Libro disponible en 5 dias hábiles.

b'Na Previs\xe3o De S\xe9ries Temporais, Alguns Autores Sup\xf5em Que Um M\xe9todo De Previs\xe3o Individual (Por Exemplo, Um Modelo Arima) Produz Res\xedduos (Ou Erros De Previs\xe3o) Semelhantes A Um Processo De Ru\xeddo Branco (Imprevis\xedvel). No Entanto, Principalmente Devido \xc0s Estruturas De Autodepend\xeancia N\xe3o Mapeadas Por Um M\xe9todo Preditivo Individual, Tal Suposi\xe7\xe3o Pode Ser Facilmente Violada Na Pr\xe1tica.\nEsta Tese Prop\xf5e Um Previsor H\xedbrido Wavelet (Phw), Que Integra As Seguintes T\xe9cnicas: Decomposi\xe7\xe3o Wavelet; Modelos Arima; Redes Neurais Artificiais (Rnas); Combina\xe7\xe3o De Previs\xf5es; Programa\xe7\xe3o Matem\xe1tica N\xe3o Linear E Bootstrap. Em Termos Gerais, O Phw Proposto Aqui \xc9 Capaz De Capturar, Ao Mesmo Tempo, Estruturas Com Autodepend\xeancia Linear Por Meio De Uma Combina\xe7\xe3o Linear Wavelet (Clw) De Modelos Arima (Cujo Ajuste Num\xe9rico \xd3timo Ocorre Por Programa\xe7\xe3o Matem\xe1tica N\xe3o Linear) E N\xe3o Linear (Usando Uma Rna Wavelet Autom\xe1tica), Exibidas Pela S\xe9rie De Tempo A Ser Predita.\nDiferentemente De Outras Abordagens H\xedbridas Existentes Na Literatura, As Previs\xf5es H\xedbridas Produzidas Pelo Phw Proposto Levam Em Conta, Atrav\xe9s Da Abordagem De Decomposi\xe7\xe3o Wavelet, As Informa\xe7\xf5es Oriundas Da Frequ\xeancia Espectral Presentes Na S\xe9rie Temporal Subjacente. Os Resultados Estat\xedsticos Mostram Que A Metodologia H\xedbrida Supracitada Alcan\xe7ou Ganhos De Precis\xe3o Relevantes No Processo Preditivo De Quatro S\xe9ries De Tempo Diferentes Bem Conhecidas, Quando Se Compara Com Outras Meteorologistas Competitivas.'