[pt] A modelagem Box & Jenkins (1970) para previsão de séries temporais univariadas, de acordo com a proposta inicial das autoras, é composta de quatro etapas: Indentificação de Modelos, Estimação dos Parâmetros, Testes Estatísticos para Validação do Modelo e Previsão. Dentre as etapas citadas, a Identificação de Modelos é a de maior dificuldade na utilização prática da metodologia Box & Jenkins, é baseada no uso de estimadores para as funções de autocorrelação parcial da série, não apresenta dificuldades no caso específico de modelos puros. Porém no tratamento de modelos mistos (ARMA), onde há presença das duas componentes (AR e MA), a utilização destes estimadores muitas vezes não leva a conclusões definitivas quanto à estrutura a ser considerada. Numa tentativa de diminuição da dificuldade para indentificar modelos ARMA (p, q), existem na literatura especializada várias propostas alternativas de métodos de identificação. Este trabalho se propõe a uma análise crítica de alguns métodos e dos resultados obtidos a partir destes. A análise foi concentrada nos seguintes métodos: - Função de Autocorrelação Inversa, (Cleveland, 1972) e (Chatfield, 1979); - R & S Arrays (Gray, Kelley e Mc. Intire, 1978); - Corner Method (Béguin, Gourieroux e Monfort, 1980); - Função de Autocorrelação Extendida (Tião e Tsay, 1982); - Função de Autocorrelação Parcial Generalizada (Glasbey, 1982); cujos desempenhos foram comparados entre si e com a metodologia tradicional. Foram consideradas cinco estruturas: AR(1), AR(2), MA(1), MA(2) e ARMA(1,1). Para cada estrutura foram escolhidos três modelos, utilizando como critério sua localização na região de estacionariedade / inversibilidade. Foram simuladas quinze séries para cada modelo, variando-se a semente e o nível da série, totalizando desta forma, 225 séries, que foram submetidas a cada um dos métodos em estudo e cujos resultados foram comparados e analisados. A partir dos resultados obtidos chegou-se a várias conclusões úteis na prática quanto à utilização de cada método, porém estas conclusões são apenas relativas à amostra utilizada, pois para se chegar a conclusões definitivas o tamanho da amostra deveria ser maior e critérios estatísticos de análise poderiam ser utilizadas. Dentre as conclusões obtidas destaca-se a seguinte: embora alguns métodos alternativos de identificação tenham apresentado grande melhoria em relação ao método tradicional, o problema da identificação ainda não se encontra resolvido, assim muitas das tentativas de Box & Jenkins Automáticos tornam-se sensíveis a falhar e a presença do analista torna-se necessária. / [en] The dificulty of the Box and Jenkins approach for univariante time series forecasting lies in the stage of identification. The traditional methodology based on the estimators of the autocorrelation and partial autocorrelation functions, to mixed models(ARMA), usually leads to wrong structural identification. As an attempt to solve this problem, many authors have porposed alternative identification methods. This work intends to make a critical analysis was concentrated on the following methods: - Inverse Autocorrelation Function, (Cleveland, 1972) and (Chatfield, 1979); - R&S Arrays, (Gray, Kelley and Mc. Intire, 1978); - The Corner Method, (Beguin, Gourieroux and Monfort, 1980); - Extended Autocorrelation Function (Tiao and Tsay, 1982); - General Partial Autocorrelation Function (Glasbey, 1982); their performance were compared with each other and with the traditional method. Five structures have been studied: AR(1), AR(2), MA(1), MA(2) and ARMA(1,1). For each of them three models have been chosen /considering their position in the stationary and invertible regions. Fifteen series have been simulated for each model, varying levels and their seeds, adding up to 225 series, which were submitted to each method. The results led to several conclusions, which are restricted to the sample studied; the most important was: Although some of these methods yield to better results than the traditional ones, the problem of identification is still unsolved. So, any kind of Automatic Box and Jenkins can not be recommended.

