser estabelecida utilizando os resíduos oriundos de um modelo de previsão (REQUEIJO e PEREIRA, 2004). 6
7 Após a verificação da estacionariedade das séries em estudo, realiza-se a sua modelagem, utilizando modelos lineares do tipo ARIMA para investigação da volatilidade. Sendo assim, as CP selecionadas serão modeladas para tratar a autocorrelação existente na modelagem conjunta ARIMA GARCH, conforme mostra a Tabela 2. Modelo 1: Componente principal 1 Method: ML - ARCH (Marquardt) - Normal distribution Coeficiente Erro padrão z-static. Prob AR(1) Modelo 2: (Componente principal 2) IMA(1,1) Modelo 3: (Componente principal 3) IMA(1,1) Modelo 4: Componente principal 4 AR(1) MA(1)
8 Modelo 5: Componente principal 5 AR(1) MA(1) Modelo 6: Componente principal 6 Coefficient Std. Error z-statistic Prob AR(1) MA(1) MA(2) Modelo 7: (Componente principal 7) IMA(1) TABELA 2 Modelos representativos das componentes principais selecionadas para se obter os resíduos oriundos da modelagem conjunta ARIMA GARCH ABAIXO Da Tabela 2, observa-se, em primeiro lugar, que todos os parâmetros estimados para as CP foram significativos. Também salienta-se que foram estimados outros modelos concorrentes, tais como Generalized Autoregressive Conditional Heteroscedasticity (GARCH), Exponentially Autoregressive Conditional Heteroscedasticity (EGARCH) e Treshold Autoregressive Conditional Heteroscedasticity (TARCH) que não produziram melhores resultados que os modelos apresentados. Os modelos analisados foram considerados 8
9 com características de ruído branco. Dessa forma, os propósitos de tratar a correlação e a autocorrelação foram atingidos de forma que seja possível a aplicação de gráficos de controle para analisar a estabilidade do processo produtivo. Na interpretação dos valores dos parâmetros estimados para a volatilidade, deve-se fazer no sentido que o valor de α introduza o conceito de reação da volatilidade, e β, o coeficiente de persistência da volatilidade (CAMPOS, 2007). Essa volatilidade é importante para avaliar os choques externos (LAMOUNIER, 2006). No caso de controle de qualidade, em relação aos choques externos, podem ser consideradas as mudanças introduzidas no processo, como a troca de fornecedores na matéria-prima, troca de procedimentos operacionais, atualização de equipamentos, desgastes de maquinaria, oscilações na temperatura, entre outros agentes externos. Observa-se que o menor valor para a reação é de 0, da CP2, sendo um valor pequeno que irá provocar efeitos rápidos, isto é, de curto período na série, assim, a volatilidade retornará logo ao seu patamar histórico. Nesses casos uma mudança externa nas variáveis terá um baixo impacto no sistema. As demais CP selecionadas apresentam valores de reação maiores que 0,518266, no caso a CP6, para valores próximos de 1, a volatilidade é persistente e se transmitirá para longos períodos, fazendo com que a volatilidade custe a retornar para o seu patamar histórico. A quarta componente principal apresenta um valor da soma dos parâmetros α e β de aproximadamente 0,9184, mostrando que uma ação externa à série terá efeitos duradouro. Analogamente se faz esta análise para as demais componentes principais envolvidas no estudo. Quando as variáveis originais em uma primeira etapa foram decompostas em componentes principais, obtiveram-se novas variáveis não-correlacinadas que ainda mantinham uma relação de dependência dentro da própria série caracterizada pela autocorrelação. A modelagem conjunta da série por meio da classe geral de modelos ARIMA ARCH proporcionou a obtenção de resíduos não autocorrelacionados, sendo possível a análise por meio de gráficos de controle. 5. Conclusões O controle estatístico do processo utiliza ferramentas que possibilitem a correta avaliação de processos produtivos de maneira a acompanhar a evolução tecnológica e os processos de produção. Dessa forma, procuram-se métodos alternativos para auxiliar nessa avaliação, respeitando os pressupostos para a aplicação dos gráficos de controle. A análise de componentes principais proporcionou, por meio das novas variáveis, um conjunto de dados não-correlacionados e, a modelagem conjunta da classe geral ARIMA GARCH, possibilitou, em primeiro lugar, que a autocorrelação fosse tratada proporcionando a interpretação da volatilidade. Um aspecto relevante a ser considerado aqui é o tratamento correto na determinação dos resíduos por meio de modelagem matemática para posterior aplicação dos gráficos de controle 9
