MTODOS OBSERVACIONAIS EM CLIMATOLOGIA E METEOROLOGIA DE MESOESCALA : NOTAS DE

AULA
Prof. Resposvel: Dra. Leila M. Vspoli de Carvalho IAG/USP
ANLISE DE SRIES TEMPORAIS
I) ALGORITMOS PARA A REMOO DO CICLO ANUAL, SEMI-ANUAL E TENDNCIAS
Referncias Bsicas :
1
Chatfield C., 1996: The Analysis of Time Series: An introduction. Chapman & Hall, fifth edition, NY. 283 pp

2
Jenkins, G. M. and D. G. Watts, 1968: Spectral Analysis and its Applications. Holden-day, SF, 525pp.
3
Wilks, D. S., 1995: Statistical methods in the Atmospheric Sciences. Academic Press, NY, 468 pp.
1) A presena de ciclos nas sries temporais de dados meteorolgicos e como trat-los
Motivao:
Uma srie temporal pode ser definida como um conjunto de observaes feitas seqencialmente no
tempo. A forma de analis-la o objeto de estudo desse curso. Assim, para que seja percebido o exato
significado do que pretendemos fazer daqui para frente, vamos observar a importncia de ciclos nas
variveis meteorolgicas que estudamos.
Onde conseguir dados meteorolgicos:
http://www.cdc.noaa.gov/cdc/data.interp_OLR.html
http://www.cdc.noaa.gov/Timeseries/
http://www.ncdc.noaa.gov/oa/climate/research/2003/may/global.html
http://wesley.wwb.noaa.gov/ncep_data/index.html
DICAS DOS PROCEDIMENTOS PARA SE OBTER SERIES TEMPORAIS A PARTIR DE REANALYSIS-2 DO NCEP
ENCONTRAM-SE AQUI (ARQUIVO .pdf):
Terminologias e conceitos importantes:
1. Sries temporais e processos estocsticos:
1.1 Funes determinsticas e no-determinsticas (JW, CH)
Uma srie temporal pode ser uma funo x aleatria ou no-determinstica de uma varivel independente
t. Na maioria das situaes, a funo x(t) ser uma funo do tempo, mas em outras situaes pode ser
uma funo de outro parmetro fsico, como por exemplo, do espao.
Uma caracterstica das sries temporais que seu comportamento futuro no pode ser previsto
exatamente, como seria o caso de uma funo determinstica do tempo.
Exerccio -1: Descreva um exemplo de uma funo determinstica, tendo como varivel
independente o tempo ou o espao ou ambos.
Desafio-1. Para acompanhar esse exerccio, voc precisara ler as discusses de Tsonis and Elsner(1989). Considere o
sistema de 3 equaes diferenciais que descrevem a conveco segundo o modelo de Lorenz (Lorenz 1963). Discuta o
que so atratores estranhos e sua implicao para a previso de tempo.
1
Contudo, muitos fenmenos naturais, embora possuam oscilaes no tempo, no podem ser descritos por
funes determinsticas. Por exemplo, podemos medir a temperatura do ar em um abrigo meteorolgico
todos os dias e verificarmos a presena de um ciclo diurno. Entretanto, no conseguimos sempre
determinar uma relao determinstica que possa ser ajustada a cada intervalo dessa srie de dados
porque diversos fatores podem estar causando variaes nessa medida (exemplo, nebulosidade, entradas
de frentes, alterao dos ventos por circulaes locais, etc.). Se compararmos uma srie temporal de
temperatura em um determinado stio em dois anos distintos, podemos verificar visualmente que esses
dois trechos da srie no se parecem um com outro. Essa observao leva a noo de PROCESSO
ESTOCSTICO. A palavra "estocstico" vem do grego e quer dizer "pessoa que
aprende sobre os eventos futuros ou coisas escondidas por meios que no esto
baseados na razo"
1.2 Processos Estocsticos (JW, WI)
Uma vez que diferentes seces de uma srie temporal se parecem uma com a outra apenas nas
suas propriedades mdias, necessrio descrever essas sries por leis de probabilidades ou modelos.
Assim, os valores possveis das sries temporais a um dado tempo t so descritos por uma VARIVEL
ALEATRIA X(t) e sua associada DISTRIBUIO DE PROBABILIDADES. O valor observado x(t) da srie
temporal no tempo t ento considerado como um dos infinitos valores nos quais a varivel X(t) pode ter
no tempo t. Em outras palavras, o comportamento da srie temporal para todos os tempos t pode ser
descrito por um conjunto de variveis aleatrias {X(t)} onde t pode ter qualquer valor entre - a +.
Assim, as propriedades estatsticas das sries so descritas por distribuies de probabilidade com
qualquer conjunto de tempos t
1
, t
2
, ..., t
N
. O conjunto ordenado de variveis aleatrias {X(t)} em
associao com sua distribuio de probabilidades chamado de PROCESSO ESTOCSTICO.
Exerccio -2 Veja outras interpretaes em:
http://pespmc1.vub.ac.be/ASC/STOCHA_PROCE.html
e
http://www.wikipedia.org/wiki/Stochastic_process
Discuta definies e exemplos meteorolgicos de: varivel aleatria; funo distribuio de probabilidade;
processos estocsticos. Usem as demais referncias se necessrio.
Desafio-2. Considere as series temporais de temperatura fornecidas no curso. Demonstre, com argumentos baseados no
