1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Instituto de Ciências Exatas e Naturais do Pontal (ICENP / Pontal)
  3. TCC - Matemática (Ituiutaba / Pontal)
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/41937
Full metadata record
DC FieldValueLanguage
dc.creatorMaramarque, Giulio Cesar Mirabella-
dc.date.accessioned2024-07-30T18:19:58Z-
dc.date.available2024-07-30T18:19:58Z-
dc.date.issued2024-04-26-
dc.identifier.citationMARAMARQUE, Giulio Cesar Mirabella. Modelagem e previsão de preços de minério de ferro: um estudo utilizando ARIMA e Random Forest Regressor. 2024. 36 f. Trabalho de Conclusão de Curso (Graduação em Matemática) - Universidade Federal de Uberlândia, Ituiutaba, 2024.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/41937-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/us/*
dc.subjectPrevisão estatísticapt_BR
dc.subjectSéries temporaispt_BR
dc.subjectAprendizado de máquinapt_BR
dc.titleModelagem e previsão de preços de minério de ferro: um estudo utilizando ARIMA e Random Forest Regressorpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor-co1Mundim, Arianne Alves S.-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/3733333734437159pt_BR
dc.contributor.advisor1Brandão, Milena Almeida L.-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9709169646491980pt_BR
dc.contributor.referee1Silva, Homero-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1349352064493469pt_BR
dc.contributor.referee2Alves, Gabriella-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0373047099070753pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1763861777941083pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste estudo analisa o desempenho de dois modelos de previsão estatística aplicados ao mercado de minério de ferro. O primeiro modelo adotado ´e o ARIMA, uma abordagem tradicional amplamente utilizada em previsão temporal, enquanto o segundo e o Random Forest Regressor, uma técnica de aprendizado de máquina mais recente e flexível. O objetivo ´e avaliar a capacidade de cada modelo em prever os preços futuros do minério de ferro com base em dados históricos. Para isso, foram empregadas duas métricas de erro, são elas: MAPE (Erro Percentual Absoluto Médio) e MAE (Erro Absoluto Médio). A análise foi conduzida utilizando o histórico de preços do minério de ferro desde janeiro de 1980 até outubro de 2023 e o incremento de variáveis externas como: Produção de Aço e Consumo de Aço, ambas no mercado brasileiro com dados de janeiro de 2013 a outubro 2023. Os resultados obtidos foram submetidos a uma análise comparativa detalhada, destacando as vantagens e desvantagens de cada modelo em termos de precisão de previsão. Esta pesquisa proporciona uma análise para o mercado de minério de ferro e oferece uma base para futuros estudos e desenvolvimentos na área de previsão de preços de commodities.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseMatemáticapt_BR
dc.sizeorduration36pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOSpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE MULTIVARIADApt_BR
dc.orcid.putcode164638479-
Appears in Collections:TCC - Matemática (Ituiutaba / Pontal)

Files in This Item:
File Description SizeFormat 
ModelagemPrevisãoPreços.pdf1.47 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons