Um determinado conjunto A = {α₁, α₂, ⋯ , α_n} possui média μ_A e variância σ ²_A  . Aplica-se sobre o conjunto A as seguintes operações: b_i = 3 ⋅ α_i + 2, ∀i = 1, 2, ⋯ , n. Portanto, a média μB e a variância σ ^2B  do conjunto B = {b₁, b₂, ⋯ , b_n } são, respectivamente:

Um teste para detectar uma manifestação infecciosa, foi desenvolvido em uma universidade com uma eficiência estimada em 95%. Porém, o teste aponta um resultado falso positivo para 1% das pessoas sadias testadas. Se 0,5% da população tem a doença, a probabilidade de uma pessoa ter essa infecção, dado que o resultado de seu exame foi positivo, é:

Um cientista atuarial está desenvolvendo um modelo para classificar apólices de seguro corporativo com base em três critérios conflitantes: risco de sinistro (a ser minimizado), rentabilidade esperada (a ser maximizada) e nível de fidelização do cliente (a ser maximizado). Para aplicar um método de ponderação aditiva compensatória, ele atribui pesos a cada critério e normaliza os dados em uma escala comum. Durante a análise, percebe que uma apólice com alto risco de sinistro obteve pontuação final superior a outra com risco baixo, mas rentabilidade e fidelização apenas medianas.

Com base nessa situação e nos princípios dos métodos de multicritério, é CORRETO afirmar que:

Durante uma análise estatística de séries históricas de acidentes em estradas, utilizou-se a biblioteca scipy.stats para realizar testes de hipóteses sobre a média de um conjunto de dados amostrais normalmente distribuídos com variância desconhecida. O código utilizado foi: 


Transcrição da imagem: from spicy import stats import numpy as np data = np.array([13.4, 12.9, 14.1, 13.7, 12.8, 13.9, 13.3]) t_stat, p_value = stats.ttest_1samp(data, popmean=13.0)

Com base nesse código e nos fundamentos de estatística inferencial, AFIRMA-SE que: