Julgue os seguintes itens, considerando duas variáveis aleatórias e , tais que E[ ] = E[ ] = 0, E = 9, E = 4 e Cov , = −6.
O valor esperado de + é igual a 1.
Questões de certo/errado e de múltipla escolha das provas anteriores, com o gabarito definitivo da banca. Responda de graça com uma conta: até 10 por dia.
Julgue os seguintes itens, considerando duas variáveis aleatórias e , tais que E[ ] = E[ ] = 0, E = 9, E = 4 e Cov , = −6.
O valor esperado de + é igual a 1.
Com base nessas informações, julgue os itens a seguir, considerando que os resultados do teorema do limite central são fundamentais para embasar a análise da qualidade dos estimadores estatísticos de um parâmetro.
Para uma variável aleatória X, de média E = e variância Var = , uma amostra aleatória de tamanho é constituída por um conjunto , , ⋯, de variáveis aleatórias idênticas a e estatisticamente independentes entre si. Essa amostra aleatória de X tem média amostral definida como sendo a variável aleatória = + + ⋯+ ⁄ . Se um estimador estatístico para um parâmetro , associado à distribuição de probabilidade de , for denotado por , então o estimador para , da referida amostra aleatória, será = .
O estimador de um parâmetro , baseado no método da função de verossimilhança, é não enviesado e suficiente, isto é, E" # = .
Com base nessas informações, julgue os itens a seguir, considerando que os resultados do teorema do limite central são fundamentais para embasar a análise da qualidade dos estimadores estatísticos de um parâmetro.
Para uma variável aleatória X, de média E = e variância Var = , uma amostra aleatória de tamanho é constituída por um conjunto , , ⋯, de variáveis aleatórias idênticas a e estatisticamente independentes entre si. Essa amostra aleatória de X tem média amostral definida como sendo a variável aleatória = + + ⋯+ ⁄ . Se um estimador estatístico para um parâmetro , associado à distribuição de probabilidade de , for denotado por , então o estimador para , da referida amostra aleatória, será = .
É correto afirmar que E = e $Var = ⁄ .
Com base nessas informações, julgue os itens a seguir, considerando que os resultados do teorema do limite central são fundamentais para embasar a análise da qualidade dos estimadores estatísticos de um parâmetro.
Para uma variável aleatória X, de média E = e variância Var = , uma amostra aleatória de tamanho é constituída por um conjunto , , ⋯, de variáveis aleatórias idênticas a e estatisticamente independentes entre si. Essa amostra aleatória de X tem média amostral definida como sendo a variável aleatória = + + ⋯+ ⁄ . Se um estimador estatístico para um parâmetro , associado à distribuição de probabilidade de , for denotado por , então o estimador para , da referida amostra aleatória, será = .
A variável normalizada e centralizada do estimador = é − √ ⁄ e tem, assintoticamente, distribuição normal unitária % 0, 1 para →∞.
Com base nessas informações, julgue os itens a seguir, considerando que os resultados do teorema do limite central são fundamentais para embasar a análise da qualidade dos estimadores estatísticos de um parâmetro.
Para uma variável aleatória X, de média E = e variância Var = , uma amostra aleatória de tamanho é constituída por um conjunto , , ⋯, de variáveis aleatórias idênticas a e estatisticamente independentes entre si. Essa amostra aleatória de X tem média amostral definida como sendo a variável aleatória = + + ⋯+ ⁄ . Se um estimador estatístico para um parâmetro , associado à distribuição de probabilidade de , for denotado por , então o estimador para , da referida amostra aleatória, será = .
Para uma amostra aleatória da variável , cuja distribuição depende de & parâmetros , , ⋯, , deve-se obter & estimadores, minimizando a função de verossimilhança ' , , ⋯, .
Com base nessas informações, julgue os itens a seguir, considerando que os resultados do teorema do limite central são fundamentais para embasar a análise da qualidade dos estimadores estatísticos de um parâmetro.
Para uma variável aleatória X, de média E = e variância Var = , uma amostra aleatória de tamanho é constituída por um conjunto , , ⋯, de variáveis aleatórias idênticas a e estatisticamente independentes entre si. Essa amostra aleatória de X tem média amostral definida como sendo a variável aleatória = + + ⋯+ ⁄ . Se um estimador estatístico para um parâmetro , associado à distribuição de probabilidade de , for denotado por , então o estimador para , da referida amostra aleatória, será = .
Para um valor 0 < ( < 1, o intervalo de confiança, com confiança 1 −(, para a estimativa de E = , utilizando-se o estimador )* , será assintoticamente ( →∞) dado por " −+ ⁄ √ , + + ⁄ √ #, em que + é o quantil ( da distribuição % 0, 1 .
Com base nessas informações, julgue os próximos itens, considerando uma variável T, com média nula e desvio padrão unitário, definida por uma distribuição t de Student com 30 graus de liberdade, que tenha o seguinte intervalo com probabilidade de 0,95: P −2,042 < 1 < 2,042 = 0,95.
