Questões de Concurso
Sobre regressão linear em estatística
Foram encontradas 433 questões
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: 
A partir dessas informações, julgue o item que se segue.
A média amostral da variável regressora (explicativa) é inferior a 7,5.
A partir dessas informações, julgue o item que se segue.
A variância amostral da variável dependente é menor que a variância amostral da variável regressora (explicativa).
A partir dessas informações, julgue o item que se segue.
Se a variável regressora (explicativa) for removida do modelo, restando apenas o intercepto, então, nesse caso, a estimativa do intercepto será superior a 7,6 e inferior a 9,3.
Considerando o quadro precedente, que mostra parte de uma típica tabela de análise de variância (ANOVA) referente ao ajuste de um modelo de regressão linear que possui um intercepto e cujos coeficientes foram estimados pelo método de mínimos quadrados ordinários, julgue o item a seguir.
A variância amostral da variável resposta (dependente) do modelo é igual a 14.
Considerando o quadro precedente, que mostra parte de uma típica tabela de análise de variância (ANOVA) referente ao ajuste de um modelo de regressão linear que possui um intercepto e cujos coeficientes foram estimados pelo método de mínimos quadrados ordinários, julgue o item a seguir.
O modelo é constituído por três coeficientes que foram estimados pelo método de mínimos quadrados ordinários.
I. Resíduos são as diferenças entre os valores observados e os valores ajustados pelo modelo.
II. A análise de resíduos permite verificar a adequação de um modelo de regressão aos dados.
III. A presença de padrões nos resíduos indica que o modelo é apropriado.
IV. Resíduos independentes e com distribuição normal são pressupostos em modelos de regressão.
Estão corretas as afirmativas:
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 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.
Conheça nossos planos