A tipicidade da lavagem de dinheiro é composta por elementos objetivos e subjetivos. E o elemento subjetivo nuclear do crime em questão, no Brasil, se limita ao dolo. Apenas o comportamento doloso é objeto de repreensão, caracterizado como aquele no qual o agente tem ciência da existência dos elementos típicos e vontade de agir naquele sentido. É comum a referência em documentos internacionais à possibilidade de comprovação do dolo por elementos objetivos. Questão ainda mais complexa é o grau de consciência exigido do agente sobre a procedência dos bens.

Sobre o tema, é correto afirmar que:

A reparação do dano causado pelo delito é finalidade – ainda que secundária – da tutela penal condenatória. Assim sendo, o sistema processual penal necessita de medidas cautelares que assegurem tal resultado, nas hipóteses em que o tempo necessário para a prolação do provimento condenatório permita que a situação patrimonial do investigado ou do acusado se altere, gerando o risco de que, quando do provimento final, tal finalidade seja frustrada pela demora processual. Ademais, dentre os efeitos civis da condenação penal, aquele que provavelmente terá nas medidas cautelares um meio mais eficaz de sua assecuração será a perda do produto ou proveito do crime. Ainda assim, algumas distinções são necessárias.

Sobre o tema, é correto afirmar que:

Diferentemente de outros tratados multilaterais internacionais relacionados ao crime de corrupção, tais como a Convenção sobre o Combate da Corrupção de Funcionários Públicos Estrangeiros em Transações Comerciais Internacionais, de 1997 (Convenção da OCDE), e da Convenção Interamericana contra a Corrupção, de 1996 (Convenção da OEA), a Convenção das Nações Unidas contra a Corrupção, de 2003 (Convenção de Mérida), prevê, pela primeira vez no âmbito do direito internacional, a recuperação total dos ativos relacionados ao crime de corrupção e a adoção de mecanismos de prevenção para fortalecer os Estados para o desenvolvimento de uma cultura anticorrupção. O artigo 51 da Convenção de Mérida consagra a recuperação de ativos como princípio fundamental do texto convencional.

Sobre o tema, é correto afirmar que:

Sobre o sistema da Lei Anticorrupção, é correto afirmar que:

Considere a seguinte sequência de 2001 valores: x₁=-1000, x₂=-999, ..., x₁₀₀₁=0, x₁₀₀₂=1, ..., x₂₀₀₁=1000.

A covariância amostral entre essa sequência e a sequência de seus valores ao quadrado (y_i = x_i²) é:

Assuma que o valor anual gasto para pagamento de pessoal em municípios de uma certa região do Brasil possui distribuição normal com parâmetros desconhecidos. Em uma amostra de 16 municípios, observou-se um gasto médio de R$ 1.000.000,00 ao ano com desvio padrão amostral igual a R$ 500.000,00. Gostaríamos de testar se o gasto médio para pagamento de pessoal desses municípios é estatisticamente diferente de R$ 750.000,00.

O teste a ser usado e o valor da sua estatística de teste são, respectivamente:

O histograma a seguir mostra a quantidade de refeições para cada faixa de preço, em uma determinada área do Rio de Janeiro.

O conjunto de dados consistente com o histograma é:

Numa empresa com 100 funcionários, todos foram perguntados a respeito de suas preferências sobre trabalho remoto ou presencial. Dos funcionários de 18 a 39 anos, 40% preferem trabalho presencial. Dos funcionários acima de 40 anos, 40% mostraram preferência pelo remoto. Dos 100 funcionários, 50 têm mais de 40 anos. O presidente da empresa está interessado em saber se a preferência por trabalho remoto é independente da categoria de idade (18 a 39 e acima de 40 anos).

O teste a ser usado pelo presidente e o valor da estatística de teste são, respectivamente:

Natasha, uma cientista de dados, está trabalhando com um conjunto de dados sobre carros para fazer um modelo preditivo para uma companhia de seguros. A primeira versão do modelo utiliza apenas informações básicas sobre os carros: a marca e a cor.

Como esses dados são categóricos, Natasha faz um pré-processamento usando a biblioteca scikit-learn. Em um ambiente interativo, ela executa os comandos a seguir.

>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()
>>> X = [['Toyota', 'vermelho'], ['Toyota',
'verde'], ['BMW', 'vermelho']]

>>> enc.fit(X)
>>> enc.get_feature_names()
array(['x0_BMW', 'x0_Toyota', 'x1_verde', 'x1_vermelho'], dtype=object)

>>> X_prime = enc.transform(X).toarray()
>>> X_prime
array([[0., 1., 0., 1.], [0., 1., 1., 0.], [1., 0., 0., 1.]])

Para contar o número de carros da marca Toyota no conjunto de dados, obtendo corretamente o resultado 2, Natasha pode usar a seguinte linha de código:

Um analista do TCU recebe o conjunto de dados com covariáveis e a classe a que cada amostra pertence na tabela a seguir.

Esse analista gostaria de prever a classe dos pontos (1,1), (0,0) e (-1,2) usando o algoritmo de k-vizinhos mais próximos com k=3 e usando a distância euclidiana usual.

Suas classes previstas são, respectivamente: