1) O documento apresenta uma aula sobre previsão com o método ARIMA, analisando séries temporais com R. 2) É introduzido o conceito de autorregressão e como determinar os parâmetros alfa e beta. 3) É explicado o que é um correlograma e como ele pode ser usado para escolher entre modelos de previsão.
O documento descreve diferentes formas de representar algoritmos, incluindo linguagem natural, fluxogramas e pseudo-código. Ele fornece exemplos de algoritmos em linguagem natural para preparar receitas e ordenar rãs, e discute as vantagens da pseudo-linguagem para descrever algoritmos de forma próxima a linguagens de programação.
Método de Newton-Raphson - @professorenanRenan Gustavo
O documento descreve o método de Newton-Raphson para encontrar raízes de funções. Ele explica que o método é mais rápido que a bisseção, mas requer o cálculo da derivada e nem sempre converge. Um exemplo é fornecido para ilustrar o processo iterativo do método para encontrar a raiz quadrada de 6.
O documento discute o uso de inteligência artificial e dinâmica de sistemas para simular cenários e estratégias de atendimento à população no combate à Covid-19 no Brasil. Os autores desenvolveram modelos preditivos com algoritmos como LSTM e redes neurais recorrentes para prever fatores como distanciamento social e ajudar na tomada de decisões. Os modelos foram adaptados de cursos de modelagem preditiva de séries temporais.
O documento descreve um curso de Algoritmos e Programação. Apresenta os objetivos do curso, que são desenvolver algoritmos coerentes e válidos para solucionar problemas e implementá-los em linguagem de programação. Também lista os tópicos que serão abordados, como lógica de programação, estruturas de controle, estruturas de dados, modularização de algoritmos. Por fim, descreve a forma de avaliação, que será composta por três notas com provas e trabalhos.
Este documento apresenta conceitos sobre condicionais em Java, incluindo estruturas if-else e switch. Também fornece exemplos de códigos e exercícios para teste dos condicionais.
Este documento fornece um resumo sobre o funcionamento de janelas em analisadores de vibrações. As janelas ajudam a reduzir o efeito de "fuga" que ocorre quando sinais não são periódicos no bloco de tempo analisado, espalhando a energia por todo o espectro de frequências. A janela de Hanning é comum, mas não é apropriada para eventos transitórios. Janelas uniformes preservam melhor esses eventos. A janela de "topo plano" melhora a precisão da medi
Revisão do Exercício da aula passada 2. Ditribuições de probabilidades (revisão de conceitos básicos) 3. Aplicação do assunto da aula 1 e 2 com uma base de dados real
Algoritmos de Aproximação e Algoritmos ProbabilísticosJuliana Félix
O documento discute algoritmos de aproximação e algoritmos probabilísticos. Apresenta a motivação para o desenvolvimento destes algoritmos, já que problemas NP-difíceis podem não ter soluções exatas em tempo polinomial. Descreve como algoritmos de aproximação encontram soluções aproximadamente ótimas e dá o exemplo de um algoritmo que resolve aproximadamente o problema COBERTURA DE VÉRTICES. Também introduz o conceito de algoritmos probabilísticos e as classes BPP, RP e ZPP.
O documento descreve diferentes formas de representar algoritmos, incluindo linguagem natural, fluxogramas e pseudo-código. Ele fornece exemplos de algoritmos em linguagem natural para preparar receitas e ordenar rãs, e discute as vantagens da pseudo-linguagem para descrever algoritmos de forma próxima a linguagens de programação.
Método de Newton-Raphson - @professorenanRenan Gustavo
O documento descreve o método de Newton-Raphson para encontrar raízes de funções. Ele explica que o método é mais rápido que a bisseção, mas requer o cálculo da derivada e nem sempre converge. Um exemplo é fornecido para ilustrar o processo iterativo do método para encontrar a raiz quadrada de 6.
O documento discute o uso de inteligência artificial e dinâmica de sistemas para simular cenários e estratégias de atendimento à população no combate à Covid-19 no Brasil. Os autores desenvolveram modelos preditivos com algoritmos como LSTM e redes neurais recorrentes para prever fatores como distanciamento social e ajudar na tomada de decisões. Os modelos foram adaptados de cursos de modelagem preditiva de séries temporais.
O documento descreve um curso de Algoritmos e Programação. Apresenta os objetivos do curso, que são desenvolver algoritmos coerentes e válidos para solucionar problemas e implementá-los em linguagem de programação. Também lista os tópicos que serão abordados, como lógica de programação, estruturas de controle, estruturas de dados, modularização de algoritmos. Por fim, descreve a forma de avaliação, que será composta por três notas com provas e trabalhos.
