Considere que X₁, X₂, ..., Xn seja uma série temporal estacionária com média zero e função de auto-covariância !$ \gamma !$(h) > 0, em que h !$ \ge !$ 1. Deseja-se construir um preditor linear para a observação futura X_n+h(h !$ \ge !$ 1) que dependa apenas da última observação disponível, isto é, !$ \hat{X} !$_n+h = !$ \beta !$X_n + c, em que !$ \beta !$ e c são números reais.

Com base nessas informações, julgue o item subseqüente.

A variância do processo é igual a [!$ \gamma !$(0)]².

A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

Considerando as informações do texto acima, julgue o item a seguir.

Considere-se que f (s) seja uma função objetivo. No método SA, começa-se a busca a partir de uma solução inicial qualquer f (s) e o procedimento principal consiste em produzir um loop, ou laço, que gera aleatoriamente, em cada iteração, um vizinho s’ da solução corrente s. A cada geração de um novo vizinho s’ de s, é testada a variação ) do valor da função objetivo, isto é !$ \Delta = f(s') - f(s) !$. Aceitar sempre os valores negativos de !$ \Delta !$ significa maximizar a função custo.

Considere que X₁, X₂, ..., Xn seja uma série temporal estacionária com média zero e função de auto-covariância !$ \gamma !$(h) > 0, em que h !$ \ge !$ 1. Deseja-se construir um preditor linear para a observação futura X_n+h(h !$ \ge !$ 1) que dependa apenas da última observação disponível, isto é, !$ \hat{X} !$_n+h = !$ \beta !$X_n + c, em que !$ \beta !$ e c são números reais.

Com base nessas informações, julgue o item subseqüente.

A esperança condicional E[X_n+h | X_n], em que h !$ \ge !$ 1, é nula.

Amplitude de controle está relacionada à quantidade de subordinados que um administrador pode comandar.

Padronização de ferramentas, estudos de tempos e movimentos, divisão do trabalho e unidade de comando são princípios da escola de administração científica.

A função de direção tem como objetivos dividir as atividades organizacionais, definir responsabilidades pela realização do trabalho e estabelecer os níveis de autoridade.

São critérios de departamentalização: o funcional; o geográfico; por produto; por cliente.

A análise ambiental externa permite que se identifiquem oportunidades, ameaças, pontos fortes e pontos fracos na empresa.

As percepções dos indivíduos podem diferir devido à posição hierárquica ocupada, o que pode resultar em dificuldades de relacionamento, mesmo que eles estejam predispostos à compreensão.

Um típico sistema de controle tem início no estabelecimento de parâmetros de desempenho e termina com a comparação do desempenho com os parâmetros estabelecidos.