Questões de Concurso
Sobre análise de séries temporais em estatística
Foram encontradas 252 questões
Acerca de testes estatísticos paramétricos e não paramétricos e de modelagem e simulação com previsão de cenários para suporte à tomada de decisão, julgue o próximo item.
Na análise de séries temporais com dados de alta frequência e com padrões complexos de sazonalidade, o método de Monte Carlo via cadeia de Markov é a técnica com a maior eficiência computacional.
Julgue o item seguinte, a respeito de séries temporais.
No modelo GARCH(p, q), a série temporal é modelada como uma regressão, cujo resíduo segue uma distribuição com variância modelada, como um processo ARMA(p, q).
Julgue o item seguinte, a respeito de séries temporais.
Uma série temporal estacionária apresenta média, variância e autocovariância constantes ao longo do tempo.
Julgue o item seguinte, a respeito de séries temporais.
Considerando-se que a presença de intercepto no modelo ARIMA não influencie a log-verossimilhança, então, mantendo-se a ordem (p, q) fixada, para o AIC (Akaike Information Criterion), o modelo com intercepto difere do modelo sem intercepto por 2 unidades.
Julgue o item seguinte, a respeito de séries temporais.
A suavização exponencial simples é equivalente a um modelo AR(p).
Julgue o item seguinte, a respeito de séries temporais.
SARIMA é um modelo para aplicação em dados com tendência e sazonalidade.
Julgue o item seguinte, a respeito de séries temporais.
Um periodograma é um gráfico utilizado para identificar tendências em uma série temporal.
Julgue o item seguinte, a respeito de séries temporais.
O modelo ARIMA com parâmetro d = 1 apresenta um componente de tendência linear.
Julgue o item seguinte, a respeito de séries temporais.
Uma função de autocorrelação que apresenta um decaimento exponencial indica a existência de um componente autoregressivo.
Julgue o item seguinte, a respeito de séries temporais.
Em uma série temporal que tem tendência de crescimento exponencial e na qual os valores iniciais são próximos de zero, a métrica mais adequada para avaliar o ajuste do modelo é a MAPE (mean absolute percentage error).
A série pode ser modelada como um AR(2).
No que se refere a modelagem estatística de dados, julgue o item subsecutivo.
O método ARIMA refere-se aos modelos de séries temporais, que fazem a previsão de valores futuros com base na autocorreção e na sazonalidade.
Uma empresa do ramo de sorvetes contratou uma consultoria com o intuito de
diminuir seus custos de produção. Entre muitos outros fatores, o gasto semanal com energia elétrica
foi analisado com detalhes pela consultoria. Para auxiliar na análise, o consultor estatístico modelou
a série temporal do consumo semanal de energia elétrica dos últimos 50 meses, digamos Xt, utilizando
corretamente uma abordagem de Box e Jenkins. Após a remoção de possíveis tendências e
sazonalidades utilizando ferramentas-padrão, obteve-se uma série Yt, à qual foi ajustada com sucesso
um modelo AR(2), cuja equação teórica é Yt = 0,4Yt-2 - 0,2Y t-2 + 
onde denota um ruído
branco com média zero. Com base nesse cenário hipotético, analise as seguintes assertivas e assinale
a alternativa correta.
I. As raízes do polinômio característico associado ao modelo Yt são complexas, e o modelo não é invertível.
II. O modelo Yt é estacionário.
III. Suponha que Y49 = 1 e Y50 = 0,75, então a previsão obtida através do modelo para o instante t = 51 é 0,1.
I. A suposição básica que norteia a análise de séries temporais é que há um sistema causal mais ou menos constante, relacionado com o tempo, que exerceu influência sobre os dados no passado e pode continuar a fazê-lo no futuro. Este sistema causal costuma atuar criando padrões aleatórios que podem ser detectados em um gráfico da série temporal, ou mediante algum outro processo estatístico.
II. O objetivo da análise de séries temporais é identificar padrões não aleatórios na série temporal de uma variável de interesse e a observação deste comportamento passado pode permitir fazer previsões sobre o futuro, orientando a tomada de decisões.
III. São exemplos de séries temporais: as temperaturas máximas e mínimas diárias em uma cidade, as vendas mensais de uma empresa, os valores mensais do IPC-A, o resultado de um eletroencefalograma e o gráfico de controle de um processo produtivo.
Está correto o que se afirma em
Sobre o referido modelo, analise as afirmativas a seguir.
I. O modelo VAR é um modelo de séries temporais usado para prever valores de duas ou mais variáveis, sendo uma extensão do caso univariado autorregressivo (AR), que considera apenas uma variável de cada vez.
II. Um vetor autorregressivo é um sistema de equações lineares dinâmicas, em que cada variável exógena é escrita como uma combinação linear de suas defasagens e também defasagens das variáveis endógenas de outras equações.
III. O sistema multivariado de Vetores Autorregressivo deve apresentar um processo ruído branco, de forma que os erros sejam independentes, porém não são identicamente distribuídos.
Está correto o que se afirma em
Uma série temporal é um conjunto de observações ordenadas no tempo, não necessariamente igualmente espaçadas, que apresentam dependência serial, isto é, dependência entre instantes de tempo.
Sobre o tema, analise as afirmativas a seguir.
I. A tendência de uma série indica o seu comportamento “de longo prazo”, isto é, se ela cresce, decresce ou permanece estável, e qual a velocidade destas mudanças. Nos casos mais comuns trabalha-se com tendência constante, linear ou quadrática.
II. A sazonalidade em uma série corresponde às oscilações de subida e de queda que sempre ocorrem em um determinado período do ano, do mês, da semana ou do dia. A diferença essencial entre as componentes sazonal e cíclica é que a primeira possui movimentos de difícil previsão, ocorrendo em intervalos irregulares de tempo, enquanto os movimentos cíclicos tendem a ser regulares.
III. Dentre os procedimentos estatísticos de previsão podem ser citados os modelos univariados que se baseiam em uma única série histórica e a decomposição por e modelos multivariados que modelam simultaneamente duas ou mais séries temporais sem qualquer exigência em relação à direção da causalidade entre elas.
Está correto o que se afirma em
Uma característica dessa categoria de modelos VAR é que
Nas análises aplicadas às séries temporais,
I. Tendência: efeito de longo prazo na média. Sua especificação de longo prazo é difícil.
II. Sazonalidade: refere‐se a efeitos associados a variações periódicas (semanal, mensal, anual, etc.).
III. Ciclos: variações que, apesar de periódicas, não são associadas automaticamente a nenhuma medida temporal.
São características típicas de séries temporais:
Conheça nossos planos