Este documento apresenta conceitos sobre condicionais em Java, incluindo estruturas if-else e switch. Também fornece exemplos de códigos e exercícios para teste dos condicionais.
Este documento fornece um resumo sobre o funcionamento de janelas em analisadores de vibrações. As janelas ajudam a reduzir o efeito de "fuga" que ocorre quando sinais não são periódicos no bloco de tempo analisado, espalhando a energia por todo o espectro de frequências. A janela de Hanning é comum, mas não é apropriada para eventos transitórios. Janelas uniformes preservam melhor esses eventos. A janela de "topo plano" melhora a precisão da medi
Revisão do Exercício da aula passada 2. Ditribuições de probabilidades (revisão de conceitos básicos) 3. Aplicação do assunto da aula 1 e 2 com uma base de dados real
Algoritmos de Aproximação e Algoritmos ProbabilísticosJuliana Félix
O documento discute algoritmos de aproximação e algoritmos probabilísticos. Apresenta a motivação para o desenvolvimento destes algoritmos, já que problemas NP-difíceis podem não ter soluções exatas em tempo polinomial. Descreve como algoritmos de aproximação encontram soluções aproximadamente ótimas e dá o exemplo de um algoritmo que resolve aproximadamente o problema COBERTURA DE VÉRTICES. Também introduz o conceito de algoritmos probabilísticos e as classes BPP, RP e ZPP.
O texto visa explicar os passos utilizados para a seleção dos modelos via a metodologia de Box & Jenkins de maneira aplicada (documento compilado para o ensino de cursos introdutórios do assunto para a graduação). Eventuais imprecisões são de responsabilidade do autor
1) O documento discute técnicas de análise de séries temporais, com foco nos modelos de Box & Jenkins e redes neurais artificiais. 2) É definido o que são séries temporais e discutidas suas características, incluindo tendência, ciclo e sazonalidade. 3) Os modelos ARIMA de Box & Jenkins são explicados, incluindo suas etapas de identificação, estimativa, verificação e previsão.
O documento discute previsões de séries temporais utilizando modelos lineares e não lineares. É apresentada uma análise da arrecadação de ICMS usando métodos estatísticos como regressão linear e Exponential Smoothing, além de algoritmos de deep learning como LSTM e redes neurais recorrentes. Os resultados indicam que os modelos de IA como LSTM superaram os modelos estatísticos na previsão da arrecadação de ICMS.
Capítulo 07 Livro Algoritmos e Programação de Computadores Autores JR., Diler...Os Fantasmas !
O documento descreve como utilizar comandos condicionais aninhados e o comando de seleção. Aprendemos que comandos condicionais aninhados permitem incluir comandos condicionais dentro de outros, enquanto o comando de seleção fornece uma alternativa visualmente organizada aos múltiplos comandos condicionais quando comparamos uma variável com constantes diferentes. O documento também explica a sintaxe desses comandos em diferentes linguagens como VisuAlg, Pascal, C, Java e PHP.
A classe Math de Java fornece métodos para realizar operações matemáticas como máximo, mínimo, potências, raízes, logaritmos, arredondamentos, trigonometria e números aleatórios. Os métodos podem ser chamados staticamente sem a necessidade de instanciar objetos e incluem constantes como π e e. Exemplos demonstram o cálculo de comprimento de círculo, maior e menor preço, potência e raiz quadrada.
O documento discute a teoria das filas e sua aplicação no planejamento e controle de produção. Em três pontos essenciais:
1) A teoria das filas é apresentada como metodologia estatística para estudar o sequenciamento de atividades e processos;
2) São mostrados exemplos de aplicação utilizando a biblioteca queueing no R para analisar sistemas produtivos;
3) A simulação computacional é apresentada como alternativa quando a teoria das filas não pode ser aplicada diretamente.
Um histograma é um gráfico de barras que mostra a distribuição de frequência de uma medida em um grupo de dados. Ele estima visualmente a distribuição de uma característica na população com base em amostras, demonstrando a variabilidade das medidas em torno da média. Construí-lo envolve dividir os dados em classes e contar a frequência em cada classe.
O documento apresenta uma introdução ao banco de dados Neo4j, incluindo como instalá-lo e utilizar sua linguagem de consulta Cypher para manipular dados orientados a grafos. Exemplos demonstram como criar nós, relações e fazer perguntas sobre os dados armazenados no banco através de poucas linhas de código. A integração com R também é apresentada para visualização e análise dos grafos.
1) O documento discute técnicas de web scraping utilizando a linguagem R, apresentando bibliotecas e funções para extração de dados estruturados de páginas da web.
