2451 Q761209
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)

Para um estudo sobre a gestão de riscos jurídicos em determinado tribunal, um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas Y (exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de liberdade).

Considerando que Y, U e Q sejam mutuamente independentes, julgue os próximos itens.

A transformação  proporciona uma realização da distribuição normal padrão.
2452 Q761208
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)

Para um estudo sobre a gestão de riscos jurídicos em determinado tribunal, um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas Y (exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de liberdade).

Considerando que Y, U e Q sejam mutuamente independentes, julgue os próximos itens.

Realizações G de uma distribuição gama com média 2m podem ser obtidas com base na transformação G = Y - m × ln(U).
2453 Q761207
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)

Para um estudo sobre a gestão de riscos jurídicos em determinado tribunal, um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas Y (exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de liberdade).

Considerando que Y, U e Q sejam mutuamente independentes, julgue os próximos itens.

2454 Q761206
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)

Para um estudo sobre a gestão de riscos jurídicos em determinado tribunal, um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas Y (exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de liberdade).

Considerando que Y, U e Q sejam mutuamente independentes, julgue os próximos itens.

2455 Q761205
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
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.
2456 Q761204
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
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).
2457 Q761203
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
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.
2458 Q761202
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
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.
2459 Q761201
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue os itens subsequentes. A autocorrelação dos erros, desde que não seja unitária em termos absolutos, insere um viés nas estimativas da variável dependente.
2460 Q761200
Estatística
Ano: 2018
Banca: Centro de Seleção e de Promoção de Eventos UnB (CESPE)
Considerando um modelo de regressão linear com erros heteroscedásticos, julgue os itens seguintes. Para um modelo de regressão linear múltiplo, o teste de White permite detectar a heteroscedasticidade a partir da regressão de cada erro estimado da regressão original com as variáveis explicativas e seus inversos.