10 dos resíduos, pois com uma etapa a mais na investigação dos resíduos se consegue estimativas mais próximas da realidade. Sugere-se, como pesquisas futuras, a aplicação em outros processos produtivos, com a utilização de outros modelos de volatilidade. Agradecimentos Ao suporte financeiro fornecido pela CAPES Processo BEX- 1784/ CAPES Foundation, Ministery of Education of Brazil Brasília - para a realização do post-doc no Instituto Superior da Ciência do Trabalho e da Empresa ISCTE PT, onde desenvolvi a pesquisa. 6. Referências ALEXANDER, C., Orthogonal Methods For Generating Large Positive Semi-Definite Covariances Matrices. Discussion Papers in Finance , ISMA Centre. BOLLERLEV, T., RAY, Y.C. E KENNETH, F.K., ARCH Modeling In Finance: A Review Of The Theory and Empirical Evidence. Journal of econometrics, 52, 5 59, BOLLERSLEV, T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, v. 31, p , BOX, G. E. P.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day, BOX, G.E.P; JENKINS G.M AND REINSEL G.C., Time Series Analysis: Forecasting and Control. 3 ed. Prentice Hall Inc. Englewood Cliffs, NJ, CAMPOS, K. C., Análise Da Volatilidade De Preços De Produtos Agropecuários No Brasil. Revista de Economia de Agronegócio, v. 5, n. 3, p , CORRAR, J.L.; PAULO, E.; DIAS FILHO, J.M.. Análise Multivariada Para Os Cursos de Administração, Ciências Contábeis E Economia. FIPECAF Fundação Instituto de Pesquisas Contábeis, Atuariais e Financeiras. Ed. Atlas, São Paulo, COSTA, P. H. S.; BAYDIA, T. K. N., Propriedades Estatísticas das Séries de Retornos das Principais Ações Brasileiras. Pesquisa Operacional, v. 21, n. 1, p , ENGLE, R. F., Autoregressive Conditional Heteroskedasticity With Estimates of The Variance of United Kingdom Inflation. Econometria, v. 50, n. 4, p , GUJARATI, D. N. Econometria Básica. São Paulo: Makron Books, HOTTELLING, H., Analysis of a Complex of Statistical Variables Into Principal Components. The Journal of Educational Psychology, v.24, pp / , HOTTELLING, H., Multivariate Quality Control. Techniques of Statistical Analysis. McGraw Hill, NY, NY, pp (1947). JACKSON, J.E., Principal Components and Factor Analysis: Part I Principal Components. Journal of Quality Technology, October. v.12, n.4, pp ,
11 JACKSON, J.E., Principal Components and Factor Analysis: Part II Additional Topics Related To Principal Components. Journal of Quality Technology, January, v.13. n.1, pp.46 58, JOHNSON, R.A., WICHERN, D.W. Applied Multivariate Statistical Analysis. 3 ed. Prentice-Hall. New Jersey, LAMOUNIER, M. W., Análise da Volatilidade dos Preços no Mercado Spot de Cafés do Brasil. Organizações Rurais & Agroindustriais, Lavras, v. 8, n. 2, p , MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J., Forecasting: Methods and Applications. 3ed. New York: John Willey & Sons, Inc., MARDIA, K.V.; KENT, J.T. AND BIBBY, J.M. Multivariate Analysis. Academic, London MINGOTI, S. A.; YASSUKAWA, F. R. S., Uma Comparação de Gráficos de Controle para a Média de Processos Autocorrelacionados. Revista Eletrônica Sistemas & Gestão, v.3, n. 1, p , jan-abr MONTGOMERY, D. C., Introdução Ao Controle Estatístico da Qualidade. 4.ed. Rio de Janeiro: LTC, MORETTIN, P. A., Econometria Financeira: Um Curso em Séries Temporais Financeiras. São Paulo: Blucher,
Aplicação 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 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 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 maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisAnálise estatística da série temporal de precipitação do município de São João do Cariri-PB
Análise estatística da série temporal de precipitação do município de São João do Cariri-PB Manoel Rivelino Gomes de Oliveira 1 Moacyr Cunha Filho 2 Ewerton Pereira de Oliveira 3 Maria Das Vitórias Alexandre
Leia maisMetodologia 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 maisDeterminação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados
