O que são dados de séries temporais? Exemplos e análise

Publicado:

18 min de leitura

Acar Diveroli
Autor: Acar Diveroli
Cartões datados ao longo de um eixo do tempo, cortados por uma linha de tendência azul; um cartão em vermelho se destaca

Uma analista de preços exporta um ano de preços diários de um concorrente para um moedor de café: 365 linhas, cada uma com uma data e um número. Ordenado por preço, o arquivo quase não diz nada. Ordenado por data, mostra uma subida lenta ao longo da primavera, uma queda na última semana de novembro e uma manhã no início de novembro em que o preço aparece como 0,99. O produto está ficando mais caro, novembro é sempre mais barato, e aquele 0,99 era uma oferta real ou uma página quebrada?

É para responder a essas três perguntas que existem os dados de séries temporais. Este artigo mostra o que transforma dados em uma série temporal, como ela se diferencia de dados em corte transversal e de dados em painel, seus quatro componentes, a estacionariedade em palavras simples, a coleta e o armazenamento, o básico da análise e da previsão, e os erros que estragam uma série sem que ninguém perceba.

O que são dados de séries temporais?

Dados de séries temporais são um conjunto de observações de uma única variável, cada uma ligada ao momento em que foi medida e organizadas em ordem cronológica. Cada linha tem pelo menos duas partes, um carimbo de data e hora e um valor, e geralmente uma terceira: um identificador que diz o que foi medido (um produto, um sensor, um servidor).

O NIST/SEMATECH e-Handbook of Statistical Methods, um manual de estatística de acesso livre do instituto norte-americano de padronização NIST, define uma série temporal como uma sequência ordenada de valores de uma variável em intervalos de tempo iguais. "Ordenada" é a palavra-chave: embaralhe as linhas e o sentido desaparece, porque o preço de ontem explica o de hoje de um jeito que nenhuma linha aleatória explica. "Intervalos iguais" é o caso clássico dos livros; na prática, muitas séries chegam em momentos irregulares, como uma seção mais adiante explica.

Um pequeno trecho do exemplo do moedor mostra o formato:

Hora (UTC)ProdutoPreço
2026-11-04 09:00Moedor X26,50
2026-11-05 09:00Moedor X24,90
2026-11-06 09:00Moedor X0,99
2026-11-07 09:00Moedor X24,90

Um produto, um valor por dia, um horário fixo. Acrescente um segundo produto e você terá duas séries em uma tabela; a coluna de produto as mantém separadas.

Quais são exemplos de dados de séries temporais?

Tudo o que é medido repetidamente ao longo do tempo forma uma série temporal. Os exemplos mais comuns:

  • Preços: o preço de prateleira de um produto por dia, a diária de um hotel, uma taxa de câmbio na cotação diária.
  • Métricas de servidor: carga de CPU, uso de memória, requisições por segundo e contagem de erros, coletados a cada poucos segundos.
  • Leituras de sensores: temperatura, consumo de energia ou vibração de máquinas registrados por dispositivos.
  • Atividade da empresa: visitas diárias, pedidos por hora, níveis de estoque por depósito.
  • Estatísticas econômicas: inflação mensal, PIB trimestral, taxa de desemprego mensal.
  • Clima: chuva por hora, qualidade do ar diária, temperatura média anual.

O que eles têm em comum é a pergunta por trás: como esse valor muda, e qual será o próximo?

Qual é a diferença entre séries temporais regulares e irregulares?

Uma série temporal regular tem um valor em intervalos fixos, como a cada minuto ou a cada dia; uma irregular só tem valores quando algo acontece. Um sensor de temperatura que informa a cada 60 segundos gera uma série regular. Negócios em uma bolsa, eventos de erro em um log ou um preço registrado só quando muda geram séries irregulares, com três valores em um minuto e nenhum durante uma hora.

O intervalo se chama frequência da série: por segundo, por hora, diária, mensal. Muitas ferramentas esperam uma série regular, por isso os dados irregulares são reamostrados em intervalos fixos, e a forma de preencher cada intervalo é uma decisão de verdade: repetir o último preço conhecido, somar as vendas, tirar a média da temperatura. Um intervalo vazio também precisa de uma regra, porque "sem leitura" e "zero" são fatos diferentes.

Como os dados de séries temporais diferem dos dados em corte transversal e em painel?

A diferença está no que varia: dados de séries temporais acompanham um sujeito ao longo de muitos momentos, dados em corte transversal comparam muitos sujeitos em um único momento, e dados em painel acompanham muitos sujeitos ao longo de muitos momentos. O mesmo arquivo de preços pode ser recortado das três formas:

Tipo de dadoO que variaExemploPergunta típica
Série temporalO tempoO preço de um moedor, diário durante um anoEstá subindo?
Corte transversalOs sujeitosPreços de 200 moedores em um diaQuem está mais barato hoje?
Painel (longitudinal)Sujeitos e tempo200 moedores, diário durante um anoQuem baixa primeiro, quem acompanha?

