Métodos de Previsão Aplicados

As aulas são, de acordo com o que está determinado no plano curricular, teórico-práticas. Na parte teórica será usado o método expositivo. A parte prática será destinada à exemplificação de procedimentos e resolução de problemas com suporte de uma ferramenta informática (predominantemente, R ou Python). Far-se-á prevalecer uma forte interação entre a teoria e a prática, dando, tanto quanto possível, um papel central à visualização e ao tratamento de situações concretas.
O estudante será avaliado por um trabalho realizado no âmbito da unidade curricular e por uma prova escrita de avaliação final. O trabalho é facultativo, sendo a prova escrita obrigatória. A nota final será igual a 50% da nota do trabalho, mais 50% da nota da prova escrita. A nota do trabalho só será considerada se o estudante obtiver uma nota mínima de 7 valores na prova escrita (numa escala de 0 a 20). Se o estudante optar pela não realização do trabalho, anota final será determinada na totalidade pela prova escrita.

As tarefas de descrição de dados e previsão envolvem, com frequência, dados em que a componente temporal não pode ser negligenciada.
Assim, nesta unidade, curricular o foco está nos dados em série temporal, pretendendo-se que o estudante seja capaz de:
− efetuar a análise exploratória ajustada à série temporal de interesse;
− executar a decomposição da série nas suas componentes;
− identificar potenciais problemas que interfiram na qualidade dos dados e efetuar o tratamento devido;
− reconhecer diferentes classes de métodos de previsão para séries temporais;
− identificar e aplicar o(s) método(s) de previsão adequado(s) em casos concretos;
− conhecer os pressupostos e as limitações dos métodos;
− saber validar os modelos obtidos e avaliar a sua capacidade preditiva.
Paralelamente, o estudante deverá ser capaz de executar as tarefas de uma forma eficiente usando a(s) ferramenta(s)informática(s) adequada(s), preferencialmente, R ou Python

1. Descrição de séries temporais e pré-processamento
1.1. Análise exploratória
1.2. Decomposição
1.3. Pré-processamento
2. Previsão de séries temporais
2.1. Ferramentas: conceitos, procedimentos e medidas
2.2. Alisamento exponencial
2.3. Modelos ARIMA
2.4. Modelos de regressão dinâmicos
2.5. Métodos avançados de previsão

NAO

Box, G.E., Jenkins, G.M., Reinsel G.C. (2015). Time Series Analysis: Forecasting and Control, 4th edition. Wiley.
Gilliland, M., Tashman, L., Sglavo, U. (2015). Business Forecasting: Practical Problems and Solutions. Wiley.
Hyndman, R.J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition. OTexts.https://otexts.com/fpp3/
Krispin, R. (2019). Hands-On Time Series Analysis with R. Packt Publishing.
Lazzeri, F. (2020). Machine Learning for Time Series Forecasting with Python. Wiley.
Nielsen, A. (2019). Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O’Reilly Media.