48 Determinação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados Determination of the Stability of Production Variables Using the VAR Methodology
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
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 maisAnálise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido
Análise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido Manoel Rivelino Gomes de Oliveira 1 José Ramon Barros Cantalice 2 1 Introdução O mundo vem enfrentando
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 maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisTENDÊNCIAS DO PREÇO DA ARROBA DO BOI GORDO, USO DE SÉRIES TEMPORAIS E MODELO ARIMA NO SPSS
TENDÊNCIAS DO PREÇO DA ARROBA DO BOI GORDO, USO DE SÉRIES TEMPORAIS E MODELO ARIMA NO SPSS 72 William Leles de Souza Costa Resumo Brasil, tem atualmente o maior rebanho bovino comercial do mundo, com aproximadamente
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 maisMÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS
Eixo Temático: Estratégia e Negócios MÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS RESUMO Bianca Reichert, Adriano Mendonça
Leia maisIdentificação de modelos de séries temporais heterocedásticos
Identificação de modelos de séries temporais heterocedásticos Christopher Silva de Pádua 1 Juliana Garcia Cespedes 2 1 Introdução Quando se trata de investimentos em mercado de ações é de interesse do
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 maisANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV Bianca Reichert (UFSM ) biancareichert@hotmailcom Adriano Mendonca Souza (UFSM )
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 maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
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 maisAula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
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 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 maisUm Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br
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 maisPREVISÃO DOS CONSUMIDORES DE ENERGIA ELÉTRICA DO SETOR RESIDENCIAL NO RIO GRANDE DO SUL - UM ESTUDO COMPARATIVO ENTRE OS MODELOS ARIMA E ARFIMA.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão. Salvador, BA, Brasil, 6 a 9 de outubro de 9 PREVISÃO DOS CONSUMIDORES
Leia maisAplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR)
Aplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR) Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo Gonçalves Tavares 4 Tiago
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisPerspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o Ano de 2015
Niterói, RJ, Brasil, 19-22 de outubro de 29 Perspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o de 215 1 Diogo da Rocha Vargas,
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 maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
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 maisNome: Turma: Processo
Instituto Superior de Economia e Gestão Universidade de Lisboa Econometria Época Normal 02/06/2016 Duração: 2 horas Nome: Turma: Processo Espaço reservado para classificações A utilização do telemóvel
Leia maisAnálise de Séries Temporais Financeiras
Universidade Federal do Rio de Janeiro Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso 2015 Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso Projeto Final de Conclusão de Curso
Leia maisPredição da Taxa de Desemprego Brasileira utilizando com Modelo de Regressão com Erros Autocorrelacionados
Predição da Taxa de Desemprego Brasileira utilizando com Modelo de Regressão com Erros Autocorrelacionados José Eduardo Holanda Ellery Coelho 1 Hellano Vieira de Almeida 2 Rafael Braz Azevedo Farias 3
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
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 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 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 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 maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
