- 30
- 67 542
José Augusto Fiorucci
เข้าร่วมเมื่อ 15 ธ.ค. 2016
วีดีโอ
Aula 22 - Parte II: Modelagem de Volatilidade - Exemplos no R
มุมมอง 5823 ปีที่แล้ว
Aula 22 - Parte II: Modelagem de Volatilidade - Exemplos no R
Aula 22 - Parte I: Modelagem de Volatilidade
มุมมอง 6073 ปีที่แล้ว
Aula 22 - Parte I: Modelagem de Volatilidade
Aula 21, Parte II: Séries Financeiras, Retornos e Volatilidade
มุมมอง 4873 ปีที่แล้ว
Aula 21, Parte II: Séries Financeiras, Retornos e Volatilidade
Aula 21, Parte I: Séries Financeiras, Retornos e Volatilidade
มุมมอง 5363 ปีที่แล้ว
Aula 21, Parte I: Séries Financeiras, Retornos e Volatilidade
Aula 19 - Sazonalidade Múltipla e Modelos Avançados de Previsão
มุมมอง 5833 ปีที่แล้ว
Nesta aula são abordados os modelos STL ETS, BATS e TBATS
Aula 20 - Métricas de acurácia e validação cruzada
มุมมอง 6543 ปีที่แล้ว
Aula 20 - Métricas de acurácia e validação cruzada
Aula 17 - Modelos ETS - Parte I
มุมมอง 6623 ปีที่แล้ว
Nesta aula é apresentada a família de modelos ETS, a qual generaliza os modelos de alisamento exponencial.
Aula 16 - Modelo de Holt-Winters - aula prática
มุมมอง 1.6K3 ปีที่แล้ว
Aula 16 - Modelo de Holt-Winters - aula prática
Aula 15 - Modelo de Holt-Winters - aula teórica
มุมมอง 9413 ปีที่แล้ว
Correção: no Exercício 3 utilize beta=0,12.
Aula 14 - Modelo Linear de Holt e modelo Damped
มุมมอง 6913 ปีที่แล้ว
Aula 14 - Modelo Linear de Holt e modelo Damped
Aula 13 - Introdução aos modelos de alisamento exponencial
มุมมอง 1.6K3 ปีที่แล้ว
1) Modelos de espaço de estado 2) Modelo SES Correção: Os valores corretos para a variância na resposta do Exercício 1 são: - Variância da previsão: 0.326, 0.443, 0.560
Aula 10 - Modelos ARIMA Sazonais (SARIMA)
มุมมอง 3.2K4 ปีที่แล้ว
Aula 10 - Modelos ARIMA Sazonais (SARIMA)
Aula 9 - Adequação dos modelos ARMA/ARIMA
มุมมอง 1.5K4 ปีที่แล้ว
Aula 9 - Adequação dos modelos ARMA/ARIMA
Aula 8 - Estimação de modelos ARMA/ARIMA
มุมมอง 2.2K4 ปีที่แล้ว
Aula 8 - Estimação de modelos ARMA/ARIMA
Aula 7 - ARMA, ARIMA e Testes de Estacionariedade
มุมมอง 3.7K4 ปีที่แล้ว
Aula 7 - ARMA, ARIMA e Testes de Estacionariedade
Aula 6 - Parte II - Escrevendo AR(p) como MA(inf) e as Equações de Yule-Walker
มุมมอง 1.6K4 ปีที่แล้ว
Aula 6 - Parte II - Escrevendo AR(p) como MA(inf) e as Equações de Yule-Walker
Aula 5 - Modelos Autoregressivos e FACP
มุมมอง 2.8K4 ปีที่แล้ว
Aula 5 - Modelos Autoregressivos e FACP
Aula 4 - ACF, CCF, Diferenciação e Retornos
มุมมอง 2.7K4 ปีที่แล้ว
Aula 4 - ACF, CCF, Diferenciação e Retornos
Aula 3 - Parte I - Média, autocovariância e autocorrelação teórica
มุมมอง 4.3K4 ปีที่แล้ว
Aula 3 - Parte I - Média, autocovariância e autocorrelação teórica
Aula 2 - Parte II - Decomposição STL e MSTL
มุมมอง 3.4K4 ปีที่แล้ว
Aula 2 - Parte II - Decomposição STL e MSTL
Aula 2 - Parte I - Tendência, Sazonalidade e Decomposição
มุมมอง 7K4 ปีที่แล้ว
Aula 2 - Parte I - Tendência, Sazonalidade e Decomposição
Começando a Maratonar por aqui, estou estudando Séries Temporais para meu TCC, pelo livros está um pouco abstrato. Seus vídeos estão ajudando demais, obrigado por disponibilizar esse conteúdo.
Muito obrigado pelo material disponibilizado! Li alguns materiais e não consegui compreender muito bem, no primeiro video intro já sanou metade das minhas dúvidas. Vou assistir a playlist completa! ❤
Boa tarde Professor, tudo bem? Se puder esclarecer uma dúvida..... depois que faço a decomposição.. para usar um teste de Mann-Kendall para verificar se há tendência em série histórica de temperatura mensal, eu desconsidero a sazonalidade e uso o modelo aditivo com a tendência e resíduo? Grata.