2) São apresentados quatro exemplos práticos de web scraping, incluindo tabelas de campeonato brasileiro, preços de produtos em sites de compras, dados de séries populares no IMDB e cotações de ações da Petrobrás.
3) Na conclusão, o leitor é desafiado a elaborar programas de web scraping para coletar dados de car
O documento discute métodos para importar, manipular e representar dados online utilizando R. Ele apresenta como importar dados do Banco Mundial para o MySQL e como utilizar bibliotecas como quantmod, Quandl e WDI para coletar e analisar dados financeiros e macroeconômicos.
O documento discute como representar dados no R, incluindo a criação de um banco de dados fictício de medidas meteorológicas e a geração de gráficos simples e complexos utilizando bibliotecas como igraph, ggplot2 e gifski.
(1) O documento descreve como integrar planilhas do Excel com bancos de dados MySQL usando R. (2) Inclui funções como write.xlsx() para criar planilhas do Excel e dbWriteTable() para escrever dados de dataframes no MySQL. (3) Também mostra como ler dados de planilhas Excel e tabelas MySQL e minerá-los para responder perguntas sobre os dados.
A aula ensina como integrar bancos de dados MySQL com o programa R, criando data frames no R e transferindo-os para tabelas no MySQL. Os alunos aprendem a elaborar tabelas aleatórias no R para praticar os conceitos e recebem uma tarefa de casa de adicionar e deletar registros em tabelas no banco de dados.
O documento descreve como integrar o banco de dados MySQL com o software R utilizando a biblioteca RMySQL. As etapas incluem instalar o pacote RMySQL, estabelecer a conexão entre R e MySQL, e executar operações CRUD (create, read, update, delete) em uma tabela no banco de dados usando comandos no R.
1) O documento apresenta como utilizar o MySQL Workbench para modelar e gerenciar bancos de dados sem escrever código SQL.
2) É mostrado como criar tabelas, definir chaves primárias e estrangeiras, inserir e atualizar dados, e estabelecer relações entre as tabelas de forma visual.
3) O documento usa como exemplo um banco de dados para uma loja virtual com tabelas de clientes, pedidos e estoque.
O documento ensina como utilizar o MySQL Workbench, descrevendo os comandos básicos de CRUD (Create, Read, Update, Delete, Search) e demonstrando como criar bancos de dados, tabelas, inserir e consultar dados.
O documento fornece instruções passo a passo para instalar o MySQL no Windows, incluindo fazer o download do instalador, executar a instalação, configurar as senhas e iniciar o servidor MySQL e o Workbench.
O documento discute a teoria dos jogos e sua aplicação na tomada de decisões. Apresenta o dilema do prisioneiro como exemplo didático para ilustrar como a teoria dos jogos pode ser usada para modelar situações de competição e cooperação entre jogadores e encontrar soluções de equilíbrio. Também discute jogos cooperativos e como calcular nucléolos e valores de Shapley para distribuir os ganhos de forma justa entre as partes.
1) O documento discute planejamento não linear e apresenta exemplos de como algoritmos genéticos e sistemas de equações diferenciais não lineares podem ser usados para planejamento de produção.
2) É apresentado um exemplo passo-a-passo de como um algoritmo genético pode ser usado para encontrar a raiz quadrada de 3.
3) Também é mostrado como o pacote R deSolve pode resolver sistemas de equações diferenciais não lineares, como o modelo de Lorenz.
O documento apresenta um resumo sobre planejamento linear para otimização de processos produtivos. Aborda três exemplos resolvidos com o método SIMPLEX utilizando a biblioteca Rglpk no R: 1) otimização de lucro de uma indústria de laticínios, 2) planejamento de produção e estoque considerando previsões de demanda, 3) otimização de custos de transporte entre cidades. Também apresenta um exemplo de análise envoltória de dados para medir eficiência de hospitais e universidades.
O documento discute a análise de séries temporais e redes complexas no contexto de planejamento e gestão da produção. Ele apresenta conceitos-chave como grafos, nodos, ligações e comunidades e discute como essas ferramentas podem ser usadas para: 1) analisar correlações entre parâmetros econômicos brasileiros e 2) modelar e otimizar processos industriais.
O texto visa explicar os passos utilizados para a seleção dos modelos via a metodologia de Box & Jenkins de maneira aplicada (documento compilado para o ensino de cursos introdutórios do assunto para a graduação). Eventuais imprecisões são de responsabilidade do autor
1) O documento discute técnicas de análise de séries temporais, com foco nos modelos de Box & Jenkins e redes neurais artificiais. 2) É definido o que são séries temporais e discutidas suas características, incluindo tendência, ciclo e sazonalidade. 3) Os modelos ARIMA de Box & Jenkins são explicados, incluindo suas etapas de identificação, estimativa, verificação e previsão.