que voc aprendeu no curso e leu nos sites acima, se e porque a temperatura pode ser considerada uma varivel
aleatria e sua serie temporal um processo estocstico.
Terminologias:
Sries temporais contnuas: Medidas no tempo contnuas (Ex: medidas de temperatura a partir de
um termgrafo)
Sries temporais discretas: Observaes tomadas em intervalos de tempo especficos,
usualmente igualmente espaados (Ex: temperatura mdia mensal).
2. Conceitos importantes em sries temporais:
Vimos que os processos estocsticos, a partir dos quais considera-se que a srie temporal
observada foi gerada, podem ser descritos por distribuies de probabilidades associadas com todos os
possveis conjuntos de pontos no tempo. Para inferir a natureza dessas distribuies de probabilidade a
partir de uma nica ou pequeno nmero de sries um exerccio impossvel ou de pouca significncia
prtica. Vamos discutir algumas das mais importantes simplificaes que podem ser feitas.
As suposies mais importantes feitas sobre uma srie temporal so: a) o correspondente processo
estocstico ESTACIONRIO; b) um processo estocstico estacionrio pode ser adequadamente descrito
pelos mais BAIXOS MOMENTOS (ou momentos de baixa ordem) de suas distribuies de probabilidade.
Esses momentos de baixa ordem incluem: MDIA, VARINCIA, COVARINCIA e a TRANSFORMADA DE
FOURIER DA FUNO DE COVARINCIA, O ESPECTRO DE POTNCIA. Assim, uma aproximao alternativa
supor que o processo estocstico pode ser adequadamente descrito por meio de um modelo contendo uns
poucos parmetros os quais podem ser estimados a partir dos dados. Vamos discutir essas simplificaes.
2.1. Estacionaridade (CH; WI; JW):
Suponha que voc esteja examinando uma srie temporal por um certo tempo limitado, por
exemplo, a sada obtida de um gerador de rudos. Suponha que a comparao de diferentes trechos dessa
srie mostra que diferentes seces so parecidas. Em contraste, quando voc observa a concentrao
de CO
2
global nos ltimos 100 anos ou a rea de florestas desmatadas do planeta no mesmo perodo, vai
notar que existe uma tendncia dessas sries temporais de crescerem com o tempo. Assim, diferentes
seces dessas sries possuem caractersticas distintas. A sada do gerador de rudo considerada um
2
processo ESTACIONRIO enquanto as sries temporais do CO
2
e de desmatamento so ditas NO-
ESTACIONRIAS.
Qualitativamente, uma srie estacionria aquela que est em EQUILBRIO ESTATSTICO, no
sentido que contm NENHUMA TENDNCIA, enquanto que uma srie no-estacionria aquela cujas
propriedades mudam com o tempo. Na prtica, as sries so usualmente de 3 tipos: aquelas que exibem
propriedades de estacionaridade em longo perodo, como, por exemplo, as sadas de geradores de
rudo. Aquelas que possuem uma razovel estacionaridade em perodos curtos, por exemplo, medidas
de turbulncia na atmosfera; e sries que so obviamente no estacionrias, no sentido que suas
propriedades esto continuamente mudando com o tempo. Exemplos bvios de no-estacionaridade:
temperatura em altas e mdias latitudes, ventos (apresentam ciclos diurnos e anuais).
Usualmente, o termo estacionaridade interpretado como fraca estacionaridade ou
estacionaridade da covarincia. Neste sentido, estacionaridade implica que a mdia e a funo de
auto-correlao de uma srie de dados no muda com o tempo. Diferentes pedaos de uma srie de
dados estacionria (por exemplo, os dados observados hoje e no futuro) podem ser considerados como
TENDO UMA MESMA MDIA E VARINCIA. Alm disso, uma correlao entre variveis em uma srie
estacionria determinada apenas pela sua separao no tempo (ou seja, pelo seu lag k) e no pela
sua absoluta posio no tempo. Isso significa que valores individuais em distintas pores da srie podem
ser diferentes embora essas duas pores da srie se paream. A ESTACIONARIDADE DE COVARINCIA
uma suposio menos restritiva que estacionaridade restrita, a qual implica que a distribuio total das
variveis na serie no muda com o tempo.
A maior parte dos mtodos que trata com no-estacionaridade de sries temporais est baseada
em tcnicas para remover ou filtrar a parte no-estacionria, deixando apenas a parte que pode ser
tratada como estacionria. Em climatologia, utilizamos esse tipo de tcnica quando desejamos conhecer o
comportamento das anomalias de uma determinada varivel. Existem duas aproximaes para tratar-se
com sries no-estacionrias. Ambas objetivam processar os dados de forma que permitam que uma
subseqente estacionaridade seja assumida. Por exemplo: subtrao de uma funo peridica mdia a
partir dos dados sujeitos a um ciclo anual produziria uma nova srie transformada com mdia constante
igual a zero. A fim de produzir uma srie com mdia e varincia constante, seria necessrio transformar
essas anomalias em anomalias normalizadas:
x x
s
x
s
x x
z

(2.1)
Onde z a anomalia padronizada, calculada simplesmente pela subtrao da mdia da amostra (que no
caso seria igual a zero aps remoo do ciclo anual) e dividindo pelo respectivo desvio padro Sx, o qual
varia. Por exemplo, no apenas as temperaturas tendem a ser mais frias durante o inverno, mas sua
variabilidade tende a ser mais alta em regies de latitudes mdias. Uma aproximao possvel para
transformar sries de temperaturas mensais em uma srie (aproximadamente) estacionria seria calcular
as 12 mdias mensais e os 12 desvios-padro e ento aplicar a Eq. (2.1) usando diferentes mdias e
desvios-padro para o ms do calendrio apropriado. Uma alternativa seria a estratificao dos dados. Isto
, poder-se-ia conduzir anlises separadas de subconjuntos dos dados que so curtas o suficiente para
serem consideradas aproximadamente estacionrias. Por exemplo, poder-se-ia analisar observaes
dirias para todas os dados disponveis de janeiro para uma dada localizao, assumindo-se que cada
conjunto de 31 dias de dados uma amostra que sofreu os mesmos processos fsicos. No
necessariamente os processos seriam os mesmos para julho, ou fevereiro.
Um exemplo sobre o uso da Eq. 2.1 para expressar dados climticos em termos de anomalias
padronizadas o clculo do ndice do El-Nio- Oscilao Sul(ENSO). Os valores do ndice (veja figura
abaixo) so derivados a partir de diferenas mensais nas anomalias padronizadas da presso ao nvel do
mar em duas localizaes: Tahiti, no Pacifico central; e Darwin, no Norte da Austrlia. Assim, em termos
da Eq. 2.1 o primeiro passo para calcular os pontos do grfico calcular a diferena
Darwin Tahiti
z z z
para cada ms durante o perodo de anos considerados. Na figura abaixo, esto mostrados o IOS desde
1993 para uma ilustrao mais clara. A anomalia padronizada Z
Tahiti
para janeiro de 1997, por exemplo,
calculada subtraindo-se a presso mdia para todos os janeiros em Taiti da presso observada em janeiro
de 1997. Esta diferena ento dividida pelo desvio-padro, caracterizando uma variao ano-a-ano das
presses atmosfricas em Taiti.
Na realidade, os valores do ndice mostrado na figura so, em geral, anomalias da diferena das
anomalias. Assim, a Eq. 2.1 aplicada 2 vezes ao conjunto original de dados. A primeira das duas
padronizaes tomada para minimizar a influncia das mudanas sazonais na mdia mensal das
presses e a variabilidade ano-a-ano destas mdias. A segunda padronizao calcula a anomalia
padronizada da diferena z
Tahiti
z
Darwin
e garante que o ndice resultante ter unidade de desvio-padro.
Obtm-se essa padronizao considerando-se uma nova varivel Z
z
= srie temporal de todos os z.
Calcula-se a mdia dos z e seu desvio padro. Existem algumas variaes no jeito de se calcular o IOS.
No caso do exemplo, extrado de http://www.bom.gov.au/climate/current/soi2.shtml o IOS est
3
multiplicado por 10. A linha vermelha mostra a mdia mvel de 5 meses (COMO SE DEFINI UMA MDIA
MVEL DE 5 MESES?)
A interpretao fsica do IOS que durante eventos El Nio o centro da precipitao no Pacfico tropical
muda do Pacfico Oeste (prximo a Darwin) para leste ou o Pacfico Central (prximo a Taiti). Esta
mudana est associada com as presses superfcie acima da mdia em Darwin e mais baixas que a
mdia em Taiti, o que junto produz um valor negativo no ndice. Eventos excepcionalmente fortes (como o
82/83 e 97/98) produziram valores bem baixos no ndice.
2.2 Anlise de sries que contm tendncia (CH)
Tendncia pode ser definida grosseiramente como uma mudana de longo-termo no nvel mdio.
As tendncias mais simples conhecida como TENDNCIA LINEAR MAIS RUDO, para qual a observao no
tempo t uma varivel aleatria X
t
dada por:
X
t
= + t +
t
(2.2)
Onde , so constantes e
t
representa o termo de erro aleatrio com mdia zero (conhecido tambm
como rudo branco). O nvel mdio no tempo t dado por m
t
=( + t), o que algumas vezes chamado
de TERMO DE TENDNCIA. Alguns autores preferem descrever o coeficiente angular como a
tendncia. Em outras palavras, a tendncia a MUDANA NO NVEL MDIO por unidade de tempo.
A tendncia na Eq. 2.2 uma funo determinstica do tempo e algumas vezes chamada de
TENDNCIA GLOBAL. geralmente no realstica, e por isso existe agora uma maior nfase em
TENDNCIAS LOCAIS onde os parmetros e variam no tempo. As tendncias tambm podem ser
NO-LINEARES. Um crescimento exponencial, ou uma tendncia quadrtica so alguns exemplos.
Assim, tem-se que ter em mente que a anlise de uma srie temporal que exibe tendncia
depende (1) se o pesquisador quer exatamente medir essa tendncia ou (2) se o pesquisador
quer remover a tendncia de forma a analisar flutuaes locais. Isto tambm depende se o dado
exibe SAZONALIDADE. Com dados contendo sazonalidade, uma boa idia comear calculando mdias
anuais sucessivas porque estas podem fornecer uma descrio simples das tendncias implcitas.
2.2.1 Ajustando uma curva (CH)
Um mtodo comum de se tratar com dados no-sazonais que contm uma tendncia,
particularmente em dados dirios, ajustar uma funo simples como uma curva polinomial (linear,
quadrtica, etc.), ou uma curva de Gompertz ou uma curva logstica. Estas ltimas tm sido empregadas
em economia e biologia (crescimento de populaes).
A curva de Gompertz dada por:
log x
t
= a + br
t
(2.3)
onde a, b, r so parmetros com 0 < r <1, enquanto a curva logstica dada por
4
x
t
=a/(1+be
-ct
) (2.4)
Notem que, conforme t vai para infinito, x
t
na curva logstica tende assintoticamente para um
determinado valor. Para entender mais sobre a construo de uma curva logstica e sua aplicao, voc
pode consultar o site:
http://astro.temple.edu/~dhill001/logistic/logistic.html
o qual contm um demo explicativo.
Exerccio -3 Testando tendncias nas sries temporais e construindo uma srie temporal com
uma tendncia
a) Nos sites de dados do CPC obtenha uma srie temporal mensal de dados de temperatura superfcie
ou em 1000 hPa em regies continentais (ex: SE do Brasil, NE dos Estados Unidos, Europa ocidental) e
outra em regies tropicais (continentais ou ocenicas) . Utilizando o Excel, identifique nos dados mensais
a existncia de tendncias. Remova essa tendncia e mostre os resultados. Calcule as mdias anuais da
temperatura e repita o procedimento. Compare o que voc obteve para as diferentes sries e discuta seus
resultados.
b) Usando a funo no Excel que gera dados aleatrios (*random), construa uma srie temporal que
possua uma componente aleatria mais uma tendncia. Faa esse procedimento supondo tendncia:
linear, quadrtica, Gompertz e curva logstica. Plote os resultados e discuta as diferenas.
*Entre no Excel e clique em Tools, Data Analysis, Random (escolha distribuio Gaussiana, com mdia 0 e
desvio-padro 1). Se no aparecer Data Analysis quando clicar em Tools, ento clique em Tools, Add Ins,
e adicione Analysis ToolPak. Se o seu Excel for em Portugus, ento entre em Ferramentas, Suplemento e
adicione as anlises que aparecerem nessa opo.
2.3. Existncia de sazonalidade nas sries temporais:
A grande maioria das sries temporais de variveis meteorolgicas exibe variaes com perodo
anual. Por exemplo, a temperatura usualmente maior no vero que no inverno, e, em algumas
localidades, a precipitao possui um ciclo sazonal bem definido. O efeito sazonal pode ser aditivo ou
multiplicativo. Um efeito sazonal aditivo do tipo:
X
t
= m
t
+ S
t
+
t
(2.5)
Onde m
t
o nvel mdio dessazonalizado no tempo t, S
t
o efeito sazonal no tempo t e
t
o erro
aleatrio. Evidentemente, a anlise de sries temporais que exibem uma variao sazonal depende se se
deseja medir esse efeito ou elimin-lo. Por exemplo, suponha que o objetivo seja analisar as anomalias
dirias na temperatura em um determinado ponto no globo durante um certo perodo (por exemplo, junho
a agosto). A nossa premissa que, a cada dia, a temperatura de uma localidade determinada pelo ciclo
solar aliado a variabilidades em outras escalas temporais. Se quisermos entender o papel dessas outras
escalas temporais na modulao da temperatura ao longo da estao, devemos primeiro remover o efeito
do ciclo sazonal causado por efeito de translao da terra em torno do sol. Assim, removido esse efeito,
podemos analisar a temperatura a cada dia, comparando um dia com o outro. Veja que em algumas
localidades, como veremos ao longo do curso, o ciclo anual da temperatura pode ser o ciclo de maior
importncia em termos de espectro, porm , em geral, o mais bem conhecido e de pouco interesse. Um
procedimento muito comum em meteorologia para se remover o ciclo anual o seguinte (Hartmann and
Michelsen, 1989, J. Atmospheric Sciences, 18, 2838-2862):
1) Suponha uma srie temporal X
t,y
, onde t=[1,365] dias e y=[1, total], total = nmero de anos que
corresponde srie, por exemplo, 20 anos. No caso do exemplo, o fato de considerarmos t
variando de 1 a 365 dias, significa que estamos desprezando anos bissextos. Essa suposio pode
ser feita usando como aproximao que em anos bissextos o valor da varivel no dia 28 de
fevereiro uma mdia entre 28 e 29 de fevereiro. Outra alternativa simplesmente eliminar o dia
29 (depende muito do que se est estudando).
2) Uma possibilidade de remoo do ciclo anual primeiro calcular uma mdia diria obtida nos 20
anos de dados:
5

