1-Principais Tecnicas de Analise de Series Temporais

Data Science Academy zenkimoto@hotmail.
com 5efe3c27e32fc331a752b2a5
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 zenkimoto@hotmail.com 5efe3c27e32fc331a752b2a5
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 zenkimoto@hotmail.com 5efe3c27e32fc331a752b2a5
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.


1-Principais Tecnicas de Analise de Series Temporais

Enviado por

Direitos autorais:

Formatos disponíveis

1-Principais Tecnicas de Analise de Series Temporais

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

1-Principais Tecnicas de Analise de Series Temporais

Enviado por

Direitos autorais:

Formatos disponíveis

Data Science Academy zenkimoto@hotmail.

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

Principais Técnicas de Análise

Data Science Academy

Fundamentos de Linguagem Python para Análise de Dados e Data Science

Suavização Exponencial: A suavização exponencial é outra técnica de suavização que

Modelos Autorregressivos (AR): Os modelos autorregressivos são modelos lineares que

Modelos ARIMA (Autoregressive Integrated Moving Average): Os modelos ARIMA

Modelos SARIMA (Seasonal ARIMA): Os modelos SARIMA estendem os modelos ARIMA

Modelos de Espaço de Estados: Os modelos de espaço de estados são uma abordagem

Métodos de Aprendizado de Máquina: Além das técnicas estatísticas tradicionais, os

Data Science Academy

Fundamentos de Linguagem Python para Análise de Dados e Data Science

Análise e previsão de séries temporais é uma atividade de nível avançado no universo da

Data Science Academy

Você também pode gostar