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

Créditos | Fale conosco
© 1999 - 2020 - Superintendência de Tecnologia da Informação/USP