Contabilidade e Administração 2ª Prova Parcelar de Métodos de Previsão

Estudante Classificação valores

3º Ano/Diurno/Tª A Data: 11 de janeiro de 2023

1º Semestre Ano Acad.: 2022/2023
Tolerância incluı́da no tempo Duração: 1H30

1. (6 valores) Com relação aos modelos, é incorreto afirmar que:

(a) A parte AR envolve modelar o termo de erro como uma combinação linear de termos de erro que
ocorrem contemporâneamente e em vários momentos no passado;
(b) A parte MA envolve regressar a variável em seus próprios valores passados;
(c) A parte I indica que os valores de dados foram substituı́do com uma diferença entre os seus valores
e os valores anteriores, podendo ser diferenciada mais de uma vez e no máximo d ≤ 1
(d) Os modelos ARIMA não sazonais são geralmente denotados como ARIMA(P,D,Q), onde P, D, Q ∈
Z+ ;
(e) Os modelos SARIAMA são aplicados em alguns casos em que os dados mostram evidência de esta-
cionaridades.

2. Considere Yt satisfazendo o modelo

ϕ(B)(1 − B)Yt = θ(B)et , et ∼ N (0, 1.2)

com ϕ(B) = 1 − B + 0.21B e θ(B) = −0.3B + 1

(a) (2 valores) O modelo verificado para redundância de parâmetro e escrito como modelo ARIMA é:

i. ARIMA(1,0,0) v. ARIMA(3,1,3)
ii. ARIMA(0,0,1) vi. ARIMA(1,1,1)
iii. ARIMA(2,1,2) vii. ARIMA(1,1,0)
iv. ARIMA(0,1,0) viii. ARIMA(2,2,2)

(b) (2 valore) Xt é estacionário? Invertı́vel? Comente

i. Sim
ii. Não
iii. Sem informação suficiente para concluir com essa informação.
(c) (2.5 valores) A equação escrita para modelo na forma de legged é:

i. Yt = 0.7Yt−2 + 1.7Yt−1 + et v. Yt = −0.7Yt−2 + et + 1.7Yt−1

ii. Yt = −0.7Yt−2 + et vi. Yt = 0.65Yt−3 + 0.1Yt−1 + et
iii. Yt = 1.7Yt−1 + 0.5Yt−2 + et−1 + et vii. Yt = 0.25et−2 + 0.4Yt−2 + 0.25Yt−1 + et
iv. Yt = 0.7Yt−1 − 0.3Yt−2 + 0.2et + 0.12et−2 + et viii. Yt = 0.4Yt−2 − 0.3Yt−1 + et

3. Dado Xt satisfazendo o modelo

ϕ(B)(1 − B 12 )Φ(B)Xt = θ(B)et ,
com θ(B) = 1, ϕ(B) = (1 − 0.6B) e Φ(B 12 ) = (1 − 0.8B 12 )

(a) (2 valore) O modelo é:

1
 i. Estacionário vi. Não é causal
ii. Invertı́vel
vii. Carece de informação necessária para qual-
iii. Não é invertı́vel
quer conclusão
iv. Não é estacionário
v. Causal viii. Ruı́do branco

(b) (2.5 valores) O modelo identificado como um SARIMA é

i. SARIM A(1, 0, 0)(0, 0, 1)12 v. SARIM A(2, 2, 2)(1, 1, 0)12

ii. SARIM A(0, 1, 0)(1, 0, 0)12 vi. SARIM A(3, 1, 2)(1, 0, 0)12
iii. SARIM A(1, 1, 1)(1, 1, 1)12 vii. SARIM A(1, 0, 0)(1, 1, 0)12
iv. SARIM A(0, 0, 1)(0, 1, 0)12 viii. SARIM A(0, 1, 1)(3, 1, 2)12

4. Suponhamos que as receitas diárias (5 dias por semana) de uma empresa em milhões de kwanzas, segue
o modelo AR(2) Xt = 20 + 0.8Xt−1 − 0.5Xt−2 + et , et ∼ N (0, 9). Dada as últimas observações e erros
de previsão correspondente:

Dia Observação resı́duos

terça 18.03 −3.27
quarta 21.33 0.95
quinta 21.82 2.46
sexta 19.92 0.12

(a) (3 valores) A previsão, erro e IC a 95% para o primeiro dia da semana é:
i. X̂n = 24.026, M SP E = 1.9 IC 95% = 24.026 ± 5.88
ii. X̂n = 35.02, M SP E = 9.2 IC 95% = 35.19 ± 4.26
iii. X̂n = 40.71, M SP E = 10.1 IC 95% = 41.82 ± 6.59
iv. X̂n = 19.256, M SP E = 4.99 IC 95% = 18.14 ± 5.42
v. X̂n = 207.464, M SP E = 5.2 IC 95% = 26.126 ± 7.99
vi. X̂n = 25.026, M SP E = 9.0 IC 95% = 25.026 ± 5.88