Foram encontradas 4.841 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Mesmo na presença de multicolinearidade imperfeita, os
estimadores de mínimos quadrados ordinários são os
melhores estimadores lineares não viesados (BLUE – best
linear unbiased estimator).
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Mesmo na presença de heterocedasticidade, os estimadores
das variáveis dependentes são não viesados e consistentes.
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Na presença de multicolinearidade perfeita, os estimadores
de mínimos quadrados ordinários não são únicos.
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Havendo heterocedasticidade, os estimadores de mínimos
quadrados ordinários serão ineficientes.
Acerca da avaliação de modelos de classificação, julgue o item que se segue.
A área sob a curva ROC (receiver operating characteristic) é
uma métrica de qualidade útil para avaliar um modelo:
quanto mais próxima a curva estiver do canto superior
direito do gráfico, melhor será a predição do modelo.
Acerca da avaliação de modelos de classificação, julgue o item que se segue.
Um modelo de classificação que apresenta alta revocação é
útil em contextos em que seja crucial identificar a maior
quantidade possível de casos positivos, mesmo que isso
resulte em um número maior de falsos positivos.
Acerca da avaliação de modelos de classificação, julgue o item que se segue.
A matriz de confusão, em problemas de classificação
multiclasses, é uma tabela com duas linhas e duas colunas;
na diagonal principal dessa matriz quadrada, estão os valores
corretos e, na matriz secundária, os erros cometidos pelo
modelo.
Acerca da avaliação de modelos de classificação, julgue o item que se segue.
A acurácia é uma métrica adequada para a avaliação de
modelos quando não há desbalanceamento de classes, pois
reflete com precisão a capacidade geral do modelo de fazer
previsões corretas em todas as classes.
Julgue o próximo item, relativo a Naive Bayes e random forest.
Nas árvores de decisão e em random forest, são utilizadas
técnicas estatísticas com o objetivo de se produzir, a partir de
um conjunto de observações, uma predição de valores em
função de uma ou mais variáveis independentes contínuas
e(ou) binárias.
Julgue o próximo item, relativo a Naive Bayes e random forest.
O algoritmo de classificação Naive Bayes pode ser utilizado
para o cálculo da probabilidade de ocorrência de um evento,
com base em probabilidades obtidas em eventos numéricos
passados, e, por isso, não pode ser empregado em atividades
de classificação textual.
Julgue o próximo item, relativo a Naive Bayes e random forest.
Random forest é um algoritmo de classificação que permite a
realização de mineração dos dados por meio da criação de
estruturas de aprendizagem a partir de uma base de dados na
qual se utiliza uma única árvore de decisão para a
classificação dos dados.
Julgue o próximo item, relativo a Naive Bayes e random forest.
Naive Bayes é um algoritmo de classificação baseado na
aprendizagem por reforço, em que um agente realiza uma
ação e recebe uma recompensa de acordo com o resultado
dessa ação por meio da implementação do teorema de Bayes,
com o objetivo de encontrar a probabilidade a posteriori.
No que diz respeito ao estimador hipotético Tn do parâmetro λ, julgue o seguinte item.
Se n = 10, então o erro quadrático médio de Tn será igual
a λ2/10.
No que diz respeito ao estimador hipotético Tn do parâmetro λ, julgue o seguinte item.
Tn é estimador consistente.
No que diz respeito ao estimador hipotético Tn do parâmetro λ, julgue o seguinte item.
O erro-padrão de Tn é igual a 1.
No que diz respeito ao estimador hipotético Tn do parâmetro λ, julgue o seguinte item.
Tn é estimador de λ assintoticamente não viciado.
No que diz respeito ao estimador hipotético Tn do parâmetro λ, julgue o seguinte item.
Se Tn seguir uma distribuição normal, então a razão nTn -(n+2)λ /√nλ será normal padrão.
Com base nas informações precedentes e no método de estimação por máxima verossimilhança, julgue o próximo item.
Pelo método da máxima verossimilhança, a estimativa da
média de W é igual a 8/5 .
Com base nas informações precedentes e no método de estimação por máxima verossimilhança, julgue o próximo item.
A estimativa de máxima verossimilhança da probabilidade p
é igual a 0,625.
Com base nas informações precedentes e no método de estimação por máxima verossimilhança, julgue o próximo item.
Se 
(W = 2) denota a estimativa de máxima
verossimilhança da probabilidade P(W= 2), então
(W =2) = 0,4.
Conheça nossos planos