[pt] Desde de 1970, quando Box e Jenkins introduziram os modelos ARMA para análise e previsão de séries temporais, muitos estudos foram desenvolvidos buscando encontrar um método mais eficiente de identificação de tais modelos. Tal fato se deu porque o método por Box e Jenkins, baseado na função de auto-correlação parcial (FACP) não são eficientes quando os modelos apresentam componentes auto- regressivas (AR) e médias móveis (MA). Estudos comparativos realizados anteriormente mostraram que dentre os métodos de identificação já desenvolvidos, o que se mostrou mais eficiente foi o baseado na função de auto-correlação extendida (FACE) de TIAO e TSAY (1992) Recentemente, Kuldeep Kumar introduziu na literatura um método de identificação baseado na teoria de aproximação de Padé. O objetivo deste trabalho é comparar o método da FACE com o método baseado na teoria de aproximação de Padé. / [en] Since 1970, when Box and Jenkins first introduced the ARMA models to analysis and predict of time series data, a lot of studies have been developed to find an efficient identification method for such models. This was due the fact that the identification method proposed by Box and Jenkins, based on Auto-correlation Function (ACF) and Partial Auto-correlation Function (PACF), are inefficient when the models have auto regressive - AR- and moving average - MA- components. Comparative studies undertaken, have shown that, among the identification methods already developed, the method based on the Extended Auto-correlation Fuction of Tiao and Tsay (1982) is the most efficient. More recently, however, Kuldeep Kumar has introduced in the literature an identification method based on the theory of Padé aproximation. The objective of this paper is to compare the Extended Auto-correlation Function method with the method based on the Theory of Padé approximation.

[pt] O objetivo principal deste trabalho é discutir a implementação de um algoritmo recursivo para a estimação da Função de Auto-Correlação Extendida (FACE) para séries univariadas e da Função de Correlação Cruzada Extendida (FCCE) para vetores de séries temporais. Um programa de computador, escrito na Linguagem PL/I foi desenvolvido, utilizando o algoritmo recursivo mencionado para o cálculo somente da FACE. A utilização deste procedimento permitiu um aumento nas dimensões da matriz FACE e, como conseqüência, a identificação de modelos sazonais via FACE. / [en] In this work we discuss the implementation of a recursive procedure for the estimation of the Extended Sample Autocorrelation Function (FACE) for univariate time series, and the Extended Sample Cross-Correlation Function (FCCE) for multivariate time series. A computer program written in PL/I was developed using the procedure above mentioned for the univariate case only. The use of this procedure allows high dimensions for the required FACE matrix, as a consequence, the identification of seasonal series via FACE is included as particular case.

[pt] A energia eólica é uma das alternativas mais promissoras para geração de energia elétrica, pois assegura a diversidade e segurança no fornecimento de energia e atende à necessidade premente de reduzir os níveis de emissão de gases poluentes. Na operação de sistemas elétricos com forte presença de geração eólica é fundamental prever com pelo menos um dia de antecedência os valores futuros (pelo menos horários) da veloci-dade do vento, pois assim pode-se avaliar a disponibilidade de energia para o próximo dia, uma informação útil no despacho das unidades geradoras e no controle do sistema elétrico. A proposta dessa dissertação objetiva especificamente desenvolver modelos de previsão de curto prazo da velocidade do vento, baseado em técnicas de inteligência artificial, modelo da rede neural artificial e neuro-fuzzy adaptativa (ANFIS) e um mode-lo Estatístico composto por um modelo de regressão harmônica e Box-Jenkins. Para aplicação da metodologia considerou-se o município de São João do Cariri (Estado de Paraíba), onde está localizada uma das estações de referência do projeto SONDA (Sis-tema Nacional de Dados Ambientais para o setor de energia). O desempenho dos mode-los rede neural, neuro-fuzzy (ANFIS) e modelo Estatístico são comparados nas previ-sões de 6 horas, 12 horas, 18 h e 24horas a frente. Os resultados obtidos mostram o me-lhor desempenho da modelagem ANFIS e encorajam novos estudos no tema. / [en] Wind power is one of the most promising options for power generation. It ensures the diversity and security of energy supply and meets the pressing need to reduce the levels of emission of polluting gases. In the operation of electrical systems with a strong presence of wind generation, it is essential to provide at least one day in advance the future values (at least hourly) of wind speed, so that we can assess the availability of energy for the next day, a useful information in the order of the generating units and electrical control system. The purpose of this dissertation aims to develop models spe-cifically to develop models to forecast short-term wind speed, based on artificial intelligence techniques, artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statistical model composed of a harmonic regression model and Box-Jenkins. For application of the methodology, the city of São João do Cariri (State of Paraíba), where a reference station of SONDA project (National Environmental Data for the energy sector) is located, was considered.To apply the methodology was consi-dered the city of the ray tracing model (State of Paraíba), which is located a station ref-erence design (National Environmental Data for the energy sector). The performance of artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statis-tical model are compared mixed forecasts of 6 hours, 12 hours, 18hours and 24 hours ahead. The results show the best performance of the ANFIS model and encourage fur-ther studies on the subject.

