Previso de cargas por sries temporais - tpicos Vladimiro Miranda Departamento de Engenharia Electrotcnica e de Computadores Faculdade de Engenharia da Universidade

do Porto, Portugal Verso 1.0 - Out 2002

Este texto foi preparado para apoio introduo do tema aos alunos das disciplinas de DE da LEEC da FEUP.

1. INTRODUO Na actividade de uma empresa concessionria do sector elctrico, a previso de consumos ou cargas uma pea essencial na conduo do negcio, seja este visto na perspectiva tradicional da empresa monopolista seja na perspectiva actual da competio em ambiente de mercado regulado. O processo de previso pode exercer-se sobre objectos diversos e sob formas variadas, e tambm tendo em conta horizontes temporais e espaciais muito distintos. Para certos objectivos de planeamento, pode ser necessria uma previso da evoluo dos consumos a longo ou muito longo prazo, 20 anos por exemplo; na conduo ou explorao de uma rede, para efectura um despacho econmico de gerao, por exemplo, pode ser indispensvel uma previso em tempo real abrangendo de alguns minutos at poucas horas. Por outro lado, em exerccios de planeamento dos sistemas de gerao-transporte, importa ter em conta a evoluo da carga agregada a nvel nacional ou regional, enquato que para planeamento das redes de distribuio de energia elctroca se torna indispensvel dispor de instrumentos de previso espacial de carga (ou seja, no s como evolui no tempo mas tambm como se distribui geograficamente a procura). Quando as necessidades de previso apenas se referem evoluo temporal da carga, mesmo assim o exerccio de previso pode revestir-se de aspectos de muita complexidade. H um certo nmero de factores que influenciam notavelmente a evoluo da carga e que podem ser sumariados em: Factores econmicos Factores cronolgicos Factores meteorolgicos Acontecimentos fortuitos, sociais ou outros

A envolvente econmica na qual opera a empresa concessionria determinante na explicao da evoluo do consumo. Factores demogrficos, econmicos ou sociais, o nvel de actividade industrial ou agrcola, o crescimento demogrfico e outros indicadores, todos influenciam o consumo no curto e no mdio e longo prazo. De entre os factores cronolgicos, h que considerar os sazonais (inverno, vero), o dia da semana, a hora do dia, a existncia de feriados. Por exemplo, se o perodo de inverno pode levar a um aumento de consumo de energia para aquecimento, o nvel de desenvolvimento econmico e a localizao geogrfica podem levar a que no perodo de vero se acentue a procura de energia para climatizao ambiente. As condies meteorolgicas tambm podem influenciar decisivamente a carga. De entre todos os factores, a temperatura atmosfrica reconhecidamente o de maior impacto, em especial nas regies temperadas (como em Portugal) e frias do globo, para fins de aquecimento, pois nessas zonas que podem ocorrer maiores amplitudes trmicas. Por contraste, nas zonas equatoriais, se bem que haja necessidade de energia para climatizao, no h substanciais variaes de temperatura ao ongo do ano (como por exemplo em Singapura) e portanto a temperatura um factor de menor relevo. Para alm disto, acontecimentos fortuitos podem ainda influenciar notavelmente a evoluo da carga: um jogo de futebol importante, um programa de televiso especial, um festival pblico Usualmente, a ocorrncia destes acontecimentos pode ser conhecida a priori mas o seu efeito sobre a carga incerto. Quando apenas importa a evoluo temporal da carga de um sistema, uma das tcnicas modernamente mais adoptadas a que recebe o nome de Box e Jenkins aplicada a sries temporais [1]. As razes deste sucesso

1/12

prendem-se com a relativamente fcil compreenso e implementao da tcnica e com a preciso nos resultados que muitas vezes se obteve. Nos pargrafos seguintes ser apresentada uma descrio sucinta dos fundamentos desta tcnica de estudo das sries temporais, sendo certo que desde a sua concepo j sofreu densas evolues cuja descrio ultrapassa o mbito destas notas. 2. EXEMPLOS DE SRIES TEMPORAIS Eis alguns exemplos de sries temporais, que poderemos utilizar para efectura exerccios de aplicao experimental das tcnicas que a seguir sero explicadas. 2.1. Concentrao de CO2 na atmosfera A primeira srie que servir de exemplo respeita a concentraes mdias de CO2 na atmosfera, registadas no observatrio de Mauna Loa, Hawaii, de 1974 a 1987. Estas concentraes foram monitoradas pelo analisador contnuo de infra-vermelhos da Diviso de Monitoramento Geofsico para a Mudana Climtica do Laboratrio de Recursos Atmosfricos do NOAA (National Oceanic and Atmospheric Administration, USA) [2]

