Sabe-se que as notas de uma prova têm distribuição Normal com média μ = 6,5 e variância σ² = 4 . Adicionalmente, são conhecidos alguns valores tabulados da normal-padrão.

Φ(1,3 ) ≅ 0,90 Φ(1,65) ≅ 0,95 Φ(1,95 ) ≅ 0,975

Onde,

Φ(z) é a função distribuição acumulada da Normal Padrão.

Considerando-se que apenas os 10% que atinjam as maiores notas serão aprovados, a nota mínima para aprovação é:

A média móvel ponderada exponencialmente consiste em um método semelhante ao da média móvel clássica, contudo com cálculo mais simples. Dessa forma, é correto afirmar que o coeficiente de ajustamento α – alfa – utilizado no método de média móvel ponderada exponencialmente apresenta um valor inversamente proporcional:

Um modelo de regressão linear simples, supondo válidos todos os pressupostos clássicos, é estimado por Mínimos Quadrados Ordinários, obtendo os seguintes resultados:

Onde, DW é o valor observado da Estatística Durbin-Watson

R² é o Coeficiente de Determinação

é o valor tabelado da estatística Dickey-Fuller

é o valor da distribuição acumulada da t-Student

T = tamanho da amostra

Os números entre parênteses, abaixo das estimativas dos parâmetros, são os valores estimados dos erros padrão correspondentes. O tamanho da amostra é n = 100. Com tais informações, é correto afirmar que:

Para explicar o comportamento de um processo estocástico, após uma análise das funções de autocorrelação, o seguinte modelo foi proposto e estimado: 

Considerando válidas as estimativas, é correto afirmar que: 

Para modelar o comportamento de determinada proporção é proposto um modelo de regressão com variável dependente do tipo qualitativa. A forma funcional apresentada é: 

Sobre esse tipo de modelo e formulação, é correto afirmar que:

Um modelo de regressão linear múltipla é estimado por MQO (Mínimos Quadrados Ordinários), conforme a equação:

Y_i = α + β.X_i + γ.W_i + ε_i

As estimativas estão colocadas na tabela abaixo, com algumas omissões:

Com base nas estatísticas disponíveis e no cálculo dos valores omitidos, é correto afirmar que:

Após estimar um modelo de regressão linear múltipla, por MQO, um econometrista repara que, por algum motivo, a tabela contendo os resultados da análise da variância ficou incompleta, conforme abaixo: 

Apesar dos valores acima omitidos, é correto afirmar que: 

Um econometrista resolve propor e estimar um modelo de regressão linear simples como forma de estimar o efeito da temperatura sobre o volume de venda de sorvetes. Emprega,para esse fim, a formulação:

 

Onde QS é a quantidade de sorvetes (em milhares), T é a temperatura (célsius) e  é ε o termo de erro do modelo.

Apenas estatísticas descritivas básicas sobre QS e T são dadas, como  Onde, variâncias (σ²), médias (μ) e covariância (σ_T,Q,S).

Supondo-se válidos todos os pressupostos clássicos, a partir das informações disponíveis, verifica-se que: 

Os principais métodos para a estimação de parâmetros em modelos de regressão linear são os de Mínimos Quadrados Ordinários (MQO), o do Melhor Estimador Linear Não Tendencioso (BLUE) e o de Máxima Verossimilhança (MV).

Sobre esses métodos, é correto afirmar que:

Os testes clássicos de inferência estão baseados na obtenção ou não de evidência estatística contrária à hipótese suposta, previamente, verdadeira. A construção está associada a uma série de conceitos e definições. Entre esses elementos estão:

Um teste de hipótese será feito com base numa distribuição normal, com média desconhecida e variância σ² =64 Uma amostra de tamanho n = 16 é extraída e sua média calculada,sendo X = 7 O conjunto de hipóteses a ser testado é:

Considere ainda que a região crítica do teste é RC = (9 ,+ ∞) que, caso Ho seja falsa, o μ verdadeiro seria igual a 8.Além disso, são fornecidos os seguintes dados sobre a função distribuição acumulada da normal-padrão.

Φ(0,5) ≅ 0,69       Φ(1) ≅ 0,84      Φ(1,5) ≅ 0,93      Φ(2) ≅ 0,98

Logo, as probabilidades dos erros do Tipo I, do Tipo II e do p-valor (bilateral) do teste são, respectivamente, iguais a:

Com o objetivo de estimar, por intervalo, a verdadeira média populacional de uma distribuição, é extraída uma amostra aleatória de tamanho n = 26. Sendo a variância desconhecida, calcula-se o valor de além da média amostral X = 8 de grau de confiança pretendido é de 95%. Somam-se a todas essas informações os valores tabulados:

Φ(1,65) ≅ 0,95 Φ(1,96) ≅ 0,975 T₂₅(1,71) ≅ 0,95

T₂₆(1,70) ≅ 0,95 T₂₅(2,06) ≅ 0,975 T₂₆(2,05) ≅ 0,975

Onde, = estimador não-viesado da variância populacional;

Φ(z) = fç distribuição acumulada da Normal-padrão;

T_n(t)= fç distribuição acumulada da T-Student com n graus de liberdade.

Então os limites do intervalo de confiança desejado são: