Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Acesse diretamente as bancas disponíveis na QuestLab. As quantidades abaixo consideram as questões ativas do banco.

CEBRASPE 51.363 questões FGV 25.316 questões FCC 24.632 questões AOCP 23.456 questões IBFC 11.190 questões VUNESP 10.983 questões Instituto Quadrix 9.793 questões FUNDATEC 9.088 questões IBADE 7.820 questões CESGRANRIO 6.013 questões OBJETIVA 4.740 questões CONSULPLAN 4.174 questões FEPESE 3.585 questões IADES 3.439 questões IESES 2.627 questões SELECON 2.377 questões IDECAN 1.907 questões MS CONCURSOS 1.485 questões Instituto Legalle 1.281 questões FAFIPA 1.161 questões FUMARC 842 questões ACAFE 551 questões INSTITUTO AOCP 430 questões NUCEPE 378 questões FUNIVERSA 348 questões FAURGS 203 questões FIOCRUZ 48 questões MACKENZIE 48 questões CETRO 17 questões

Encontre as questões que procura

Palavra-chave

Disciplina

Assunto

Tópico

Banca

Órgão

Ano

Cargo

Modalidade

Limpar filtros

15 questões encontradas

ID 144407 Probabilidade e Estatística Regressão FCC 2018

Analisando um gráfico de dispersão referente a 10 pares de observações (t, Y t ) com t = 1, 2, 3, ... , 10, optou-se por utilizar o modelo linear Y t = ? + ? t + ? t com o objetivo de se prever a variável Y, que representa o faturamento anual de uma empresa em milhões de reais, no ano (2007 + t). Os parâmetros ? e ? são desconhecidos e ? t é o erro aleatório com as respectivas hipóteses do modelo de regressão linear simples. As estimativas de ? e ? (a e b, respectivamente) foram obtidas por meio do método dos mínimos quadrados com base nos dados dos 10 pares de observações citados. Se a = 2 e a soma dos faturamentos dos 10 dados observados foi de 64 milhões de reais, então, pela equação da reta obtida, a previsão do faturamento para 2020 é, em milhões de reais, de

A 11,6

B 15,0

C 13,2

D 12,4

E 14,4

ID 137227 Probabilidade e Estatística Regressão CEBRASPE 2018

Considerando um modelo de regressão linear com erros heteroscedásticos, julgue os itens seguintes. Para corrigir a heteroscedasticidade, como regra geral, é suficiente fazer a regressão da variável dependente em função das raízes quadradas das variáveis independentes.

A Certo

B Errado

ID 137201 Probabilidade e Estatística Regressão CEBRASPE 2018

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.

A Certo

B Errado

ID 137196 Probabilidade e Estatística Regressão CEBRASPE 2018

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.

A Certo

B Errado

ID 59245 Probabilidade e Estatística Regressão FEPESE 2018

Para que o estimador obtido pelo método de mínimos quadrados ordinários, em uma regressão simples, seja consistente e eficiente no contexto de estimadores lineares é necessário que:

A O erro estocástico da equação tenha distribuição normal.

B O erro estocástico da equação seja heteroscedástico.

C A variável independente seja exógena.

D A variável dependente seja não correlacionada com o erro estocástico da equação.

E A constante da equação seja igual a zero (isto é, a equação passe pela origem).

ID 59243 Probabilidade e Estatística Regressão FEPESE 2018

Quando, em um modelo de regressão simples, a única mudança é o acréscimo de uma variável independente, o modelo de regressão torna-se múltiplo. A respeito do exposto, é correto afirmar:

A O número de graus de liberdade aumenta na regressão múltipla em relação à regressão simples.

B O número de parâmetros a serem estimados reduz na regressão múltipla em relação à regressão simples.

C O número de graus de liberdade, da regressão simples para a regressão múltipla, diminui em valor igual ao número de observações da amostra.

D O valor da constante da regressão múltipla é mais afastado da origem, para cima ou para baixo, do que o valor da constante da regressão simples.

E O valor do coeficiente de determinação (R2) não pode ser menor na regressão múltipla do que na regressão simples.

ID 39422 Probabilidade e Estatística Regressão FGV 2018

Os pressupostos do modelo de regressão linear simples estão relacionados às propriedades dos estimadores de Mínimos Quadrados Ordinários (MQO), Melhor Estimador Linear Não Tendencioso (BLUE) e Máxima Verossimilhança (MV). Sobre essas vinculações, é correto afirmar que:

A a construção dos estimadores BLUE e MV usa diretamente os pressupostos, enquanto de MQO não;

B a normalidade dos erros pode ser dispensada para garantir as propriedades assintóticas dos estimadores de MQO;

C a eficiência dos estimadores de MQO não depende da identidade com os estimadores BLUE correspondentes;

D os pressupostos da heterocedasticidade e da autocorrelação nula são essenciais à consistência dos estimadores de MV;

E o pressuposto de que a variável explicativa é do tipo não estocástica impacta a consistência dos estimadores de MQO e MV, poupando os estimadores BLUE.

ID 39420 Probabilidade e Estatística Regressão FGV 2018

No caso da seleção de Modelos de Regressão Múltipla por meio do grau de aderência e do nível de captura das variações da variável explicada, alguns cuidados devem ser tomados. Dentre esses, cabe destacar que:

A a introdução de uma variável explicativa pode reduzir o grau de aderência medido pelo coeficiente de determinação;

B a relação de causa e efeito entre as variáveis do modelo pode ser assegurada por estatísticas R2 e F-Snedecor elevadas;

C ao contrário do coeficiente R2 clássico, o R2 ajustado tem um padrão monótono à variação do número de regressores;

D em regressões que não apresentem intercepto, a relevância do R2 para a avaliação do modelo fica amplificada;

E o R2 ajustado penaliza a introdução de novos regressores, mas ainda assim pode sinalizar uma melhoria do modelo.

ID 39414 Probabilidade e Estatística Regressão FGV 2018

A multicolinearidade é uma das dificuldades que pode ocorrer no processo de estimação de Modelos de Regressão Múltipla. Em casos mais severos, a multicolinearidade chega a impossibilitar a obtenção de estimativa, mas mesmo quando tal não se dá, outros problemas podem advir. Como exemplo, seria possível dizer que:

A os estimadores de mínimos quadrados dos parâmetros tornam-se menos eficientes, por aumento das variâncias;

B algumas das variáveis perdem por completo a sua capacidade de explicar o comportamento da variável dependente;

C o resultado da inferência estatística sobre o modelo torna-se menos confiável, por viés da estatística F-Snedecor;

D é necessário usar a estatística t-Student para testar as variáveis e retirar do modelo aquelas menos significativas;

E os resultados da inferência do modelo como um todo e sobre os parâmetros, individualmente, podem ser inconsistentes.

ID 39406 Probabilidade e Estatística Regressão FGV 2018

O Método de Mínimos Quadrados (MQ), o Método dos Momentos (MM) e o de Máxima Verossimilhança (MV) estão entre os mais usados para estimação pontual de parâmetros. Sobre esses, é correto afirmar que:

A os estimadores de MM são específicos para a estimação dos momentos centrais da distribuição;

B o Método de MV não se aplica para pequenas amostras, mesmo quando a distribuição da população é conhecida;

C o Método de MQ, quando utilizado para o momento central de segunda ordem, produz um estimador não tendencioso;

D os estimadores de MV, quando aplicados a distribuições da família exponencial, gozam de propriedades assintóticas;

E o Método dos Momentos conduz, invariavelmente, a estimadores não tendenciosos dos parâmetros populacionais.