355 350 345 340 335 330 325 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988

Figura 1 Concentrao mensal de CO2 como o rcio de mistura em ar seco, expressa na escala de fraces molares WMO X85, registada no Scripps Institution of Oceanography A Figura 1 ilustra a evoluo da srie. claro que esta srie nos desperta a ateno para o problema ambiental global do efeito de estufa e permite um conjunto de reflexes importante, se bem que fora do mbito do presente texto. Observando-a, constatamos um comportamento sazonal e uma tendncia de fundo continuamente crescente. 2.2. Oscilaes de presso atmosfrica A diferena de presso atmosfrica barimtrica entre Tahiti e as Ilhas Darwin (oceano Pacfico), ao nvel do mar, conhecida como Southern Oscillation (traduzamo -lo por oscilao meridional). A oscilao meridional usada como preditor do fenmeno conhecido como El Nio, reconhecido como condicionador global do clima do planeta. Mais concretamente, oscilaes meridionais com valores inferiores a 1 tipicamente anunciam um El Nio (que decorre da assuno, superfcie do oceano, de correntes quentes habitualmente circulando em profundidade, provocando um aquecimento anormal das guas nas costas do Peru e Equador). Ser interessante poder prever a ocorrncia de um El Nio, pelas implicaes planetrias que o fenmeno tem. O de 1998 foi muito importante, e em 2002 observou-se o reaparecimento do fenmeno, embora com menor intensidade.

2/12

1954

1956

1958

1960

1962

1964

1966

1968

1970

1972

1974

1976

1978

1980

1982

1984

1986

1988

1990

1992

4 3 2 1 0 -1 -2 -3 -4

Figura 2 Oscilao meridional: mdia mensal da diferena de presso barimtrica entre Tahiti e as Ilhas Darwin, no Oceano Pacfico 2.3. Consumos de gs em Lisboa O consumo total de gs na cidade de Lisboa, observado pela empresa Gs de Portugal, S.A., que ao tempo era concessionria da distribuio de gs de cidade, exprime-se em m3 por dia, presso de medida normalizada, valor obtido por soma dos consumos horrios registados sada da fbrica de gs. Para alm dos fins de semana, h que ter em conta tambm a ocorrncia de feriados, que influenciam o padro de consumo, perturbando a regularidade do comportamento semanal.

6000

5000

4000

3000

2000 238 245 252 259 266 273 280 287 294 301 308 315 322 329 336 343 350

Figura 3 Consumos dirios de gs de cidade em Lisboa, entre 1 de Setembro e 20 de Dezembro de 1990, registados em m3. As abcissas correspondem numerao sequencial dos dias do ano, de 1 a 365, estando assinalados os Domingos.

1994

3/12

3. MODELOS DE SRIE TEMPORAL 3.1. Conceitos bsicos Para se compreender o conceito de srie temporal, vamos exemplificar com o problema de prever a ponta de carga diria de um sistema de energia. Como dados iniciais, admita-se que conhecemos o valor da ponta do diagrama de um conjunto de dias, desde o dia antecedendo o dia t (presente) at n dias antes: {Xt-1, Xt-2, Xt-3 } Com estes dados, pretende-se conhecer (prever) a ponta de carga no dia seguinte ou nos dias seguintes, ou seja, t +d . expresso que conhecer Xt+d para d =0, 1, 2, 3. Como bvio, obter-se- quando muito uma estimativa z exprime a estimativa z t como funo de {Xt-1, Xt-2, Xt-3 } designa-se srie temporal. O objectivo da tcnica procurar uma definio desta funo que minimize o desvio quadrtico entre a previso e o valor que realmente 2 acontece, ou seja, que minimize ( X t + d X t+ d ) . A ideia bsica das sries temporais que o valor seguinte de uma srie se pode explicar a partir dos valores anteriores, mais a influncia de perturbaes aleatrias ocorrendo em cada momento, formando uma srie de rudo branco. Consoante estas influncias se combinam, obtm-se diveros formatos de modelos. 3.2. A mdia e a varincia A mdia X de uma srie de N observaes dada simplesmente por

