Use este identificador para citar ou linkar para este item:
http://www.alice.cnptia.embrapa.br/alice/handle/doc/1159045Registro completo de metadados
| Campo DC | Valor | Idioma |
|---|---|---|
| dc.contributor.author | MIELKE, L. V. | |
| dc.contributor.author | VILLAS BOAS, P. R. | |
| dc.date.accessioned | 2023-12-01T20:32:32Z | - |
| dc.date.available | 2023-12-01T20:32:32Z | - |
| dc.date.created | 2023-12-01 | |
| dc.date.issued | 2023 | |
| dc.identifier.citation | In: II WORKSHOP DE MATEMÁTICA, ESTATÍSTICA E COMPUTAÇÃO APLICADAS À INDÚSTRIA - WMECAI, 2023, São Carlos, SP. | |
| dc.identifier.uri | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1159045 | - |
| dc.description | A predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de Decomposição em Componentes Não Observáveis com o desempenho de Modelos Autoregressivos de Médias Móveis para a predição. | |
| dc.language.iso | por | |
| dc.rights | openAccess | |
| dc.subject | Modelos Autoregressivos de Médias Móveis | |
| dc.subject | Estacionariedade | |
| dc.title | Uso de Modelos de Decomposicão em Componentes Não Observáveis para predição de séries temporais não estacionárias de commodities agrícolas. | |
| dc.type | Artigo em anais e proceedings | |
| dc.format.extent2 | 4 p. | pt_BR |
| riaa.ainfo.id | 1159045 | |
| riaa.ainfo.lastupdate | 2023-12-01 | |
| dc.contributor.institution | ICMC - USP; PAULINO RIBEIRO VILLAS BOAS, CNPDIA. | |
| Aparece nas coleções: | Artigo em anais de congresso (CNPDIA)  | |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| P-Uso-de-Modelos-de-Decomposicao-em-Componentes-Nao-Observaveis.pdf | 120,32 kB | Adobe PDF | Visualizar/Abrir |
