Análise de Séries Temporais

Professor: Carlos Antonio Abanto Valle, sala: C127 Gabinete 201

e-mail: cabantovalle@gmail.com; cabantovalle@im.ufrj.br
Horário: 2a 10:00 as 12:00, e 6a de 08:00-10:00

1. Programa

1. Modelos de Séries Temporais. Conceitos básicos de séries temporais.Estacionariedade. Função de autocorrelação.

Modelos no domı́nio do tempo e da freqüência
2. Métodos de Decomposição: Modelos de tendência: determinı́stica e estocástica. Suavização exponencial:
simples e dupla - modelos de Holt e Brown. Modelos de sazonalidade: Holt-Winters aditivo e multiplicativo.
Métodos de regressão: estimação, análise de resı́duos.
3. Modelagem de Séries Temporais Estacionárias: Processo linear geral. Modelos de médias móveis, au-
toregressivos, modelos mistos (ARMA). Propriedades: inversibilidade eestacionariedade. Estimação, di-
agnóstico e previsão
4. Modelagem de Séries Temporais não Estacionárias: Transformações: diferenciação, Box-Cox. Mode-
los ARIMA: estimação, diagnóstico e previsão. Modelos Sazonais - SARIMA: estimação, diagnóstico e
previsão.
5. Modelos Dinâmicos Lineares e Previsões Bayesianas: Introdução aos modelos dinâmicos. Modelos de
tendência. Inferência em Modelos Dinâmicos: evolução e atualização.
Controle, Monitoramento e Análise de Intervenção. Modelos Sazonais, Regressão Dinâmica e Função de
Transferência
6. Modelos Dinâmicos Não Lineares e Não Normais: Modelos lineares generalizados dinâmicos. Modelos
não lineares dinâmicos. Inferência via simulação estocástica

2. Bibliografia

1. Chatfield, C. (2000). Time-Series Forecasting. Chapman & Hall/CRC

2. Commandeur, J. J. F. e Koopman, S. J. (2007). An Introduction to State Space Time Series Analysis. Oxford
University Press. Oxford.
3. Cowpertwait, P. S. P. e Metcalfe, A. V. (2009). Introductory Time Series with R. Springer, New York.
4. Cryer, J. D. e Chan, K.-S. (2008). Time Series Analysis With Applications in R, 2a edição, Springer, New
York.
5. Kleiber, C. e Zeileis, A. (2008). Applied Econometrics with R, Springer, New York.
6. Petris, G., Petroni, S. e Campagnoli, P. (2009). Dynamic Linear Models with R, Springer, New York.
7. Shumway, R. H. e Stoffer, D. S. (2011) Time Series Analysis and Its Applications, With R Examples, 3a
edição, Springer, New York.
8. West, M. e Harrison, J. (1997). Bayesian Forecasting and Dynamic Models, 2a edição, Springer, New York.

1
 3. Avaliação

O critério será baseado em 4 provas: P1 , P2 , P3 e P4 . O aluno so poderá faltar a uma das provas P1 ou P2 , se faltar
as duas estará reprovado. Como a pior das duas notas será eliminada não haverá segunda chamada. Será aplicado
1 teste por unidade.

P1 : 28/09/2020 (2a feira) da unidade I à III.

P2 : 13/11/2020 (6a feira) do unidade III à V.
PF : 16/11/2020 (2a feira) Toda a matéria.

A nota média:

NM = 0.4P1 + 0.4P2 + 0.2Trabalhos; Se NM ≥ 7.0 Aprovado. Se NM < 7.0 e max{P1 , P2 } ≥ 3.0

NM + PF
NF = , se NF ≥ 5.0 Aprovado, caso contrário Reprovado
2