Spelling suggestions: "subject:"aox e jenkins"" "subject:"aox e tenkins""
1 |
[en] A COMPARISON STUDY OF BOX & JENKINS ARMA (P,Q) STRUCTURAL IDENTIFICATION PROCEDURES / [pt] COMPARAÇÃO DE MÉTODOS DE IDENTIFICAÇÃO ESTRUTURAL DE MODELOS DE ARMA (P,Q) DE BOX & JENKINSLILIAN MANOEL DE MENEZES WILLENBOCKEL 13 August 2009 (has links)
[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.
|
2 |
[en] IDENTIFICATION OF BOX AND JENKINS: A COPARISON BETWEEN FACE AND PADÉ APPROXIMATION / [pt] IDENTIFICAÇÃO DOS MODELOS BOX E JENKINS: UMA COMPARAÇÃO ENTRE O MÉTODO FACE E O MÉTODO DE APROXIMAÇÃO DE PADÉLUIZ CLAUDIO RIBEIRO 18 September 2006 (has links)
[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.
|
3 |
[en] A RECURSIVE PROCEDURE FOR THE FACE AND FCCE ESTIMATION IN THE IDENTIFICATION OF THE BOX & JENKINS AND TIAO & BOX MODELS / [pt] UM ALGORITIMO RECURSIVO PARA A ESTIMACAO DA FACE E DA FCCE NA IDENTIFICAÇÃO DOS MODELOS BOX & JENKINS E TIAO & BOXCARLOS AUGUSTO GRUNEWALD 21 October 2009 (has links)
[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.
|
4 |
[en] A SYSTEM TO FORECAST WEEKLY LOAD ELECTRICITY DATA / [pt] SISTEMA DE PREVISÃO DE CARGA SEMANALLAURA VALERIA LOPES DE ALMEIDA 09 November 2005 (has links)
[pt] A presente dissertação tem por objetivo o estudo
quantitativo da previsão da demanda de carga elétrica
semanal para a região sudeste e em particular, para os
Estados do Rio de Janeiro e São Paulo. Foram estudadas
para tanto as séries reais dos últimos 7(sete) anos, ou
seja, de janeiro de 1991 a novembro de 1997 das
concessionárias LIGHT, CERJ, CESP, CPFL e ELETROPAULO.
Para o estudo de previsão foi utilizado o conceito in
sample, ou seja, parte real dos dados foram separados e
mais tarde comparados com os valores previstos
experimentalmente para aquela mesma época dos dados reais
separados. Desta forma, permitiu-se averiguar qual seria a
precisão da previsão, verificando-se os erros entre os
valores experimentais e reais.
Para os cálculos das previsões, também foi utilizado o
conceito de bayesiano de combinação de previsões
(outperformance) das duas técnicas a saber: redes neurais
artificiais (software Neunet) e o modelo clássico Box &
Jenkins (software Autobox).
Para se obter o valor combinado das previsões, foi
utilizado software matlab que se comportou de maneira
adequada para o estudo em questão. Além disso vale
acrescentar que o software Neunet foi utilizado, pois
possui em seu ambiente a técnica de eliminação de sinapses
enquadra-se dentro do conceito de redes neurais
multicamadas com retropropagação dos erros. / [en] The goal of this dissertation is to present a quantitative
study in time series of weekly electrical charge demand at
the southeast region, particulary at Rio de Janeiro and
São Paulo.
In this work will be analysed the last 7 years, from
january 1991 to november of 1997. The next time series
were study: LIGHT, CERJ, CESP, CPFL and ELETROPAULO.
Aimming to test the model against real data the concept of
sample data was utilized in this dissertation.
Another concept used in this work was outperformance.
