Series Temporais

Question 1

Série temporal

Answer 1

Uma série de pontos de dados ordenados no tempo. Geralmente, uma série
temporal é uma sequência tomada em pontos sucessivos equidistantes no tempo

Question 3

Dados transversais:

Answer 3

Dados coletados de muitos sujeitos ao mesmo tempo ou sem
consideração para a passagem do tempo. Frequentemente utilizados em pesquisa para
observar uma “fatia” da população em um ponto específico no tempo.

Question 4

Tendência:

Answer 4

Um componente de uma série temporal que representa padrões de longo prazo
nos dados que devido a vários fatores tecnológicos, econômicos, demográficos e geográficos

Question 5

Sazonalidade

Answer 5

Um componente de uma série temporal que representa padrões regulares
que ocorrem a cada ano no mesmo período. Os exemplos incluem o aumento das vendas de
brinquedos no Natal ou o aumento da demanda por sorvete no verão.

Question 6

Ciclo

Answer 6

Um componente de uma série temporal que descreve oscilações ou ondas que não são
de natureza sazonal. Esses ciclos são geralmente ligados aos ciclos económicos de expansão
e retração

Question 7

Ruído

Answer 7

Na análise de séries temporais, o ruído é a variação aleatória ou “residual” nos dados
depois que os componentes de tendência, sazonalidade e ciclo foram removidos.

Question 8

Modelo de série temporal

Answer 8

Um modelo estatístico que usa dados de séries temporais para
prever o futuro. Exemplos incluem modelos autoregressivos, modelos de média móvel e
modelos ARIMA

Question 9

Modelo autoregressivo (AR)

Answer 9

Um modelo de séries temporais que usa valores passados da
série para prever o futuro

Question 10

Modelos de Médias Móveis (MA):

Answer 10

Um modelo de séries temporais que usa erros passados
na previsão para melhorar futuras previsões

Question 11

Modelos Autoregressivos Integrados de Médias Móveis (ARIMA)

Answer 11

Um modelo de séries
temporais que combina os modelos AR e MA, e também inclui uma etapa de “diferenciação”
para tornar a série temporal estacionária

Question 12

Modelo sazonal

Answer 12

Um modelo de séries temporais que leva em conta a sazonalidade nos
dados, ou seja, padrões que se repetem em intervalos regulares.

Question 13

Modelo baseado em machine learning

Answer 13

Um modelo de séries temporais que utiliza
técnicas de aprendizado de máquina para prever o futuro. Isso pode incluir técnicas mais
simples, como regressão linear, ou técnicas mais complexas, como redes neurais.

Question 14

Séries Temporais

Answer 14

Como mencionado anteriormente, uma série temporal é um conjunto de observações
coletadas sequencialmente ao longo do tempo. As observações são geralmente feitas em
intervalos regulares. A característica principal das séries temporais é que elas são
dependentes do tempo - ou seja, a ordem das observações importa.
Exemplo: O preço de fechamento diário de uma ação na bolsa de valores é uma série
temporal. Cada dia, um novo valor de preço de fechamento é adicionado à série.

Question 15

Dados Transversais

Answer 15

Dados transversais, também conhecidos como dados de corte transversal, são um tipo de
dados em que as observações são coletadas de muitos sujeitos em um único ponto no tempo.
Os dados transversais são usados para comparar diferentes sujeitos em um ponto específico
no tempo.
Exemplo: Uma pesquisa que coleta informações sobre a renda, a idade e o nível de educação
de várias pessoas em um único ano é um exemplo de dados transversais.

Question 16

A principal diferença entre séries temporais e dados transversais é

Answer 16

portanto, o seguinte: as
séries temporais envolvem observações de um único sujeito (ou unidade) ao longo do
tempo, enquanto os dados transversais envolvem observações de muitos sujeitos em um
único ponto no tempo. Isso também implica que os métodos de análise usados para cada tipo
de dados serão diferentes, já que cada um tem suas próprias particularidades e desafios.

Question 17

As séries temporais são geralmente compostas por quatro componentes principais

Answer 17

Tendência
Sazonalidade
Ciclo
Irregularidade ou Ruído

Question 18

Tendência

Answer 18

A tendência é um padrão de longo prazo na série temporal que mostra a
direção geral dos dados ao longo do tempo. Por exemplo, se as vendas de uma empresa
estão aumentando ao longo dos anos, isso indica uma tendência de alta

Question 19

Sazonalidade

Answer 19

A sazonalidade é um padrão que se repete em intervalos regulares, como
diariamente, semanalmente, mensalmente ou anualmente. Por exemplo, as vendas de
sorvete podem aumentar no verão e diminuir no inverno, mostrando uma sazonalidade
anual.

Question 20

Ciclo

Answer 20

Os ciclos são flutuações que ocorrem ao longo do tempo, mas que não são de natureza
sazonal. Eles geralmente ocorrem devido a circunstâncias que não são fixas no tempo,
como ciclos econômicos que podem durar vários anos, mas que não têm um comprimento
fixo.

Question 21

Irregularidade ou Ruído

Answer 21

A irregularidade, ou ruído, é a variação aleatória na série
temporal. Estas são flutuações que são causadas por eventos imprevisíveis ou aleatórios
que não são de natureza repetitiva. Por exemplo, um desastre natural pode causar um pico
nas vendas de kits de emergência - isso seria considerado ruído.

Question 22

séries temporais

Answer 22

Nem todas as séries temporais terão todos esses componentes. Além disso, alguns
componentes podem se sobrepor. Por exemplo, uma série temporal pode ter uma tendência
de alta e também mostrar sazonalidade.

Question 23

Tendência ascendente (positiva)

Answer 23

Quando os dados mostram um aumento geral ao longo
do tempo, dizemos que a série temporal tem uma tendência ascendente. Por exemplo, se o
valor das ações de uma empresa continua crescendo ao longo dos anos, então há uma
tendência ascendente

Question 24

Tendência descendente (negativa)

Answer 24

Quando os dados mostram uma queda geral ao longo do tempo, a série temporal tem uma tendência descendente. Por exemplo, se a quantidade de chuva em uma região vem diminuindo ao longo dos anos, então há uma tendênci descendente

Question 25

Tendência horizontal (estacionária):

Answer 25

Se não houver aumento ou diminuição geral nos dados ao longo do tempo, a série temporal é considerada estacionária ou ter uma tendência horizontal. Por exemplo, a temperatura média de uma região que permanece constante ao longo dos anos.

Question 26

A sazonalidade pode ser observada em muitos tipos diferentes de dados. Aqui estão alguns
exemplos:

Answer 26

Vendas de varejo
Clima
Turismo

Question 27

Vendas de varejo

Answer 27

Muitos produtos têm padrões de vendas sazonais. Por exemplo, as
vendas de brinquedos tendem a aumentar antes do Natal, as vendas de material escolar
tendem a aumentar antes do início do ano letivo, e as vendas de roupas de verão tendem a
aumentar nos meses de verão.

Question 28

Clima:

Answer 28

A maioria das variáveis meteorológicas mostra forte sazonalidade. Por exemplo, a
temperatura é geralmente mais alta no verão e mais baixa no inverno, enquanto a
precipitação pode variar dependendo da estação do ano.

Question 29

Turismo

Answer 29

A indústria do turismo também tem forte sazonalidade. Por exemplo, destinos de
praia podem ser mais populares no verão, enquanto destinos de esqui são mais populares
no inverno

Question 30

Ciclo

Answer 30

O componente cíclico de uma série temporal é uma flutuação que ocorre ao longo do tempo,
mas que não tem uma duração ou período fixo. A distinção principal entre um componente
cíclico e um componente sazonal é que a sazonalidade tem um período fixo e regular,
enquanto a ciclo não tem.

Question 31

Irregularidade ou Ruído

Answer 31

O componente de irregularidade, também conhecido como ruído ou erro aleatório, é uma parte integral da análise de séries temporais. Este componente captura a variabilidade nos dados que não pode ser explicada pelos componentes de tendência, sazonalidade e ciclo. Em outras palavras, o componente de irregularidade é o que resta depois de ter considerado todas as outras fontes conhecidas de variação na série temporal.

Question 32

Modelos Autoregressivos (AR)

Answer 32

Estes modelos usam uma combinação linear dos valores
passados para prever o valor atual. Por exemplo, um modelo AR(1) usa o valor no tempo anterior para prever o valor atual, enquanto um modelo AR(2) usa os dois valores anteriores, e assim por diante.

Question 33

Modelos de Médias Móveis (MA):

Answer 33

Estes modelos usam uma combinação linear dos erros
passados para prever o valor atual. Assim como nos modelos AR, há modelos MA de várias
ordens, dependendo de quantos erros passados são usados na previsão.

Question 34

Modelos Autoregressivos de Médias Móveis (ARMA)

Answer 34

Estes modelos combinam os
modelos AR e MA, usando tanto os valores passados quanto os erros passados para prever
o valor atual.

Question 35

Modelos Autoregressivos Integrados de Médias Móveis (ARIMA)

Answer 35

Estes modelos são
uma extensão dos modelos ARMA que também consideram a diferenciação para tornar a
série temporal estacionária (ou seja, com média e variância constantes ao longo do tempo).

Question 36

Modelos de Estado-Espaço e Filtros de Kalman

Answer 36

Estes são modelos mais complexos que
permitem representar e estimar dinâmicas temporais que não podem ser adequadamente
capturadas pelos modelos AR, MA, ARMA ou ARIMA

Question 37

Modelos de Séries Temporais Bayesianas:

Answer 37

Estes modelos utilizam a inferência bayesiana para estimar os parâmetros do modelo, o que pode fornecer uma medida de incerteza em torno das previsões.

Question 38

Modelo Autoregressivo

Answer 38

Os modelos autoregressivos (AR) são uma classe popular de modelos de séries temporais que utilizam uma combinação linear de valores passados para prever o valor atual de uma série. Eles são chamados de “autoregressivos” porque a variável de interesse é regredida em seus próprios valores defasados.

Question 39

digamos que estamos tentando prever o preço de uma ação

Answer 39

Um modelo
autoregressivo pode usar o preço de ontem e o preço do dia anterior para fazer essa previsão.
Ele pega os preços de ontem e do dia anterior, multiplica cada um por um número diferente
(que foi aprendido com os dados de preços passados) e então soma esses dois números para
fazer a previsão para hoje.

Question 40

Modelo de Média Móvel

Answer 40

Em vez de olhar para o valor de “ontem” para prever o “hoje”, como no modelo
autoregressivo, os modelos de médias móveis olham para os erros que cometemos em
nossas previsões passadas. Em outras palavras, eles assumem que o erro que cometemos
hoje será semelhante ao erro que cometemos ontem, ou nos últimos dias.

Question 41

A “média móvel” em modelos de média móvel

Answer 41

é uma média dos erros que cometemos nas
previsões passadas. Então, se cometermos um grande erro hoje, esperamos cometer um erro
semelhante amanhã, e essa expectativa é usada para ajustar nossa previsão

Question 42

Modelo Autoregressivo de Média Móvel

Answer 42

O modelo ARMA é basicamente a combinação dos dois modelos que acabamos de discutir -
o modelo Autoregressivo (AR) e o modelo de Médias Móveis (MA). Então, ao invés de apenas
olharmos para os valores passados (como no modelo AR) ou para os erros passados (como
no modelo MA), nós olhamos para ambos

Question 43

Modelo Autoregressivo Integrado de Média Móvel (ARIMA)

Answer 43

O modelo ARIMA é uma extensão do modelo ARMA que discutimos antes. Ele adiciona uma etapa de “diferenciação”, que ajuda a tornar a série temporal estacionária - isso significa fazer com que a série tenha uma média e uma variância constantes ao longo do tempo.

Question 44

Modelos Sazonais

Answer 44

Um modelo sazonal é um tipo de modelo de série temporal que leva em conta a ideia de que
muitos fenômenos do mundo real seguem padrões que se repetem ao longo do tempo, como
as quatro estações do ano, ou os dias da semana

Question 45

Modelos de Séries Temporais baseados em Machine Learning

Answer 45

Os modelos de séries temporais baseados em machine learning são uma alternativa moderna aos modelos estatísticos tradicionais, como ARIMA ou SARIMA. Eles têm se tornado cada vez mais populares à medida que mais e mais dados estão disponíveis e os computadores se
tornam mais poderosos.
Esses modelos usam algoritmos de aprendizado de máquina para encontrar padrões nos dados e fazer previsões. Esses algoritmos podem ser tão simples quanto uma regressão linear ou tão complexos quanto uma rede neural profunda. O importante é que eles são capazes de aprender a partir dos dados, em vez de depender de suposições estatísticas
específicas.

Question 46

Modelos de Séries Temporais baseados em Machine Learning

Answer 46

Por exemplo, podemos usar um modelo de regressão para prever o futuro de uma série
temporal com base em seus valores passados. Ou podemos usar uma árvore de decisão para
prever o futuro com base em uma combinação de valores passados e outras variáveis, como
o dia da semana ou o mês do ano.
Também podemos usar algoritmos mais avançados, como as redes neurais. Uma rede neural
é um modelo que é inspirado no funcionamento do cérebro humano. Ela pode aprender a
reconhecer padrões complexos nos dados e usá-los para fazer previsões.
Um tipo especial de rede neural chamado Long Short-Term Memory (LSTM) é
particularmente bom para séries temporais. As LSTM são capazes de aprender a importância
relativa dos eventos passados e de lembrar informações importantes ao longo do tempo, o
que as torna ideais para prever o futuro de uma série temporal.

