Este trabalho investiga a aplicação do algoritmo Random Forest para prever a inflação no Brasil, comparando seu desempenho com métodos tradicionais como ARIMA e passeio aleatório. Utilizando dados do IPCA de 2007 a 2021 e variáveis macroeconômicas, o estudo demonstra que o Random Forest supera os modelos tradicionais em precisão, especialmente em horizontes de previsão mais longos. A análise inclui detalhes sobre a construção do modelo, como a seleção de variáveis e a otimização do número de árvores, além de apresentar métricas como RMSE e MAE para validar os resultados. Conclui-se que o Random Forest é uma ferramenta valiosa para aprimorar as previsões de inflação, oferecendo insights relevantes para políticas monetárias e análises econômicas.