2023
Séries Temporais
Nome: Séries Temporais
Cód.: MAT10174M
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Matemática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Nesta U.C. pretende-se fornecer um conjunto variado de técnicas estatísticas para a identificação de diversos padrões temporais de um dado fenómeno que evolui ao longo do tempo e, em função desta identificação e dos objetivos da análise, estudar modelos estocásticos adequados às características dos dados e aos objetivos do seu estudo.
No final da UC, o aluno deverá ter adquirido conceitos teóricos fundamentais sobre processos estocásticos e a sua importância na análise de séries temporais. Deverá ser capaz de aplicar modelos matemáticos apropriados para a modelação de séries temporais , uni ou multivariadas, lineares ou não lineares, com eventual dependência entre as observações repetidas intra indivíduos. Deverá ser capaz de usar corretamente o software adequado. Deverá ter adquirido competência para realizar um estudo autónomo de outros modelos, apropriados para a resolução de casos práticos com que os alunos se poderão deparar no futuro.
No final da UC, o aluno deverá ter adquirido conceitos teóricos fundamentais sobre processos estocásticos e a sua importância na análise de séries temporais. Deverá ser capaz de aplicar modelos matemáticos apropriados para a modelação de séries temporais , uni ou multivariadas, lineares ou não lineares, com eventual dependência entre as observações repetidas intra indivíduos. Deverá ser capaz de usar corretamente o software adequado. Deverá ter adquirido competência para realizar um estudo autónomo de outros modelos, apropriados para a resolução de casos práticos com que os alunos se poderão deparar no futuro.
Conteúdos Programáticos
1. Breve revisão dos conceitos essenciais de processos Estocásticos. Identificação de padrões temporais. Modelos de decomposição temporal
2. Modelos lineares: ARMA, ARIMA e SARIMA
3. modelos não lineares: ARCH e GARCH
4. Modelos de regressão temporal
5. Análise e modelação de séries temporais, através dos métodos atrás referido, recorrendo ao software R.
2. Modelos lineares: ARMA, ARIMA e SARIMA
3. modelos não lineares: ARCH e GARCH
4. Modelos de regressão temporal
5. Análise e modelação de séries temporais, através dos métodos atrás referido, recorrendo ao software R.
Métodos de Ensino
Aulas teórico-práticas lecionadas no quadro e/ou com recurso a exposição de slides, acompanhadas da análise e modelação de séries temporais em R ou de outro software que se venha a revelar mais adequado.
Introdução dos conceitos teóricos e de exercícios de aplicação recorrendo a exemplos em várias áreas, procurando assim sensibilizar os alunos para a importância da matéria exposta.
Introdução dos conceitos teóricos e de exercícios de aplicação recorrendo a exemplos em várias áreas, procurando assim sensibilizar os alunos para a importância da matéria exposta.
Avaliação
Avaliação contínua: 3 trabalhos individuais, cada um com os respectivos pesos (20%, 40%, 40%).
Avaliação em regime de exame: exame final (30%) e a realização de um trabalho individual (70%).
Avaliação em regime de exame: exame final (30%) e a realização de um trabalho individual (70%).
Bibliografia
1. Brockwell, P. e Davis, R. (1991). Time Series: Theory and Methods. Springer-Verlag: New York, 2nd Edition.
2. Brockwell, P. e Davis, R. (2016). Introduction to Time Series and Forecasting. Springer.
3. Cryer, J. e Chan, Kung-Sik (2010). Time Series Analysis: With Applications in R. 2nd edition, Springer.
4. Fokianos, K. e Kedem, B. (2002) Regression Models for Time Series Analysis. Wiley Series in Probability and Statistics.
5. Gallant, A.R. (1987). Non Linear Statistical Models. Wiley, New York.
6. Pankratz, A. (1991). Forecasting with Dynamic Regression Models. Wiley, New York.
2. Brockwell, P. e Davis, R. (2016). Introduction to Time Series and Forecasting. Springer.
3. Cryer, J. e Chan, Kung-Sik (2010). Time Series Analysis: With Applications in R. 2nd edition, Springer.
4. Fokianos, K. e Kedem, B. (2002) Regression Models for Time Series Analysis. Wiley Series in Probability and Statistics.
5. Gallant, A.R. (1987). Non Linear Statistical Models. Wiley, New York.
6. Pankratz, A. (1991). Forecasting with Dynamic Regression Models. Wiley, New York.
Equipa Docente
- Dulce Maria de Oliveira Gomes [responsável]