total
y
y t t
x X
1
,
, a barra indica a mdia, x
t
a observao no dia t e y representa o ano.
Em geral, quando fazemos esse procedimento, devido ao reduzido nmero de anos, a srie temporal
mdia apresenta pequenas oscilaes que so o resultado de variabilidades interanuais as quais no so
alisadas quando procedemos operao de mdia descrita acima. Assim, um procedimento sugerido
em Hartmann e Michelsen (1989):
3) O ciclo anual resultante
t
X
deve ser alisado usando um filtro com pesos do tipo 1-2-1,
passado 300 vezes. O Nmero de vezes que se passa um filtro pode ser decidido investigando-se o
comportamento final da srie.
O que e como construir um filtro 1-2-1? (CH)
A idia usar um FILTRO LINEAR o qual converte uma srie temporal {x
t
} em outra {y
t
} por uma
operao linear:

+

+

s
q r
r t r t
x a y
(2.6)
onde {
r
a o conjunto de pesos. Para alisar flutuaes locais e estimar a mdia local, devemos escolher
pesos tais que 1
r
a . Essa operao freqentemente chamada de MDIA MVEL (MOVING
AVERAGE). As mdias mveis so freqentemente simtricas com s=q e a
j
=a
-j
. O exemplo mais simples
de um filtro simtrico do tipo:
) 1 2 /( 1 + q a
r
para r=-q,...,+q. O valor alisado de x
t
dado por:

+

+
+

q
q r
r t t
x
q
x Sm
1 2
1
) (
(2.7)
Note que nesse caso, o peso em cada elemento igual a 1. O filtro conhecido como 1-2-1 considera uma
mdia mvel de trs elementos, porm com pesos {
r
a na Eq. 2.6 iguais a 0.25, 0.5 e 0.25. Em ambas as
bordas, o procedimento calcular a mdia entre t
o
e t
o+1
(borda inferior) e entre t
f
e t
f-1
(borda superior).
Este procedimento bastante til quando se deseja determinar as anomalias em relao ao ciclo sazonal
e deve ser aplicado mesmo se considerarmos pntadas.
Exerccio -4 Determinando o ciclo sazonal nas sries temporais e calculando anomalias.
Nos sites de dados do CPC obtenha uma srie temporal de dados dirios de temperatura superfcie ou
em 1000 hPa em regies continentais subtropicais ou extratropicais, e em regies tropicais sobre o
continente ou ocenicas. As sries temporais devem ter pelo menos 10 anos. Desconsidere anos
bissextos (ou seja, eliminem o dia 29 de fevereiro, quando existir, calculando a mdia entre 28 e 29).
a) Utilizando o Excel ou programando na linguagem de sua escolha, calcule a mdia diria dos dados e
plote as sries temporais mdias. Discuta as eventuais diferenas observadas entre as duas sries.
b) Aplique o filtro 1-2-1 conforme descrito acima nas suas sries temporais e plote novamente a srie
resultante.
c) Determine agora uma nova srie temporal de anomalias, isto , o valor observado menos o valor
mdio. Plote essa srie temporal para os 3 primeiros anos. Discuta os resultados.
2.4 DOMNIO DE TEMPO E DE FREQUNCIA (WI)
Existem duas aproximaes fundamentais para a anlise de sries temporais: anlise no DOMNIO
DO TEMPO e anlise no DOMNIO DE FREQUNCIA. Estas duas aproximaes so processadas de forma
6
bem diferente e podem ser vistas como bastante distintas. Contudo, no so independentes! Ao contrrio,
so mtodos complementares que so ligados matematicamente.
Os mtodos de domnio temporal procuram caracterizar as sries de dados nos mesmos termos
em que so observados e reportados. A ferramenta primria para a caracterizao de relaes entre
valores de dados na aproximao do domnio temporal a FUNO DE AUTO-CORRELAO.
Matematicamente, as anlises do domnio temporal operam no mesmo espao dos valores dos dados.
As anlises no domnio de freqncia representam as sries de dados em termos de
contribuies ocorrendo em diferentes escalas temporais, ou freqncias caractersticas. Cada escala
temporal representada por um par de funes seno e co-seno. A srie completa considerada como
resultante de efeitos combinados de uma coleo de ondas senoidais e co-senoidais oscilando em
diferentes taxas. A soma destas ondas reproduz os dados originais, mas comumente a intensidade
relativa das componentes individuais das ondas que so de interesse primrio. Anlises no domnio de
freqncia ocorrem no espao matemtico definido por esta coleo de senos e co-senos. Isto , as
anlises no domnio de freqncia envolvem transformao dos valores de n dados originais em
coeficientes que multiplicam um igual nmero de funes peridicas (os senos e co-senos). Estes mtodos
so comumente aplicados em sries temporais atmosfricas e so de grande valia para vrios propsitos.

