Baixe o app para aproveitar ainda mais
Prévia do material em texto
Pergunta 1 1 ponto Um órgão do governo resolve realizar uma auditoria em concursos públicos realizados por diversas instituições e, para isso, contrata uma empresa especializada em auditoria. A empresa sugere que sejam selecionados candidatos a partir de um sorteio aleatório de números entre 1 e 100, de forma que, sendo n o número sorteado, o n-ésimo candidato, a cada 100 que participaram do concurso, seria entrevistado para verificação de possíveis irregularidades. Considerando essas informações e o conteúdo estudado sobre Estatística Inferencial, o tipo de amostragem adotada nessa situação é a: estratificada. bootstraping. sistemática. por conglomerados. aleatória simples. Pergunta 2 1 ponto Há dois tipos básicos de amostragem. Um deles envolve conveniência e critérios subjetivos, enquanto o outro busca eliminar a subjetividade e garantir a representatividade da amostra em relação à população. De acordo com o texto e com o conteúdo estudado, os dois tipos de amostragem mencionados são: probabilística e inferencial. aleatória e não aleatória. populacional e amostral. amostral e aleatória. probabilística e não probabilística. Pergunta 3 1 ponto Considere o trecho de código e o gráfico a seguir: > media = 50 > desvio = 17 > library(ggplot2) > z <- seq(-4,4, by = .01) > densidade <- dnorm(z) > criterio <- factor(rep("não rejeitar", length(z)), levels=c("não rejeitar", "rejeitar")) > criterio[which(z < qnorm(.01))] <- "rejeitar" > qplot(z,densidade, geom=c("path","area"), fill=criterio) + scale_fill_manual(values=c("white", "gray")) De acordo com seus conhecimentos sobre teste de hipótese, analisando o gráfico conclui-se que: IMG - ANALISE ESTATISTICA DE DADOS - QUESTÃO 19 - UN 4.png a área hachurada corresponde à zona crítica ou zona de rejeição, com intervalo de confiança de 99% e nível de significância de 1%. a área não hachurada corresponde à zona crítica ou zona de rejeição, com intervalo de confiança de 95% e nível de significância de 1%. a área hachurada corresponde à zona crítica ou zona de rejeição, com intervalo de confiança de 99% e nível de significância de 5%. a área não hachurada corresponde à zona crítica ou zona de rejeição, com intervalo de confiança de 99% e nível de significância de 1%. a área hachurada corresponde à zona crítica ou zona de rejeição, com intervalo de confiança de 95% e nível de significância de 1%. Pergunta 4 1 ponto Uma revista automotiva resolveu testar o consumo de combustível de cinco modelos de veículos para cada uma das três marcas mais populares do mercado brasileiro. O trecho de código a seguir ilustra a análise de variância realizada. > consumo_marca1 = data.frame(consumo = c(12.3,11,10.9,14.4,11.2),marca = "MARCA1") > consumo_marca2 = data.frame(consumo = c(10.1,10.4,11.8,13,15.4),marca = "MARCA2") > consumo_marca3 = data.frame(consumo = c(9.4,10,12.1,12.6,13.2),marca = "MARCA3") > dados = rbind(rbind(consumo_marca1, consumo_marca2),consumo_marca3) > summary(dados) consumo marca Min. : 9.40 MARCA1:5 1st Qu.:10.65 MARCA2:5 Median :11.80 MARCA3:5 Mean :11.85 3rd Qu.:12.80 Max. : 15.40 > oneway.test(dados$consumo~dados$marca) One-way analysis of means (not assuming equal variances) data: dados$consumo and dados$marca F = 0.17878, num df = 2.000, denom df = 7.832, p-value = 0.8396 Com base nessas informações e no conteúdo estudado, nesse caso, a hipótese nula H0 é de que: apenas duas médias de consumo dos diferentes grupos de veículos são as mesmas. pelo menos duas médias de consumo dos diferentes grupos de veículos são iguais. pelo menos duas médias de consumo dos diferentes grupos de veículos são diferentes. as médias de consumo dos diferentes grupos de veículos são diferentes. as médias de consumo dos diferentes grupos de veículos são as mesmas. Pergunta 5 1 ponto Se é possível fazer uma análise de toda a população, por que fazer amostragem? Há algumas razões para optar pela amostragem no lugar de uma análise completa da população. A partir dessa informação e do conteúdo estudado, os problemas da análise geral, que levam à escolha pela amostragem, são: baixo custo, alta complexidade e longo tempo para realização. alto custo, baixa complexidade e curto tempo para realização. alto custo, alta complexidade e longo tempo para realização. baixo custo, baixa complexidade e curto tempo para realização. baixo custo, baixa complexidade e longo tempo para realização. Pergunta 6 1 ponto Uma revista automotiva resolveu testar o consumo de combustível de cinco modelos de veículos para cada uma das três marcas mais populares do mercado brasileiro. O trecho de código a seguir ilustra a análise de variância realizada. > consumo_marca1 = data.frame(consumo = c(12.3,11,10.9,14.4,11.2),marca = "MARCA1") > consumo_marca2 = data.frame(consumo = c(10.1,10.4,11.8,13,15.4),marca = "MARCA2") > consumo_marca3 = data.frame(consumo = c(9.4,10,12.1,12.6,13.2),marca = "MARCA3") > dados = rbind(rbind(consumo_marca1, consumo_marca2),consumo_marca3) > summary(dados) consumo marca Min. : 9.40 MARCA1:5 1st Qu.:10.65 MARCA2:5 Median :11.80 MARCA3:5 Mean :11.85 3rd Qu.:12.80 Max. : 15.40 > oneway.test(dados$consumo~dados$marca) One-way analysis of means (not assuming equal variances) data: dados$consumo and dados$marca F = 0.17878, num df = 2.000, denom df = 7.832, p-value = 0.8396 Com base nessas informações e no conteúdo estudado, nesse caso, o fator controlável é: o modelo de cada veículo. o ano de cada veículo. a quantidade de veículos de cada marca. a marca de cada veículo. o consumo de cada veículo. Pergunta 7 1 ponto Considere o trecho de código e o gráfico a seguir: > media = 50 > desvio = 17 > library(ggplot2) > z <- seq(-4,4, by = .01) > densidade <- dnorm(z) > criterio <- factor(rep("não rejeitar", length(z)), levels=c("não rejeitar", "rejeitar")) > criterio[which(z < qnorm(.01))] <- "rejeitar" > qplot(z,densidade, geom=c("path","area"), fill=criterio) + scale_fill_manual(values=c("white", "gray")) De acordo com os conhecimentos adquiridos sobre teste de hipótese, temos: IMG - ANALISE ESTATISTICA DE DADOS - QUESTÃO 17 - UN 4.png um intervalo de confiança de 98%. um nível de significância de 1%. um nível de significância de 99%. um intervalo de confiança de 1%. um intervalo de confiança de 95%. Pergunta 8 1 ponto Suponha que um estudo foi conduzido para examinar o tempo de uso de smartphones por adolescentes no Brasil. Após entrevistar 500 adolescentes escolhidos aleatoriamente, verificou-se uma média de 10 horas com desvio padrão de 4 horas. Assim, com base no que foi estudado, para realizar um teste de hipótese que verifique se é razoável supor que a média de utilização de smartphones por adolescentes é maior que 10 horas, um erro do tipo II seria: Concluir que os adolescentes passam exatamente 10 horas no celular, quando na verdade passam 10 horas ou menos. Concluir que os adolescentes passam exatamente 10 horas no celular, quando na verdade passam 10 horas ou mais. Concluir que os adolescentes passam 10 horas ou menos no celular, quando na verdade passam mais de 10 horas. Concluir que os adolescentes passam menos de 10 horas no celular, quando na verdade passam 10 horas ou mais. Concluir que os adolescentes passam mais de 10 horas no celular, quando na verdade passam 10 horas ou menos. Pergunta 9 1 ponto Uma revista automotiva resolveu testar o consumo de combustível de cinco modelos de veículos para cada uma das três marcas mais populares do mercado brasileiro. O trecho de código a seguir ilustra a análise de variância realizada. > consumo_marca1 = data.frame(consumo = c(12.3,11,10.9,14.4,11.2),marca = "MARCA1") > consumo_marca2 = data.frame(consumo = c(10.1,10.4,11.8,13,15.4),marca = "MARCA2") > consumo_marca3 = data.frame(consumo = c(9.4,10,12.1,12.6,13.2),marca = "MARCA3") > dados = rbind(rbind(consumo_marca1, consumo_marca2),consumo_marca3)> summary(dados) consumo marca Min. : 9.40 MARCA1:5 1st Qu.:10.65 MARCA2:5 Median :11.80 MARCA3:5 Mean :11.85 3rd Qu.:12.80 Max. : 15.40 > oneway.test(dados$consumo~dados$marca) One-way analysis of means (not assuming equal variances) data: dados$consumo and dados$marca F = 0.17878, num df = 2.000, denom df = 7.832, p-value = 0.8396 Com base nas informações apresentadas no trecho do código e no conteúdo estudado, deve-se: rejeitar a hipótese alternativa HA de que as médias de consumo dos diferentes grupos de veículos são as mesmas. rejeitar a hipótese nula H0 de que pelo menos uma das médias de consumo dos diferentes grupos de veículos é diferente. rejeitar a hipótese nula H0 de que as médias de consumo dos diferentes grupos de veículos são as mesmas. aceitar a hipótese nula H0 de que pelo menos uma das médias de consumo dos diferentes grupos de veículos é diferente. rejeitar a hipótese alternativa HA de que pelo menos uma das médias de consumo dos diferentes grupos de veículos é diferente. Pergunta 10 1 ponto Uma revista automotiva resolveu testar o consumo de combustível de cinco modelos de veículos para cada uma das três marcas mais populares do mercado brasileiro. O trecho de código a seguir ilustra a análise de variância realizada. > consumo_marca1 = data.frame(consumo = c(12.3,11,10.9,14.4,11.2),marca = "MARCA1") > consumo_marca2 = data.frame(consumo = c(10.1,10.4,11.8,13,15.4),marca = "MARCA2") > consumo_marca3 = data.frame(consumo = c(9.4,10,12.1,12.6,13.2),marca = "MARCA3") > dados = rbind(rbind(consumo_marca1, consumo_marca2),consumo_marca3) > summary(dados) consumo marca Min. : 9.40 MARCA1:5 1st Qu.:10.65 MARCA2:5 Median :11.80 MARCA3:5 Mean :11.85 3rd Qu.:12.80 Max. : 15.40 > oneway.test(dados$consumo~dados$marca) One-way analysis of means (not assuming equal variances) data: dados$consumo and dados$marca F = 0.17878, num df = 2.000, denom df = 7.832, p-value = 0.8396 Com base nessas informações e no conteúdo estudado, nesse caso, a hipótese alternativa HA é de que: todas as médias de consumo dos diferentes grupos de veículos são diferentes. mais de uma das médias de consumo dos diferentes grupos de veículos é igual à outra. pelo menos uma das médias de consumo dos diferentes grupos de veículos é igual à outra. mais de uma das médias de consumo dos diferentes grupos de veículos é diferente. pelo menos uma das médias de consumo dos diferentes grupos de veículos é diferente.
Compartilhar