Resumo: O estudo da poluição atmosférica, com ênfase em material particulado inalável (MP10), é necessário, devido ao dano causado à saúde da população, além de outros prejuízos. Séries históricas, usadas para previsão de dados, muitas vezes apresentam lacunas devido a vários fatores, que podem prejudicar a qualidade da previsão. O objetivo deste estudo foi propor um novo método de preenchimento de dados faltantes, e após a imputação dos dados, utilizar um modelo de séries temporais para prever a concentração de MP10. Foram obtidas, no Sistema QUALAR da CETESB, dados de concentrações diárias de MP10, entre os anos de 2010 a 2014, referente aos municípios de Campinas, Jundiaí e Paulínia, todos do Estado de São Paulo. O método de preenchimento de dados faltantes, proposto neste trabalho, foi chamado de TDEM (Time-Dependent Effect Method). O método TDEM foi comparado com dois outros métodos ("média durante o mês" e "média durante o ano") de preenchimento de dados faltantes, e apresentou os melhores resultados em relação aos Coeficiente de Correlação, Erro Quadrático Médio e Desvio Médio Absoluto. Após o preenchimento da série, os dados foram analisados com o intuito de prever concentrações futuras de MP10. Optou-se por modelos de séries temporais utilizando-se de modelos ARIMA e SARIMA. Os resultados mais satisfatórios foram obtidos pelo modelo SARIMA, cujos dados reais ficaram dentro dos limites de previsão de 95% Ver menos

Abstract: The study of atmospheric pollution, with the emphasis of inhalable particulate matter (PM10), is necessary; given the damage was done for population health, besides other losses. Historical series, used for forecasting data, often have gaps due to several factors, which can detract from the quality of the forecast. The aim of this study was purposed a new method of missing data imputation, and after this, to use a time series model to forecast PM10 concentration. It was obtained the PM10 daily concentration in QUALAR system of CETESB, related to cities of Campinas, Jundiaí and Paulínia, all in São Paulo State. The method of imputation of missing data, purpose in this study, was called TDEM (TimeDependent Effect Method). The TDEM method was compared to others two methods ("Mean during month" and "Mean during year") of imputation of missing data, and it presented better results related to correlation coefficient, mean square error and mean absolute deviation. After imputation data of series, the data were analysed in order to forecast future PM10 concentrations. It was used ARIMA and SARIMA for time series models. The more satisfactory results were obtained for SARIMA models, which real data remained within the 95% forecast limits Ver menos