Os dados em painel são os mais informativos e os mais exigentes: cada sujeito precisa de um identificador estável; caso contrário, o mesmo produto aparece como dois sujeitos depois de uma reformulação da página.

Quais são os componentes de uma série temporal?

A maioria das séries temporais pode ser descrita como quatro componentes somados ou multiplicados: tendência, sazonalidade, ciclos e ruído. Separá-los é o primeiro passo de quase toda análise, porque cada um responde a uma pergunta diferente.

  • Tendência é o aumento ou a redução de longo prazo. Não precisa ser uma linha reta; um preço pode subir rápido e depois se estabilizar.
  • Sazonalidade se repete com um período fixo e conhecido, ligado ao calendário: quedas no tráfego de escritório no fim de semana, um pico nas vendas do varejo em dezembro.
  • Ciclos são altas e baixas sem período fixo, como os ciclos econômicos que duram vários anos e variam de duração.
  • Ruído (o resíduo) é o que sobra: variação aleatória, eventos pontuais e erros de medição.

Sazonal e cíclico é a dupla que mais se confunde: se o padrão volta conforme um calendário, é sazonal; se não dá para prever quando ele vem, é um ciclo. O livro aberto Forecasting: Principles and Practice, de Rob J Hyndman e George Athanasopoulos, explica os padrões de tendência, sazonais e cíclicos com exemplos em gráficos e pode ser lido gratuitamente on-line.

O que significa estacionariedade em uma série temporal?

Uma série temporal estacionária é aquela cujo comportamento estatístico, como o nível médio e o tamanho das oscilações, não depende do momento em que você olha para ela. Pegue qualquer trecho de uma série estacionária e ele vai se parecer, em linhas gerais, com qualquer outro trecho.

Uma série com tendência não é estacionária, porque o nível depende da data; uma série sazonal também não, porque dezembro se comporta de forma diferente de março. Uma série com ciclos, mas sem tendência nem sazonalidade, ainda pode contar como estacionária, porque não dá para prever quando virão os picos.

Isso importa porque muitos modelos clássicos de previsão pressupõem estacionariedade, então os analistas transformam a série antes. A ferramenta mais usada é a diferenciação: cada valor é substituído pela variação desde a observação anterior, e "subiu 0,40" costuma ser mais estável do que "26,90". Um logaritmo ajuda quando as oscilações crescem junto com o nível, como acontece com muitos preços.

Como os dados de séries temporais são coletados?

Dados de séries temporais são coletados medindo a mesma coisa, do mesmo jeito, em momentos planejados, e registrando cada valor com o carimbo de data e hora. Seja a fonte um sensor, um servidor ou uma página web pública, uma rotina confiável segue cinco passos:

  1. Defina a medida. Decida exatamente o que um valor significa: o preço mostrado a um visitante ou a um comprador logado, com ou sem frete, em qual moeda.
  2. Escolha a frequência. Ajuste-a à velocidade com que o valor muda. Uma vez por dia basta para a maioria dos preços de prateleira; métricas de servidor precisam de segundos.
  3. Carimbo de data e hora em UTC. Guarde cada valor com um horário inequívoco e o seu deslocamento, no formato que o RFC 3339 define para carimbos de data e hora na internet: 2026-11-06T09:00:00Z, em que Z significa UTC. Converta para o horário local só na exibição.
  4. Mantenha o identificador estável. Use um código de produto ou uma URL que sobreviva às reformulações, para que a série não se divida em duas.
  5. Registre como o valor foi obtido. Anote o método, a localização e qualquer mudança neles, para que um salto causado pela sua própria configuração não seja confundido com um real.

Em fontes web, um monitor que verifica páginas em horários programados já gera uma série temporal de versões da página; Como monitorar alterações em um site e receber alertas mostra como configurar essas verificações e como manter baixa a carga sobre o site.

Como os dados de séries temporais são armazenados?

Séries temporais pequenas cabem com folga em uma planilha ou em um banco de dados relacional comum com um índice no carimbo de data e hora. As grandes, com milhares de séries e valores novos a cada poucos segundos, costumam ir para um banco de dados de séries temporais, um banco feito para dados que chegam em ordem cronológica e que na maior parte são acrescentados e raramente editados.

Bancos de dados de séries temporais guardam os dados em blocos por intervalo de tempo, de modo que uma consulta de "últimas 24 horas" lê só os blocos mais recentes; comprimem valores vizinhos, que muitas vezes são parecidos; e tornam barato descartar dados antigos. O sistema de monitoramento de código aberto Prometheus é um exemplo bem documentado: a sua documentação de armazenamento informa que ele agrupa as amostras recebidas em blocos de duas horas, compacta esses blocos em blocos maiores em segundo plano e mantém os dados por 15 dias por padrão.