Question 47

(Instituto Consulplan - 2023 - SEGER-ES - Analista do Executivo - Estatística)
Uma série temporal é um conjunto de observações ordenadas no tempo, não
necessariamente igualmente espaçadas, que apresentam dependência serial, isto
é, dependência entre instantes de tempo. Uma grande quantidade de fenômenos
de
natureza física, biológica, econômica etc. pode ser enquadrada nesta categoria. A
maneira tradicional de analisar uma série temporal é através da sua decomposição
em componentes. O componente caracterizado pelas oscilações de subida e de
queda nas séries, de forma suave e repetida, com difícil previsibilidade denominase:
A) Ciclo.
B) Nível.
C) Tendência.
D) Sazonalidade.
E) Estacionariedade.

Answer 47

Na análise de séries temporais, a decomposição em componentes é uma
abordagem comum. Uma das principais componentes é o ciclo, que é caracterizado
por oscilações de subida e queda nas séries temporais de forma suave e repetida,
mas com difícil previsibilidade.
O componente de ciclo é geralmente associado a padrões de longo prazo que se
repetem em intervalos irregulares e não são afetados por fatores sazonais. Pode
representar flutuações econômicas, ciclos de negócios, variações climáticas de
longo prazo, entre outros fenômenos.
Gabarito: A

Question 48

(IBADE - 2020 - Prefeitura de Vila Velha - ES - Analista Previdenciário
Atuarial - IPVV)
Considere a série temporal de seis itens de números de sinistros a pagar no mês a
seguir: { 200, 210, 205, 217, 207, 203, 209 }. Usando o método de previsão de
médias
móveis de dois pontos de dados, o valor para a projeção do oitavo item de dado é
igual a:

Answer 48

Para calcular a projeção do oitavo item de dado usando o método de previsão de
médias móveis de dois pontos de dados, devemos tomar a média dos dois últimos
pontos disponíveis na série temporal.
Os últimos dois pontos disponíveis são 209 e 203. Calculando a média desses dois
valores, obtemos:
(209 + 203) / 2 = 206
Portanto, a projeção do oitavo item de dado é igual a 206

Question 49

(IBFC - 2017 - EBSERH - Analista Administrativo - Estatística - HUGG-UNIRIO)
No estudo de séries de tempo, é comum utilizar técnicas de estimação de séries
temporais. São exemplos dessas técnicas, exceto:

Answer 49

C) Processo FAC

No estudo de séries temporais, são utilizadas diversas técnicas de estimação para
modelar e prever o comportamento das séries ao longo do tempo. No entanto, a
técnica mencionada na alternativa C, “Processo FAC”, não é uma técnica
comumente utilizada nesse contexto.

Question 50

As técnicas de estimação de séries temporais mais comuns incluem:

Answer 50

A) Média Móvel: Utiliza uma média dos valores passados para prever valores
futuros.
B) Processo Autorregressivo: Utiliza regressão linear para modelar a série com
base em seus próprios valores passados.
D) Processo Autorregressivo de Médias Móveis (ARMA): Combina os conceitos de
processo autorregressivo e média móvel para modelar a série temporal.
E) Processo AR (1): Utiliza apenas o valor anterior da série para prever o próximo
valor.

Question 51

Em séries temporais, um modelo utilizado para ajustar funções com base nos seus
valores passados e nas médias móveis da série é o denominado
A) amplitude.
B) princípio da parcimônia.
C) série temporal anual.
D) ARMA.

Answer 51

D

Comentários:
Em séries temporais, o modelo utilizado para ajustar funções com base nos valores
passados e nas médias móveis da série é denominado ARMA (Autoregressive
Moving Average). O modelo ARMA combina dois componentes: o componente
autorregressivo (AR) que considera os valores passados da série, e o componente
de médias móveis (MA) que utiliza médias móveis dos valores passados da série.

O modelo ARMA é amplamente utilizado na análise de séries temporais para
modelar e prever o comportamento da série com base em seu histórico.

Question 52

O que é uma série temporal?

Answer 52

Resposta: uma série temporal é uma sequência de pontos de dados, geralmente coletados
em intervalos sucessivos de tempo. Ela é ordenada no tempo.

Question 53

Como as séries temporais diferem dos dados transversais?

Answer 53

Resposta: As séries temporais são dados coletados ao longo do tempo, enquanto os dados
transversais são dados coletados em um único ponto no tempo.