2.4.1 Funo de auto-correlao (JW)
Em estatstica clssica as observaes x
t
(t=1,2,...,N) de alguns parmetros fsicos podem ser
consideradas independentes desde que os experimentos que geraram essas observaes sejam
fisicamente independentes. Se a distribuio de probabilidade f
x
(x) associada com as observaes
NORMAL ou GAUSSIANA, a mesma pode ser completamente caracterizada pela sua mdia:
=E[X]= dx x xf
x
) (

(2.8)
e sua varincia:
[ ] dx x f x X E
x
) ( ) ( ) (
2 2 2

(2.9)
A mdia mede a localizao ou centro de gravidade da distribuio e a varincia a sua variabilidade em
torno da mdia.
Se as observaes x
t
formam parte da srie temporal, ento apenas se o processo que gerou os
dados for puramente aleatrio os valores vizinhos sero independentes. Em geral, os valores vizinhos de
uma srie temporal so CORRELACIONADOS. Assim, alm de se especificar a mdia e a varincia
2
,
necessrio no caso de uma srie Normal estacionria que se especifique a funo de auto-covarincia:
( ) ( ) [ ] + ) ( ) ( ) ( k t X t X E k (2.10)
Na prtica, a funo de auto-covarincia pode ser estimada por :
( ) ( ) x x x x
N
k c
k t
k N
t
t

+

1
1
) ( (2.11)
onde,

N
t
t
x
N
x
1
1
(2.12)
a mdia da srie observada. O plot de c(k) versus k (conhecido como lag ou intervalo no tempo)
chamado de FUNO DE AUTOCOVARINCIA AMOSTRAL da srie temporal. Algumas vezes, conveniente
quando comparamos sries com diferentes escalas de medida, normalizarmos a Eq. (2.11) dividindo pela
varincia c(0), de forma a obtermos a FUNO DE AUTOCORRELAO AMOSTRAL:
) 0 (
) (
) (
c
k c
k r
(2.13)
o que equivalente a:

N
t
t
k N
t
k t t
x x
x x x x
k r
1
2
1
) (
) )( (
) ( (2.13b)
O plot de r(k) versus k tambm conhecido como Correlograma. A funo de auto-correlao til em
algumas situaes porque fornece uma viso do jeito como dependncia da srie cai com o lag ou
7
separao k entre pontos da srie. Entretanto, a funo de auto-correlao as vezes muito difcil de
interpretar como veremos a seguir.
OBSERVAES
1. NOTEM QUE EXISTE POUCO SIGNIFICADO EM SE CALCULAR r
k
PARA VALORES DE k MAIORES
QUE N/4
2. QUANDO N NO MUITO GRANDE, PREFERVEL CALCULAR A AUTO-COVARINCIA COMO:

k N
t
k t t k
x x x x
k N
c
1
) )( (
1
Exemplos de correlogramas podem ser vistos em CH. Algumas recomendaes e observaes de CH:
a) Sries aleatrias: Se uma srie completamente aleatria, ento para grande N, r(k) 0 para
todos os valores diferentes de zero de k.

b) Correlao de curto-termo. Sries estacionrias freqentemente exibem correlao de curto-
termo caracterizada por um valor de r(1) razoavelmente alto, seguido por uns poucos coeficientes
os quais, embora maiores que zero, tendem a ficar sucessivamente menores. Valores de r(k) para
lags maiores (intervalos de tempo maior) tendem a ser aproximadamente iguais a zero. Sries
que produzem esse tipo de correlograma so aquelas que uma observao acima da mdia tende
a ser seguida por uma ou mais observaes acima da mdia, e analogamente para observaes
abaixo da mdia.
c) Sries com alternncias: Se uma srie temporal tem tendncia a alternar, com sucessivas
observaes em diferentes lados da mdia geral, ento o correlograma tambm tende a alternar.
O valor de r(1) ser negativo. Contudo, o valor de r(2) ser positivo uma vez que as observaes no
lag 2 tendero a estar do mesmo lado da mdia.

d) Sries no-estacionrias: Se a srie contm uma tendncia, ento os valores de r(k) no caem
para zero exceto para valores de lag (intervalo de tempo) muito altos. Isto ocorre porque uma
observao de um lado da mdia geral tende a ser seguida por um grande nmero de observaes
do mesmo lado da mdia por causa da tendncia. Note que pouco pode ser inferido por um
correlograma desse tipo porque a tendncia domina todas as outras caractersticas. Por essa razo,
note que a funo de auto-correlao s til para sries temporais ESTACIONRIAS. Por isso as
tendncias nas sries temporais devem ser removidas antes de proceder anlise de auto-
correlao.
e) Flutuaes sazonais: Se a srie temporal contm uma flutuao sazonal, ento o correlograma
tambm exibir uma oscilao na mesma freqncia. Por exemplo, com observaes mensais, r(6)
ser grande e negativo enquanto r(12) ser grande e positivo. Em particular, se x
t
segue um
padro senoidal ento r(k) tambm seguir o mesmo padro. Por exemplo, se:
t a x
t
cos (2.14)
onde
a
uma constante e a freqncia tal que 0< < . Pode ser demonstrado que
(Exerccio 2.3 CH):
k k r cos ) ( para N grande
geralmente, um correlograma desse tipo tem pouca utilidade prtica. Se a variao sazonal for
removida, ento o correlograma pode fornecer alguma informao til.
f) Pontos Aberrantes (outliers): Se a srie contm um ou mais pontos aberrantes, o correlograma
pode ser seriamente afetado. Neste caso, recomendvel que os pontos aberrantes sejam
ajustados de alguma forma antes de comear uma anlise formal. Por exemplo, se existe um ponto
aberrante na srie temporal e este no ajustado, ento o plot de x
t
contra x
t+k
conter dois
pontos extremos os quais iro fazer com que os coeficientes de correlao amostral caiam para
zero. Se existirem dois pontos aberrantes este efeito ainda mais notvel, exceto quando o lag
iguala-se distncia entre os pontos aberrantes. Quando isso acontece, para esse lag pode ocorrer
um alto coeficiente de auto-correlao.
________________________________________________________________________
Exerccio-5: Determinando a funo de auto-correlao para diferentes sries temporais.
Aconselha-se que os dados sejam gerados dentro do Excel (por exemplo), mas que o estudante se
entusiasme a fazer um programa simples, em qualquer linguagem, para o clculo da funo de auto-
correlao.
8
a) Utilizando a funo randmica do Excel, gere uma srie temporal com 365 pontos aleatrios e faa
o correlograma dessa srie.
b) Adicione uma tendncia linear na srie randmica e recalcule o correlograma. Compare com o
observado no item anterior e discuta os resultados
c) Adicione uma oscilao do tipo cossenoidal na srie do item (a) e recalcule o correlograma.
Compare com o observado no item (a) e no item (b)
d) Adicione pontos aberrantes aleatoriamente (alguns valores com +3 desvios-padro em relao
mdia) e recalcule o correlograma. Mostre diferenas com respeito ao obtido nos itens anteriores.
2.5 DOMNIO DE FREQUNCIA: ANLISE HARMNICA (WI)
Anlises no domnio de freqncia envolvem a representacao das sries temporais em termos de
contribuies feitas em diferentes escalas de tempo. Por exemplo, uma srie temporal de dados de
temperatura horria de uma localizao em latitudes mdias ir, em geral, exibir fortes variaes tanto na
escala de tempo diria (correspondendo ao ciclo anual de aquecimento solar) e na escala de tempo anual
(refletindo a marcha das estacdoes). No domnio do tempo, estes ciclos apareceriam como valores
positivos altos na funo de auto-correlao para lags em (ou aproximadamente em) 24 h para o ciclo
diurno e 24x365 = 8760h para o ciclo anual. Quando pensamos nas sries no domnio de freqncia,
estamos falando de contribuies para o total da variabilidade das sries temporais em perodos de 24 e
8760h, ou em freqncias de 1/24 = 0.0417 h
-1
e 1/8760 = 0.000114 h
-1
.
A anlise harmnica consiste da representao de flutuaes ou variaes em uma srie temporal
que se originou da adio de uma srie de funes seno e co-seno. Estas funes trigonomtricas so
harmnicos quee so escolhidos como tendo freqncias que so mltiplas da freqncia
fundamental determinada pelo tamanho amostral da srie de dados.
2.5.1 Funes seno e co-seno (WI)
Vamos aqui rever brevemente a natureza das funes cos( ) e sin( ). O argumento de ambas a
quantidade , medida em unidades de ngulo. Estas unidades podem ser tanto em graus ou radianos. A
figura 2.1 mostra pores de um cos (linha slida) e seno (linha tracejada), no intervalo angular que varia
de 0 a 5 /2 (0- 450).
As funes seno e co-seno estendem-se at ngulos indefinidamente grandes positivos ou
negativos. O mesmo padro de onda se repete a cada 2 radianos ou 360, tal que:
cos(2 k + )=cos( ) (2.15)
Onde k um inteiro qualquer. Uma equao anloga vale para a funo seno. Isto , ambos seno e co-
seno so peridicos. Ambas funes oscilam em torno de seu valor mdio igual a zero e tem valor mximo
de +1 e mnimo de -1. A funo co-seno maximizada a 0
o
, 360, e assim por diante, enquanto a funo
seno maximizada a 90, 450, e assim por diante. Estas duas funes tm exatamente a mesma forma,
mas esto deslocadas uma em relao a outra por 90. Em outras palavras, se voc deslocar a funo co-
seno para a direita em 90, produz a funo seno e deslocando o seno para esquerda em 90 produz a
funo co-seno:
) sin( )
2
cos(