X=

1 N

Xk
k =1

A varincia numa srie de N observaes dada, como habitualmente, por

V( X) =

1 N

(X k X) 2
k =1

3.3. Alisamento de uma srie mdia mvel Pode interessar atenuar ou cancelar certos efeitos resultantes de perturbaes aleatrias. Para tal, pode-se recorrer a tcicas de alisamento (smoothing) da srie, sendo um dos mtodos bsicos o chamado da mdia mvel. O processo mais simples construir uma nova srie, construindo-a a partir da mdia de trs elementos consecutivos da srie original. Comea-se pelos primeiros trs e o processo repete-se, avanando sucessivamente um perodo de tempo. A nova srie resulta com os picos atenuados devido ao efeito do clculo de mdias de trs elementos e por isso se fala em alisamento da srie. Na Figura 4 apresenta-se uma srie, bem como o respectivo valor mdio e ainda o seu alisamento por uma mdia mvel de dimenso 3. O alisamento tambm pode conduzir subtraco, a uma srie, de efeitos sazonais. Por exemplo, numa srie representando pluviosidades mensais, estendida por vrios anos, uma mdia mvel de dimenso 12 atenuaria certamente as oscilaes de pluviosidade dentro de cada ano, permitindo evidenciar a tendncia de fundo anual.
3,5 3 2,5 2 1,5 0 5 10 15 20

Figura 4 Uma srie temporal, o seu valor mdio e o seu alisamento por uma mdia mvel de dimenso 3 4/12

Srie original 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 3,16 2,57 2,4 2,76 2,37 2,83 3,04 2,65 2,4 2 2,33 2,75 2,46 2,91 3,04 3,17 2,76 2,55 2,36 2,47

Srie alisada por mdia mvel de dimenso 3 2,710 2,577 2,510 2,653 2,747 2,840 2,697 2,350 2,243 2,360 2,513 2,707 2,803 3,040 2,990 2,827 2,557 2,460

3.4. Estacionaridade Um pressuposto comum em muitas tcnicas lidando com uma srie temporal que esta estacionria. Um processo estacionrio tem a propriedade de que a sua mdia e varincia no variam com o tempo. possvel definir o carcter estacionrio de uma srie em termos matemticos rigorosos, mas para o nosso propsito interessa-nos verificar que a srie tem um aspecto plano, sem exibir tendncia crescente ou decrescente, com disperso regular em torno da mdia e sem flutuaes peridocas indicando sazonalidade. Se a srie no for estacionria, habitualmente possvel convert-la numa outra estacionria recorrendo a algumas tcnicas apropriadas: a) se os dados revelam uma tendncia (trend) crescente ou decrescente, pode tentar-se ajustar uma curva e subtra-la aos dados, ficando com uma srie de resduos. Como o propsito do ajustamento remover a tendncia de longo prazo, habitualmente um ajustamento de uma recta suficiente;

b) se a varincia no constante, extrair o logaritmo ou a raiz quadrada da srie pode ajudar a estabiliz-la. c) Em qualquer caso, pode-se diferenciar a srie. Isto , dada uma srie com elementos Xj , constri-se a srie das diferenas Yj

Y j = X j X j1
A srie diferenciada conter menos um ponto que a original. Embora se possa diferenciar uma srie mais do que uma vez, comum que uma diferenciao seja suficiente. Na Figura 5 ilustra-se como a diferenciao contribui para criar uma srie estacionria. Como evidente, a partir de uma srie diferenciada pode

5/12

reconstituir-se uma srie original por integrao, ou seja, pela soma acumulada dos elementos da srie diferenciada.
9 8 7 6 5 Srie 4 3 2 1 0 -1 0 20 40 60 80 100 Srie diferenciada

Figura 5 - Uma srie temporal e a respecvtiva srie diferenciada com atraso 1. Observe-se como a srie diferenciada tem comportamento estacionrio Neste exemplo, efectuou-se uma diferenciao de atraso 1, isto , a diferenciao consegue-se pela subtraco de elementos com um intervalo de distncia entre eles. Introduzindo o operador k como diferenciao de atraso k, poderamos escrever a srie diferenciada de atraso k como

