Julgue os próximos itens, considerando uma série temporal {Y_t} gerada por um processo ARMA(1,1) estacionário representado pela equação Y_t = 0,45Y_t-1 + ∈_t − 0,45∈_t-1, em que {∈_t } constitui uma série temporal de ruídos aleatórios independentes com médias iguais a zero e variâncias iguais a 10, com  t ∈ ℤ. 
Se a série temporal observada for constituída pelos valores 0, 2, −1, −2, 2, então, com base nesses cinco valores, segundo o modelo ARMA(1,1) em tela e o preditor linear, o valor previsto para a sexta observação será 0,1.

Com base nessas informações, julgue o seguinte item.

Com base nessas informações, julgue o seguinte item.

A correlação linear de Pearson entre a variável resposta e a regressora é igual ou superior a 0,8. 

Com base nessas informações, julgue o seguinte item.

A estimativa de δ²  é igual ou inferior a 3,5.

Com base nessas informações, julgue o seguinte item.

A estimativa da variância de é igual ou superior a 0,05.

Com base nessas informações, julgue o seguinte item.

O coeficiente de determinação do modelo (R² ) é igual ou superior a 0,9.

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 heterocedasticidade, os valores da estatística t são maiores que o esperado.

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.

Quando se adicionam variáveis explicativas ao modelo, espera-se redução da estatística R² .

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.