(2.16) e
) cos( )
2
sin(

+ (2.17)
9
-1.5
-1
-0.5
0
0.5
1
1.5
0 45 90 135 180 225 270 315 360 405 450
cos sin Figure 1. Trechos da funo seno (linha tracejada) e co-seno (linha slida) para intervalols
entre 0
o
e 450
o
, ou 0 a 5 /2 radianos. Cada curva executa um ciclo completo a cada 2
radianos e se estende de - a +.
2.5.2. Representao de uma srie temporal simples com uma Funo Harmnica. (WI)
Mesmo na situao mais simples de uma srie temporal que possui um carter senoidal e executa um
nico ciclo sobre o curso de n observaes, exsistem trs pequenas dificuldades a serem superadas a fim
de se usar um seno ou co-seno para represent-la:
1) O argumento de uma funo trigonomtrica um ngulo, enquanto os dados da srie so funo
do tempo.
2) As funes co-seno e seno flutuam entre +1 e -1, enquanto os dados geralmente flutuam entre
diferentes limites.
3) A funo co-seno tem mximo valor para =0 e =2 . Ambos seno e co-seno podem assim estar
posicionados arbitrariamente na horizontal com respeito aos dados.
A soluo para o primeiro problema aparece quando consideramos o comprimento dos dados (n) como
constituindo um ciclo completo, ou perodo fundamental. Uma vez que o perodo fundamental
corresponde a 360 ou 2 radianos em medida angular, fcil re-escalar proporcionalmente o tempo
medida angular usando:

360
/
360
n
t
ciclo tempo de unidades n
tempo de unidade t
ciclo

,
`

.
|

,
`

.
|
(2.18)
ou
n
t
ciclo tempo de unidades n
tempo de unidade t
ciclo

2
/
2

,
`

.
|

,
`

.
|
(2.19)
Em outras palavras, se considerarmos um ciclo completo o nmero total de pontos n de uma srie
temporal, ento conforme andamos em t, as equaes 2.18 e 2.19 indicam em que proporo t
encontra-se desse ciclo completo. Assim, a quantidade:
n

2
1
(2.20)
chamada de FREQUNCIA FUNDAMENTAL. Esta quantidade uma freqncia angular e tem
dimenses fsicas de radianos por unidade de tempo. A freqncia fundamental corresponde ao
perodo igual ao comprimento dos dados. O subscrito 1 indica que
1
pertence a onda que executa
um CICLO COMPLETO sobre a srie de dados inteira.
10
O problema (2) acima tratado fazendo-se um deslocamento da funo seno ou co-seno para cima ou
para baixo do nvel geral dos dados, e ento esticando ou comprimindo verticalmente at que seu
intervalo corresponda ao dos dados. Como isso pode ser feito? Uma vez que a mdia de uma onda
pura co-seno ou seno zero, simplesmente adicionar o valor mdio da srie de dados ao co-seno
assegura que o mesmo ir flutuar em torno do valor mdio. O esticamento ou a compresso pode
ser obtido pela multiplicao de uma funo seno ou co-seno por uma constante C
1
que conhecida
como AMPLITUDE. Novamente, note que o subscrito 1 significa que trata-se da amplitude do
HARMNICO FUNDAMENTAL. Uma vez que as funes seno e co-seno possuem mximo e mnimo
entre 1, bastante bvio mostrar que o mximo/mnimo dessas funes quando multiplicadas pela
amplitude C
1
igual a C
1
. Assim, se combinarmos as solues dos problemas (1) e (2) temos para a
srie temporal:
)
2
cos(
1
n
t
C y
t
y