X k = X j X j k
3.5. Sazonalidade Por sazonalidade de uma srie, entendem-se flutuaes peridicas que normalmente so de alguma forma reconhecveis ou que se intuem a partir do conhecimento exgeno das causas originadoras da srie. Por exemplo, o consumo de energia elctrica apresenta uma sazonalidade em diversos graus: diria, semanal, anual, etc. Se a sazonalidade est presente numa srie temporal, ela deve ser includa no modelo da srie. Para se detectar a sazonalidade de uma srie, podem-se usar vrios processos: a) um grfico da srie evidencia muitas vezes a sazonalidade

b) um diagrama da funo de auto-correlao (a descrever em pargrafos seguintes) pode ajudar a identificar sazonalidades. 3.6. Modelos auto-regressivos (AR) Num processo autoregressivo, o valor presente da srie temporal Xt expresso linearmente em termos dos valores passados da srie e da perturbao aleatria at ocorrendo no instante t. A ordem deste processo depende do valor mais antigo sobre o qual a regresso tem lugar. Num processo auto-regressivo de ordem p , o modelo pode escrever-se como

X t = + 1 X t1 + 2 X t 2 + ...+ p X t p + a t
em que os vrios i so constantes reais e a srie dos at apresenta distribuio normal de valores independentes. Um modelo autoregressivo simplesmente uma regresso linear do valor corrente da srie sobre um ou mais dos valores anteriores da srie. Por isso, estes modelos podem ser criados usando a tcnica dos mnimos quadrados, e tm uma interpretao fcil.

6/12

3.7. Modelos de mdia mvel (MA moving average) Num processo dito de mdia mvel, o valor presente da srie expressa-se em funo dos valores presente e passados das perturbaes aleatrias, que formam uma srie de rudo branco. A ordem deste processo depende do valor mais antigo da srie de rudo branco considerado; para um processo de mdia mvel de ordem q , a srie exprime-se como

X t = m + a t 1 a t 1 2 a t 2 ... p a t q
em que os vrios j so constantes reais. Isto , um modelo de mdia mvel constri-se como uma regresso linear do valor presente da srie sobre as perutrbaes aleatrias de um ou mais valores anteriores da srie. Admite-se que estas perturbaes so geradas por uma mesma distribuio, habitualmente normal, de mdia e desvio padro constantes. Este modelo difere do anterior na medida em que cada perturbao aleatria se propaga para os valores futuros da srie. Por causa disto, mais complicado efectuar-se um ajustamento desta srie e no se pode usar um modelo linear de mnimos quadrados. Alm disso, os modelos MA so e mais difcil interpretao que os AR. 3.8. Modelos mistos auto-regressivos e de mdia mvel (ARMA) Box e Jenkins popularizaram uma tcnica que combina as caractersticas dos modelos autoregressivos AR e de mdia mvel MA. Embora estes modelos fossem j conhecidos e investigados, a contribuio de Box e Jenkins foi o desenvolvimento de um processo eficaz e sistemtico de identificao e estimao de modelos que pudessem incorporar em simultneo ambas caractersticas. O processo de Box e Jenkins dito de tipo ARMA combina os dois efeitos anteriores. Um processo de ordem p,q representa-se por

X t = + 1 X t1 + 2 X t 2 + ...+ p X t p + a t 1 a t 1 2 a t 2 ... p a t q
O modelo de Box e Jenkins assume que a srie estacionria. Nalguns casos, subtrai-se a srie do valor mdio, para se trabalhar com uma srie de mdia nula. 3.9. Modelos auto-regressivos integrados e de mdia mvel (ARIMA) Os processos definidos anteriormente so estacionrios. Significa isto que a mdia da srie temporal e as covarincias entre as suas observaes no variam com o tempo. Se o processo no for estacionrio, ter que se proceder sua estacionarizao. A estacionarizao de uma srie temporal recomendada por Box e Jenkins consegue obter-se com operaes de diferenciao, mesmo que aplicada sucessivas vezes. srie estacionarizada aplica-se ento um modelo ARMA. Assim, ARIMA corresponde ento a um processo auto-regressivo integrado com mdia mvel. A designao integrado explica-se pelo facto de se reconstruir a srie original a partir da srie diferenciada, por uma operao de integrao ou soma recursiva. 4. PROPRIEDADES DE UMA SRIE 4.1. Autocorrelao O conceito de covarincia entre duas variveis pretende avaliar at que ponto que a variao de uma est associada variao da outra. Para duas variveis discretas Y e Z discretas, a covarincia em p medidas dada por

Cov ( Y, Z) =

1 N

(Yk Y)(Z k Z) , onde Y e Z correspondem aos respectivos valores mdios.

k =1

O conceito de coeficiente de correlao corresponde a um escalamento da covarincia entre 1 e 1, com a normalizao da covarincia pela mdia geomtrica das varincias de cada uma das variveis:

Cov( Y, Z) V(Y) V( Z)

ou

2 =

Cov 2 ( Y, Z) V( Y) V( Z)

7/12

Se o coeficiente de correlao estiver prximo de 1 ou 1, encontra-se uma correspondncia aproximadamente linear entre os valores de uma e os correspondentes de outra varivel. Com prximo de zero, no perceptvel uma relao entre os valores assumidos por uma varivel e por outra (ver Figura 6).

35 30 25 20 15 10 5 0 0 5 10 15 20 25 30 35 2 = 0,9953

30 25 20 15 10 5 0 0 5 10 15 20 25 30 35 2 = 0,0339

Figura 6 Representaao de duas variveis altamente correlacionadas (esquerda) e no correlacionadas (direita). A linha corresponde tendncia linear calculada pelo critrio dos mnimos quadrados. Este conceito pode estendr-se s sries temporais, buscando uma relao entre valores da srie (fazendo o papel de varivel Y) e valores da mesma srie com um certo atraso k (fazendo o papel de varivel Y). Neste caso, estamos perante a definio da autocorrelao da srie para o atraso k:

( X t , X t k ) = k =

Cov( X t , X t k ) V( X t )

j que V( X t ) = V(X t k ) , pois trata-se afinal da varincia da mesma srie. O conjunto dos k para k = 0, 1, 2, , p forma a chamada funo de autocorrelao da srie temporal. No exemplo seguinte, produziu-se uma srie com base numa funo geradora da forma

X( t ) = 0,8 * X( t 1) + Rand
onde Rand corresponde a um nmero aleatrio entre 0 e 1 produzido por uma distribuio uniforme. A Figura 7 apresenta a srie assim gerada.

8/12

4 3,5 3 2,5 2 1,5 1 0,5 0 0 50 100 150 200

Figura 7 Srie temporal gerada artificialmente

A aplicao da expresso da autocorrelao da srie, para os primeiros 30 atrasos, d coeficientes que se encontram apresentados graficamente na Figura 8.

1,2 1 0,8 0,6 0,4 0,2 0 -0,2 -0,4

Figura 8 Coeficientes de auto-correlao da srie da figura anterior o coeficiente de ordem 0 vale 1, obviamente. Note-se como, a partir de um atraso de 3 unidades de tempo, o coeficiente de autocorrelao se mantm diminuto. Para comparao, produziu-se uma nova srie com base numa funo geradora da forma

X ( t) = 0,8* X( t 1) + 0,4 * sen ( t / 2) + Rand

onde Rand corresponde a um nmero aleatrio entre 0 e 1 produzido por uma distribuio uniforme. Note-se que esta funo a anterior com a presena de um termo peridico sinusoidal sobreposto. Na Figura 9 apresenta-se o andamento da srie assim gerada.

9/12

4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 0 50 100 150 200

Figura 9 Srie artificial incluindo um termo sinusoidal

A aplicao da expresso da autocorrelao da srie, para as primeiros 30 atrasos, d coeficientes que se encontram apresentados graficamente na Figura 8.
1,2 1 0,8 0,6 0,4 0,2 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 -0,2 -0,4 -0,6 -0,8 31

Figura 10 - Coeficientes de auto-correlao da srie da figura anterior o coeficiente de ordem 0 vale 1, obviamente. Evidencia-se nitidamente a presena de um termo regular peridico. A presena de um termo claramente peridico ressalta imediatamente da figura. A identificao de uma situao desta natureza pode sugerir a necessidade de filtrar esta componente, procurando subtrair srie um termo sinusoidal, por exemplo. Quando analisamos um autocorrelograma, estamos sobretudo interessados em descobrir valores fortemente significativos e por isso valores pequenos so tomados como zero.

