Jupiterweb

Informações da Disciplina

Preparar para impressão

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação

Instituto de Ciências Matemáticas e de Computação

Matemática Aplicada e Estatística

Disciplina: SME0808 - Séries Temporais e Aprendizado Dinâmico

Time Series Analysis and Dynamical Learning

Créditos Aula:	4
Créditos Trabalho:	0
Carga Horária Total:	60 h
Tipo:	Semestral
Ativação:	01/01/2020	Desativação:

Objetivos

Apresentar os conceitos básicos da teoria de tratamento estatístico de séries temporais, preparar o aluno para análise, identificação e previsão de uma série temporal.

Present basic concepts about the theory on the statistical treatment of time series data. Prepare the student for the analysis, identification and prediction of a time series.

Docente(s) Responsável(eis)

57696 - Marinho Gomes de Andrade Filho

Programa Resumido

Métodos de Suavização. Metodologia de Box e Jenkins, indexação: similaridade/dissimilaridade, agrupamento, sumarização e segmentação, Modelos estruturais: espaço de estado e previsão Bayesiana.

Smoothing methods. The Box and Jenkins methodology. Indexing similarity/dissimilarity, clustering, clustering coefficient, summarization, segmentation. Structural models: Bayesian state space and prediction.

Programa

1. Séries temporais: conceito, suavização, tendência, sazonalidade, alisamento exponencial. 
2. Séries estacionárias. 
3. Função de autocovariância e autocorrelação. 
4. Modelos: ARMA, ARIMA, SARIMA. 
5. Identificação. 
6. Estimação. 
7. Previsão. 
8. Diagnósticos. 
9. indexação: similaridade/dissimilaridade, agrupamento, sumarização e segmentação 
10. Modelos estruturais: espaço de estado e previsão bayesiana.

1. Time series: concepts, smoothing, trend, seasonality and exponential smoothing. 2. Stationary processes. 3. Autocovariance and autocorrelation functions. 4. Models: ARMA, ARIMA,SARIMA. 5. Identification. 6. Estimation. 7. Forecast. 8. Diagnostics. 9. Indexing similarity/dissimilarity, clustering, summarization, segmentation. 10. Structural models: Bayesian state space and forecast.

Avaliação

Método

Exposição teórica com vistas aos objetivos aplicativos da matéria, seguida de exercícios e trabalhos práticos dentro e fora da classe.

Critério

Média ponderada das provas.

Norma de Recuperação

Número de provas: no mínimo uma (01) e no máximo duas (02) provas. Critério de aprovação: a nota final (MF) do aluno que realizou provas de recuperação dependerá da média do semestre (MS) e da média das provas de recuperação (MR), como segue: MF = 5 se 5 <= MR <= (10 - MS) MF = (MS + MR) / 2 se MR > (10 - MS) MF = MS se MR< 5

Bibliografia

Livros Texto:
- Raquel Prado and Mike West - Time series, modelling, computations and inference. Chapman & Hall/CRC, 2010
- MORETTIN, P.A.; TOLOI, C.M.C. Análise de Séries Temporais. Blucher, 2004.

Bibliografia Complementar:
- CHATFIELD, C. “The Analysis of Time Series”. 5th ed., Chapman & Hall, 1996. 
- BROCKWELL, P.J.; DAVIS, R.A. “Introduction to Time Series and Forecasting”. Springer-Verlag, 1996.
- BOX, J.; JENKINS, G.M; REISEL, G.C; Ljung, G.M. “Time series analysis: Forecasting and Control”. Prentice-Hall, 5th Ed. 2015.
- Maimon, Oded, Rokach, Lior (Eds.)Data Mining and Knowledge Discovery Handbook, Springer, 2010.
- Montgomery,D.C.; Jennings, C.L.; Kulahci, M. Introduction to Time Series Analysis and Forecasting-Wiley (2015) .

Clique para consultar os requisitos para SME0808

Clique para consultar o oferecimento para SME0808