Leia maisCódigo: EST014 Departamento. Unidade: DEPARTAMENTO DE ESTATÍSTICA. INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal. N o de Créditos 04
Disciplina: ESTATISTICA MULTIVARIADA I Código: EST014 Departamento N o de Créditos 18 Semestral Ementa: Revisão de Álgebra Matricial; Introdução à Estatística Multivariada; Distribuição Normal Multivariada;
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia maisUTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL
UTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL Deise Scheffer Universidade Federal de Santa Maria scheffer.deise@gmail.com Adriano Mendonça Souza Universidade
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 maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
Leia maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
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 maisEstatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
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 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 maisSME0822 Análise Multivariada 2 o semestre de 2014
SME0822 Análise Multivariada 2 o semestre de 2014 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/ cibele Sala 3-139 Coteia Wiki: http://wiki.icmc.usp.br/index.php/sme0822 7 de agosto de 2014
Leia maisMODELOS DE PREVISÃO APLICADO AO MERCADO DE CARNE SUÍNA
MODELOS DE PREVISÃO APLICADO AO MERCADO DE CARNE SUÍNA Alan Figueiredo de Aredes 1 Alessandro de Assis Santos Oliveira RESUMO Dada a importância do nivel de preço para o planejamento e tomada de decisão,
Leia maisESTUDO DO CONSUMO E DO NÚMERO DE CONSUMIDORES DE ENERGIA ELÉTRICA DO RS POR MEIO DE COMPONENTES PRINCIPAIS E MODELOS DE PREVISÃO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO ESTUDO DO CONSUMO E DO NÚMERO DE CONSUMIDORES DE ENERGIA ELÉTRICA DO RS POR MEIO DE COMPONENTES
Leia maisSME0822 Análise Multivariada 2 o semestre de 2014
SME0822 Análise Multivariada 2 o semestre de 2014 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/ cibele Sala 3-139 Coteia Wiki: http://wiki.icmc.usp.br/index.php/sme0822 6 de agosto de 2014
Leia maisFICHA DE DISCIPLINA/PROGRAMA
Programa de Pós-Graduação em Economia Mestrado/Doutorado Av. João Naves de Ávila, nº 2121 Campus Stª Mônica Bloco J. CEP 38.400-902 Uberlândia/MG. Telefax: (034) 3239-4315 E-Mail: ppge@ufu.br FICHA DE
Leia maisANÁLISE DA VOLATILIDADE DO PREÇO PAGO AO PRODUTOR DE FRANGO:
ANÁLISE DA VOLATILIDADE DO PREÇO PAGO AO PRODUTOR DE FRANGO: 967-006 LEONARDO BORNACKI DE MATTOS; CARLOS ANDRÉ DA SILVA MÜLLER; FRANCISCO CARLOS DA CUNHA CASSUCE. UFV, VIÇOSA, MG, BRASIL. leobornacki@yahoo.com.br
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
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 maisAções de bancos e risco sistêmico
Ações de bancos e risco sistêmico GV INVEST 15 Este artigo descreve um método para a análise tanto da correlação dos retornos de ações de bancos como da velocidade de mudança dessa correlação ambos sendo
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisVOLATILIDADE DE PREÇOS DE PRODUTOS AGRÍCOLAS: UMA ANÁLISE COMPARATIVA PARA SOJA, CAFÉ, MILHO E BOI GORDO
VOLATILIDADE DE PREÇOS DE PRODUTOS AGRÍCOLAS: UMA ANÁLISE COMPARATIVA PARA SOJA, CAFÉ, MILHO E BOI GORDO KILMER COELHO CAMPOS (1) ; ROBÉRIO TELMO CAMPOS (2). 1.UFV, VIÇOSA, MG, BRASIL; 2.UFC, FORTALEZA,
Leia maisDisciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas
Eixo Temático: Estratégia e Internacionalização de Empresas PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL: UMA ABORDAGEM COM MODELOS ARIMA RESUMO PREDICTING THE COLLECTION OF ICMS OF RIO
Leia mais( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisSME0822 Análise Multivariada 2 o semestre de Prof. Cibele Russo. Sala 3-113
SME0822 Análise Multivariada 2 o semestre de 2016 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-113 2. semestre 2016 1 / 25 Principais objetivos do curso Estudar e desenvolver
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Este trabalho pode ser classificado como uma pesquisa descritiva, quantitativa, bibliográfica, experimental, exploratória e explicativa. Este estudo é descritivo, pois
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 maisAula 7 Métodos Quantitativos Avançados
