10.

1093/ije/dyg255
1er Semestre

Probabilidad e inferência 12

Modelos lineales 8

Perspectivas em Probabilidade e Estatística 2

2do Semestre

Aprendizagem Estatística em altas dimensões 8

Aprendizagem de Maquina I 8

3er Semestre

Técnicas Computacionais em Probabilidade e Estatística I 8

Análise de Séries Temporais 8

4to Semestre

Estatística Avançada I 8

Análise Espectral de Séries Temporais Financeiras 8

Curso MAE5725 Modelos lineales

Nr. De crédito: 8

Carga horaria:

Teórico Practica Estudios

Duración Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Contenidos:

1. Introducción: principales modelos y ejemplos.

2. Álgebra de matrices.
3. Distribuciones de formas cuadráticas.
4. Modelos post completos: regresión y planificación.
5. Estimación y prueba de hipótesis: la hipótesis lineal general.
6. Parametrizaciones en modelos de planificación.
7. Datos no balanceados y datos incompletos.
8. Estimación por el método de mínimos cuadrados ponderados.
9. El modelo lineal general: estructuras especiales para la matriz de covarianza; Modelos para mediciones repetidas.
10. Modelos lineales con matriz de planificación posterior incompleta.
 Disciplina MAE5705
Perspectivas em Probabilidade e Estatística

Nr. de Créditos: 2

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
1 0 2 10 semanas 30 horas

Conteúdo:

O curso consiste de palestras ministradas por docentes do MAE e especialistas convidados, sobre
temas de interesse em pesquisa básica, aplicações e historia da Probabilidade e da Estatística
além de tópicos relacionados com a definição e elaboração de projetos de pesquisa.

Disciplina MAE5904
Aprendizagem estatística em altas dimensões

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:
1- Introdução à aprendizagem estatística supervisionada.
2- Modelos lineares para regressão e classificação.
4- O método LASSO e o problema de seleção de variáveis.
5- Avaliação e seleção de modelos.
4- Método de k-vizinhos mais próximos, máquinas de vetores suporte e redes neurais.
5- Método “bagging", florestas aleatórias e método "boosting".
9- Modelos gráficos.
10- Aprendizagem não supervisionada.
 Disciplina MAP5918
Aprendizagem de Máquinas I

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:

Fundamentos de Teoria de Informação.

Introdução à Inferência Bayesiana.
Fundamentos da Aprendizagem Estatística. PAC Learning.
No-Free Lunch Theorem. Dimensão VC.
Métodos Lineares de Regressão e Classificação.
Redes Neurais. Métodos de Kernel.
Seleção de Modelos.
Árvores de decisão
.
Boosting.

Disciplina MAE5704
Técnicas Computacionais em Probabilidade e Estatística I

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:
1. Análise exploratória de dados (uni e multivariados): medidas de posição, dispersão, assimetria, medidas robustas,
medidas bivariadas, associação entre variáveis, identificação de outliers, transformação de variáveis, gráficos.
2. Modelos de Regressão Linear, Regressão Resistente e Métodos de Suavização.
3. Simulação estocástica: métodos de inversão, rejeição, composição e métodos de reamostragem.
4. Otimização numérica: Newton-Raphson, scoring, quase-Newton.
5. Algoritmo EM.
6. "Bootstrap" e "Jacknife".
7. Métodos de Monte Carlo e Quadraturas Gaussianas.

Disciplina MAE5870
Análise de Séries Temporais

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas
Conteúdo:
1.Conceitos básicos: processos estocásticos e séries temporais, estacionariedade, função de autocovariância e
espectro.
2. Modelos ARMA estacionários: os modelos autorregressivos, de médias móveis, e misto mistos; modelos ARIMA, o
modelo linear geral e modelos harmônicos; modelos com memória longa.
3. Modelos Não lineares: ARCH, GARCH e extensões.
4. Análise espectral: séries de Fourier, análise de funções periódicas e não periódicas, representação espectral de
processos estacionários, espectro misto e filtros lineares.
5. Estimação no domínio do tempo: estimação da média e da função de autocovariância, identificação, estimação e
previsão de parâmetros de modelos ARIMA e de modelos da família ARCH.
6. Estimação no domínio da freqüência: a transformada de Fourier finita e o periodograma, estimadores suavizados.

Disciplina MAE5834
Estatística Avançada I

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:
1. Modelos estatísticos clássicos e bayesianos; modelos paramétricos, não paramétricos e semi-paramétricos.
2. Suficiência, suficiência mínima, completa, ancilaridade; famílias exponenciais de distribuições; informação de Fisher e
Kullback-Leibler.
3. Formulação do problema de decisão estatística; estimadores ótimos, admissibilidade.
4. Estimadores não-viesados de variância mínima, de máxima verossimilhança, bayesianos e robustos; intervalos de
confiança e credibilidade.
5. Formulação geral do problema do teste de hipóteses; lema de Neyman-Pearson e testes UMP. Teste da razão de
verossimilhanças.
6. Fator de Bayes, eliminação de parâmetros de incômodo, quantidade pivotal, p-valor.
 Disciplina MAE5871
Análise Espectral de Séries Temporais

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:
1. Conceitos básicos: processos estocásticos e séries temporais, série estacionárias, função de autocovariância e
espectro.
2. Análise de Fourier para funções periódicas e não periódicas, a integral de Fourier.
3. Análise espectral de processos estacionários: relação entre espectro e função de autocovariância, o teorema de Wiener-
Kintchine. Representação espectral.
4. Análise espectral bivariada: função de covariância cruzada, espectro cruzado, coerência e fase.
5. Filtros lineares e não-lineares, espectro de amplitude e de fases. 6. Estimação do espectro: a transformada de Fourier
finita e o periodograma, estimadores suavizados
7. Análise espectral prática: aliasing, resolução e largura de faixa, escolha da janela espectral, a FFT, tendências e
ajustamento sazonal, estimadores auto-regressivos.
8. Espectros mistos e testes para priodicidades.
9. Outras análises: Walsh-Fourier e de Ondaletas.
 Disciplina MAE5882
Modelagem em Séries Temporais Financeiras

Nr. de Créditos: 8

Carga Horária:

Teórica Prática Estudos

Duração Total
(por semana) (por semana) (por semana)
4 2 4 12 semanas 120 horas

Conteúdo:
1. Retornos, fatos estilizados em séries financeiras.
2. Modelos lineares univariados. Raízes unitárias.
3. Modelos não lineares univariados. Modelos da família ARCH.
4. Valor em risco (VaR).
5. Modelos lineares multivariados. Modelo VAR.
6. Modelos multivariados da família ARCH.
7. Modelos de memória longa.
8. Análise de dados de alta freqüência.
9. Cointegração e modelos de correção de erros.
10. Análise de dependência e cópulas.