Outperformance is a Bayesian concept that involves the
combination of two or more techniques in order to enchance
the forecasting results. Artificial neural network and Box
and Jenkins method are combined in this work. It is also
interesting to notice that weight elimination, which is a
new ANN technique, proved to be faster then classical back-
propagation and yielded better results.
|
5 |
[en] THE WIND FORECAST FOR WIND POWER GENERATION / [pt] PREVISÃO DE VENTO PARA GERAÇÃO DE ENERGIA ELÉTRICAILITCH VITALI GOMES DA SILVA 01 February 2011 (has links)
[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.
|
6 |
Efeitos da sazonalidade na ocupaÃÃo de leitos em um hospital filantrÃpico do municÃpio de Fortaleza-ce / Effects of seasonality on the bed occupancy in a charity hospital in Fortaleza-ceRafael Porto Cabral 02 March 2012 (has links)
nÃo hà / As unidades hospitalares utilizam diversas ferramentas que auxiliam na gestÃo. Um desses indicadores à a taxa de ocupaÃÃo hospitalar que mede a relaÃÃo entre o nÃmero de pacientesdia e o nÃmero de leitos-dia durante determinado perÃodo. Compreender o comportamento da taxa de ocupaÃÃo hospitalar identificando suas tendÃncias e sazonalidades à o objetivo principal deste trabalho. A instituiÃÃo escolhida para este estudo realiza atendimentos para o SUS, Particular e ConvÃnio. Como cada categoria possui suas peculiaridades, este estudo buscou os modelos que mais se ajustavam Ãs sÃries das taxas de ocupaÃÃo e obteve os seguintes resultados: para a modalidade convÃnio o modelo ARIMA (2,1,2), para particular ARMA (1,1), para o SUS AR (1) e para a taxa de ocupaÃÃo total AR(1). Em todas as modalidades foram identificadas presenÃa de sazonalidade em alguns meses, sendo o modelo da taxa de ocupaÃÃo total o que mais apresentou esta caracterÃstica. TambÃm em todas as sÃries, o mÃs de fevereiro foi o que mostrou menor taxa de ocupaÃÃo. / The hospitals use various tools to assist in management. One of these indicators is the hospital occupancy rate, which measures the relationship between the number of patient-days and the number of bed-days during a given period. Understanding the behavior of the hospital occupancy rate of identifying trends and seasonality is the main objective of this work. The institution selected for this study offer these services to the SUS, private and Covenant. As
each category has its peculiarities, this study sought models that best fit the series in occupancy rates and obtained the following results: the agreement to form ARIMA (2,1,2),
particularly for ARMA (1,1 ) to SUS AR (1) and the total load factor AR (1). In all modes were identified presence of seasonality in some months, with the model of the total load factor that showed this feature. Also in all series, the month of February was the one that showed a lower occupancy rate.
|
7 |
[en] BEHAVIORAL FINANCE AND BOX AND JENKINS METHODOLOGY: AN APPLICATION ON THE BRAZILIAN MARKET / [pt] FINANÇAS COMPORTAMENTAIS E METODOLOGIA BOX E JENKINS: UMA APLICAÇÃO NO MERCADO BRASILEIRORODRIGO BASTOS PINTO 02 August 2006 (has links)
[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.
|
8 |
[en] AN AUTOMATIC APPROACH TO BOX & JENKINS MODELLING / [pt] UM MÉTODO AUTOMÁTICO PARA PREVISÃO DE SÉRIES TEMPORIAS USANDO A METODOLOGIA BOX & JENKNISMARCELO KRIEGER 02 May 2007 (has links)
[pt] Apesar do reconhecimento amplo da qualidade das previsões
obtidas na aplicação de um modelo ARIMA à previsão de
séries temporais univariadas, seu uso tem permanecido
restrito pela falta de procedimentos automáticos,
computadorizados. Neste trabalho este problema é discutido
e um algoritmo é proposto. / [en] Inspite of general recognition of the good forecasting
ability of ARIMA models in predicting time series, this
approach is not widely used because of the lack of
automatic, computerized procedures. In this study this
problem is discussed, and an algorithm is proposed.
