Questões de Estatística - Programação Linear para Concurso
Foram encontradas 65 questões
Ano: 2023
Banca:
CETAP
Órgão:
SEMAS-PA
Prova:
CETAP - 2023 - SEMAS-PA - Técnico em Gestão de Meio Ambiente -Engenharia de Produção |
Q2428382
Estatística
Considerando os modelos de otimização de Programação Linear para tomada de decisão, marque a alternativa incorreta.
Ano: 2007
Banca:
CESPE / CEBRASPE
Órgão:
TSE
Prova:
CESPE / CEBRASPE - 2007 - TSE - Analista Judiciário - Estatística |
Q2219869
Estatística
Considere que um problema de otimização tenha como objetivo
maximizar a função Z sujeita às restrições a seguir.
I Z - 20X - 30Y = 0
II 3X + 2Y - W = 200
III X + 2Y - V = 100
IV X, Y, W, V ≥ 0.
Nessa situação, o valor ótimo de Z e a quantidade ótima de X são, respectivamente, iguais a
I Z - 20X - 30Y = 0
II 3X + 2Y - W = 200
III X + 2Y - V = 100
IV X, Y, W, V ≥ 0.
Nessa situação, o valor ótimo de Z e a quantidade ótima de X são, respectivamente, iguais a
Q2199659
Estatística
A respeito do Tidyverse, assinale a alternativa correta.
Q2181345
Estatística
Uma empresa produz mesas e cadeiras. No processo de fabricação, cada mesa consome 22 parafusos e cada cadeira
consome 12 parafusos. Sabe-se que o estoque disponível para um mês de fabricação é de 5.000 parafusos e que para
cada mesa fabricada devem ser produzidas pelo menos 3 cadeiras. Na ótica da programação linear, chamando a
quantidade de mesas produzidas de x1 e a quantidade de cadeiras produzidas de x2, é correto afirmar que:
Ano: 2022
Banca:
FCC
Órgão:
TRT - 17ª Região (ES)
Prova:
FCC - 2022 - TRT - 17ª Região (ES) - Analista Judiciário - Área Apoio Especializado - Especialidade Estatística |
Q2108528
Estatística
Texto associado
Atenção: Para responder à questão, considere o código na linguagem R.
Y<-c(2,3,2,4,3,5,6,3,4) #1
X1<-c(10,13,9,18,12,22,27,13,21) #2
X2<-c(6,10,4,10,10,17,16,9,13) #3
dados<-data.frame(cbind(Y,X1,X2)) #4
modelo <- lm(Y ~ X1 + X2, data = dados) #5
summary(modelo) #6
coef(modelo) #7
formula(modelo) #8
plot(modelo) #9
p <- as.data.frame(cbind(13,4)) #10
colnames(p) <- cbind("X1","X2") #11
predict(modelo, newdata=p) #12
vcov(modelo) #13
Intercept<-rep(1,times=9) #14
X<-cbind(Intercept,X1,X2) #15
t(solve(t(X)%*%X)%*%t(X)%*%Y) #16
residuals(modelo) #17
Os comandos das linhas 14 a 16 produzem o mesmo resultado que o comando