Uma Abordagem Híbrida para Identificação e Modelagem de Componentes Estocásticos e Determinísticos presentes em Séries Temporais

Resumo

A análise de dados experimentais visa desenvolver métodos e técnicas que permitam compreender o comportamento do sistema que os gerou. A representação desses dados por meio de séries temporais auxilia na análise de comportamentos e tendências, bem como na obtenção de boas estimativas para observações futuras. No entanto, estudos comprovam que séries temporais oriundas de sistemas reais (ou seja, não sintéticas) apresentam componentes determinísticos e estocásticos. Para tanto, a grande maioria das técnicas existentes empregam modelos estocásticos, os quais tendem a desconsiderar componentes determinísticos. Entende-se que tanto os componentes estocásticos quanto os determinísticos exercem influência nas observações de séries e são muito importantes para a modelagem, estimação e predição de observações. Portanto, a desconsideração de um desses componentes tende a aumentar o erro propagado entre valores esperados e preditos de uma série. Por esta razão, este trabalho propõe uma abordagem para segmentação de séries temporais em seus componentes determinísticos e estocásticos, a fim de que todas observações sejam consideradas por um modelo híbrido de maior acurácia. Pretende-se avaliar esse modelo por meio de experimentos com conjuntos de dados climáticos e médicos, cuja modelagem possa fornecer contribuição social relevante para o país.