Objetivos

Proporcionar aos estudantes o conhecimento de modelos de séries temporais. Aplicar as metodologias apresentadas por meio do uso da linguagem de programação R. Discutir aplicações.

Ementa

Conceitos introdutórios. Autocorelação temporal. Estacionaridade e não-estacionaridade. Estimação. Previsão. Modelos ARMA e extensões; ARCH e GARCH. Modelos lineares dinâmicos.

Local: Laboratório B.

Horário: terça-feira 20:45h, sexta-feira 19:00h.

Nota: a nota final será a soma das notas obtidas nos quatro trabalhos assíncronos programados.

Referências bibliográficas básicas


  1. Análise de Séries Temporais
    Fernando Lucambio Pérez.

  2. Análise de Séries Temporais
    Pedro A. Morettin, Clelia M.C. Toloi. 2da. Edição, Editora Blucher, 2006.

  3. Time Series Analysis with R

  4. Brockwell, P.J. and Davis, R.A. (2002). Introduction to Time Series and Forecasting. Springer-Verlag, New York.

  5. A. Ian McLeod, Hao Yu, Esam Mahdi (2012). Handbook of Statistics, Volume 30. Elsevier.

  6. West, M. and Harrison, J. (1997). Bayesian forecasting and dynamic models. Berlin, Heidelberg: Springer-Verlag.

  7. Using R for Time Series Analysis
    Avril Coghlan.

  8. Quick-R: Home Page. Advanced Statistics. Time Series and Forecasting
    Robert I. Kabakoff.

Referências bibliográficas complementares


  1. Introduction to the fundamentals of time series data and analysis
    Aptech Systems, Inc, PO Box 618, Higley, AZ 85236.

  2. Time Series Analysis
    International Encyclopedia of Education (Third Edition), 2010.

  3. R-statisticas.co
    Selva Prabhakaran.

  4. Time Series Analysis
    Martin Charlton and Alberto Caimo.

  5. A Course in Time Series Analysis
    Suhasini Subba Rao.

  6. Time Series Analysis
    Kevin Kotzé.

Referência: Domínio do tempo

Semana 1

  1. 24/02/26. Semana de integração do curso de Estatística e Ciência de Dados

  2. 27/02/26. Semana de integração do curso de Estatística e Ciência de Dados

Semana 3

  5. 10/03/26. Suavização de séries temporais. Regressão segmentada. Exemplo: remessas.
      Critério AIC para a seleção de modelos. Trabalho No.1.

  6. 13/03/26. Exercícios. Exemplos de estudos descritivos: debitcards e Alasca.

Semana 4

  7. 17/03/26. Modelos ARMA: Modelos autorregressivos de médias móveis.

  8. 20/03/26. Exercícios.

Semana 5

  9. 24/03/26. Previsão e estimação. Modelos ARIMA: Modelos integrados para dados não estacionários.

  10. 27/03/26. Exercícios.
Bolsas de Pesquisa na área de Tecnologia - Inova Talentos Senai SP. O objetivo é conectar pesquisadores qualificados (graduados, mestres e doutores) a oportunidades de carreira em empresas de destaque no mercado. Vagas de Bolsista e P&D nas empresas ICT Itaú, Bradesco, Cielo, Toyota e Vibra Energia. Trabalho No.2. Dados: TS.csv.

Semana 6

  11. 31/03/26. Modelos SARIMA: Modelos SARIMA. Testes de estacionariedade.
  Exemplos: Biblioteca tsdl. Exemplos: algoritmo Holt-Winters. Exemplo de modelo SARIMA: milk.
  Modelos GARCH.

  12. 03/04/26. Feriado: Paixão de Cristo.

Referência: SSA - Análise de Espectro Singular.

Semana 7

  13. 07/04/26. SSA - Análise de Espectro Singular.

  14. 10/04/26. Exercícios.

Semana 8

  15. 14/04/26. Introdução à SSA - Análise de Espectro Singular.
Introdução à SSA desenvolvida em Python e divulgada pela Kaggle, plataforma para profissionais de ciência de dados e aprendizado de máquina, na qual os usuários podem competir entre si para criar os melhores modelos para resolver problemas específicos ou analisar determinados conjuntos de dados:Introducing SSA for Time Series Decomposition.

  16. 17/04/26. Exercícios

Semana 9

  17. 21/04/26. Feriado: Tiradentes.

  18. 24/04/26. Exercícios.

Referência: Modelos dinâmicos

Semana 10

  19. 28/04/26. Modelo Gaussiano linear. Modificações de dados ausentes. Trabalho No.3.

  20. 01/05/26. Feriado: Dia do Trabalho.

Semana 11

  21. 05/05/26. Modelos Estruturais. Modelos dinâmicos com erros correlacionados.

  22. 08/05/26. Exercícios.

Semana 12

  23. 12/05/26. Outros modelos de espaço de estados.

  24. 15/05/26. Exercícios.

Semana 13

  25. 19/05/26.

  1. Multivariate Autoregressive State-Space (MARSS) models.
    Eli Holmes, Eric Ward e Mark Scheuerell desenvolveram um pacote R com um guia do usuário detalhado para analisar uma variedade de problemas de séries temporais multivariadas sob uma estrutura de máxima verossimilhança. Os exemplos incluem rastreamento de movimento, modelos lineares dinâmicos (DLM), análise fatorial dinâmica (DFA) e estimativa de interações e estabilidade da comunidade.

  2. INLA.
    O R-INLA é um poderoso pacote R projetado para realizar inferência Bayesiana aproximada e rápida para Modelos Gaussianos Latentes. Esta plataforma é a sua porta de entrada para desenvolvimentos metodológicos, ferramentas e recursos de ponta centrados no INLA.

  26. 22/05/26. Exercícios.

Referência: Domínio da frequência

Semana 14

  27. 26/05/26. Análise espectral e filtragem.

  28. 29/05/26. Exercícios.

Semana 15

  29. 02/06/26. Modelos de regressão defasada.

  30. 05/06/26. Recesso.

Semana 16

  31. 09/06/26. Análise discriminante e de cluster.

  32. 12/06/26. Exercícios.

Semana 17

  33. 16/06/26. Análise de componentes principais e fatorial.

  34. 19/06/26. Exercícios.

Semana 18

  35. 23/06/26. Exercícios.

  36. 26/06/26. Exercícios.

Exame Final: terça-feira 30/06/2026, 20:45hrs no Laboratório B.