Questões de Concurso
Sobre regressão linear em estatística
Foram encontradas 361 questões
I. O valor da variável dependente Y é considerado como o de uma variável aleatória, que depende de valores fixos (não aleatórios) da variável independente X.
II. Uma relação teórica em linha reta existe entre Y e o valor esperado de X para cada um dos valores possíveis de X. Essa linha de regressão teórica: E (Y ̸X) = α + βX possui uma inclinação α e uma interseção β. Os coeficientes de regressão α e β constituem parâmetros de população, cujos valores são desconhecidos e se deseja estimá-los.
III. Associada a cada valor de X, existe uma distribuição de probabilidade p(y ̸x) dos valores possíveis da variável aleatória Y. Quando X for igual a um valor xi, o valor de Y observado será obtido da distribuição de probabilidade p(y ̸xi) e não estará necessariamente na linha de regressão teórica.
Quanto às premissas subjacentes ao modelo de regressão linear simples, está correto o que se afirma apenas em
Tem-se que
Considere o ajuste de um modelo
de regressão linear para estimar a degradação do princípio ativo ao longo do tempo usando o método de mínimos quadrados
ordinários. Com base nas informações fornecidas, a previsão da concentração média do princípio ativo após 24 meses de
armazenamento é, aproximadamente, igual a: 
As tabelas precedentes mostram as estimativas dos coeficientes e seus respectivos erros padrão proporcionados pelo método de mínimos quadrados ordinários em um modelo de regressão linear com um intercepto e 4 variáveis regressoras (X1, X2, X3 e X4) para modelar uma variável dependente Y. As tabelas mostram, ainda, o tamanho da amostra, o coeficiente de determinação (R2 ) e o erro quadrático médio desse modelo, que foi igual a 36. Com base nessas informações e nos dados das tabelas, julgue o item subsequente.
Se a variável Y for considerada normal, e assumindo-se que a aproximação normal seja válida para a distribuição dos estimadores dos coeficientes do modelo, é correto concluir que todos os coeficientes são estatisticamente significativos com p-valores inferiores a 1%.
As tabelas precedentes mostram as estimativas dos coeficientes e seus respectivos erros padrão proporcionados pelo método de mínimos quadrados ordinários em um modelo de regressão linear com um intercepto e 4 variáveis regressoras (X1, X2, X3 e X4) para modelar uma variável dependente Y. As tabelas mostram, ainda, o tamanho da amostra, o coeficiente de determinação (R2 ) e o erro quadrático médio desse modelo, que foi igual a 36. Com base nessas informações e nos dados das tabelas, julgue o item subsequente.
O valor do R2 ajustado (R2ajustado) é superior a 60%.
as médias dos valores xi e yi , i = 1, . . . , n,
respectivamente. Sabe-se que:
Considerando os dados acima, a equação resultante da regressão linear é dada por
Além disso, o Fator de Inflação da Variância (VIF) associado à variável X1 foi calculado, retornando o valor 5,0. Com base nas informações fornecidas, assinale a afirmativa correta
Determinado Juiz está analisando a eficácia de um modelo de regressão linear simples que prevê, para cada processo, o valor das indenizações com base no tempo de tramitação. O modelo apresenta um coeficiente de determinação igual a 0,81. Com base no valor obtido para esse coeficiente, analise as afirmativas a seguir.