O documento discute previsões de séries temporais utilizando modelos lineares e não lineares. É apresentada uma análise da arrecadação de ICMS usando métodos estatísticos como regressão linear e Exponential Smoothing, além de algoritmos de deep learning como LSTM e redes neurais recorrentes. Os resultados indicam que os modelos de IA como LSTM superaram os modelos estatísticos na previsão da arrecadação de ICMS.
Capítulo 07 Livro Algoritmos e Programação de Computadores Autores JR., Diler...Os Fantasmas !
O documento descreve como utilizar comandos condicionais aninhados e o comando de seleção. Aprendemos que comandos condicionais aninhados permitem incluir comandos condicionais dentro de outros, enquanto o comando de seleção fornece uma alternativa visualmente organizada aos múltiplos comandos condicionais quando comparamos uma variável com constantes diferentes. O documento também explica a sintaxe desses comandos em diferentes linguagens como VisuAlg, Pascal, C, Java e PHP.
A classe Math de Java fornece métodos para realizar operações matemáticas como máximo, mínimo, potências, raízes, logaritmos, arredondamentos, trigonometria e números aleatórios. Os métodos podem ser chamados staticamente sem a necessidade de instanciar objetos e incluem constantes como π e e. Exemplos demonstram o cálculo de comprimento de círculo, maior e menor preço, potência e raiz quadrada.
O documento discute a teoria das filas e sua aplicação no planejamento e controle de produção. Em três pontos essenciais:
1) A teoria das filas é apresentada como metodologia estatística para estudar o sequenciamento de atividades e processos;
2) São mostrados exemplos de aplicação utilizando a biblioteca queueing no R para analisar sistemas produtivos;
3) A simulação computacional é apresentada como alternativa quando a teoria das filas não pode ser aplicada diretamente.
Um histograma é um gráfico de barras que mostra a distribuição de frequência de uma medida em um grupo de dados. Ele estima visualmente a distribuição de uma característica na população com base em amostras, demonstrando a variabilidade das medidas em torno da média. Construí-lo envolve dividir os dados em classes e contar a frequência em cada classe.
O documento apresenta uma introdução ao banco de dados Neo4j, incluindo como instalá-lo e utilizar sua linguagem de consulta Cypher para manipular dados orientados a grafos. Exemplos demonstram como criar nós, relações e fazer perguntas sobre os dados armazenados no banco através de poucas linhas de código. A integração com R também é apresentada para visualização e análise dos grafos.
1) O documento discute técnicas de web scraping utilizando a linguagem R, apresentando bibliotecas e funções para extração de dados estruturados de páginas da web.
2) São apresentados quatro exemplos práticos de web scraping, incluindo tabelas de campeonato brasileiro, preços de produtos em sites de compras, dados de séries populares no IMDB e cotações de ações da Petrobrás.
3) Na conclusão, o leitor é desafiado a elaborar programas de web scraping para coletar dados de car
O documento discute métodos para importar, manipular e representar dados online utilizando R. Ele apresenta como importar dados do Banco Mundial para o MySQL e como utilizar bibliotecas como quantmod, Quandl e WDI para coletar e analisar dados financeiros e macroeconômicos.
O documento discute como representar dados no R, incluindo a criação de um banco de dados fictício de medidas meteorológicas e a geração de gráficos simples e complexos utilizando bibliotecas como igraph, ggplot2 e gifski.
(1) O documento descreve como integrar planilhas do Excel com bancos de dados MySQL usando R. (2) Inclui funções como write.xlsx() para criar planilhas do Excel e dbWriteTable() para escrever dados de dataframes no MySQL. (3) Também mostra como ler dados de planilhas Excel e tabelas MySQL e minerá-los para responder perguntas sobre os dados.
A aula ensina como integrar bancos de dados MySQL com o programa R, criando data frames no R e transferindo-os para tabelas no MySQL. Os alunos aprendem a elaborar tabelas aleatórias no R para praticar os conceitos e recebem uma tarefa de casa de adicionar e deletar registros em tabelas no banco de dados.
O documento descreve como integrar o banco de dados MySQL com o software R utilizando a biblioteca RMySQL. As etapas incluem instalar o pacote RMySQL, estabelecer a conexão entre R e MySQL, e executar operações CRUD (create, read, update, delete) em uma tabela no banco de dados usando comandos no R.
1) O documento apresenta como utilizar o MySQL Workbench para modelar e gerenciar bancos de dados sem escrever código SQL.
