Conteúdo do Curso
Análise de Séries Temporais
Análise de Séries Temporais
Autocorrelação
A próxima característica que vamos analisar é a autocorrelação.
Autocorrelação mede o quanto os valores futuros em uma série temporal dependem linearmente dos valores passados. Quais exemplos podemos dar?
O gráfico acima mostra a popularidade dos nomes "Maria" e "Olivia" ao longo de 140 anos. A autocorrelação de Olivia decai muito mais rápido do que a de Maria: isso pode ser explicado pelo fato de que a popularidade do nome Olivia era muito baixa até 1980 e depois aumentou muito abruptamente. Enquanto a popularidade do nome Maria não teve tais saltos acentuados e se desenvolveu de forma aproximadamente constante ao longo do tempo.
Vamos visualizar a autocorrelação:
Vamos entender como interpretar este gráfico. O gráfico exibe os últimos 22 valores do conjunto de dados (que são representados por linhas verticais). Se essas linhas estiverem dentro da área sombreada em azul, isso significa que elas não possuem uma correlação significativa com os valores anteriores.
Como você pode observar no gráfico, os primeiros 13 valores estão correlacionados com os anteriores, enquanto os próximos não estão.
Em resumo, a autocorrelação é útil para identificar relações estatisticamente significativas entre valores em uma série temporal.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoTudo estava claro?
Autocorrelação
A próxima característica que vamos analisar é a autocorrelação.
Autocorrelação mede o quanto os valores futuros em uma série temporal dependem linearmente dos valores passados. Quais exemplos podemos dar?
O gráfico acima mostra a popularidade dos nomes "Maria" e "Olivia" ao longo de 140 anos. A autocorrelação de Olivia decai muito mais rápido do que a de Maria: isso pode ser explicado pelo fato de que a popularidade do nome Olivia era muito baixa até 1980 e depois aumentou muito abruptamente. Enquanto a popularidade do nome Maria não teve tais saltos acentuados e se desenvolveu de forma aproximadamente constante ao longo do tempo.
Vamos visualizar a autocorrelação:
Vamos entender como interpretar este gráfico. O gráfico exibe os últimos 22 valores do conjunto de dados (que são representados por linhas verticais). Se essas linhas estiverem dentro da área sombreada em azul, isso significa que elas não possuem uma correlação significativa com os valores anteriores.
Como você pode observar no gráfico, os primeiros 13 valores estão correlacionados com os anteriores, enquanto os próximos não estão.
Em resumo, a autocorrelação é útil para identificar relações estatisticamente significativas entre valores em uma série temporal.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoTudo estava claro?
Autocorrelação
A próxima característica que vamos analisar é a autocorrelação.
Autocorrelação mede o quanto os valores futuros em uma série temporal dependem linearmente dos valores passados. Quais exemplos podemos dar?
O gráfico acima mostra a popularidade dos nomes "Maria" e "Olivia" ao longo de 140 anos. A autocorrelação de Olivia decai muito mais rápido do que a de Maria: isso pode ser explicado pelo fato de que a popularidade do nome Olivia era muito baixa até 1980 e depois aumentou muito abruptamente. Enquanto a popularidade do nome Maria não teve tais saltos acentuados e se desenvolveu de forma aproximadamente constante ao longo do tempo.
Vamos visualizar a autocorrelação:
Vamos entender como interpretar este gráfico. O gráfico exibe os últimos 22 valores do conjunto de dados (que são representados por linhas verticais). Se essas linhas estiverem dentro da área sombreada em azul, isso significa que elas não possuem uma correlação significativa com os valores anteriores.
Como você pode observar no gráfico, os primeiros 13 valores estão correlacionados com os anteriores, enquanto os próximos não estão.
Em resumo, a autocorrelação é útil para identificar relações estatisticamente significativas entre valores em uma série temporal.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoTudo estava claro?
A próxima característica que vamos analisar é a autocorrelação.
Autocorrelação mede o quanto os valores futuros em uma série temporal dependem linearmente dos valores passados. Quais exemplos podemos dar?
O gráfico acima mostra a popularidade dos nomes "Maria" e "Olivia" ao longo de 140 anos. A autocorrelação de Olivia decai muito mais rápido do que a de Maria: isso pode ser explicado pelo fato de que a popularidade do nome Olivia era muito baixa até 1980 e depois aumentou muito abruptamente. Enquanto a popularidade do nome Maria não teve tais saltos acentuados e se desenvolveu de forma aproximadamente constante ao longo do tempo.
Vamos visualizar a autocorrelação:
Vamos entender como interpretar este gráfico. O gráfico exibe os últimos 22 valores do conjunto de dados (que são representados por linhas verticais). Se essas linhas estiverem dentro da área sombreada em azul, isso significa que elas não possuem uma correlação significativa com os valores anteriores.
Como você pode observar no gráfico, os primeiros 13 valores estão correlacionados com os anteriores, enquanto os próximos não estão.
Em resumo, a autocorrelação é útil para identificar relações estatisticamente significativas entre valores em uma série temporal.
Tarefa
Visualize a autocorrelação dos seguintes dados air_quality_no2_long.csv para 30 registros.
- Importe a função
plot_acfdestatsmodels.graphics.tsaplots. - Visualize a autocorrelação para 30 registros de
"value"do DataFramedata.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo