Questões de Concurso sobre Estacionariedade e Invertibilidade

Em tarefas de classificação, ocorre overfitting quando o modelo aprende com excessiva precisão os padrões do conjunto de treinamento, incluindo o ruído, e, por isso, apresenta alta acurácia nos dados de treino, mas desempenho significativamente inferior em dados novos, evidenciando baixa capacidade de generalização.

A linearização logarítmica ou exponencial possibilita a transformação de qualquer modelo de regressão não linear para modelos lineares.

Considere o modelo de oferta e demanda dinâmicas a seguir, também conhecido como o Modelo da Teia de Aranha:

Q_t = a – bp_t (demanda)

Q_t = c + dp_t–1 (oferta)

No modelo dado, Q_t representa as quantidades; p_t representa o preço; a, b, c, d são constantes positivas.

O modelo produzirá um equilíbrio estável se:

Um analista financeiro tenta prever a rentabilidade anual futura de um ativo, em termos reais. Ele considera que a rentabilidade real (em %) siga, ao longo dos anos, um modelo AR(1): y_t = Φ₀ + Φ₁ y_t-1 + ε_t , em que t é o ano, E(ε_t) = 0 e corr(ε_t, ε_t-s) = 0, para s = 1, 2, ... . Sabe-se que a rentabilidade real prevista pelo modelo para o longuíssimo prazo foi de 4% ao ano.

Se a estimativa obtida para o parâmetro Φ₁ foi 0,8, a estimativa do parâmetro Φ₀ foi:

Considere um processo autoregressivo estacionário Z_t = 10 + 0,5 Z_t-1 + a_t, onde a_t é ruído branco com variância σ² = 3. A média e a variância de Z_t são, respectivamente,

A série y não é estacionária.

A forma invertida do filtro linear é  , em que