Dois termos aparecem em todo plano de armazenamento. Retenção é o tempo em que os dados brutos ficam guardados antes de serem apagados. Subamostragem (downsampling) substitui dados antigos de alta resolução por resumos, por exemplo valores por minuto durante duas semanas e números por hora durante um ano. Guarde o mínimo e o máximo ao lado da média por hora, porque uma média esconde uma queda de cinco minutos.

Como analisar dados de séries temporais?

Você analisa uma série temporal primeiro colocando-a em um gráfico, depois suavizando-a para ver a tendência, separando a sazonalidade e só então medindo ou prevendo. Pular o gráfico é um atalho caro, porque ele mostra lacunas, picos e mudanças de nível que os números-resumo escondem.

Média móvel. Uma média móvel substitui cada ponto pela média dos últimos pontos, o que suaviza o ruído do dia a dia. Ela também mostra por que a limpeza vem primeiro. Nos dados do moedor, em que o preço era 24,90 nos dias 2 e 3 de novembro, a leitura de 0,99 puxa a média de três dias para baixo durante três dias:

DataPreçoMédia de 3 dias
4 nov.26,5025,43
5 nov.24,9025,43
6 nov.0,9917,46
7 nov.24,9016,93
8 nov.23,5016,46

Uma mediana móvel mal notaria o valor atípico (outlier); melhor ainda, confira a página e decida se o 0,99 era real antes que ele entre em qualquer média. As etapas de limpeza dos dados coletados, do texto aos tipos e aos valores atípicos, estão em Como limpar dados de scraping com pandas em Python.

Decomposição. A decomposição divide uma série em tendência, componente sazonal e resíduo, para que você possa olhar cada parte separadamente. Os órgãos de estatística publicam muitos indicadores "com ajuste sazonal": o Eurostat descreve o ajuste sazonal como a remoção dos efeitos de influências sazonais recorrentes para que o movimento de fundo fique mais fácil de ver. É por isso que um salto nas vendas do varejo em dezembro pode sumir do número ajustado.

Previsão. A previsão estima valores futuros a partir dos passados. Comece com duas referências: a previsão ingênua (amanhã igual a hoje) e a previsão ingênua sazonal (a próxima segunda-feira igual à última). A suavização exponencial dá mais peso aos valores recentes, os modelos ARIMA preveem a partir dos valores e dos erros passados da série diferenciada, e os modelos de aprendizado de máquina podem incluir fatores externos, como promoções. Um modelo complexo só se justifica se superar as referências em um período recente que você reservou.

Por que os fusos horários bagunçam as séries temporais?

Os fusos horários bagunçam as séries temporais porque os relógios locais pulam e repetem horas, então um "dia" no horário local nem sempre tem 24 horas. Na nossa máquina de teste, o Node.js 24 com os dados de fuso horário embutidos informou que o dia 25 de outubro de 2026 em Berlim dura 25 horas e o dia 29 de março de 2026 só 23, e que dois momentos com uma hora de diferença, 00h30 e 01h30 UTC de 25 de outubro, aparecem ambos como 02h30 no horário local.

Se você guardar horários locais sem deslocamento, aquela noite de outono gera duas leituras com o mesmo carimbo de data e hora, enquanto a noite de primavera fica com uma hora sem nenhuma leitura; os totais diários saem uma hora mais longos ou mais curtos. A solução é a regra de coleta: guarde UTC com um deslocamento explícito e converta para o horário local só quando um relatório agrupar por dia local.

Qual é o papel dos proxies na coleta de dados de séries temporais?

Os proxies importam quando a série temporal de que você precisa vem de páginas web públicas que mudam de país para país. Um varejista muitas vezes mostra preços, estoque e opções de entrega conforme a localização do visitante, então uma série de preços coletada do seu escritório registra todos os dias a versão do país do escritório, e não a do mercado que você estuda.

A solução segue as regras de coleta acima: peça as mesmas páginas, no mesmo intervalo, a partir do mesmo país todas as vezes, para que só o preço mude na série. Os Proxies residenciais podem enviar cada verificação por uma conexão residencial no país, ou na cidade, que a série descreve, em um ritmo que o site aguenta com facilidade.

A nossa solução de monitoramento de preços cobre o acompanhamento de preços, da situação do estoque e do cumprimento do preço mínimo anunciado em intervalos regulares.

Um proxy não muda o que você pode coletar: os termos do site e o robots.txt continuam valendo. O lado prático de associar produtos e escolher os intervalos de verificação está em Como monitorar preços da concorrência no e-commerce.

Onde os dados de séries temporais são usados?