+ (2.21)
Normalmente, h situaes em que necessrio transladar uma funo harmnica lateralmente a fim
de ter um casamento de cristas e cavados na srie de dados. Este tipo de desenvolvimento mais
conveniente quando a funo co-seno utilizada, porque esta funo possui mximo valor quando o
ngulo na qual ela opera zero. Mudar a funo co-seno para a direita por um ngulo
1
resulta em
uma nova funo que maximizada em
1
t=2 t/n=
1,
)
1
2
cos(
1

+
n
t
C y
t
y (2.22)
O ngulo
1
chamado de ngulo de fase ou fase. Mudar a funo co-seno para a direita desta
quantidade requer subtrair a fase
1,
de modo que o argumento da funo co-seno zero quando
(2 t/n)=
1
, o que equivale a dizer que a y
t
em 2.22 maximizada para t=
1
n/2 . Para compreender a
aplicao das eqs. 2.20 a 2.22, faa o exerccio proposto 6.
___________________________________________________________________________
Exerccio-6. Considere os dados a seguir, correspondentes temperatura mdia obtida em em Ithaca (NY):
Table 1- Temperatura mdia mensal
t=ms Temperatura
o
C
1 -5.44
2 -5.17
3 0.11
4 6.89
5 12.67
6 17.94
7 20.44
8 19.5
9 15.67
10 9.72
11 4.06
12 -2.56

a) Plote a curva em questo no Excel. Determine
1
e calcule a funo co-seno para todos os meses
da tabela plotando no mesmo grfico.
b) Determine a mdia e a funo yt como em 2.21, isto , re-escalone a funo co-seno considerando
a amplitude C1 como metade do intervalo entre o mximo e o mnimo da srie. Plote os resultados
no mesmo grfico.
c) Determine a funo yt como em 2.22, isto , ajuste a fase
1
. Discuta como isso foi feito.
Desafio-6a. Utilize uma srie temporal de dados em que voc esteja trabalhando (mensal, diria ou
pentadal), ou use uma das sries temporais que foram fornecidas no curso. Calcule a mdia mensal dos
dados, obtendo uma tabela semelhante Tabela-1. Faa os itens (a) a (c), conforme indicado acima. Note
que, no necessariamente, voc ir observar uma srie com um ciclo anual semelhante ao que foi
observado no exerccio. Voc tambm pode efetuar seu trabalho utilizando dados que no so anuais e
interpretar o que significa o primeiro harmnico nesse caso.
___________________________________________________________________________
2.5.3. Estimativa de Amplitude e fase de um nico harmnico (WI)
11
No exerccio anterior, estimou-se C1 e
1
de uma forma mais grosseira. Existem formas mais
adequadas de se fazer o mesmo procedimento. O mtodo mais simples usar a identidade
trigonomtrica:
) sin( ) sin( ) cos( ) cos( ) cos(
1 1 1
+ (2.23)
Substituindo =2 t/n (Eq. 2.19) e multiplicando-se ambos os lados pelas amplitudes C1, obtm-se:
)
2
sin( )
2
cos( )
2
sin( ) sin( )
2
cos( ) cos( )
2
cos(
1 1 1 1 1 1 1 1
n
t
B
n
t
A
n
t
C
n
t
C
n
t
C

+ + (2.24)
onde,
) cos(
1 1 1
C A (2.25) e
) sin(
1 1 1
C B (2.26)
A Equao 2.24 indica, portanto, que um harmnico que possui amplitude C1 e fase
1

equivalente a soma de um seno com um co-seno, ambos sem deslocamento de fase. Note que o seno
aparece justamente como uma expanso de um co-seno de menos a fase. So justamente B1 e A1 os
coeficientes que iro modular a amplitude do harmnico com o tempo. Note que ambos coeficientes B1 e
A1 so determinados pelo seno e co-seno da fase, respectivamente. Fazendo a transformao de variveis
da Eq. 2.24 tal que x
1
=cos(2 t/n) e x
2
=sin(2 t/n), temos uma equao resultante que uma equao de
regresso com dois preditores. Desta forma, dada a srie de dados y
t
, pode-se aplicar a essa
transformao qualquer software que ache uma estimativa de regresso com o mtodo de mnimos
quadrados para encontrar os coeficientes A
1
e B
1
, tendo y
t
como preditando. O mesmo pacote de
regresso ir produzir a mdia dos valores do preditando como o intercepto b
o
. Pode-se ento encontrar
C1 resolvendo o sistema das equaes 2.25 e 2.26, ou seja:
)) ( cos ) ( (sin
1
2
1
2 2
1
2
1
2
1
+ + C B A
[ ]
2 / 1
2
1
2
1 1
B A C +
(2.27)
Para se encontrar a funo de fase
1
, so resolvidas as seguintes equaes:

'

< t t
>

0 90 ,
2
0 180 , tan
0 tan
1
1
1
1 1
1
1
1
1
1
A or
A ou
A
B
A
A
B
o
o

(2.28)
Nota: uma vez que as funes trigonomtricas so peridicas, o mesmo ngulo de fase produzido se
adicionarmos ou subtrairmos 180 (meio crculo) se A
1
<0. Decidimos se somamos ou subtramos 180
dependendo da relao 0 < 2
Para encontrarmos os parmetros A
1
e B
1
podemos usar o mtodo de mnimos quadrados. Para casos
especiais em que os valores dos dados esto igualmente espaados no tempo com nenhum dado faltante
(missing values) as propriedades do seno e co-seno permitem que os parmetros de mnimos quadrados
sejam obtidos mais facilmente usando:

,
`

.
|

n
t
y
n
A
n
t
t
2
cos
2
1
1
(2.29)
e

,
`

.
|

n
t
t
n
t
y
n
B
1
1
2
sin
2
(2.30)
___________________________________________________________________________
Exerccio-7: Para os dados do Exerccio 6, obtenha os coeficientes do harmnico anual da
temperatura em Ithaca: A
1
, B
1,
C
1
e a fase
1.
Use o Excel para fazer seus clculos e compare
com a fase (em graus) e o coeficiente C1 obtidos pelo mtodo do olhmetro do exerccio
anterior. Comente o que essas diferenas podem significar na interpretao dos
resultados.
Desafio-7b. Se voc utilizou uma serie temporal distinta da fornecida, encontre os
coeficientes para esta srie.
___________________________________________________________________________
2.5.4 Harmnicos de ordem mais elevada: (WI)
Nos clculos efetuados nos exerccios 7 e 8 produziu-se uma nica funo dcosseno passando
prxima aos 12 meses de temperaturas mdias. Este ajuste bom ocorreu porque a forma do ciclo anual de
12
temperatura na localidade em questo aproximadamente senoidal, com um ciclo completo executado
nos 12 pontos da srie temporal. Em geral, no se espera que um nico harmnico ir representar todas
as demais sries temporais de temperatura em diferentes localidades. Entretanto, se adicionarmos mais
preditores a uma regresso mltipla poder melhor o ajuste de um conjunto de dados, adicionando mais
ondas do tipo co-seno a uma anlise harmnica ir melhorar o ajuste a uma srie temporal.
Assim, dada uma srie temporal consistindo de n pontos, a mesma pode ser exatamente
reproduzida. Isto significa que possvel encontrar uma funo harmnica que passa atravs de cada um
dos pontos e isso feito adicionando uma srie de n/2 funcoes harmnicas:


