Resumo não disponível.

Resumo não disponível.

Resumo não disponível.

Made available in DSpace on 2014-06-12T17:38:31Z (GMT). No. of bitstreams: 2 arquivo3994_1.pdf: 2548203 bytes, checksum: 1285939501214a474d31fa9764b9da1b (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O aquecimento global e os seus efeitos têm gerado a necessidade do desenvolvimento de novas tecnologias de energia que poluam menos e que sejam renováveis. Aliado a isso, nos últimos anos tem aumentado a preocupação por parte dos países industrializados com o problema da segurança do suprimento de energia e com as incertezas geradas pelo preço do petróleo, e pela sua escassez em um futuro próximo, já que este é um produto não renovável. Desta forma, as fontes de energia renováveis constituem o principal caminho para a conciliação entre a questão ambiental e a segurança do abastecimento energético, na medida em que reduzem a dependência externa de combustíveis fósseis e contribuem para a diminuição das emissões de gases de efeito estufa. Neste trabalho buscou-se analisar a series de preços mensais do álcool anidro no Estado de Pernambuco no período de janeiro/2001 a setembro/ 2008, objetivando prever e estabelecer um modelo de previsão de curto prazo. Valendo-se da metodologia de series temporais, os dados coletados, corresponde a 86 observações, onde foram inicialmente estimado os métodos: da tendência linear, tendência parabólica e a tendência exponencial. Também é feito um teste de precisão dos métodos onde foi observado que a tendência parabólica era a que melhor se ajustava aos preços verdadeiros, porém a diferença entre os resíduos mostrou-se elevada. Finalmente a tendências com o modelo AR(1) apresentou resultados satisfatórios já que as diferenças entre o preço real do álcool anidro e o preço previsto do álcool foram consideradas satisfatórias em termos estatísticos

Estudamos neste trabalho, o nível de significância empírico dos testes portmanteau baseados nas estatísticas propostas por Ljung e Box (1978), Monti (1994) e Pe˜na e Rodríguez (2002) nos processos ARFIMA(p; d; q). Consideramos o processo ARFIMA(p; d; q) nas situações adequadas para representar séries temporais com características de longa dependência. Para estimar o parâmetro de diferenciação d utilizamos os métodos de estimação propostos por Geweke e Porter-Hudak (1983), Reisen (1994), Robinson (1994) e Fox e Taqqu (1983).

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major em Telecomunicações). Faculdade de Engenharia. Universidade do Porto. 2009

Estudamos neste trabalho, o nível de significância empírico dos testes portmanteau baseados nas estatísticas propostas por Ljung e Box (1978), Monti (1994) e Pe˜na e Rodríguez (2002) nos processos ARFIMA(p; d; q). Consideramos o processo ARFIMA(p; d; q) nas situações adequadas para representar séries temporais com características de longa dependência. Para estimar o parâmetro de diferenciação d utilizamos os métodos de estimação propostos por Geweke e Porter-Hudak (1983), Reisen (1994), Robinson (1994) e Fox e Taqqu (1983).

Neste trabalho analisamos alguns processos com longa dependência sazonais, denotados por SARFIMA(0,D, 0)s, onde s é a sazonalidade. Os estudos de estimação e previsão estão baseados em simulações de Monte Carlo para diferentes tamanhos amostrais e diferentes sazonalidades. Para estimar o parâmetro D de diferenciação sazonal utilizamos os estimadores propostos por Geweke e Porter-Hudak (1983), Reisen (1994) e Fox e Taqqu (1986). Para os dois primeiros procedimentos de estimação consideramos seis diferentes maneiras de compor o número de regressores necessários na análise de regressão, com o intuito de melhor comparar seus desempenhos. Apresentamos um estudo sobre previsão h-passos à frente utilizando os processos SARFIMA(0,D, 0)s no qual analisamos o erro de previsão, as variâncias teórica e amostral, o vício, o pervício e o erro quadrático médio. / In this work we analyze some long memory seasonal processes, denoted by SARFIMA(0,D, 0)s, where s is the seasonality. The estimation and forecas- ting analysis in these processes are based on Monte Carlo simulation studies for different seasonal parameters and different sample sizes. To estimate the fractional seasonal parameter D we consider the methods proposed by Geweke and Porter-Hudak (1983), Reisen (1994) and Fox and Taqqu (1986). For the first two estimation procedures we consider six different ways to choose the number of regressors in the linear regression, to better compare their performances. We also consider here the study of the h-steps ahead forecasting for these SARFIMA(0,D, 0)s processes analyzing the forecasting error, the theoretical and sample variances, the bias, the percentage bias and the mean square error.