Muito bom
Oloco, sensacional! Vou maratonar essa playlist. Ouro! Muito obrigado!
Muito boa a didática do Prof. Dr. Fiorucci! Obrigado.
MUITO OBRIGADO!!!!!!!!
Olá, professor! Tem as respostas desse exercício em algum lugar?
Tô estudando pro IPEA com seus vídeos.
Olá, Professor! Perdoe-me o meu conhecimento de iniciante. Pelo que entendi, a decomposição é uma forma de compreender individualmente as componentes de uma determinada série temporal incluindo multiplas sazonalidades. A partir disso, seguimos com os tratamentos necessários para alcançar os pressupostos. Não ficou claro porque realizar algum tipo de transformação, por exemplo Box-Cox, antes da decomposição já que isso provoca mudanças tipo estabilização da variância e outras mais impossibilitando que tenhamos uma compreensão do dados em sua forma natural. Obrigado pela atenção!
Olá, professor! Assisti algumas aulas avulsas por necessidades específicas e já me organizando para seguir o programa a completo. Passando para agradecer pelo excelente conteúdo e por sua disponibilidade em democratizar o conhecimento. Iniciativas como essa e, considere que é um tema complexo, faz do mundo um lugar com mais oportunidade para que as pessoas façam a diferença a suas vidas.
Parabéns pela aula professor! Parabéns pela didática e motivação da aula inicial. Por mais professores assim! Precisamos de mais professores assim em nossas instituições de ensino superior.
Olá, Professor Augusto. Parabéns pelo material. Explicação técnica e clara. Na minha opinião, é um dos melhores vídeos em português sobre o tema. Os seus slides é baseado em algum livro? Dentre os diversos livros de time series.... qual é o mais apropriada no nível do seu curso? Obrigado pela atenção.
Recomendo o livro do Hyndman. O link esta na descrição do vídeo.
Prezado Augusto, Quando rodei o MSTL na minha serie temporal o resíduo (remainder) ainda apresenta curvas e não aparece como um ruído branco. Esta correto a aplicação desta técnica nos meus dados (tem como eu te enviar o gráfico)? Eu utilizo com ou sem a transformação Box-Cox?
Oi Arielle, se você especificou corretamente ela como um objeto ts ou msts, com os ciclos sazonais corretos, a aplicação deve estar correta sim. Vc pode testar a série com e sem Box-Cox e escolher a versão que aparentar ter os melhores resíduos. Se quiser pode enviar o gráfico pra jafiorucci@unb.br.
@@profiorucci Muito obrigada 🙂
tem a resolução do exercício pf ?
Legal professor um canal de series temporais showww
Perfeito!
Excelente material, está me ajudando bastante a aprender matéria! Gostaria de pontuar um erro de digitação, que nada interfere no excelente material, no terceiro slide, segundo tópico, em que está escrito generalizadade.
No mesmo slide, quando você reescreve em função do operador de retardo, não estaria faltando um psi_p antes do B^p?
No slide 9, onde temos alguns exemplos para mostrar que os processos são estacionários, no primeio exemplo temos que B é nossa raiz, correto? Dessa forma a conclusão não deveria ser "Logo |B| > 1 apenas se |phi| < 1" ?
Quando extrair a tendência utilizando média móvel passada é melhor que a simétrica? Já que tem esse atraso, me parece que nunca vale a pena. Obrigada pela aula, professor.
Eu acredito que a simétrica por não ter atraso absorva melhor a tendência. Mas não existe uma regra pra isso.
show de bola professor! obrigada
Obrigado pelas aulas Professor. O senhor poderia recomendar livros sobre séries temporais que o senhor utilizou?
Eu adicionei uma bibliografia na descrição do vídeo.
Augusto boa tarde. Tem alguma aula que você aplica essas teorias? Se sim, poderia me dizer qual a aula? Obg!!
olá, por acaso teria o código para compartilhar?
O link pra baixar os scrips está na descrição da playlist.
Professor, quando eu pedi pra decompose deu isso: Error in na.omit.ts(x) : time series contains internal NAs
Oi Roberta, não sei o que aconteceu. Ele falou que tem valores faltantes no meio do seu conjunto de dados.
Obrigada pela aula. Muito didático
Parabéns pelo trabalho! Tirando muitos duvidas nas suas aulas. Deus abençoe grandemente.
Excelente aula!
Muito bom, estava confuso nas aulas de Data Science, agora tudo ficou mais claro, obrigado !
Parabéns pelo trabalho! Existe algum livro-texto para acompanhar as aulas?
Eu recomendo o livro "Forecasting: Principles and Practice" do Hyndman e Athanasopoulos. As aulas estão mais baseadas na ed 2, mas já existe a ed 3. Todo conteúdo é gratuito e online: otexts.com/fpp2/
👏👏👏
Parabéns pelas aulas. São excelentes! Apenas uma correção no slide que aparece em 15:09. Como a variável T já estava carregada, retornou erro ao fazer o colMeans. Para solucionar, usei TRUE no lugar do T e deu certo.
