Questões de Concurso Público Petrobras 2007 para Analista de Pesquisa Operacional Júnior

Foram encontradas 149 questões

Q2898147 Estatística
Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + ε, em que a e b são os coeficientes do modelo e ε é o erro aleatório com média zero e variância σ2 . Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.


Q117_124.png (433×310)


Com base nas informações apresentadas acima, julgue o item que se segue.

A estimativa de F é igual a 2,5.

Alternativas
Q2898153 Estatística
Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + ε, em que a e b são os coeficientes do modelo e ε é o erro aleatório com média zero e variância σ2 . Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.


Q117_124.png (433×310)


Com base nas informações apresentadas acima, julgue o item que se segue.

No estudo em questão, metade das respostas Y foi obtida pelo primeiro método de produção e a outra metade foi obtida pelo segundo método.

Alternativas
Q2898154 Estatística
Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + ε, em que a e b são os coeficientes do modelo e ε é o erro aleatório com média zero e variância σ2 . Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.


Q117_124.png (433×310)


Com base nas informações apresentadas acima, julgue o item que se segue.

A correlação linear de Pearson entre Y e X é inferior a 0,9.

Alternativas
Q2898156 Estatística
Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + ε, em que a e b são os coeficientes do modelo e ε é o erro aleatório com média zero e variância σ2 . Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.


Q117_124.png (433×310)


Com base nas informações apresentadas acima, julgue o item que se segue.

A soma de quadrados dos resíduos do modelo ajustado é inferior a 40% da soma de quadrados total.

Alternativas
Q2898159 Estatística
A taxa de octano existente em determinado combustível é uma variável aleatória X cuja distribuição possui média μ e desvio-padrão σ. Uma amostra aleatória simples fornecida por dez distribuidores diferentes desse combustível resultou nos valores apresentados na tabela a seguir.


Q125_128.png (303×287)


Considerando as informações acima, julgue o item subseqüente.

O desvio-padrão amostral da taxa de octano é inferior a 4%.

Alternativas
Q2898163 Estatística
A taxa de octano existente em determinado combustível é uma variável aleatória X cuja distribuição possui média μ e desvio-padrão σ. Uma amostra aleatória simples fornecida por dez distribuidores diferentes desse combustível resultou nos valores apresentados na tabela a seguir.


Q125_128.png (303×287)


Considerando as informações acima, julgue o item subseqüente.

A estimativa do erro-padrão da média amostral é superior a 2%.

Alternativas
Q2898166 Estatística
A taxa de octano existente em determinado combustível é uma variável aleatória X cuja distribuição possui média μ e desvio-padrão σ. Uma amostra aleatória simples fornecida por dez distribuidores diferentes desse combustível resultou nos valores apresentados na tabela a seguir.


Q125_128.png (303×287)


Considerando as informações acima, julgue o item subseqüente.
Considere que uma nova amostra seja enviada por um outro distribuidor. Nesse caso, pela desigualdade de Chebyshev, a probabilidade Q127.png (180×36) será superior a 0,3.
Alternativas
Q2898168 Estatística
A taxa de octano existente em determinado combustível é uma variável aleatória X cuja distribuição possui média μ e desvio-padrão σ. Uma amostra aleatória simples fornecida por dez distribuidores diferentes desse combustível resultou nos valores apresentados na tabela a seguir.


Q125_128.png (303×287)


Considerando as informações acima, julgue o item subseqüente.
Caso seja utilizado o teste t para testar as hipóteses H0: μ ≥ 89% versus H1: μ < 89%, é correto afirmar que a hipótese nula não seria rejeitada ao se fixar níveis de significância inferiores a 50%.
Alternativas
Q2898170 Estatística
Considere que determinada peça encontrada em uma estação de bombeamento possa ser reutilizada X vezes. Considerando-se que a distribuição de X seja dada por Q129_132.png (183×26) em que k ≥ 1 e Q129_132_.png (124×18) julgue o item que se segue.
Em média, essa peça pode ser reutilizada Q129.png (96×72) vezes.
Alternativas
Q2898172 Estatística
Considere que determinada peça encontrada em uma estação de bombeamento possa ser reutilizada X vezes. Considerando-se que a distribuição de X seja dada por Q129_132.png (183×26) em que k ≥ 1 e Q129_132_.png (124×18) julgue o item que se segue.
A variância de X é igual a Q131.png (73×62)
Alternativas
Q2898173 Estatística
Considere que determinada peça encontrada em uma estação de bombeamento possa ser reutilizada X vezes. Considerando-se que a distribuição de X seja dada por Q129_132.png (183×26) em que k ≥ 1 e Q129_132_.png (124×18) julgue o item que se segue.
Q132.png (215×31)
Alternativas
Q2898175 Estatística

Q133_136.png (427×101)


Com base nessas informações, julgue o item subseqüente.

O melhor preditor linear de X n+h é igual a Y(h) X n .

Alternativas
Q2898179 Estatística

Q133_136.png (427×101)


Com base nessas informações, julgue o item subseqüente.

A esperança condicional Q134.png (86×24) em que h  ≥ 1, é nula.
Alternativas
Q2898180 Estatística

Q133_136.png (427×101)


Com base nessas informações, julgue o item subseqüente.

A variância do processo é igual a Q135.png (57×24)
Alternativas
Q2898181 Estatística

Q133_136.png (427×101)


Com base nessas informações, julgue o item subseqüente.

A média amostral Q136.png (106×43) não é um estimador consistente da média do processo, mesmo que lim y(h) = 0.
Q136_.png (58×24)
Alternativas
Q2898182 Estatística

    A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

 O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

 

Considerando as informações do texto acima, julgue o item a seguir.

É correto inferir-se do texto que as diferentes metodologias SA, FSA e GSA são métodos de otimização global.

Alternativas
Q2898186 Estatística

    A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

 O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

 

Considerando as informações do texto acima, julgue o item a seguir.

A diferença básica entre os métodos de otimização de sistemas físicos denominados Monte Carlo e GSA é que, neste, a temperatura varia com o tempo.

Alternativas
Q2898187 Matemática

    A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

 O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

 

Considerando as informações do texto acima, julgue o item a seguir.

Assim como nos métodos derivativos ou gradientes, o simulated annealing depende da derivada da função custo ou objetivo.

Alternativas
Q2898189 Estatística

    A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

 O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

 

Considerando as informações do texto acima, julgue o item a seguir.

Para o caso particular em que o parâmetro q da distribuição de probabilidade usada no método GSA seja igual 1, tem-se que essa distribuição torna-se exatamente a própria distribuição de Cauchy-Lorentz, a qual é utilizada no método FSA.

Alternativas
Q2898190 Estatística

    A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

 O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

 

Considerando as informações do texto acima, julgue o item a seguir.

Considere-se que f(s) seja uma função objetivo. No método SA, começa-se a busca a partir de uma solução inicial qualquer f(s) e o procedimento principal consiste em produzir um loop, ou laço, que gera aleatoriamente, em cada iteração, um vizinho s’ da solução corrente s. A cada geração de um novo vizinho s’ de s, é testada a variação Δ do valor da função objetivo, isto é, Δ = f(s’) – f(s). Aceitar sempre os valores negativos de Δ significa maximizar a função custo.
Alternativas
Respostas
121: E
122: C
123: C
124: C
125: C
126: E
127: E
128: C
129: C
130: C
131: C
132: E
133: E
134: E
135: E
136: C
137: C
138: E
139: E
140: E