Questões de Concurso Público TRE-MG 2013 para Analista Judiciário - Estatística
Foram encontradas 57 questões
I. O número de graus de liberdade da fonte regressão é k, da fonte resíduos é n-k-1 e do total é n-1.
II. O coeficiente de determinação múltipla corresponde à razão entre a soma de quadrados devido à regressão e à soma de quadrados total. Ele varia entre 0 e 1 e quanto mais próximo de 1, melhor é o modelo.
III. O coeficiente de determinação múltipla corrigido leva em consideração o número de observações e o número de variáveis explicativas incluídas no modelo e corresponde a 1 menos a razão entre o quadrado médio do resíduo e a soma de quadrado total dividida pelos seus graus de liberdade. Ele varia entre zero e 1 e quanto mais próximo de 1, melhor o modelo.
IV. A estatística F corresponde à razão entre o quadrado médio da regressão e o quadrado médio do resíduo e é utilizada para testar a significância do modelo ajustado quando comparado com o modelo nulo.
V. O valor p corresponde à probabilidade de significância ou ao nível descritivo do teste da estatística F, que é calculada utilizando a distribuição de Fisher-Snedecor com número de graus de liberdade iguais ao da fonte de variação da regressão e da fonte de variação do resíduo. Valores pequenos, em geral inferiores a 5%, são uma forte indicação de que o modelo é não significativo.
Estão corretas apenas as afirmativas
( ) Quando os pontos do diagrama de dispersão do resíduo padronizado versus variável explicativa apresentar uma tendência, a inclusão do logaritmo da variável explicativa pode melhorar o modelo.
( ) Quando os pontos do diagrama de dispersão do resíduo versus variável omitida no modelo apresentar uma tendência linear, a inclusão da variável omitida pode melhorar o modelo.
( ) Quando o desenho esquemático (boxplot) dos resíduos padronizados apresentar observações além dos limites superior ou inferior, existe uma forte indicação da presença de outliers que devem ser investigados.
( ) Quando o desenho esquemático dos resíduos tem a distância entre a mediana e o primeiro quartil e a distância entre a mediana e o terceiro quartil bem distintas, existe uma forte indicação de que a distribuição das observações são assimétricas e o componente aleatório do modelo pode não ter distribuição normal.
( ) A suposição de homocedasticidade dos resíduos pode ser avaliada através de: teste de Levéne; teste de Brown & Forsythe; gráfico de resíduos versus valores preditos pelo modelo; gráfico do resíduo versus cada uma das variáveis incluídas no modelo.
A sequência está correta em
![imagem-050.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-050.jpg)
![imagem-051.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-051.jpg)
![imagem-052.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-052.jpg)
O modelo de componentes principais corresponde às combinações lineares não correlacionadas
![imagem-053.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-053.jpg)
![imagem-054.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-054.jpg)
![imagem-055.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-055.jpg)
I. o primeiro componente principal é a combinação linear
![imagem-056.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-056.jpg)
![imagem-058.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-058.jpg)
![imagem-059.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-059.jpg)
II. o i-ésimo componente principal é a combinação linear
![imagem-060.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-060.jpg)
![imagem-057.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-057.jpg)
![imagem-062.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-062.jpg)
![imagem-064.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-064.jpg)
III. sendo
![imagem-065.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-065.jpg)
![imagem-066.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-066.jpg)
![imagem-067.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-067.jpg)
IV. Var
![imagem-069.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-069.jpg)
V. a proporção da variância total devido ao k-ésimo componente principal é dada por
![imagem-070.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-070.jpg)
Estão corretas apenas as afirmativas
![imagem-071.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-071.jpg)
![imagem-072.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-072.jpg)
![imagem-073.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-073.jpg)
![imagem-074.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-074.jpg)
![imagem-076.jpg](https://arquivos.qconcursos.com/images/provas/30322/imagem-076.jpg)
( ) No modelo fatorial ortogonal, as variáveis não observáveis F e e são independentes, E(F) = 0, V(F) = E(F´F) = I, E(e) = 0, V(e) = E(e´e) = ?. A matriz ? é não diagonal, V(X) = S = L´L + ? e Cov (X, F) = L.
( ) Um método de estimação para as cargas do modelo fatorial ortogonal é através de componentes principais, onde se utiliza a decomposição espectral da matriz S.
( ) Para se utilizar o método de máxima verossimilhança para estimar as cargas, é acrescida a suposição de que F e e têm distribuição normal multivariada. As comunalidades (elementos da diagonal LL´) têm como estimadores a proporção da variância total estimada pelo particular fator.
( ) Para melhorar a explicação do modelo fatorial, sem alterar a ortogonalidade dos fatores, muitas vezes, usa- se uma transformação ortogonal das cargas fatoriais, que, consequentemente, transforma os fatores. Esse procedimento é conhecido como rotação fatorial.
( ) Dependendo da natureza dos dados, os fatores não precisam ser ortogonais. Assim, para melhorar a explicação do modelo fatorial, pode-se utilizar a rotação oblíqua, onde cada variável é expressa em termos de um número máximo de fatores.
A sequência está correta em
I. O componente aleatório permite que a distribuição seja da família exponencial ou de suas generalizações, contemplando, entre outras, as distribuições: normal, Bernoulli, Poisson, Gama, Normal, Inversa, Exponencial, Binomial.
II. A função de ligação deve transformar o domínio da variável aleatória de forma a permitir que qualquer valor do componente sistemático seja admissível. As funções mais utilizadas são: identidade, inversa, inversa ao quadrado, logarítmica, logito, probito, complemento log-log, potência, Box-Cox e Aranda-Ordaz.
III. O ajuste de um MLG pode ser feito pelo método de máxima verossimilhança. As equações normais produzidas, em geral, precisam ser resolvidas por processos iterativos. Os mais utilizados são o método de Newton- Raphson e o de escore de Fisher. Eles são distintos, qualquer que seja a função de ligação.
IV. Para dados de contagem com distribuição de Poisson, o MLG corresponde ao modelo de regressão de Poisson. A função de ligação mais utilizada é a logarítmica. Quando existe superdispersão nos dados, adota-se uma generalização de MLG que admite o parâmetro de dispersão.
V. Vários tipos de resíduo podem ser utilizados para avaliar a qualidade do ajuste de um MLG, entre eles, resíduos ordinários, resíduos de Pearson, resíduos de Pearson padronizados e componente do desvio.
Estão corretas apenas as afirmativas