2) É mostrado como criar tabelas, definir chaves primárias e estrangeiras, inserir e atualizar dados, e estabelecer relações entre as tabelas de forma visual.
3) O documento usa como exemplo um banco de dados para uma loja virtual com tabelas de clientes, pedidos e estoque.
O documento ensina como utilizar o MySQL Workbench, descrevendo os comandos básicos de CRUD (Create, Read, Update, Delete, Search) e demonstrando como criar bancos de dados, tabelas, inserir e consultar dados.
O documento fornece instruções passo a passo para instalar o MySQL no Windows, incluindo fazer o download do instalador, executar a instalação, configurar as senhas e iniciar o servidor MySQL e o Workbench.
O documento discute a teoria dos jogos e sua aplicação na tomada de decisões. Apresenta o dilema do prisioneiro como exemplo didático para ilustrar como a teoria dos jogos pode ser usada para modelar situações de competição e cooperação entre jogadores e encontrar soluções de equilíbrio. Também discute jogos cooperativos e como calcular nucléolos e valores de Shapley para distribuir os ganhos de forma justa entre as partes.
1) O documento discute planejamento não linear e apresenta exemplos de como algoritmos genéticos e sistemas de equações diferenciais não lineares podem ser usados para planejamento de produção.
2) É apresentado um exemplo passo-a-passo de como um algoritmo genético pode ser usado para encontrar a raiz quadrada de 3.
3) Também é mostrado como o pacote R deSolve pode resolver sistemas de equações diferenciais não lineares, como o modelo de Lorenz.
O documento apresenta um resumo sobre planejamento linear para otimização de processos produtivos. Aborda três exemplos resolvidos com o método SIMPLEX utilizando a biblioteca Rglpk no R: 1) otimização de lucro de uma indústria de laticínios, 2) planejamento de produção e estoque considerando previsões de demanda, 3) otimização de custos de transporte entre cidades. Também apresenta um exemplo de análise envoltória de dados para medir eficiência de hospitais e universidades.
O documento discute a análise de séries temporais e redes complexas no contexto de planejamento e gestão da produção. Ele apresenta conceitos-chave como grafos, nodos, ligações e comunidades e discute como essas ferramentas podem ser usadas para: 1) analisar correlações entre parâmetros econômicos brasileiros e 2) modelar e otimizar processos industriais.
1) O documento discute redes neurais artificiais e sua aplicação na análise de séries temporais.
2) É apresentado o funcionamento de neurônios naturais e como foram modelados neurônios artificiais.
3) São explicados conceitos-chave como camadas, pesos, função de ativação e aprendizado de máquina no contexto de redes neurais artificiais.
1) O documento discute técnicas de previsão com médias móveis para análise de séries temporais.
2) Os alunos aplicam o método em dados reais de ações do Facebook e da Amazon variando o tamanho da janela para suavizar os dados.
3) Eles são desafiados a fazer previsões para o Facebook e a Apple em casa variando parâmetros dos modelos.
Este documento apresenta uma introdução à linguagem R através do cálculo do valor de π. Apresenta como calcular π jogando pedras aleatórias em um quadrado e contando quantas caem dentro de um círculo inscrito. Demonstra funções básicas de R como sample(), plot() e data frames. Pede como tarefa fazer o mesmo usando runif() e criar um GIF animado.
Os nanomateriais são materiais com dimensões na escala nanométrica, apresentando propriedades únicas devido ao seu tamanho reduzido. Eles são amplamente explorados em áreas como eletrônica, medicina e energia, promovendo avanços tecnológicos e aplicações inovadoras.
Sobre os nanomateriais, analise as afirmativas a seguir:
-6
I. Os nanomateriais são aqueles que estão na escala manométrica, ou seja, 10 do metro.
II. O Fumo negro é um exemplo de nanomaterial.
III. Os nanotubos de carbono e o grafeno são exemplos de nanomateriais, e possuem apenas carbono emsua composição.
IV. O fulereno é um exemplo de nanomaterial que possuí carbono e silício em sua composição.
É correto o que se afirma em:
ALTERNATIVAS
I e II, apenas.
I, II e III, apenas.
I, II e IV, apenas.
II, III e IV, apenas.
I, II, III e IV.
Entre em contato conosco
54 99956-3050
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL INDÚSTRIA E TRANSFORMAÇÃO DIGITAL ...Consultoria Acadêmica
“O processo de inovação envolve a geração de ideias para desenvolver projetos que podem ser testados e implementados na empresa, nesse sentido, uma empresa pode escolher entre inovação aberta ou inovação fechada” (Carvalho, 2024, p.17).