Neste trabalho analisamos alguns processos com longa dependência sazonais, denotados por SARFIMA(0,D, 0)s, onde s é a sazonalidade. Os estudos de estimação e previsão estão baseados em simulações de Monte Carlo para diferentes tamanhos amostrais e diferentes sazonalidades. Para estimar o parâmetro D de diferenciação sazonal utilizamos os estimadores propostos por Geweke e Porter-Hudak (1983), Reisen (1994) e Fox e Taqqu (1986). Para os dois primeiros procedimentos de estimação consideramos seis diferentes maneiras de compor o número de regressores necessários na análise de regressão, com o intuito de melhor comparar seus desempenhos. Apresentamos um estudo sobre previsão h-passos à frente utilizando os processos SARFIMA(0,D, 0)s no qual analisamos o erro de previsão, as variâncias teórica e amostral, o vício, o pervício e o erro quadrático médio. / In this work we analyze some long memory seasonal processes, denoted by SARFIMA(0,D, 0)s, where s is the seasonality. The estimation and forecas- ting analysis in these processes are based on Monte Carlo simulation studies for different seasonal parameters and different sample sizes. To estimate the fractional seasonal parameter D we consider the methods proposed by Geweke and Porter-Hudak (1983), Reisen (1994) and Fox and Taqqu (1986). For the first two estimation procedures we consider six different ways to choose the number of regressors in the linear regression, to better compare their performances. We also consider here the study of the h-steps ahead forecasting for these SARFIMA(0,D, 0)s processes analyzing the forecasting error, the theoretical and sample variances, the bias, the percentage bias and the mean square error.

SANTOS, Alan Vasconcelos. Análise de modelos de séries temporais para a previsão mensal do imposto de renda. 2003. 98f. Dissertação (Mestrado em economia) - Programa de Pós Graduação em Economia, CAEN, Universidade Federal do Ceará, Fortaleza, 2003. / Submitted by Mônica Correia Aquino (monicacorreiaaquino@gmail.com) on 2013-06-20T22:30:50Z No. of bitstreams: 1 2003_disser_avsantos.pdf: 508310 bytes, checksum: f0c2f05f852fbed80fcb5aac8d487ce1 (MD5) / Approved for entry into archive by Mônica Correia Aquino(monicacorreiaaquino@gmail.com) on 2013-06-20T22:31:24Z (GMT) No. of bitstreams: 1 2003_disser_avsantos.pdf: 508310 bytes, checksum: f0c2f05f852fbed80fcb5aac8d487ce1 (MD5) / Made available in DSpace on 2013-06-20T22:31:24Z (GMT). No. of bitstreams: 1 2003_disser_avsantos.pdf: 508310 bytes, checksum: f0c2f05f852fbed80fcb5aac8d487ce1 (MD5) Previous issue date: 2003 / The main objective of this work was to generate predictions, at a monthly frequency, from 1990 to 2001, of income tax revenue. The methodology used was the one of forecast combining. Specifically, exponential smoothing, an ARIMA and VAR with error correction models were pooled to obtain final prediction. Ex-post forecast errors were used to test the performance of the model. Results indicated that combining performs better than individual models, and errors are in an acceptable interval for this type of prediction. / O presente trabalho objetiva realizar previsões mensais da série do imposto de renda para o período de 2002. A metodologia empregada para alcançar essa finalidade consiste na utilização da técnica de combinação de previsões. Especificamente, combinam-se os resultados de previsão advindos de três métodos diferentes: técnica do alisamento exponencial, metodologia de Box-Jenkins (modelos ARIMA) e modelos vetoriais de correção de erro. Obtida a previsão final, compara-se este resultado com os valores reais observados da série do imposto de renda para o ano de 2002 a fim de verificar o desempenho e a acurácia do modelo.