1
Q761205
A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue os itens subsequentes. Na presença de autocorrelação de erros, o estimador mais eficiente da regressão por mínimos quadrados ordinários continua sendo BLUE (best linear unbiased estimator), ou seja, melhor estimador linear não viesado.
2
Q761204
A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue os itens subsequentes. Ocorre autocorrelação dos erros caso os erros da regressão sigam um processo autorregressivo de ordem 1, ou seja, um AR(1).
3
Q761203
A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue os itens subsequentes. Como regra geral, a presença de autocorrelação dos erros é um problema que não pode ser corrigido, de modo que a modelagem por regressão deve ser abandonada quando detectado esse problema.
4
Q761202
A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue os itens subsequentes. O teste de Durbin–Watson é um teste que permite identificar a autocorrelação serial de primeira ordem.
5
Q369731
Em um trecho de uma avenida, ao se utilizar o radar móvel em um determinado período, são verificadas em média 7 infrações diárias por excesso de velocidade. Acredita-se que esse número pode ter aumentado. Para se verificar isso, o radar foi mantido por 10 dias consecutivos e o número de infrações foi: 8, 9, 5, 7, 8, 12, 6, 9, 6, 10. Como o desvio padrão foi estimado a partir de uma pequena amostra, deve-se usar a estatística t-Student pela qual se obtém t = 1,5. Pelo nível de significância e grau de liberdade atribuídos, tem-se t tabelado = 1,8. Com relação à média, ao desvio padrão e ao conjunto do número de infrações, a única alternativa correta é
6
Q3818
De acordo com o Princípio de Pareto, que correlaciona à administração da qualidade e é utilizado para definir prioridades na correção de defeitos,
7
Q633692
A respeito do método de correlação cruzada, assinale a alternativa correta.
8
Q453954

9
Q450404

10
Q450201
Em situações práticas de pesquisa em que existe um grande número de variáveis correlacionadas, é possível aplicar uma técnica de Análise Multivariada que busca reduzir o número de variáveis sem perder muito da informação contida na matriz de covariâncias. Para isso, as variáveis originais são transformadas obtendo-se novas variáveis com propriedades ótimas de variância. Assim, a primeira nova variável é a combinação linear normalizada das variáveis originais com máxima variância. A segunda nova variável é a combinação linear normalizada das variáveis originais, não correlacionada com a primeira nova variável e com máxima variância. A terceira nova variável é ainda a combinação linear normalizada das variáveis originais agora não correlacionada com a primeira e a segunda novas...