[pt] Esta dissertação aborda um tema bastante recente e ainda controverso, intitulado Finanças Comportamentais. O estudo se inicia com a apresentação de alguns dos conceitos e estudos já realizados nesta área, onde estão inseridas algumas críticas à hipótese de mercado eficiente e à idéia de caminho aleatório. Estas críticas levam a outros três conceitos, conhecidos como auto-correlação entre os retornos, reversão a média e previsibilidade do retorno de ativos, que são, na verdade, o interesse central do trabalho. Para explorar estes três conceitos será aplicada a metodologia de Box&Jenkins sobre as séries de retornos diários das 50 ações mais líquidas listadas na BOVESPA, sendo que o período analisado vai de 01/01/1994 até 31/12/2005. Ao final, conclui-se que existem evidências de autocorrelação entre os retornos diários das ações, que existe uma possível indicação de que os retornos oscilam em torno de uma média e de que o modelo de previsão baseado em resultados passados tem performance, apenas, razoável. / [en] This dissertation approaches a very recent and controversial issue named Behavioral Finance. So, this work begins presenting some of the concepts and studies carried out in the area, where some criticism of the efficient market hypothesis and the random walk idea is made. This criticism drives to another three concepts: autocorrelation of asset return, mean reversion and predictability of asset return, which, indeed, are the central issues of this work. To explore these three concepts the Box&Jenkins model will be applied on daily return time series of the most 50 liquid stocks listed in the São Paulo Stock Exchange (BOVESPA), between 01/011994 thru 12/31/2005. At the end, the study concludes that exist autocorrelation evidences among daily returns, that there is a possible indication of mean reversion, and that the forecast model based on past results has just a regular performance.

[pt] O ONS (operador nacional do sistema elétrico brasileiro) vem utilizando o software ANNSTLF produzido pelo EPRI/EUA (Eletrical Power Research Institute) para realizar a previsão do consumo de carga horária. Entretanto, as estimativas fornecidas pelo programa estão fundamentadas na metodologia de uma rede neural que, de certo modo, impede ao usuário de extrair uma maior interpretação dos resultados que são fornecidos pela rede. Assim sendo, este trabalho pesquisou os métodos univariados convencionais: Holt-Winters e Box e Jenkins, considerando suas formulações aperfeiçoadas e adaptadas às características próprias do tipo de série em questão. Isto é, assumindo a existência de dois ciclos sazonais: um diário e outro semanal. A vantagem destas técnicas univariadas, em comparação ao ANNSTLF, é principalmente a interpretabilidade das informações obtidas. Dessa forma, esta pesquisa permite também avaliar melhor o desempenho do ANNSTLF. / [en] The ONS (National Operator of the Brazilian electrical system) has been using the software ANNSTLF produced by EPRI/USA (Eletrical Power Research Institute) to carry out the forecast of the hourly load consumption. However, the estimates supplied by the program are based on the methodology of a neural net that, in a way, does not allow the user to extract a better interpretation of the results produced by the net. Therefore, investigates the conventional univaried methods: Holt-Winters and Box & Jenkins, considering its formulations perfected and adapted to the characteristics of the series understudy. That is, its assumed the existence of two seasonal cicles: daily and weekly. The advantage of these univariate techniques, in comparison to the ANNSTLF, is mainly the ability to interpret the model estimates. Also, this research also allows a better evaluation the performance of the ANNSTLF.