Um modelo de regressão linear entre uma variável aleatória
(dependente) e uma variável não aleatória (independente) é definido por = , + , + -, em que -, denominado erro aleatório, é uma variável aleatória independente de com média E - = 0 e desvio padrão Var - = . Um modelo de regressão linear é essencialmente um modelo para a probabilidade condicional de Y com relação a X, denotada por P | ; ele é chamado de simples se - for uma variável aleatória gaussiana. Fixando-se valores , , ⋯, para a variável independente X, pode-se definir n variáveis aleatórias = , + , + - , com . = 1, ⋯, . Pelo método dos mínimos quadrados, é possível obter estimadores ,/ e ,/ para os parâmetros , e , e definir o
= ,/ + ,/ como o estimador para . Nesse contexto, são definidos os erros, denominados resíduos, como − = 0 , a soma dos quadrados dos resíduos SQE = ∑0 , a soma dos quadrados totais SQT = ∑ − e a soma dos quadrados de regressão SQR = ∑" − # , com = ∑ ⁄ .
Considere que, para uma regressão linear simples da relação = , + , , em uma amostra de 32 valores de , obteve-se: ,/ = 2 como estimativa para , ; soma dos quadrados dos resíduos igual a 600; e ∑ " − # = 2.000, em que é a média dos valores de na amostra. Considere ainda que tenha sido feito o teste da hipótese de não existir a relação linear = , + , , tomando-se como hipótese nula que , = 0. Nessas condições, assumindo um teste com erro de tipo I igual a 5%, é correto afirmar que a hipótese de não existir a relação linear deve ser aceita.
Com base nessas informações, julgue os próximos itens, considerando uma variável T, com média nula e desvio padrão unitário, definida por uma distribuição t de Student com 30 graus de liberdade, que tenha o seguinte intervalo com probabilidade de 0,95: P −2,042 < 1 < 2,042 = 0,95.
Um modelo de regressão linear entre uma variável aleatória
(dependente) e uma variável não aleatória (independente) é definido por = , + , + -, em que -, denominado erro aleatório, é uma variável aleatória independente de com média E - = 0 e desvio padrão Var - = . Um modelo de regressão linear é essencialmente um modelo para a probabilidade condicional de Y com relação a X, denotada por P | ; ele é chamado de simples se - for uma variável aleatória gaussiana. Fixando-se valores , , ⋯, para a variável independente X, pode-se definir n variáveis aleatórias = , + , + - , com . = 1, ⋯, . Pelo método dos mínimos quadrados, é possível obter estimadores ,/ e ,/ para os parâmetros , e , e definir o
= ,/ + ,/ como o estimador para . Nesse contexto, são definidos os erros, denominados resíduos, como − = 0 , a soma dos quadrados dos resíduos SQE = ∑0 , a soma dos quadrados totais SQT = ∑ − e a soma dos quadrados de regressão SQR = ∑" − # , com = ∑ ⁄ .
Na análise de adequação do modelo, é fundamental verificar se a variância dos resíduos não depende da variável .
Com base nessas informações, julgue os próximos itens, considerando uma variável T, com média nula e desvio padrão unitário, definida por uma distribuição t de Student com 30 graus de liberdade, que tenha o seguinte intervalo com probabilidade de 0,95: P −2,042 < 1 < 2,042 = 0,95.
Um modelo de regressão linear entre uma variável aleatória
(dependente) e uma variável não aleatória (independente) é definido por = , + , + -, em que -, denominado erro aleatório, é uma variável aleatória independente de com média E - = 0 e desvio padrão Var - = . Um modelo de regressão linear é essencialmente um modelo para a probabilidade condicional de Y com relação a X, denotada por P | ; ele é chamado de simples se - for uma variável aleatória gaussiana. Fixando-se valores , , ⋯, para a variável independente X, pode-se definir n variáveis aleatórias = , + , + - , com . = 1, ⋯, . Pelo método dos mínimos quadrados, é possível obter estimadores ,/ e ,/ para os parâmetros , e , e definir o
= ,/ + ,/ como o estimador para . Nesse contexto, são definidos os erros, denominados resíduos, como − = 0 , a soma dos quadrados dos resíduos SQE = ∑0 , a soma dos quadrados totais SQT = ∑ − e a soma dos quadrados de regressão SQR = ∑" − # , com = ∑ ⁄ .
Para um modelo de regressão linear, vale a relação linear 2 = , + , para a média E da variável .
Com base nessas informações, julgue os próximos itens, considerando uma variável T, com média nula e desvio padrão unitário, definida por uma distribuição t de Student com 30 graus de liberdade, que tenha o seguinte intervalo com probabilidade de 0,95: P −2,042 < 1 < 2,042 = 0,95.
Um modelo de regressão linear entre uma variável aleatória
(dependente) e uma variável não aleatória (independente) é definido por = , + , + -, em que -, denominado erro aleatório, é uma variável aleatória independente de com média E - = 0 e desvio padrão Var - = . Um modelo de regressão linear é essencialmente um modelo para a probabilidade condicional de Y com relação a X, denotada por P | ; ele é chamado de simples se - for uma variável aleatória gaussiana. Fixando-se valores , , ⋯, para a variável independente X, pode-se definir n variáveis aleatórias = , + , + - , com . = 1, ⋯, . Pelo método dos mínimos quadrados, é possível obter estimadores ,/ e ,/ para os parâmetros , e , e definir o
= ,/ + ,/ como o estimador para . Nesse contexto, são definidos os erros, denominados resíduos, como − = 0 , a soma dos quadrados dos resíduos SQE = ∑0 , a soma dos quadrados totais SQT = ∑ − e a soma dos quadrados de regressão SQR = ∑" − # , com = ∑ ⁄ .
Para um modelo de regressão que não seja simples, a soma dos resíduos não será nula.
Os enunciados são das provas públicas do Cebraspe; o gabarito é o definitivo, publicado pela banca. Achou algo estranho num item? Escreva para o suporte.