Modelagem e análise de processos estocásticos aplicados a dados portuários e séries temporais: cadeias de Markov, modelos ARIMA e análise exploratória.
| Arquivo | Descrição |
|---|---|
proc_estoc.ipynb |
Introdução a bibliotecas de programação estocástica (PySP/Pyomo, PyMC) e cadeias de Markov com exemplo de locação de veículos |
ARIMA - Parte 1.ipynb |
Ajuste de modelos AR(2) e AR(3) a uma série temporal; cálculo de valores ajustados e MSE comparativo |
ARIMA - Parte 2.ipynb |
Modelos ARIMA completos: teste ADF de estacionariedade, ACF/PACF, seleção de ordem e diagnóstico de resíduos (Ljung-Box) |
Atv1.ipynb |
Dados reais: análise exploratória estatística dos tempos de atracação de embarcações no Porto de São Sebastião (dataset ANTAQ) |
Atv2.ipynb |
Seleção automática do melhor ARIMA por grid-search em (p,d,q) via AIC e previsão de duas séries temporais |
2024TemposAtracacao.xlsx |
Dataset ANTAQ — tempos de atracação (entrada de dados para Atv1) |
Atv2.xlsx |
Séries temporais para modelagem em Atv2 |
Análise exploratória completa do dataset real de tempos de atracação da ANTAQ: distribuição dos tempos por tipo de carga, sazonalidade, estatísticas descritivas e visualizações.
Grid-search sobre combinações de ordens
- Cadeias de Markov: matriz de transição, estado estacionário
- Estacionariedade e teste ADF (Augmented Dickey-Fuller)
- Funções de autocorrelação (ACF) e autocorrelação parcial (PACF)
- Modelos AR, MA, ARMA, ARIMA
- Critério de informação de Akaike (AIC)
- Teste de Ljung-Box para diagnóstico de resíduos
statsmodels, pandas, numpy, matplotlib, scipy, openpyxl