1 Introdução

Nas últimas décadas, a discussão sobre mudanças climáticas vem ganhando cada vez mais espaço. Nesse contexto, o entendimento de uma série histórica climática é de suma importância, a fim de prever tendências e mudanças nos valores de temperatura e precipitação, por exemplo. Afinal, a habilidade de antecipar como o clima irá mudar de um ano para o outro, possibilita melhor gerenciamento da agricultura, recursos hídricos e atividade pesqueira, além da possibilidade de contribuição relevante nos campos dos transportes, abastecimento, turismo e lazer (Silva, Guimarães, and Tavares (2008)).

Dentre diversos métodos para análises climáticas, a utilização de séries temporais se destaca pois, com base em métodos estatísticos, permite-nos a antecipar como o clima poderá se alterar de um período para outro. Uma série temporal é um processo estocástico realizado sequencialmente ao longo do tempo, as quais possuem dependência temporal, sendo um dos objetivos de o estudo de séries temporais analisar e modelar esta dependência. A ordem de uma série temporal é o número de tempos anteriores em que a série é autocorrelacionada.

Um dos modelos existentes para previsão de séries temporais é o Auto-Regressive Integrated Moving Average (ARIMA). Esse modelo é utilizando amplamente por diversas áreas de estudo (Ariyo, Adewumi, and Ayo (2014); Pai and Lin (2005); Benvenuto et al. (2020); Chen, Yuan, and Shu (2008)) para realizar previsões de preços, demandas de produtos, clima, entre outros. Esse modelo funciona como versões ajustadas de modelos de passeio aleatório, adicionando-se defasagens das séries diferenciadas e/ou defasagens dos erros de previsão à previsão equação, a fim de remover autocorrelação dos erros de previsão. Inserido neste contexto, o objetivo deste trabalho foi analisar a previsão das temperaturas médias anuais de Central Park (Nova York) utilizando método quantitativo ARIMA. Especificamente também se objetiva a análise de tendência de aumento (ou diminuição) das temperaturas médias anuais com base nesse método.