CARVALHO, Maria Fernanda Francelin. Estudo contemporâneo e transversal: indústria e transformação digital. Florianópolis, SC: Arqué, 2024.
Com base no exposto e nos conteúdos estudados na disciplina, analise as afirmativas a seguir:
I - A inovação aberta envolve a colaboração com outras empresas ou parceiros externos para impulsionar ainovação.
II – A inovação aberta é o modelo tradicional, em que a empresa conduz todo o processo internamente,desde pesquisa e desenvolvimento até a comercialização do produto.
III – A inovação fechada é realizada inteiramente com recursos internos da empresa, garantindo o sigilo dasinformações e conhecimento exclusivo para uso interno.
IV – O processo que envolve a colaboração com profissionais de outras empresas, reunindo diversasperspectivas e conhecimentos, trata-se de inovação fechada.
É correto o que se afirma em:
ALTERNATIVAS
I e II, apenas.
I e III, apenas.
I, III e IV, apenas.
II, III e IV, apenas.
I, II, III e IV.
Entre em contato conosco
54 99956-3050
Se você possui smartphone há mais de 10 anos, talvez não tenha percebido que, no início da onda da
instalação de aplicativos para celulares, quando era instalado um novo aplicativo, ele não perguntava se
podia ter acesso às suas fotos, e-mails, lista de contatos, localização, informações de outros aplicativos
instalados, etc. Isso não significa que agora todos pedem autorização de tudo, mas percebe-se que os
próprios sistemas operacionais (atualmente conhecidos como Android da Google ou IOS da Apple) têm
aumentado a camada de segurança quando algum aplicativo tenta acessar os seus dados, abrindo uma
janela e solicitando sua autorização.
CASTRO, Sílvio. Tecnologia. Formação Sociocultural e Ética II. Unicesumar: Maringá, 2024.
Considerando o exposto, analise as asserções a seguir e assinale a que descreve corretamente.
ALTERNATIVAS
I, apenas.
I e III, apenas.
II e IV, apenas.
II, III e IV, apenas.
I, II, III e IV.
Entre em contato conosco
54 99956-3050
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL ENGENHARIA DA SUSTENTABILIDADE UNIC...Consultoria Acadêmica
Os termos "sustentabilidade" e "desenvolvimento sustentável" só ganharam repercussão mundial com a realização da Conferência das Nações Unidas sobre o Meio Ambiente e o Desenvolvimento (CNUMAD), conhecida como Rio 92. O encontro reuniu 179 representantes de países e estabeleceu de vez a pauta ambiental no cenário mundial. Outra mudança de paradigma foi a responsabilidade que os países desenvolvidos têm para um planeta mais sustentável, como planos de redução da emissão de poluentes e investimento de recursos para que os países pobres degradem menos. Atualmente, os termos
"sustentabilidade" e "desenvolvimento sustentável" fazem parte da agenda e do compromisso de todos os países e organizações que pensam no futuro e estão preocupados com a preservação da vida dos seres vivos.
Elaborado pelo professor, 2023.
Diante do contexto apresentado, assinale a alternativa correta sobre a definição de desenvolvimento sustentável:
ALTERNATIVAS
Desenvolvimento sustentável é o desenvolvimento que não esgota os recursos para o futuro.
Desenvolvimento sustantável é o desenvolvimento que supre as necessidades momentâneas das pessoas.
Desenvolvimento sustentável é o desenvolvimento incapaz de garantir o atendimento das necessidades da geração futura.
Desenvolvimento sustentável é um modelo de desenvolvimento econômico, social e político que esteja contraposto ao meio ambiente.
Desenvolvimento sustentável é o desenvolvimento capaz de suprir as necessidades da geração anterior, comprometendo a capacidade de atender às necessidades das futuras gerações.
Entre em contato conosco
54 99956-3050
Estruturas de Madeiras: Dimensionamento e formas de classificaçãocaduelaia
Apresentação completa sobre origem da madeira até os critérios de dimensionamento de acordo com as normas de mercado. Nesse material tem as formas e regras de dimensionamento
Introdução ao GNSS Sistema Global de PosicionamentoGeraldoGouveia2
Este arquivo descreve sobre o GNSS - Globas NavigationSatellite System falando sobre os sistemas de satélites globais e explicando suas características
O presente trabalho consiste em realizar um estudo de caso de um transportador horizontal contínuo com correia plana utilizado em uma empresa do ramo alimentício, a generalização é feita em reserva do setor, condições técnicas e culturais da organização
1. PRO910 PLANEJAMENTO E GESTÃO
DA PRODUÇÃO
AULA 04
Prof. Davi das Chagas Neves
Profa. Irce Fernandes Gomes Guimarães
2. “Aqueles que possuem conhecimento não
fazem previsões e aqueles que fazem
previsões não possuem conhecimento.”
