Séries Temporais e Previsão
Análise temporal, estacionariedade, ARIMA, Prophet, seasonal decomposition, métricas de previsão, backtesting
1O que é uma série temporal?
O que é uma série temporal?
Resposta
Uma série temporal é uma sequência de pontos de dados indexados em ordem cronológica. As observações são coletadas em intervalos regulares (horário, diário, mensal) e frequentemente exibem dependências temporais. Exemplos clássicos incluem preços de ações, temperaturas e vendas mensais.
2Quais são os três componentes principais de uma série temporal na decomposição clássica?
Quais são os três componentes principais de uma série temporal na decomposição clássica?
Resposta
A decomposição clássica de séries temporais identifica três componentes: tendência (evolução de longo prazo), sazonalidade (padrões repetitivos em intervalos fixos) e resíduo (ruído aleatório não explicado). Essa decomposição pode ser aditiva ou multiplicativa dependendo da natureza dos dados.
3O que é estacionariedade em uma série temporal?
O que é estacionariedade em uma série temporal?
Resposta
Uma série temporal é estacionária quando suas propriedades estatísticas (média, variância, autocorrelação) permanecem constantes ao longo do tempo. A estacionariedade é uma suposição fundamental para muitos modelos de previsão como ARIMA. Uma série não estacionária frequentemente precisa ser transformada (differencing) antes da modelagem.
Qual teste estatístico é comumente usado para verificar a estacionariedade de uma série temporal?
Como tornar uma série temporal não estacionária estacionária?
+19 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis