As séries temporais e espaço-temporais multidimensionais são observadas nos mais variados campos de aplicação e são caracterizadas pela estrutura de correlação induzida pela ordem sequencial das observações. Em alguns casos o número de observações por série excede o número total de séries temporais, pelo que é de grande importância a redução da dimensionalidade dos dados, extraindo a informação mais importante e eliminando o ruído e as correlações redundantes, facilitando a representação gráfica e a subsequente análise estatística do conjunto de dados. Um dos métodos mais usados na redução da dimensionalidade é a Análise em Componentes Principais (ACP), que calcula um novo conjunto de variáveis não correlacionadas e ordenadas de modo a que as primeiras retenham a maioria da variação contida nas variáveis originais. Neste seminário, descrevem-se a ACP ponderada, a ACP dinâmica e a Análise Espectral Singular e são apresentados os resultados de aplicação destas técnicas a dados reais.