Considere os seguintes conjuntos: X = estudantes da UnB; A = estudantes da UnB que tendem a ser mais ousados; B = estudantes da UnB que consideram o erro como uma etapa da aprendizagem; D = estudantes da UnB que desenvolvem habilidades relacionadas à criatividade. Nessa situação, se Y⊂X, indique por C_X(Y) o complemento de Y em X. Com relação a esses conjuntos, julgue o item abaixo.

O conjunto dos estudantes da UnB para os quais a proposição “Os estudantes tendem a ser mais ousados e consideram o erro como uma etapa da aprendizagem” seja falsa é igual a C_X(A)∩C_X(B).

Considere os seguintes conjuntos: X = estudantes da UnB; A = estudantes da UnB que tendem a ser mais ousados; B = estudantes da UnB que consideram o erro como uma etapa da aprendizagem; D = estudantes da UnB que desenvolvem habilidades relacionadas à criatividade. Nessa situação, se Y⊂X, indique por C_X(Y) o complemento de Y em X. Com relação a esses conjuntos, julgue o item abaixo.

Se A⊂B, então todo estudante da UnB que tende a ser mais ousado considera o erro como uma etapa da aprendizagem.

Considere os seguintes conjuntos: X = estudantes da UnB; A = estudantes da UnB que tendem a ser mais ousados; B = estudantes da UnB que consideram o erro como uma etapa da aprendizagem; D = estudantes da UnB que desenvolvem habilidades relacionadas à criatividade. Nessa situação, se Y⊂X, indique por C_X(Y) o complemento de Y em X. Com relação a esses conjuntos, julgue o item abaixo.

O conjunto dos estudantes da UnB para os quais a proposição “Se os estudantes consideram o erro como uma etapa da aprendizagem, então eles desenvolvem habilidades relacionadas à criatividade” seja verdadeira é igual a D∪[C_X(B)∩C_X(D)].

Com relação aos estimadores de mínimos quadrados e de máxima verossimilhança, julgue os itens seguintes.

Se a amostra X₁, X₂, ... , X_n for formada por observações dependentes, então a função de verossimilhança será igual a

Acerca dos modelos de regressão linear, julgue os itens a seguir.

O intercepto do modelo de regressão linear simples Y_i = α + β_i + ∈_i, ∈_i ~ N( 0; σ²) depende apenas da média de x e y para ser calculado.

Acerca dos modelos de regressão linear, julgue os itens a seguir.

Considere que um modelo linear múltiplo com interação seja dado por Y_i = β₀ + β₁ X_1i + β₂ X_2i - β₁₂ X_1i X_2i + ∈_i, ∈_i ~N ( 0; σ²) em que E ( Y_i | X_1i = 0, X_2i= 0) = E ( Yi | X _1i = 1, X_2i = k), k < ∞, β₁ > 0, β₂ > 0, β₁₂ > 0 .Nessa situação, β2 ≠ β12.

Acerca dos modelos de regressão linear, julgue os itens a seguir.

Considere que Y seja uma variável binária e Z seja definida por Z = 1n ( p/1- p) = β ₀ + β₁X em que p = p( Y = 1) e X é uma covariável. Considere ainda que X assuma valores inteiros positivos, que β₀= β₁ = 0,2 e que 2,72 e 7,39 sejam os valores aproximados, respectivamente, de e e e² Nessa situação, é correto afirmar que a chance de Y = 1 quando X = 10 é superior a 5 vezes a chance correspondente quando X = 0.

Considerando os métodos de inferência para os parâmetros do modelo de regressão, julgue os próximos itens.

Considerando um gráfico da distância de Cook para cada observação amostral que resultou de um ajuste por regressão linear, as observações influentes são aquelas que apresentam pequenas distâncias de Cook

Considerando os métodos de inferência para os parâmetros do modelo de regressão, julgue os próximos itens.

Um critério utilizado para se verificar a qualidade de ajuste de um modelo de regressão é o AIC (critério de informação de Akaike), que é dado por AIC = 2(k – l (b; X)), em que k é o número de parâmetros do modelo e l (b; X) é a log-verossimilhança l(β; X) calculada em β = b. Considerando a classe dos modelos com k = κ parâmetros, então o AIC será mínimo se b for o estimador de máxima verossimilhança para β.

A respeito dos métodos de análise de resíduos do modelo de regressão, julgue os itens subsequentes.

A suposição de homocedasticidade pode ser verificada através de um gráfico de resíduos.