Se você possui dados cronológicos, dados da série ietime, existem "conhecidos" e aguardando descoberta são os "desconhecidos". Por exemplo, se você tiver uma sequência de pontos de dados por 10 períodos, como 1,9,1,9,1,5,1,9,1,9, com base nessa amostra, é possível esperar razoavelmente 1,9,1,9 , ... surgir no futuro. O que a análise dos dados revela é que há uma leitura "incomum" no período 6, mesmo estando dentro dos limites de + -3 sigma, sugerindo que o DGF não se manteve. Desmascarar o Inlier / Outlier nos permite revelar coisas sobre os dados. Também observamos que o valor médio não é o valor esperado. Essa idéia se estende facilmente à detecção de turnos médios e / ou tendências de horário local que podem ter sido desconhecidos antes da análise dos dados (geração de hipóteses). Agora é bem possível que as próximas 10 leituras também sejam 1,9,1,9, 1,5,1,9,1,9 sugerindo que o "5" não é necessariamente desagradável. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. 9 sugerindo que o "5" não é necessariamente desagradável. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. 9 sugerindo que o "5" não é necessariamente desagradável. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. não é necessariamente desagradável. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. não é necessariamente desagradável. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. Se observarmos um processo de erro de um modelo adequado que exibe uma variação não constante comprovável, poderemos revelar um dos seguintes estados da natureza: 1) os parâmetros podem ter mudado em um determinado momento; 2. Pode haver necessidade de Análise Ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. Pode haver uma necessidade de análise ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. Pode haver uma necessidade de análise ponderada (GLS); 3. Pode ser necessário transformar os dados por meio de uma transformação de energia; 4. Pode haver uma necessidade de modelar a variação dos erros. Se você tiver dados diários, uma boa análise poderá revelar que existe uma janela de resposta (estrutura de leads, contemporânea e de atraso) ao redor de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. contemporânea e atrasada) em torno de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional. contemporânea e atrasada) em torno de cada feriado, refletindo um comportamento consistente / previsível. Você também pode revelar que determinados dias do mês têm um efeito significativo ou que as sextas-feiras antes de um feriado de segunda-feira têm uma atividade excepcional.