Parabéns pelo canal, seus conteúdos são tops. Tô começando a estudar. Continue assim 🙏🏽
Ótima aula professor. Gostaria de saber se a sazonalidade presente em uma série influencia na questão da estacionariedade.
Professor nota 10! Linguagem simples e direta. Assisti outros vídeos sobre o assunto, mas o seu é o melhor disparado Augusto. 👏👏👏
Olá, aulas excelentes. Tenho uma dúvida. Se eu for considerar séries diárias, como faria pra anos bissextos? Não seria só colocar s=365 medições, não é?
Oi Cristina, nesse caso o ciclo sazonal é não inteiro por conta dos anos bissextos (s=365.25), a literatura chama essa situação de sazonalidade complexa. Eu comento sobre isso na Aula 19.
@@profiorucci Ah, certo. Muito obrigada. Irei assisti-la.
Excelente Augusto, conseguimos ter acesso ao Script ?
Oi Samuel, envia o pedido no meu email jafiorucci@unb.br
Olá, boa tarde! Fiz o teste usando uma base de vendas, e a função stl está apresentando um erro para os meus dados. Segue a mensagem de erro: "Error in stl(vendas, s.window = 3) : only univariate series are allowed". Este erro aparece para qquer valor do argumento s.window Obrigado
Oi Willian. Provavelmente o seu conjunto de dados "vendas" não esta no formato correto.
@@profiorucci Bom dia Professor! Então, quando leio os dados eles estão no formato numérico, depois disso transformo usando a função "ts". Que pelo que vi, está no mesmo formato do seu exemplo. Segue o meu código: vendas<-read.csv('vendas2.csv', header = TRUE, dec = ',',sep = ';',encoding = 'UTf-8') vendas<-ts(vendas,start=c(2016,05),freq=12) Obrigado
@@willian0283 o código me parece correto. Mas a mensagem de erro esta falando que possivelmente a sua variável "vendas" não é uma série univariada, ou seja, ela pode conter mais de uma coluna, o que não é interpretado pela STL. Tenta dar um print nessa variável pra como ela esta no R.
@@profiorucci os dados possuem apenas uma coluna, mas não entendi pq na função "str" ele lista mais de um campo. Segue a saída da função "str": str(vendas) Time-Series [1:72, 1] from 2016 to 2022: 947291 1151308 1319585 1098466 1291147 1008480 1148694 1199143 837546 1030530 ... - attr(*, "dimnames")=List of 2 ..$ : NULL ..$ : chr "ï..Vendas"
Ja deixei o arquivo csv sem o cabeçalho da coluna. Ao ler o arquivo no R, a função str me diz que os dados estão no formato inteiro, e com apenas 1 campo. Depois de usar a função ts, ele faz a mesma coisa que na saida listada no comentário anterior
Muito didática sua aula! Os scripts estão disponíveis em algum lugar? Obrigado
Eu posso te enviar por email.
Aulas muito boas, estão sendo de grande valor para meu aprendizado, eu não sei muito ainda mas estou buscando melhorar.
Em 10:43, acho que teve um erro tipográfico, o índice superior do somatório não seria k-1? Só uma observação, no final das contas não fazer diferença, porque o k vai para o infinito.
Tem razão, obrigado por avisar.
Mais uma excelente aula, foi muito bom o exemplo prático no final usando as bolsas de valores do Brasil e da Austrália. Obrigado!
Aula incrível, vou assistir o resto da playlist com certeza. Duas perguntas: Essa aula é o mesmo nível que você ministra na faculdade? qual período é estudado essa matéria na faculdade de estatística? Muito obrigado!
Olá Ravik. O nível é semelhante, a aula presencial diferente dessas que foram gravadas apenas por ter mais demonstrações matemáticas. Na UnB o curso de estatística é diurno.
No curso de estatistica UFPR, essa disciplina é do oitavo período
Fiz C1 contigo, agora você me ajudando KKKKKKK. Tamo junto, grande abraço
Oi Guilherme, forte abraço.
ótima aula, me salvou!
Professor Augusto, comecei meus estudos em séries temporais recentemente e assisti a todas as suas aulas. Gostaria de saber se você poderia me disponibilizar os slides de suas aulas? Seria de grande valia. Caso possa meu email é souza302418@hotmail.com. Muito obrigada.
Ótima aula. Gostaria de saber onde encontro os dados que vc utilizou no R.
Olá Isloana, a série AirPassengers é nativa no R e pode ser utilizada diretamente. Caso tenha interessa no código do R, eu posso te enviar por email.
Excelente conteúdo e explicações. Obrigado!
Obrigado pela dedicação! Muito bom. Estou iniciando os estudos no assunto e está me dando um norte muito claro.
Olá Stefanni, fico feliz que tenha gostado. Abraço
Só dudu
Oi guto