Lao Tzu
Poeta e filósofo chinês
Previsão com ARIMA: análise de séries temporais
3. Previsão com ARIMA: análise de séries temporais
Fazendo Previsões com R a partir de
Séries Temporais
4. Previsão com ARIMA: análise de séries temporais
Douglas C. Montgomery Paul S. P. Cowpertwait
Lembrando que este não é um curso completo sobre séries temporais,
portanto esta abordagem será sucinta e para maiores detalhes vejam as
seguintes bibliografias:
5. Previsão com ARIMA: análise de séries temporais
Na última aula abordamos o método de médias móveis,
para complementá-lo, nesta aula abordaremos o método
de AutorRegressão, que Integrado ao anterior remete ao
que denominamos como ARIMA. Sigam-me
os bons!
6. Previsão com ARIMA: análise de séries temporais
AUTORREGRESSÃO
índice dados
x1 y1
x2 y2
... ...
xn-1 yn-1
xn yn
Regressão linear simples,
na qual os valores de α e β
devem ser determinados.
Nesta autorregressão de
segunda ordem (p=2), os
valores de α e β serão
determinados sem os
valores dos índices,
utilizando apenas os dados.
Fórmula geral para a
autorregressão.
7. Previsão com ARIMA: análise de séries temporais
Vamos realizar
o processo de
autorregressão
em uma série
aleatória.
Observe os
valores de:
α e β
Valores utilizados
pra construir a
serie temporal
desta aula:
Observe também
o White Noise
(Ruído Branco).
11. Previsão com ARIMA: análise de séries temporais
Na figura anterior fica evidente o deslocamento entre a curva dos dados (azul)
e a curva do modelo (vermelha), o que induz ao método dos resíduos, no qual
a precisão do modelo é definida pelos seus erros absolutos, aferidos pelas
distâncias entre estas duas curvas, conforme a seguinte expressão:
MÉDIA DESVIO
12. Previsão com ARIMA: análise de séries temporais
scatter3D
Neste ponto deveríamos perguntar:
Quais os valores ótimos para α e β?
Vamos utilizar a biblioteca plot3D pra responder.
14. Previsão com ARIMA: análise de séries temporais
Função que determina o
erro médio para valores
distintos de alfa e beta.
15. Previsão com ARIMA: análise de séries temporais
Varredura dentre valores de
alfa e beta, no intervalo entre
Zero e Um, considerando a
condição estabelecida.
17. Previsão com ARIMA: análise de séries temporais
➢ Portanto, α=0,58 e β=0,4 geram o
menor erro pra esta série de dados.
Será?
α=0,58 e β=0,4
18. Previsão com ARIMA: análise de séries temporais
:
Talvez uma forma mais adequada para determinar α e β
seria utilizando o método de regressão linear:
função lm()
23. Previsão com ARIMA: análise de séries temporais
AR(dados, método, ordem)
Mas o R não seria uma linguagem tão popular
entre estatísticos e engenheiros se não tivesse
uma método de autorregressão implementado.
O MÉTODO DE AUTOREGRESSÃO FOI
COMPLETAMENTE EXPOSTO, COMO PRETENDÍAMOS.
25. Previsão com ARIMA: análise de séries temporais
2
3
Ao executar o código, note
que o erro absoluto piorou e
a correlação entre as curvas
fitadas melhorou.
27. Previsão com ARIMA: análise de séries temporais
Caramba, o R não serve pra nada,
o modelo implementado nele teve
o maior erro! Que droga!
Calma! Na verdade, pra avaliar aqueles
modelos, o correto seria utilizarmos um
correlograma.
Calma de novo! Vou te explicar o que é um
correlograma e como utilizá-lo!
28. Previsão com ARIMA: análise de séries temporais
Brincando no console:
❑ Altere os valores dentro da função runif() de y e continue
calculando a correlação e plotando o mesmo gráfico.
31. Previsão com ARIMA: análise de séries temporais
➢ Após brincar bastante, devemos concluir algumas coisas e
questionar outras:
1. A correlação está relacionada a distribuição dos pontos, quanto mais próxima da
unidade menor o desvio dos dados.
2. Quando dois conjuntos de dados (reais e modelo) não apresentam correlação, a
regressão linear não é uma boa metodologia pra associá-los.
3. Se a série de dados for proveniente de um processo de autorregressão, como
seria o perfil da autocorrelação?
4. E para uma série de dados com alta sazonalidade?
5. A função de autocorrelação pode ser utilizada para determinar padrões e definir
o modelo?