Dados de séries temporais são usados sempre que uma decisão depende de como algo muda ao longo do tempo:

  • E-commerce: histórico de preços, níveis de estoque, previsões de demanda para compras.
  • Finanças: cotações de ações, taxas de câmbio, risco medido em janelas móveis.
  • Operações de TI: painéis e alertas sobre métricas de servidor.
  • Energia: previsões de carga, leituras de medidores, geração solar e eólica.
  • Indústria: sensores de máquinas que revelam o desgaste antes de uma quebra.
  • Economia: estatísticas de inflação, emprego e comércio.

Erros comuns com dados de séries temporais

A maioria dos problemas de séries temporais nasce na coleta e só é descoberta na análise:

  • Carimbos de data e hora locais sem deslocamento. Horas duplicadas e ausentes a cada mudança do horário de verão.
  • Tratar uma lacuna como zero. Uma página que não carregou não mostrou um preço igual a zero.
  • Mudar o método no meio da série. Uma nova fonte, localização ou definição cria um degrau que parece uma mudança real. Anote a data.
  • Comparar um mês sazonal com o anterior. Compare dezembro com o dezembro passado ou use números com ajuste sazonal.
  • Suavizar antes de limpar. Um valor errado distorce cada média em que entra.
  • Testar uma previsão com dados que ela já viu. Reserve o período mais recente.
  • Apagar as evidências na subamostragem. Médias escondem picos; guarde o mínimo e o máximo.

Guia de decisão

NecessidadeRecomendação
Poucas séries, atualizadas diariamentePlanilha ou tabela relacional com índice de tempo
Milhares de séries, valores a cada poucos segundosBanco de dados de séries temporais com regras de retenção
Ver a direção em dados com ruídoMédia ou mediana móvel
Comparar meses de forma justaNúmeros com ajuste sazonal ou mesmo mês do ano anterior
Prever o próximo mêsPrimeiro a referência ingênua sazonal, depois suavização ou ARIMA
Dados de vários fusos horáriosGuardar UTC com deslocamento, converter para os relatórios
Preços web que variam por paísColetar a partir desse país em intervalo fixo
Eventos irregulares em um gráficoReamostrar em intervalos fixos com regra de preenchimento explícita

Perguntas frequentes

O que são dados de séries temporais em termos simples?

Dados de séries temporais são uma lista de medições da mesma coisa feitas uma após a outra ao longo do tempo, cada uma com a sua data e hora. Um histórico diário de preços, uma conta de luz mensal e a frequência cardíaca por minuto de uma pulseira fitness são séries temporais.

Qual é a diferença entre séries temporais e dados em painel?

Dados de séries temporais acompanham um sujeito ao longo do tempo, enquanto dados em painel acompanham muitos sujeitos no mesmo período. O preço diário de um produto durante um ano é uma série temporal; os preços diários de 200 produtos no mesmo ano formam um painel, que permite comparar como sujeitos diferentes mudam.

O que significa com ajuste sazonal?

Com ajuste sazonal significa que o padrão regular do calendário foi removido de uma série para que o movimento de fundo fique mais fácil de ver. Um número do varejo com ajuste sazonal não salta todo dezembro, então uma alta nele sinaliza uma mudança real, e não a temporada de festas.

Preciso de um banco de dados de séries temporais?

Não, não para um número pequeno de séries. Uma planilha ou uma tabela comum de banco de dados com índice no carimbo de data e hora dá conta de anos de dados diários com facilidade. Um banco de dados de séries temporais começa a compensar quando você grava muitos valores por segundo em muitas séries e precisa de regras de retenção e subamostragem.

O que é uma série temporal estacionária?

Uma série temporal estacionária tem propriedades estatísticas, como média e variância, que permanecem as mesmas ao longo do tempo. Séries com tendência ou sazonalidade não são estacionárias; os analistas costumam torná-las estacionárias por diferenciação, ou seja, trabalhando com a variação de uma observação para a seguinte.

Posso analisar dados de séries temporais no Excel?

Sim, para o básico. O Excel consegue colocar uma série em um gráfico, calcular médias móveis com uma fórmula simples e, a partir do Excel 2016, criar uma previsão com o comando "Planilha de Previsão" na guia "Dados". A linha do tempo precisa de intervalos uniformes, então reamostre antes os dados irregulares.

Em resumo

Dados de séries temporais são a mesma medição repetida ao longo do tempo, guardada com um carimbo de data e hora e lida em ordem. Eles mostram para onde um número está indo, o que se repete conforme o calendário, o que é ruído e o que pode vir a seguir. Colete-os de forma consistente, registre o horário em UTC, mantenha os identificadores estáveis, limpe antes de suavizar e teste as previsões contra referências simples. Quando a série vem de páginas web que mudam de país para país, faça cada verificação a partir do país que ela descreve, para que a única coisa que se mova nos seus dados seja o valor que você queria medir.