Logística/Técnicas de previsão/Decomposição de séries temporais: diferenças entre revisões

[edição não verificada][edição não verificada]
Conteúdo apagado Conteúdo adicionado
Correcções
Correcções
Linha 1:
Muitos métodos de previsão baseiam-se no conceito de que quando existe uma tendência numa série de dados, essa tendência pode ser por alisamento (calculando a [[w:Média|média]]) dos valores no passado. O efeito deste alisamento é eliminar a [[w:Aleatoriedade|aleatoriedade]], separada da aleatoriedade de modo a que a tendência possa ser projectada no [[w:Futuro|futuro]] e utilizada como previsão. Em muitos casos a tendência pode ser separada (decomposta) em sub-tendênciassubtendências que identificam cada um dos componentes da [[w:Série temporal|série temporal]] em separado. Esta separação pode, frequentemente, ajudar a compreender melhor o comportamento da série, o que proporciona previsões com maior precisão.
 
Geralmente, os métodos de decomposição tentam identificar duas componentes distintas do padrão básico, que caracterizam a [[w:Economia|economia]] e séries de [[w:Negócio|negócios]]. Estas são as [[w:Tendência|tendências]] de ciclo e os factores sazonais. O factor sazonal refere-se a flutuações [[w:Periodicidade|periódicas]] de comprimento [[w:Constante|constante]] como por exemplo a [[w:Temperatura|temperatura]], a [[w:Precipitação (meteorologia)|precipitação]], o mês do ano ou a época de [[w:Férias|férias]]. A tendência representa o ciclo de mudanças a [[w:Longo prazo e curto prazo|longo prazo]] no nível da série. A tendência de ciclos é, por vezes separada em componentes de tendência e ciclicidade, mas a distinção é um pouco artificial e muitos procedimentos da decomposição abordam a tendência e a ciclicidade, como um único componente conhecido como a tendência-ciclo.
Linha 5:
A decomposição pressupõe que os dados são compostos da seguinte forma:
 
''Dados = padrão + erro = f(tendência-ciclo, sazonalidade, erro)''
 
Assim, em adição aos componentes do padrão, é também assumida a presença de um elemento de erro ou aleatoriedade. Este erro é assumido como sendo a diferença entre o efeito combinado das duas subtendências da série e os dados reais. Por isso, muitas vezes é chamado de componente "irregular".