17. Anomalias e mudanças de regime

Um valor inesperado pode ser erro de medição, evento real isolado ou primeiro sinal de uma mudança persistente. A resposta correta depende dessa distinção. Remover automaticamente tudo que foge ao histórico pode apagar justamente a transformação que o modelo precisa aprender. Este capítulo diferencia anomalia pontual, mudança de nível, mudança de tendência e ponto de mudança, mostrando como investigar evidências e adaptar a previsão sem reescrever artificialmente o passado.

Quando a ordem do tempo importa, dividir dados aleatoriamente e ignorar dependências produz respostas enganosas. A sequência parte da estrutura temporal e chega à operação contínua das previsões. Este é o capítulo 17 de 20 da disciplina Séries Temporais e Previsão. Ele retoma Demanda intermitente e utiliza essa base para avançar. Na sequência, estudaremos Previsão probabilística e intervalos.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Anomalias e mudanças de regime para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Anomalia pontual

Começamos por Anomalia pontual, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Anomalia pontual é observação isolada incompatível com padrão local.

Anomalia pontual é uma observação incomum em relação ao padrão esperado para seu contexto. Um pico normal de dezembro pode parecer extremo quando comparado à média anual e deixar de ser anômalo após considerar sazonalidade. Calcule desvios em relação a uma referência apropriada, como previsão ou componente local, e examine qualidade da captura. Um limiar estatístico gera candidatos à investigação, não um diagnóstico causal. Se o evento é real e relevante ao uso futuro, excluí-lo pode subestimar risco. Preserve o registro original e documente eventuais correções.

Mudança de nível

Depois de compreender Anomalia pontual, passamos a Mudança de nível. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Mudança de nível altera persistentemente o patamar da série.