Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/374 |
Resumo: | Os modelos estatísticos de previsão são ferramentas importantes que ajudam a antecipar futuros cenários. Assim, estes contribuem para o planejamento, dimensionamento e alocação de recursos que permitem a redução de custos decorrentes de decisões equivocadas. Utilizar estes modelos tem como objetivo central prever acontecimentos futuros com o propósito de reduzir o risco na tomada de decisão. Entretanto, para utilizá-los é necessário que se faça um bom projeto de sistema de previsão. Aliado a este projeto, é essencial que existam procedimentos que ajudem na avaliação e no monitoramento de seu desempenho ao longo do tempo. Não importa quanto esforço foi realizado no desenvolvimento do modelo de previsão e o quão eficiente é o modelo inicialmente, com o tempo é provável que o desempenho deste modelo se deteriore. As previsões são realizadas com base em séries temporais e para monitorá-las é necessário utilizar os erros que essas previsões geram. Estes erros, que também geram séries temporais, são avaliados de acordo com diversos métodos. Portanto, para saber se uma previsão continua eficiente, é necessário monitorar os seus erros e, caso apresente mudanças, de acordo com os métodos de avaliação, será necessário refazer a previsão. Esta dissertação apresenta o estudo comparativo dos métodos que fazem o monitoramento dos modelos de previsão. Os métodos estudados são as cartas de controle de média móvel exponencialmente ponderada (EWMA), carta de controle de soma acumulada (CUSUM) e os Tracking Signals (TS). O objetivo deste estudo é identificar o melhor método para a detecção de séries lineares e analisar, através da simulação, qual o melhor método e também estabelecer regras e/ou padrões dessas detecções, fazendo a combinação do método com a carta farol. Para isso foram utilizadas e simuladas as séries temporais lineares e não lineares. As séries temporais lineares demonstram que a previsão está sob controle e as séries não lineares apresentam o pior cenário de uma previsão. Neste estudo foram realizados testes com a junção de séries lineares e não lineares no ponto determinado para verificar se os métodos eram capazes de detectar essa mudança. Foram realizadas quatro etapas para o estudo, sendo a última etapa a mais importante na combinação da carta farol com o TS. A conclusão presente na dissertação aponta que o Tracking Signal possui um desempenho superior quando combinado com a carta farol. |
id |
UFEI_280b603b1626fab245b414fef10298b2 |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/374 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2016-02-192016-03-08T12:23:33Z2016-03-08T12:23:33ZTAMAKI, Danielle Mayumi Campos. Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. 2016. 111 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2016.https://repositorio.unifei.edu.br/jspui/handle/123456789/374Os modelos estatísticos de previsão são ferramentas importantes que ajudam a antecipar futuros cenários. Assim, estes contribuem para o planejamento, dimensionamento e alocação de recursos que permitem a redução de custos decorrentes de decisões equivocadas. Utilizar estes modelos tem como objetivo central prever acontecimentos futuros com o propósito de reduzir o risco na tomada de decisão. Entretanto, para utilizá-los é necessário que se faça um bom projeto de sistema de previsão. Aliado a este projeto, é essencial que existam procedimentos que ajudem na avaliação e no monitoramento de seu desempenho ao longo do tempo. Não importa quanto esforço foi realizado no desenvolvimento do modelo de previsão e o quão eficiente é o modelo inicialmente, com o tempo é provável que o desempenho deste modelo se deteriore. As previsões são realizadas com base em séries temporais e para monitorá-las é necessário utilizar os erros que essas previsões geram. Estes erros, que também geram séries temporais, são avaliados de acordo com diversos métodos. Portanto, para saber se uma previsão continua eficiente, é necessário monitorar os seus erros e, caso apresente mudanças, de acordo com os métodos de avaliação, será necessário refazer a previsão. Esta dissertação apresenta o estudo comparativo dos métodos que fazem o monitoramento dos modelos de previsão. Os métodos estudados são as cartas de controle de média móvel exponencialmente ponderada (EWMA), carta de controle de soma acumulada (CUSUM) e os Tracking Signals (TS). O objetivo deste estudo é identificar o melhor método para a detecção de séries lineares e analisar, através da simulação, qual o melhor método e também estabelecer regras e/ou padrões dessas detecções, fazendo a combinação do método com a carta farol. Para isso foram utilizadas e simuladas as séries temporais lineares e não lineares. As séries temporais lineares demonstram que a previsão está sob controle e as séries não lineares apresentam o pior cenário de uma previsão. Neste estudo foram realizados testes com a junção de séries lineares e não lineares no ponto determinado para verificar se os métodos eram capazes de detectar essa mudança. Foram realizadas quatro etapas para o estudo, sendo a última etapa a mais importante na combinação da carta farol com o TS. A conclusão presente na dissertação aponta que o Tracking Signal possui um desempenho superior quando combinado com a carta farol.Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisItajubáUniversidade Federal de Itajubá111 p.Previsão de sériesTracking signalCarta CUSUMCarta EWMACarta farolForecasting seriesCUSUM ChartEWMA ChartPre-control chartBALESTRASSI, Pedro PauloEngenharia de ProduçãoQualidade e ProdutoTAMAKI, Danielle Mayumi CamposPrograma de Pós-Graduação: Mestrado - Engenharia de ProduçãoIEPG - Instituto de Engenharia de Produção e Gestãoporreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEIinfo:eu-repo/semantics/openAccessORIGINALdissertacao_tamaki_2016.pdfdissertacao_tamaki_2016.pdfapplication/pdf2716784https://repositorio.unifei.edu.br/jspui/bitstream/123456789/374/1/dissertacao_tamaki_2016.pdf465d908fd06b574b35ebdf7e6d5838e8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/374/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/3742024-03-04 15:35:03.151oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442024-03-04T18:35:03Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
title |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
spellingShingle |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. TAMAKI, Danielle Mayumi Campos |
title_short |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
title_full |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
title_fullStr |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
title_full_unstemmed |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
title_sort |
Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. |
author |
TAMAKI, Danielle Mayumi Campos |
author_facet |
TAMAKI, Danielle Mayumi Campos |
author_role |
author |
dc.contributor.author.fl_str_mv |
TAMAKI, Danielle Mayumi Campos |
description |
Os modelos estatísticos de previsão são ferramentas importantes que ajudam a antecipar futuros cenários. Assim, estes contribuem para o planejamento, dimensionamento e alocação de recursos que permitem a redução de custos decorrentes de decisões equivocadas. Utilizar estes modelos tem como objetivo central prever acontecimentos futuros com o propósito de reduzir o risco na tomada de decisão. Entretanto, para utilizá-los é necessário que se faça um bom projeto de sistema de previsão. Aliado a este projeto, é essencial que existam procedimentos que ajudem na avaliação e no monitoramento de seu desempenho ao longo do tempo. Não importa quanto esforço foi realizado no desenvolvimento do modelo de previsão e o quão eficiente é o modelo inicialmente, com o tempo é provável que o desempenho deste modelo se deteriore. As previsões são realizadas com base em séries temporais e para monitorá-las é necessário utilizar os erros que essas previsões geram. Estes erros, que também geram séries temporais, são avaliados de acordo com diversos métodos. Portanto, para saber se uma previsão continua eficiente, é necessário monitorar os seus erros e, caso apresente mudanças, de acordo com os métodos de avaliação, será necessário refazer a previsão. Esta dissertação apresenta o estudo comparativo dos métodos que fazem o monitoramento dos modelos de previsão. Os métodos estudados são as cartas de controle de média móvel exponencialmente ponderada (EWMA), carta de controle de soma acumulada (CUSUM) e os Tracking Signals (TS). O objetivo deste estudo é identificar o melhor método para a detecção de séries lineares e analisar, através da simulação, qual o melhor método e também estabelecer regras e/ou padrões dessas detecções, fazendo a combinação do método com a carta farol. Para isso foram utilizadas e simuladas as séries temporais lineares e não lineares. As séries temporais lineares demonstram que a previsão está sob controle e as séries não lineares apresentam o pior cenário de uma previsão. Neste estudo foram realizados testes com a junção de séries lineares e não lineares no ponto determinado para verificar se os métodos eram capazes de detectar essa mudança. Foram realizadas quatro etapas para o estudo, sendo a última etapa a mais importante na combinação da carta farol com o TS. A conclusão presente na dissertação aponta que o Tracking Signal possui um desempenho superior quando combinado com a carta farol. |
publishDate |
2016 |
dc.date.issued.fl_str_mv |
2016-02-19 |
dc.date.available.fl_str_mv |
2016-03-08T12:23:33Z |
dc.date.accessioned.fl_str_mv |
2016-03-08T12:23:33Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
TAMAKI, Danielle Mayumi Campos. Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. 2016. 111 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2016. |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/374 |
identifier_str_mv |
TAMAKI, Danielle Mayumi Campos. Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais. 2016. 111 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2016. |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/374 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Mestrado - Engenharia de Produção |
dc.publisher.department.fl_str_mv |
IEPG - Instituto de Engenharia de Produção e Gestão |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/374/1/dissertacao_tamaki_2016.pdf https://repositorio.unifei.edu.br/jspui/bitstream/123456789/374/2/license.txt |
bitstream.checksum.fl_str_mv |
465d908fd06b574b35ebdf7e6d5838e8 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863238441238528 |