|
9 |
[pt] AUXÍLIO À ANÁLISE DE SÉRIES TEMPORAIS NÃO SAZONAIS USANDO REDES NEURAIS NEBULOSAS / [en] IDENTIFICATION OF NON-SEASONAL TIME SERIES THROUGH FUZZY NEURAL NETWORKSMARIA AUGUSTA SOARES MACHADO 01 December 2005 (has links)
[pt] Observando a dificuldade de batimento (match) dos padrões
de comportamento das funções de autocorrelação e de
autocorrelação parcial teóricas com as respectivas funções
e as autocorrelação e de autocorrelação parcial estimadas
de uma séries temporal, aliada ao fato da dificuldade em
definir um número em específico como delimitador
inequívoco do que seja um lag significativo, tornam clara
a dose de julgamento subjetivo a ser realizado por um
especialista de análise de séries temporais na tomada de
decisão sobre a estrutura de Box & Jenkins adequada a ser
escolhida para modelar o processo estocástico sendo
estudado. A matemática nebulosa permite a criação de
sistemas de inferências nebulosas (inferência dedutiva) e
representa o conhecimento de forma explícita, através de
regras nebulosas, possibilitando, facilmente, o
entendimento do sistema em estudo. Por outro lado, um
modelo de redes neurais representa o conhecimento de forma
implícita, adquirido através de exemplos (dados),
possuindo excelente capacidade de generalização
(inferência indutiva). Esta tese apresenta um sistema
especialista composto de cinco redes neurais nebulosas do
tipo retropropagação para o auxílio na análise de séries
temporais não sazonais. O sistema indica ao usuário a
estrutura mais adequada, dentre as estruturas AR(1), MA
(1), AR(2), MA(2) e ARMA(1,1), tomando como base a menor
distância Euclidiana entre os valores esperados e as
saídas das redes neurais nebulosas. / [en] It is well known the difficulties associated with the
tradicional procedure for model identification of the Box
& Jenkins model through the pattern matching of the
theoretical and estimated ACF and PACF. The decision on
the acceptance of the null hypothesis of zero ACF (or
PACF) for a given lag is based on a strong asymptotic
result, particularly for the PACF, leading, sometimes, to
wrong decisions on the identified order of the models.
The fuzzy logic allows one to infer system governed by
incomplete or fuzzy knowledge (deductive inference) using
a staighforward formulation of the problem via fuzzy
mathematics. On the other hand, the neural network
represent the knowledge in a implicit manner and has a
great generalization capacity (inductive inference).
In this thesis we built a specialist system composed of 5
fuzzy neural networks to help on the automatic
identificationof the following Box & Jenkins ARMA
structure AR(1), MA(1), AR(2), MA(2) and ARMA (1,1),
through the Euclidian distance between the estimated
output of the net and the corresponding patterns of each
one of the five structures.
|
10 |
[en] DEMAND FORECAST: A CASE STUDY IN SUPPLY CHAIN / [pt] PREVISÃO DE DEMANDA: ESTUDO DE CASO NA CADEIA DE SUPRIMENTOSACHILES RAMOS RIBEIRO 08 November 2017 (has links)
[pt] A presente dissertação tem como principal objetivo a conceituação e apresentação das metodologias básicas de previsão de demanda e, a partir de um estudo de caso, a seleção da metodologia mais adequada e sua respectiva implantação. No primeiro capítulo é apresentada, além da importância do referido tema, a empresa selecionada para aplicação dos conceitos levantados, com a descrição de seus principais processos internos. No segundo capítulo foram abordados os conceitos de previsão de demanda e uma revisão dos principais modelos existentes. No capítulo seguinte, o problema que deverá ser tratado com a metodologia proposta é apresentado. Neste momento a metodologia conceituada é aplicada, através da seleção do método de previsão mais adequado ao caso estudado e respectiva modelagem, buscando melhorias em relação aos métodos de previsão existentes na empresa. Neste processo de modelagem utilizou-se o software Forecast Pro, um dos mais conceituados aplicativos de previsão de demanda no mercado. Por fim, na conclusão, avalia-se o impacto das mudanças propostas nos resultados da empresa, principalmente o aumento da precisão da previsão da demanda e, conseqüentemente, redução dos custos de importação e dos índices de stockout. / [en] The main objective of this dissertation is the presentation of basic forecasting methods and their implementation in a case study in supply chain. The first chapter points out the importance of forecasting in this context and describes the company selected for the case study and some of its internal
processes that will be under scrutiny in the case study presented in this dissertation. The second chapter discusses the concepts and models of forecasting and reviews some of the major techniques in the field. In chapter three, standard forecasting techniques are apllied to real data (ten time series) from the company
and select the most appropriate model in each case. Model adjustment is performed through the Forecast Pro software, one of the best-known products in the market. Chapter four contains the conclusions and the evaluation of the impacts of the proposed methodology on the company s results, especially the
increased accuracy of forecasting and, consequently, the reduction in the import costs and stock out index.
|
Page generated in 0.0335 seconds