10/12

4.2. Autocorrelao parcial Devemos, de qualquer modo, ter em conta que as autocorrelaes para intervalos sucessivos so formalmente dependentes. Pense-se no seguinte: se o primeiro elemento da srie est fortemente relacionado com o segundo, e o segundo com o terceiro, ento o primeiro est de alguma forma tambm relacionado com o terceiro. Da que o coeficiente de autocorrelao para um atraso de ordem 2 no seja independente do coeficiente de autocorrelao para um atraso de ordem 1. Para obter uma informao sobre autocorrelaes na srie sem esta influncia em cascata, definiu-s um poutro conceito, o de funo de autocorrelao parcial. A autocorrelao parcial de atraso k corresponde autocorrelao entre Xt e Xt-k que no explicada pelos atrasos de 1 a k. O seu clculo mais elaborado do que a simples funo de autocorrelao e no o apresentaremos nestas notas. Todavia, sem uma referncia existncia desta funo, qualquer descrio do mtodode Box and Jenkins ficaria substancialmente incompleto. 5. IDENTIFICAO DE UM MODELO DE BOX E JENKINS Eis um resumo do mtodo de Box e Jenkins: Estacionaridade - o primeiro passo para desenvolver um modelo de Box e Jenkins determinar se a srie estacionria. Isto consegue-se observando se o grfico da srie apresenta uma escala constante e posicionamento estvel. Tambm se pode observar, num diagrama de autocorrelao, quando a srie no estacionria, um decaimento muito lento da funo de autocorrrelao. Sazonalidade (ou periodicidade) - a identificao de sazonalidade tambm pode fazer-se por observao directa ou por exame do diagrama da funo de autocorrelao Obteno de estacionaridade - Box e Jenkins recomendaram o processo de diferenciao para se obter a estacionaridade de uma srie, ms tambm possvel ajustar-se uma curva e trabalhar com a srie das diferenas para esta curva. Identificao das ordens p e q - isto executa-se pelo exame das funes de autocorrelao e de autocorrelao parcial, comparando os seus grficos com o respectivo comportamento terico quando as ordens p e q so conhecidas Ordem p de um processo autoregressivo - para um processo autoregressivo AR(1) de ordem 1, a funo de autocorrelao deve ter um comportamento com decaimento exponencial. Para processos AR de ordem superior, podero observar-se combinaes de aspectos de decaimento exponencial com sinusoides amoortecidas. Neste caso, interssa observar a funo de autocorrelao parcial, cujo valor para um processo AR(p) dever ser nulo para atrasos superiores a p. Ordem q de um processo de mdia mvel - um processo de mdia mvel MA pode ser indiciado por uma funo de autocorrelao com um ou mais picos. A funo de autocorrelao de um processo MA(q) anula-se parta atrasos superiores a q. A tabela seguinte resume como usar a funo de autocorrelao para identificar o modelo de uma srie temporal FORMA Exponencial, decaindo para zero MODELO INDICADO Modelo AR. Usar o grfico da funo de autocorrelao parcial para identificar a ordem p do processo Modelo AR. Usar o grfico da funo de autocorrelao parcial para identificar a ordem p do processo Modelo MA. A ordem q do modelo identificada pelo valor do atraso em que a funo se anula Modelo misto ARMA

Valores alternando entre positivos e negativos, decaindo para zero Um ou mais picos, com os restantes valores praticamente zero Decaimento s comeando aps alguns atrasos

11/12

Todos os valores perto de zero Valores elevados em intervalos fixos No se observa decaimento para zero

Daos essencialmente aleatrios Sazonalidade A srie no estacionria

6. ESTIMAO DE PARMETROS Uma vez identificado o modelo (AR, MA, ARMA, ARIMA), procede-se estimao dos seus parmetros, recorrendo-se em geral a algum processo ou algoritmo que minimiza os quadrados dos resduos ou no princpio da mxima verosimilhana. No desenvolveremos nestas notas introdutrias tais processos.

REFERNCIAS [1] Box, G.E.P., Jenkins, G.M., Time Series Analysis: Forecasting and Control, San Francisco: Holden-Day, 1970 [2] Jim Elkins, NOAA, 1988, in http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4411.htm

12/12