1 Análise de Séries Temporais

2
3 A análise de séries temporais envolve a investigação de padrões, tendências e
variações em dados que são coletados sequencialmente ao longo do tempo. É aplicada em
várias áreas, como previsão, detecção de anomalias e modelagem de fenômenos que mudam
com o tempo.
4
5 Principais Conceitos:
6
7 Tendência: Uma direção geral ou padrão de crescimento ou decrescimento na série
temporal ao longo do tempo.
8
9 Seasonality (Sazonalidade): Padrões recorrentes que se repetem em intervalos
regulares, como sazonalidade anual em vendas de inverno.
10
11 Ciclo: Padrões de longo prazo que não têm periodicidade fixa, geralmente resultantes
de influências econômicas ou outras tendências subjacentes.
12
13 Ruído: Variações aleatórias ou flutuações que não podem ser explicadas por
tendências, sazonalidades ou ciclos.
14
15 Métodos de Análise:
16
17 Visualização: Gráficos de linha, histogramas e gráficos de dispersão podem ajudar a
identificar tendências, padrões sazonais e anomalias.
18
19 Média Móvel: Calcula a média de um conjunto de pontos vizinhos para suavizar
flutuações e destacar tendências.
20
21 Exponencial Suavização: Modela a série temporal ponderando de forma exponencial os
valores anteriores, enfatizando mais os dados recentes.
22
23 Modelos ARIMA: Modelos AutoRegressivos Integrados de Médias Móveis são usados para
capturar padrões autoregressivos, tendências e sazonalidades.
24
25 Modelos de Aprendizado de Máquina: Algoritmos como Redes Neurais Recorrentes (RNNs) e
Redes Neurais Convolucionais (CNNs) podem ser aplicados para modelar padrões
complexos em séries temporais.
26
27 Previsão em Séries Temporais:
28
29 A previsão envolve estimar valores futuros com base em padrões passados.
30
31 Métodos como Holt-Winters, ARIMA e modelos baseados em aprendizado de máquina são
usados para previsões.
32
33 É importante avaliar a qualidade das previsões usando métricas como erro médio
absoluto (MAE), erro quadrático médio (MSE) e raiz do erro quadrático médio (RMSE).
34
35 Detecção de Anomalias:
36
37 Anomalias são pontos de dados que diferem significativamente do padrão esperado.
38
39 Métodos estatísticos e de aprendizado de máquina podem ser aplicados para detectar
anomalias, destacando pontos que estão fora dos limites normais.
40
41 Aplicações:
42
43 Economia e Finanças: Previsão de preços de ações, análise econômica.
44
45 Energia: Previsão de demanda de energia, otimização do uso de recursos.
46
47 Saúde: Monitoramento de sinais vitais, análise de dados médicos.
48
49 Marketing: Análise de tendências de vendas, previsão de demanda.