6. Acredite, haverá muitas outras perguntas, mas a exiguidade do tempo não
permite tal discussão neste curso.
32. Previsão com ARIMA: análise de séries temporais
O correlograma é um gráfico no qual se ilustra a autocorrelação de um conjunto de dados
versus o lag estabelecido nestes dados, ele pode ser elaborado da seguinte forma:
1) Obtenha os dados da série temporal.
2) Escolha o lag inicial para o modelo. Normalmente inicia-se com ZERO.
3) Defina uma nova série de dados (modelo) saltando os valores iniciais conforme indicado pelo lag.
4) Defina uma nova série de dados (original) truncando os valores finais conforme indicado pelo lag.
5) Calcule a correlação destas duas séries de dados.
6) Anote os valores da correlação e do lag, em seguida amplie o lag e volte ao terceiro passo.
7) Após repetir este processo até um lag máximo, plote os valores anotados.
Autocovariância com lag = k
original modelo
33. Previsão com ARIMA: análise de séries temporais
A função de autocorrelação já está implementada no R: acf().
sazonal
36. Previsão com ARIMA: análise de séries temporais
Observando os resultados anteriores, provenientes da função de autocorrelação, podemos
afirmar que:
1. Quando a série de dados apresentar uma tendência crescente ou decrescente, seu
correlograma apresentará um decaimento lento dos valores da autocorrelação. Isto
indica que um modelo de autorregressão é pertinente. Pense sobre!
2. Quando a série de dados apresentar um comportamento fortemente sazonal, seu
correlograma apresentará uma oscilação cossenoidal acima dos limites da hipótese
nula. Neste caso um modelo baseado na série de Fourier seria mais pertinente. Pense
sobre!
3. Quando a série de dados apresentar um variação semelhante a um ruído branco, seu
correlograma apresentará uma oscilação aperiódica abaixo dos limites da hipótese
nula. Neste caso um modelo com médias móveis pode ser adequado. Pense sobre!
37. Previsão com ARIMA: análise de séries temporais
OK! Resumindo:
Neste curso não abordaremos modelos referentes à serie de Fourier.
Em séries estacionárias ficou evidente que o modelo de médias móveis
pode ser adequado, por outro lado, em séries não estacionárias os modelos
de autorregressão parecem ser pertinentes, portanto, a associação destes
dois modelos é complementar e normalmente suficiente para abordar
diversas séries temporais. Assim surgiu o ARIMA.
Antes de abordar a elaboração do método ARIMA, devemos realizar uma análise dos erros
residuais referentes aos modelos abordados.
38. Previsão com ARIMA: análise de séries temporais
De acordo com a bibliografia, quando o correlograma dos resíduos (erros) apresentar
autocorrelações significativas o modelo poderá ser aprimorado. Pense sobre!
Se o modelo não puder ser aprimorado, a distribuição dos resíduos será uma normal com
média igual a zero. Brincando no console (vide próximo slide) temos:
Série de Dados
Correlograma dos erros Distribuição
normal dos erros
✓ Modelo com erros pouco correlacionados e com uma distribuição normal: nenhum aprimoramento!
39. Previsão com ARIMA: análise de séries temporais
NÃO APRIMORA APRIMORA
SLIDE ANTERIOR EXECUTE ESTE CÓDIGO
40. Previsão com ARIMA: análise de séries temporais
CHEGA DE PAPO
BORA PRO
ARIMA
41. Previsão com ARIMA: análise de séries temporais
AR
MA
I
Auto Regressão
Integrado com
Médias Móveis
Introduzindo a biblioteca forecast com dados reais
Na utilização do método ARIMA
implementado na biblioteca
forecast, devemos observar as
ordens relativas aos modelos de
autorregressão, de médias móveis
e a ordem de diferenciação da
série – observe nos códigos
seguintes.
p
q
d
42. Previsão com ARIMA: análise de séries temporais
No slide anterior, p é a ordem do modelo autorregressivo, q é a ordem do modelo de média
móveis e d é a ordem de diferenciação da série. Mas, o que é a diferenciação da série?
Veja o código abaixo:
48. ➢ Para casa:
1) Elabore um código que determina as previsões das
ações da Apple com o método Holt-Winters.
2) Altere o último código e analise (com previsão) as
ações da Amazon.
3) Modifique (reduza) o valor do ruído branco e observe
como os modelos elaborados se comportam.
Ficou faltando algo? Talvez vocês possam encontrar
mais detalhes aqui:
Até a próxima pessoal!
Previsão com ARIMA: análise de séries temporais
https://a-little-book-of-r-for-time-series.html