I. O modelo explica 81% das variações nos valores das indenizações em relação aos valores reais observados.
II. O coeficiente de correlação linear de Pearson entre as variáveis envolvidas é 0,9.
III. Um coeficiente de determinação de 0,81 garante que o modelo não apresente problemas de multicolinearidade.
Está correto o que se afirma em
Em uma fiscalização sobre possíveis irregularidades no recolhimento de impostos de uma empresa de construção civil, o auditor fiscal investiga a relação entre o número de projetos concluídos pela empresa e o faturamento mensal declarado nos últimos 12 meses. A empresa alega que o faturamento está diretamente relacionado à quantidade de projetos concluídos e que flutuações no faturamento se devem exclusivamente ao número de obras finalizadas em cada mês. Para verificar essa justificativa, o auditor coletou dados mensais (12 meses, assumindo independência dos dados entre os meses) sobre a quantidade de projetos concluídos (X, em unidades) e o faturamento correspondente (Y, em milhares de reais). Os dados revelaram que o desvio-padrão de X foi SX = 2, enquanto o desvio-padrão de Y foi SY = 8. A correlação entre a quantidade de projetos e o faturamento foi de 0,6. O auditor fiscal decide empregar uma regressão linear simples para verificar a relação entre o número de projetos concluídos e o faturamento mensal da empresa, buscando identificar se há uma tendência clara ou se existem desvios significativos que possam indicar sonegação ou subdeclaração de receitas. Utilizando o método dos mínimos quadrados para ajustar a reta de regressão de Y em X, o auditor concluiu corretamente que, para cada projeto finalizado no período, em média, o faturamento:
1 > x <- c(2,1,3,5,6)
2 > y <- matrix(1:25, nrow = 5)
Com base no código precedente, escrito em R, em que os números à esquerda do sinal “>” indicam o número da linha do código, julgue o item a seguir, assumindo que a tecla Enter foi pressionada após cada linha de comando do código.
O comando x + 1 e o comando c(x,1) produzem o mesmo resultado.
1 > x <- c(2,1,3,5,6)
2 > y <- matrix(1:25, nrow = 5)
Com base no código precedente, escrito em R, em que os números à esquerda do sinal “>” indicam o número da linha do código, julgue o item a seguir, assumindo que a tecla Enter foi pressionada após cada linha de comando do código.
O comando p <- x * y produzirá a variável p, que é a matriz produto resultante da multiplicação do vetor-linha x pela matriz y.
Em relação às informações precedentes, julgue o próximo item, considerando que o percentil 95% de uma distribuição F, com 1 grau de liberdade no numerador e 47 graus de liberdade no denominador, é igual a 4,05, e que o percentil 95% de uma distribuição qui-quadrado com 47 graus de liberdade é 64.
∑i (Yi - my)2 = 53.637.
Em relação às informações precedentes, julgue o próximo item, considerando que o percentil 95% de uma distribuição F, com 1 grau de liberdade no numerador e 47 graus de liberdade no denominador, é igual a 4,05, e que o percentil 95% de uma distribuição qui-quadrado com 47 graus de liberdade é 64.
Se ε segue uma distribuição normal, o estimador de máxima verossimilhança e o estimador de mínimos quadrados geram as mesmas estimativas para α e β.
Os dados coletados foram os seguintes:
Se necessário, utilize as informações a seguir:
∑x=30, ∑y=300, ∑x⋅y=1900, ∑x 2=220, ∑y 2=18250.
Com base nesses dados, a equação da reta de regressão, em que y é a variável dependente, é dada por
(2, 3), (4, 5), (6, 7), (8, 9), (10, 11)
A estimativa pelo método dos mínimos quadrados do coeficiente angular da reta de regressão linear Y=A+BX é:
Sobre o modelo usado, analise as afirmativas a seguir.
I. Considerando a equação y=α+βx, onde "α" e "β" são parâmetros da reta teórica, os quais são estimados por meio dos pontos experimentais fornecidos pela amostra, obtendo-se uma reta estimada.
II. A aplicação do Princípio de Máxima Verossimilhança leva ao chamado procedimento de Mínimos Quadrados.
III. Deve-se procurar a reta para a qual se consiga minimizar a soma dos resíduos da regressão ao quadrado.
Está correto o que se afirma em
(i) ▁x=0,25 (ii) ▁y=0,75 (iii) ∑_(i=1)^n▒〖(x_i-▁x)(y_i-▁y)〗=12 (iv) ∑_(i=1)^n▒〖(x_i-▁x )^2 〗=2
Considerando os dados acima, a equação resultante da regressão linear é dada por
( ) O erro médio quadrático é uma métrica típica de erro em problemas de regressão cujo valor varia entre 0 e 1.
( ) Pode-se afirmar que o conjunto de dados C1 está melhor ajustado ao modelo do que o conjunto de dados C2.
( ) Pode-se afirmar que para melhorar o ajuste do conjunto de dados C2 é preciso aumentar seu tamanho.
As afirmativas são, respectivamente,
Conheça nossos planos