Séries Temporais e Previsão

Código:

M4113

Sigla:

M4113

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Matemática

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Ciência de Dados (Data Science)

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M:DS	32	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162
M:ECAD	7	Plano Oficial do ano letivo 2021/2022	2	-	6	42	162
M:EGEO	7	Plano de Estudos Oficial	1	-	6	42	162
M:ENM	9	Plano de Estudos Oficial a partir de 2023/2024	1	-	6	42	162
			2

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Introduzir os conceitos e metodologias adequados à  análise de séries temporais.

Resultados de aprendizagem e competências

No final do semestre o estudante deve ser capaz de:

1. definir os conceitos principais dos métodos de análise de séries temporais;

2. selecionar e aplicar os modelos apropriados para dados de séries temporais;

3. utilizar o software indicado;

4. sintetizar os resultados de uma análise de séries temporais.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conceitos básicos de probabilidades e estatística.

Programa

Noção de série temporal. Padrões de dados temporais. Medidas de correlação e correlação cruzada e sua estimação. Estacionaridade. Uso do R para análise de séries temporais.

Análise exploratória. Estimação e extração das componentes de uma série temporal: tendência, ciclo e sazonalidade: Loess, STL e decompçosição “Bureau  of the Census”.

 Modelos probabilísticos para séries temporais. Modelos ARMA. Estimação e previsão. Modelos ARIMA para séries não estacionárias. Modelos sazonais. Modelos SARIMA. 

Metodologia Box-Jenkins para a modelação – identificação, estimação e controlo do diagnóstico. Selecção de modelos. Testes de raízes unitárias. 

Previsão: modelos SARIMA e métodos de amaciamento exponencial.

Análise e previsão na presença de muitas séries temporais. Formas de representação dos dados de séries temporais. Sumário das características mais relevantes. Selecção automática de modelos. Previsão automática.  

Bibliografia Obrigatória

Cryer, Jonathan D.; Time series analysis : with applications in R, Adison-Wesley, 2009. ISBN: 0-321-32216-9

Métodos de ensino e atividades de aprendizagem

Exposição da matéria. 
Resolução de exercícios. 
Tratamento de casos práticos com recurso a software apropriado.

Software

Python
R

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	60,00
Trabalho prático ou de projeto	40,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	80,00
Frequência das aulas	42,00
Trabalho escrito	40,00
Total:	162,00

Obtenção de frequência

Não aplicável.

Fórmula de cálculo da classificação final

• componente escrita CE- 2 Testes com ponderação com  classificação mínima de 7 valores em cada


• componente projecto - CP - Relatório e apresentação da análise de uma série temporal  com classificação mínima de 7 valores. O trabalho é realizado em grupo - 2 estudantes.

Classificação final= 0.5 CE + 0.5 CP

Na época de recurso os estudantes podem obter aprovação medianteum exame escrito com ponderação de 50% e um trabalho prático  com relatório e apresentação, com poderação de 50%

Provas e trabalhos especiais

NA

Trabalho de estágio/projeto

NA

Avaliação especial (TE, DA, ...)

Na época de recurso os estudantes podem obter aprovação medianteum exame escrito com ponderação de 50% e um trabalho prático  com relatório e apresentação, com poderação de 50%

Melhoria de classificação

Os alunos que pretendam melhorar a classificação final devem realizar um exame escrito com ponderação de 50% e um trabalho prático  com relatório e apresentação, com poderação de 50%.

Observações

NA