Question 54

O que é a tendência em uma série temporal?

Answer 54

Resposta: A tendência é um componente de uma série temporal que mostra um padrão
subjacente de longo prazo.

Question 55

O que é sazonalidade em uma série temporal?

Answer 55

Resposta: A sazonalidade é um padrão que se repete ao longo do tempo em intervalos
regulares, como diariamente, semanalmente, mensalmente ou anualmente.

Question 56

O que é o ciclo em uma série temporal?

Answer 56

Resposta: O ciclo é um componente de uma série temporal que descreve oscilações ou
ondas que não são de natureza sazonal.

Question 57

O que é ruído em uma série temporal?

Answer 57

Resposta: O ruído é a variação aleatória nos dados depois que os componentes de
tendência, sazonalidade e ciclo foram removidos

Question 58

O que é um modelo de série temporal?

Answer 58

Resposta: Um modelo de série temporal é um modelo estatístico que usa dados de séries
temporais para prever o futuro

Question 59

O que é um modelo autoregressivo?

Answer 59

Resposta: Um modelo autoregressivo é um tipo de modelo de série temporal que usa
valores passados da série para prever o futuro.

Question 60

O que é um modelo de médias móveis?

Answer 60

Resposta: Um modelo de médias móveis é um tipo de modelo de série temporal que usa
erros passados na previsão para melhorar futuras previsões

Question 61

.O que é um modelo ARIMA?

Answer 61

Resposta: O modelo ARIMA combina os modelos autoregressivos e de médias móveis, e
também inclui uma etapa de “diferenciação” para tornar a série temporal estacionária.

Question 62

.O que é um modelo sazonal?

Answer 62

Resposta: Um modelo sazonal é um modelo de séries temporais que leva em conta a
sazonalidade nos dados, ou seja, padrões que se repetem em intervalos regulares.

Question 63

O que é um modelo baseado em machine learning?

Answer 63

Resposta: Um modelo baseado em machine learning é um modelo de séries temporais que utiliza técnicas de aprendizado de máquina para prever o futuro.

Question 64

Quais são os componentes de uma série temporal?

Answer 64

Resposta: Os componentes de uma série temporal são tendência, sazonalidade, ciclo e ruído.

Question 65

O que a diferenciação faz em um modelo ARIMA?

Answer 65

Resposta: A diferenciação em um modelo ARIMA é usada para tornar a série temporal
estacionária, removendo as tendências e padrões sazonais dos dados.

Question 66

Como um modelo autoregressivo usa os dados para fazer previsões?

Answer 66

Resposta: Um modelo autoregressivo usa valores passados da série temporal para fazer previsões futuras.

Question 67

Pergunta: Qual é a importância da análise de componentes em séries temporais?

Answer 67

Resposta: A análise de componentes permite identificar e entender os diferentes padrões que influenciam uma série temporal, como tendência, sazonalidade, ciclo e ruído.

Question 68

.Pergunta: Como os modelos de séries temporais baseados em machine learning diferem dos modelos estatísticos tradicionais?

Answer 68

Resposta: Os modelos de séries temporais baseados em machine learning utilizam
algoritmos de aprendizado de máquina para aprender padrões complexos nos dados, enquanto os modelos estatísticos tradicionais dependem de suposições estatísticas específicas

Question 69

Pergunta: O que é uma LSTM?

Answer 69

Resposta: Uma LSTM (Long Short-Term Memory) é um tipo especial de rede neural
recorrente (RNN) que é projetada para capturar e lembrar dependências de longo prazo em dados sequenciais, como séries temporais. Ela é capaz de aprender a importância relativa de eventos passados e reter informações relevantes ao longo do tempo, tornandoa especialmente útil na previsão de séries temporais.

Question 70

Por que a visualização de séries temporais é importante na análise de dados?

Answer 70

Resposta: A visualização de séries temporais é importante na análise de dados porque nos permite compreender melhor os padrões e tendências ao longo do tempo. Ela nos ajuda a identificar sazonalidade, identificar anomalias, avaliar a eficácia de intervenções e comunicar insights de forma mais clara e intuitiva.

Question 71

Quais são algumas técnicas comuns de visualização de séries temporais?

Answer 71

Resposta: Algumas técnicas comuns de visualização de séries temporais incluem gráficos de linha, histogramas, gráficos de dispersão, gráficos de barras, gráficos de área e gráficos de decomposição. Além disso, também é comum usar técnicas como suavização, agregação de dados e marcação de pontos de dados importantes para destacar os padrões e tornar a visualização mais informativa.