IA2-23

Prévia do material em texto

Tema 23: Modelos de Séries Temporais 
Os modelos de séries temporais são uma categoria de modelos estatísticos utilizados para 
analisar dados que são coletados ao longo do tempo, geralmente com intervalos regulares. Eles 
são amplamente utilizados em finanças, economia, meteorologia, e outras áreas onde as 
variáveis são dependentes do tempo.Como Funciona o Modelamento de Séries Temporais? 
O objetivo principal do modelamento de séries temporais é entender a estrutura dos dados ao 
longo do tempo para realizar previsões futuras. Os modelos de séries temporais são geralmente 
compostos por três componentes principais: 
Tendência (Trend): Refere-se ao movimento de longo prazo nos dados. Pode ser crescente, 
decrescente ou constante.Sazonalidade (Seasonality): Refere-se aos padrões que se repetem em 
intervalos regulares, como flutuações sazonais que ocorrem a cada ano, mês, dia da semana, etc. 
Ruído ou Erro Aleatório (Noise): São flutuações aleatórias nos dados que não podem ser 
explicadas por tendência ou sazonalidade.Modelos Comuns em Séries Temporais 
1. ARIMA (AutoRegressive Integrated Moving Average): Um dos modelos mais 
populares para previsão de séries temporais, ARIMA combina três componentes: 
o AR (AutoRegressive): Refere-se à dependência entre uma observação e um 
número de observações anteriores. 
o I (Integrated): Refere-se à diferença dos dados para tornar a série estacionária. 
o MA (Moving Average): Refere-se à média ponderada dos erros passados. 
ARIMA é usado principalmente quando não há sazonalidade nos dados. 
2. SARIMA (Seasonal ARIMA): É uma extensão do ARIMA, adicionando componentes 
sazonais para lidar com dados que exibem padrões sazonais. 
3. Modelos Exponenciais Suavizados (Exponential Smoothing): Utilizam uma média 
ponderada dos dados passados, onde os dados mais recentes têm mais peso na previsão. 
Existem variações como Holt-Winters que adicionam componentes de tendência e 
sazonalidade. 
4. Redes Neurais para Séries Temporais: Redes neurais profundas, como Long Short-
Term Memory (LSTM) e Gated Recurrent Units (GRUs), podem ser utilizadas para 
capturar dependências de longo prazo em séries temporais complexas. 
Questões de Alternativas - 1. Qual é o principal objetivo do modelamento de séries 
temporais? 
• a) X Compreender a estrutura dos dados ao longo do tempo para realizar previsões 
futuras 
• b) Identificar padrões sazonais sem levar em consideração a tendência 
• c) Prever dados de séries temporais com base em um único ponto no tempo 
• d) Gerar dados aleatórios com base em séries temporais anteriores 
2. O que caracteriza o modelo ARIMA em séries temporais? 
• a) Ele apenas considera a sazonalidade dos dados 
• b) X Ele combina componentes de autoregressão, média móvel e integração para prever 
séries temporais não sazonais 
• c) Ele não requer que a série seja estacionária 
• d) Ele utiliza redes neurais para prever as séries temporais