Definição:
Uma série temporal é um conjunto de observações ordenadas no tempo. Essas observações são feitas em intervalos regulares, como horas, dias, semanas ou meses, e são muito utilizadas para modelar fenômenos que mudam com o tempo.
Exemplos de Séries Temporais: - Preço de ações ao longo do tempo - Vendas diárias de um produto - Temperatura registrada a cada hora - Demanda de energia elétrica
Séries temporais possuem uma característica importante: os dados anteriores influenciam os valores futuros. Esse padrão temporal é o que torna as séries temporais diferentes de outros tipos de dados.
As séries temporais são compostas por quatro componentes principais:
Tendência (Trend):
Movimento geral da série ao longo do tempo. Pode ser crescente, decrescente ou constante.
Sazonalidade (Seasonality):
Padrões que se repetem em intervalos de tempo regulares (diários, mensais, anuais, etc.). Exemplo: o aumento nas vendas durante o Natal.
Ciclos (Cycles):
Semelhante à sazonalidade, mas os ciclos não possuem intervalos de tempo fixos. Exemplo: ciclos econômicos.
Ruído (Noise):
Variações aleatórias nos dados, que não seguem nenhum padrão identificável.
Para analisar séries temporais, usamos diversas técnicas que ajudam a entender as características dos dados, identificar padrões e realizar previsões.
A primeira etapa para analisar uma série temporal é visualizá-la. Isso ajuda a identificar a tendência, a sazonalidade e possíveis outliers.
import matplotlib.pyplot as plt
plt.plot(series)
plt.title('Série Temporal ao Longo do Tempo')
plt.xlabel('Tempo')
plt.ylabel('Valor')
plt.show()
A decomposição de uma série temporal separa a série em seus componentes: tendência, sazonalidade e ruído. Isso é útil para entender o comportamento de cada um desses fatores.