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Programa de Pós-Graduação em Controladoria e Contabilidade Aula 7 Métodos Quantitativos Avançados Autor:
Leia maisUma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais
Uma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais Liane Werner Departamento de Estatística, Universidade Federal do Rio Grande do Sul,
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisControle estatístico multivariado de instrumentos de monitoramento de barragens
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Controle estatístico multivariado de instrumentos de
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisARTIGO COMPLETO. Abordagem Híbrida-Causal Aplicada a Previsão de Deslocamento Horizontal de Bloco de uma Barragem
DOI: 10.18605/175-775/cereus.v10np76-84 ARTIGO COMPLETO Horizontal de Bloco de uma Barragem Hybrid-Causal Approach Applied to the Forecast of Horizontal Displacement
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 maisUma Análise da Volatilidade nas Exportações Brasileiras
ISSN 0798 1015 HOME Revista ESPACIOS! ÍNDICES! A LOS AUTORES! Vol. 38 (Nº 28) Año 2017. Pág. 7 Uma Análise da Volatilidade nas Exportações Brasileiras An Analysis of Volatility in Brazilian Exports Letícia
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisUtilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo César Gonçalves de Lima 1 Michele Barbosa 2 Valdo Rodrigues Herling 3 1. Introdução Dados longitudinais
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 maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisXVII SEMEAD Seminários em Administração
XVII SEMEAD Seminários em Administração outubro de 2014 ISSN 2177-3866 MODELAGEM DA VOLATILIDADE EM PERÍODOS DE CRISE PARA O RETORNO DAS AÇÕES DA VALE DO RIO DOCE GUSTAVO CORREIA XAVIER Universidade Federal
Leia maisMODELOS DE PREVISÃO APLICADOS AO CONTROLE DE QUALIDADE COM DADOS AUTOCORRELACIONADOS
MODELOS DE PREVISÃO APLICADOS AO CONTROLE DE QUALIDADE COM DADOS AUTOCORRELACIONADOS Regiane Klidzio UFSM Avenida Roraima, 1000, Bairro Camobi, Santa Maria/RS CEP: 97105-900 regianek@gmail.com Adriano
Leia maisPrevisão de séries financeiras: uma aplicação da metodologia Box & Jenkins
Previsão de séries financeiras: uma aplicação da metodologia Box & Jenkins Nayane Thais Krespi Musial Anselmo Chaves Neto Programa de Pós-Graduação em Métodos Numéricos em Engenharia - PPGMNE Universidade
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisLimites estatísticos de controle para instrumento de monitoramento de barragem
Trabalho apresentado no XXXVIII CNMAC, Campinas - SP, 2018. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Limites estatísticos de controle para instrumento de monitoramento
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 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 maisRedes Neurais: Uma Aplicação na Previsão de Vendas
Redes Neurais: Uma Aplicação na Previsão de Vendas Angela P. Ansuj Maria Emília Camargo Deoclécio Gomes Petry Programa de Pós-Graduação em Métodos Quantitativos Departamento de Estatística - Centro de
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 maisUm modelo de previsão para o IPCA: como a modelagem econométrica pode ser útil para estimá-lo antes das apurações oficiais
ISSN 2358-2138 Um modelo de previsão para o IPCA: como a modelagem econométrica pode ser útil para estimá-lo antes das apurações oficiais André Azevedo Muta 1 ESPM-SP Cléber da Costa Figueiredo 2 ESPM-SP
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisSéries Temporais com Diferenciações Inteira e Fracionária e erros heterocedásticos: uma Aplicação Para Preços Futuros de Commodities Agrícolas
Séries Temporais com Diferenciações Inteira e Fracionária e erros heterocedásticos: uma Aplicação Para Preços Futuros de Commodities Agrícolas Ricardo Chaves Lima Prof. do Departamento de Economia/PIMES
Leia maisRevisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012
Revisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012 No amplo conjunto de modelos utilizados pelo Banco Central para projetar a inflação, encontram-se, entre outros, os modelos
Leia mais