Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Nível intermediário
Aproximadamente. 26 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Tural Sadigov
Conferencista
Matemática Aplicada
William Thistleton
professor associado
Mathematicsylabus aplicado – o que você aprenderá com este curso
Semana 1: Estatísticas básicas
Durante esta primeira semana, mostramos como baixar e instalar R no Windows e no Mac. Analisamos o básico das estatísticas inferenciais e descritivas que você precisará durante o curso.
Semana 2: Visualizar séries temporais e começar a modelar séries temporais
Nesta semana, começamos a explorar e visualizar séries temporais disponíveis como conjuntos de dados adquiridos. Também tomamos nossos primeiros passos no desenvolvimento dos modelos matemáticos necessários para analisar dados de séries temporais.
Semana 3: Processos Stationarity, MA (Q) e AR (P)
Na semana 3, introduzimos poucas noções importantes na análise de séries temporais: estacionariedade, operador de mudança para trás, invertibilidade e dualidade. Começamos a explorar processos autoregressivos e equações de Yule-Walker.
Semana 4: Processos AR (P), Equações Yule-Walker, PACF
Nesta semana, a autocorrelação parcial é introduzida. Trabalhamos mais sobre as equações de Yule-Walker e aplicamos o que aprendemos até agora a poucos conjuntos de dados do mundo real.
Semana 5: Critério de informação de Akaike (AIC), modelos mistos, modelos integrados
Na semana 5, começamos a trabalhar com o Critério de Informação de Akaike como uma ferramenta para julgar nossos modelos, introduzindo modelos mistos como ARMA, ARIMA e modelo de poucos conjuntos de dados do mundo real.
Semana 6: sazonalidade, sarima, previsão
Na última semana do nosso curso, outro modelo é introduzido: Sarima. Ajustamos os modelos SARIMA para vários conjuntos de dados e começamos a prever.