'

'

]
]
]

+
]
]
]

'

'

]
]
]

+
2 /
1
2 /
1
2
sin
2
cos
2
cos
n
k
k k
n
k
k k t
n
kt
B
n
kt
A y
n
kt
C y y

(2.31)
Note que o ndice k na equao acima indica que a Eq. 2.24 vale para qualquer co-seno,
independentemente de sua freqncia. A onda de co-seno obtida para k=1 na Eq. 2.31 , portanto, o
primeiro harmnico determinado anteriormente. Os outros n/2 - 1 termos da somatria da Eq. 2.31 so
harmnicos de ordem mais alta, ou ondas co-seno com freqncias:
n
k
k

2
(2.32)
que so mltiplos inteiros da freqncia fundamental
1
. Note ainda que cada onda representada pelo co-
seno possui sua prpria fase e sua prpria amplitude C. Portanto, k dentro da equao de suma
importncia.
Primeiro harmnico: k=1, =2 kt/n, fase
1
e amplitude C
1
um ciclo completo (0 a 2 rad) para t=0 a t=n

Segundo harmnico: k=2, =2 kt/n, fase
2
e amplitude C
2

um ciclo completo (0 a 2 rad) para t=0 a t=n/2
um ciclo completo para t=n/2 e t=n
Terceiro harmnico: k=3, =2 kt/n, fase
3
e amplitude C
3
trs ciclos completos entre t=0 e t=n
Os coeficientes A
k
e B
k
podem ser encontrados, NO CASO MAIS GERAL, (Eq. 2.31) usando-se mtodo de
regresso linear mltipla, aps as transfomaes de dados x
1
=cos(2 t/n), x
2
=sin(2 t/n), x
3
=
cos(2 2t/n), x
4
= sin(2 2t/n), x
5
= cos(2 3t/n), x
6
= sin(2 2t/n) e assim por diante.
PARA SRIES TEMPORAIS IGUALMENTE ESPAADAS NO TEMPO (SEM VALORES FALTANTES (MISSING
VALUES): Podemos generalizar as equaes 2.29 e 2.30 para:

,
`

.
|

n
kt
n
t
t
y
n
k
A
2
cos
1
2
(2.33)
e

,
`

.
|

n
t
n
kt
t
y
n
k
B
1
2
sin
2
(2.34)
Como determinar os coeficientes A
k
e B
k
? Fica evidente pelas Eqs. 2.33 e 2.34 que a determinao desses
coeficientes vivel usando-se um programa de computador. Nesse caso, o algoritmo utilizaria um
contador para o k (isto , fixa-se k) e faz-se a somatria do cosseno (ou seno de ) de t=1 a t=n (ou seja,
t um outro contador que dever fazer o looping ou somatria que ser interno ao looping do contador
k). Esse raciocnio pode ser tambm aplicado para uso dentro do Excel, por exemplo. No entanto, para
sries muito grandes, usa-se um mtodo mais eficiente que ser comentado adiante.
Uma vez calculados estes coeficientes, temos ento que obter a fase e a amplitude do harmnico.
a) Amplitude:
[ ]
2 / 1
2 2
k k
B A k
C
+
(2.35a)
O algoritmo para encontrar C
k
, portanto, muito simples, uma vez achados A
k
e B
k
e deve ser feito aps o
looping da somatria. Quanto fase, deve-se primeiro testar o coeficiente A
k
e resolver:
13

'

< t t

>

0
1
90 ,
2
0
1
180 ,
1
tan
0
1
1
tan
A
o
ou
A
o
ou
k
A
k
B
A
k
A
k
B
k

(2.35b)
Quantos harmnicos podem ser determinados? Notem que uma funo de regresso mltipla ir passar
por todos os pontos de dados e ir exibir R
2
=100% se o nmero de preditores o mesmo que nmero de
dados. A srie de cossenos da Eq. 2.31 um exemplo. Quer dizer, os n/2 harmnicos que aparecem na
somatria da Eq. 2.31 implica na existncia de n variveis preditores. Uma vez que a mdia amostral da
Eq. 2.31 efetivamente um dos parmetros estimados, correspondentes ao intercepto bo, um ajuste para
a Eq. 2.31 necessrio quando n MPAR. Neste caso, uma soma sobre apenas (n-1)/2 harmnicos
requerida para representar completamente a funo. Isto , (n-1)/2 harmnicos requerido para
completamente representar a funo. Isto , para n MPAR:
(n-1)/2 amplitudes + (n-1)/2 ngulos de fase + a mdia amostral = n
Para n PAR: A somatria da Eq. 2.31 continua sendo at n/2. Entretanto, temos
(n)/2 amplitudes + [(n)/2 1] ngulos de fase + a mdia amostral = n
Neste caso, o ngulo de fase para o harmnico final e mais alto
n/2
= 0
Quantos harmnicos podemos usar? Essa pergunta depende das finalidades. Podemos usar todos
os n/2 harmnicos se queremos uma funo que represente exatamente atravs de todos os pontos da
srie. Contudo, se o objetivo represnetar o ciclo anual de uma quantidade climatolgica, os primeiros
poucos harmnicos podem fornecer uma representao adequada. isso que se faz na prtica.
___________________________________________________________________________
Exerccio-8a: Para os dados do Exerccio 7, obtenha os coeficientes do segundo e terceiro
harmnicos da temperatura em Ithaca
.
Use o Excel para fazer seus clculos compare com o
exerccio anterior e comente os resultados.
Exerccio 8b: (Tarefa de casa): Utilize dados paleoclimticos da radiao solar
(encontram-se no link 'dados') e calcule a amplitude do harmnico correspondente
a 11 e 22 anos. Discuta seus resultados
___________________________________________________________________________
14