Questões de Estatística - Estatística descritiva (análise exploratória de dados) para Concurso
Foram encontradas 3.852 questões
coeficientes de regressão:
estimate std. error t value Pr(>|t|)(intercept) 11,6624 1,8222 6,400 6,28e-07 ***
tempo 2,1936 0,3347 6,553 4,19e-07 ***---
signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘ * ’ 0,05 ‘ .’ 0,1 ‘ ’ 1
residual standard error: 5,036 on 28 degrees of freedom
multiple R-squared: 0,6053, adjusted R-squared: 0,5912
F-statistic: 42,94 on 1 and 28 DF, p-value: 4,186e-07
coeficientes de regressão:
estimate std. error t value Pr(>|t|)(intercept) 11,6624 1,8222 6,400 6,28e-07 ***
tempo 2,1936 0,3347 6,553 4,19e-07 ***---
signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘ * ’ 0,05 ‘ .’ 0,1 ‘ ’ 1
residual standard error: 5,036 on 28 degrees of freedom
multiple R-squared: 0,6053, adjusted R-squared: 0,5912
F-statistic: 42,94 on 1 and 28 DF, p-value: 4,186e-07
coeficientes de regressão:
estimate std. error t value Pr(>|t|)(intercept) 11,6624 1,8222 6,400 6,28e-07 ***
tempo 2,1936 0,3347 6,553 4,19e-07 ***---
signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘ * ’ 0,05 ‘ .’ 0,1 ‘ ’ 1
residual standard error: 5,036 on 28 degrees of freedom
multiple R-squared: 0,6053, adjusted R-squared: 0,5912
F-statistic: 42,94 on 1 and 28 DF, p-value: 4,186e-07
coeficientes de regressão:
estimate std. error t value Pr(>|t|)(intercept) 11,6624 1,8222 6,400 6,28e-07 ***
tempo 2,1936 0,3347 6,553 4,19e-07 ***---
signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘ * ’ 0,05 ‘ .’ 0,1 ‘ ’ 1
residual standard error: 5,036 on 28 degrees of freedom
multiple R-squared: 0,6053, adjusted R-squared: 0,5912
F-statistic: 42,94 on 1 and 28 DF, p-value: 4,186e-07
AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.Utilizando o operador translação definido como BXt = Xt -1, é correto concluir que um modelo AR(2) deve ser descrito na forma Φ(B)Xt = αt, em que Φ(B) = 1 - Φ1B - Φ2B2 e αt representa um ruído branco.
AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.AR1 intercepto
0,5217 -0,0589
e.p. 0,0363 0,2309
σ2 = 6,738: logaritmo da verossimilhança = -1305,2,
AIC = 2616,39
AR1 AR2 intercepto
0,9969 -0,9077 -0,0612e.p. 0,0175 0,0173 0,0503
σ2 = 1,149: logaritmo da verossimilhança = -820,46,AIC = 1648,91
São Paulo: Ed. Edgard Blücher, 2004.
Com base nas informações e nas figuras apresentadas, julgue o item seguinte.Observando o gráfico da série de salário, nota-se que esta sofreu uma operação diferença, definida por Δx1 = x1-x1-1, com o objetivo de torná-la estacionária e garantir que as características da série para Xt+Ꮦ sejam as mesmas para X1, que é a variável aleatória geradora de x1 .
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
Os autovalores da matriz associada à forma quadrática 3x12 + 2x22 - 2√2x1x2 são 4 e 1.
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
matriz de correlação:
sdmed salário tempo idade
sdmed 1,00000000 0,93303483 0,6038786 -0,01126878salário 0,93303483 1,00000000 0,5845924 0,06371626
tempo 0,60387857 0,58459235 1,0000000 0,49093437idade -0,01126878 0,06371626 0,4909344 1,00000000
comp. 1 comp. 2 comp. 3 comp. 4
padrão 1,576085 1,0866016 0,52563869 0,24281048
proporção davariância 0,621011 0,2951758 0,06907401 0,01473923
proporçãoacumulada 0,621011 0,9161868 0,98526077 1,00000000
comp.1 comp.2 comp.3 comp.4
sdmed 0,582 0,322 0,145 0,733salário 0,584 0,271 0,390 -0,659
tempo 0,532 -0,338 -0,767 -0,122idade 0,196 -0,842 0,488 0,117
Um banco deseja fazer um estudo sobre o tempo que as pessoas levam para pagar o limite utilizado no cheque especial. O estatístico responsável acredita que esse tempo pode ser modelado por uma distribuição exponencial. Entretanto, antes de prosseguir com o trabalho, ele decide fazer algumas simulações.
Considerando essa situação, julgue o item subsequente.
Uma forma de estimar a variância de um estimador é o método Jackknife. Dado o conjunto de dados A = {33, 14, 25, 40}, então todas as amostras Jackknife possíveis, com k=1, são as do conjunto J = {(14,25,40), (33,25,40), (33,14,40), (33,14,25)}.
Deseja-se estudar a relação entre a quantidade de chuvas (em mm) e a produção de soja em um determinado município. Para isso, utilizou-se a técnica de regressão linear simples, sendo sua matriz de análise de variância (ANOVA) apresentada abaixo.
Julgue o item seguinte, relativo à violação das suposições básicas dos modelos clássicos de regressão.
Na presença de multicolinearidade, a variância e a covariância
dos estimadores serão afetadas, sendo possível que sejam
alterados tanto os sinais quanto a magnitude dos estimadores.
A variável Z pode ser obtida mediante a padronização da variável Y, ou seja, Z = (Y - μ)/σ , em que μ e σ representam, respectivamente, a média e o desvio padrão de Y.