Data Science Academy larissarqos17@gmail.
com 5fe4b0d7e32fc306a93785f4
Fundamentos de Linguagem Python para Análise de Dados e Data Science
Fundamentos de Linguagem Python para Análise de Dados e Data Science
Fundamentos de Linguagem Python Para
Análise de Dados e Data Science
Principais Técnicas de Análise
de Séries Temporais
Data Science Academy
www.datascienceacademy.com.br
Data Science Academy
[email protected] 5fe4b0d7e32fc306a93785f4
Fundamentos de Linguagem Python para Análise de Dados e Data Science
Existem diversas técnicas de análise de séries temporais que podem ser usadas para
entender e modelar a estrutura dos dados ao longo do tempo. Algumas das principais técnicas
incluem:
Decomposição de Séries Temporais: A decomposição é uma técnica que separa uma série
temporal em seus componentes básicos, como tendência, sazonalidade e resíduos (ou ruído).
Isso ajuda a entender melhor a dinâmica da série e facilita a modelagem e previsão.
Médias Móveis: As médias móveis são uma técnica de suavização que calcula a média de
um número fixo de pontos de dados consecutivos para criar uma nova série temporal suavizada.
Isso ajuda a reduzir o ruído e identificar tendências de longo prazo.
Suavização Exponencial: A suavização exponencial é outra técnica de suavização que
atribui pesos exponencialmente decrescentes aos pontos de dados anteriores. Isso dá mais
importância aos dados mais recentes e ajuda a identificar tendências e padrões de curto prazo.
Modelos Autorregressivos (AR): Os modelos autorregressivos são modelos lineares que
usam os valores passados da própria série temporal para prever valores futuros. O número de
valores passados usados no modelo é chamado de ordem do modelo AR.
Modelos de Médias Móveis (MA): Os modelos de médias móveis são modelos lineares
que usam os resíduos passados (erros de previsão) para prever valores futuros. O número de
resíduos passados usados no modelo é chamado de ordem do modelo MA.
Modelos ARIMA (Autoregressive Integrated Moving Average): Os modelos ARIMA
combinam elementos dos modelos AR e MA e também incluem a diferenciação para tornar a
série temporal estacionária. Os modelos ARIMA são amplamente utilizados para previsão de
séries temporais e podem lidar com tendências e sazonalidades.
Modelos SARIMA (Seasonal ARIMA): Os modelos SARIMA estendem os modelos ARIMA
para incluir termos sazonais, tornando-os adequados para séries temporais com padrões
sazonais claros.
Modelos de Espaço de Estados: Os modelos de espaço de estados são uma abordagem
mais geral para modelar séries temporais que podem incluir modelos lineares e não lineares,
bem como modelos com efeitos fixos e aleatórios. Exemplos de modelos de espaço de estados
incluem modelos de suavização exponencial de Holt-Winters e modelos de Kalman.
Métodos de Aprendizado de Máquina: Além das técnicas estatísticas tradicionais, os
métodos de aprendizado de máquina, como redes neurais, máquinas de vetores de suporte e
árvores de decisão, também podem ser usados para modelar e prever séries temporais. Esses
métodos geralmente requerem a transformação dos dados de séries temporais em um formato
adequado para modelagem de aprendizado de máquina.
Data Science Academy
www.datascienceacademy.com.br
Data Science Academy
[email protected] 5fe4b0d7e32fc306a93785f4
Fundamentos de Linguagem Python para Análise de Dados e Data Science
Cada técnica tem suas próprias vantagens e limitações, e a escolha da técnica mais
adequada depende das características da série temporal em questão, como a presença de
tendências, sazonalidades e ruído, bem como os objetivo do projeto.
Análise e previsão de séries temporais é uma atividade de nível avançado no universo da
Ciência de Dados e neste capítulo vamos trazer uma breve introdução ao tema. Escolhemos para
este capítulo a técnica de Suavização Exponencial.
Data Science Academy
www.datascienceacademy.com.br
