A ferramenta biotecnológica ideal teria de ter uma interface com o processo biomolecular apropriado, que permitisse a introdução do estímulo e levasse a respostas com resolução temporal e espacial, afetando a viabilidade e a funcionalidade celular.

Na análise de cluster, K-médias é uma técnica de clusterização hierárquica (aninhada), que visa encontrar o número de clusters (K) especificados pelo usuário, representados por seus centróides.

Em modelos de classificação, ocorre overfitting quando o número de erros cometidos no grupo de dados usado para treinar (ajustar) o modelo é muito pequeno e o número de erros de generalização é grande.

Julgue o item seguinte, relativos a regras de misturas para materiais compósitos.

A regra de mistura \( k^n_{comp}=\sum\limits_j v_jK^n _j \) se aplica aos casos limites diretamente lineares \( (K^2_{comp}=\sum\limits_j v_jK^2_j) \) e inversamente lineares \( (\dfrac{1}{K^2_{comp}}=\sum\limits_j \dfrac{v_J}{K^2_j}) \).

Julgue o item seguinte, relativos a regras de misturas para materiais compósitos.

A regra de mistura \( log K_{comp}= \sum\limits_j v_j\, log K_j \) pode ser obtida a partir da regra de mistura \( K_{comp}^n= \sum\limits_j v_j\, log K_j^n \) para valores de n j nj j n Kcomp v K tendendo a zero. Isso decorre do fato de que, quando n tende a zero, Kn tende para 1 – nlogK.

Julgue o item seguinte, relativos a regras de misturas para materiais compósitos.

A seguinte expressão para regra de misturas se aplica para compósitos randômicos.

\( logK_{comp}=\sum\limits_j v_j logK_j \)

Julgue o item seguinte, relativos a regras de misturas para materiais compósitos.

Para a maioria dos compósitos, a regra de mistura pode ser expressa por \( K^n_{comp}=\sum\limits_jv_jK^n_j \), em que \( K^n_{comp} \) é a propriedade de interesse resultante do compósito, n é um expoente que pode assumir os valores -1, 0 e +1, v_j representa a fração volumétrica do componente \( j \) e \( K_j^n \) é o valor da propriedade de interesse do componente \( j \).

Julgue o seguinte item, com relação ao modelo de regressão linear para dados seccionais: \( y_i = \beta_0 + \beta_1 x_{1i} + \beta_2x_{2i} + ... + \beta_kx_{ki} + u_i, \) com \( i=1, ... , n. \)

O estimador de mínimos quadrados (MQO), assim como a média aritmética, é muito sensível à presença de observações discrepantes (outliers).

Pode-se utilizar a distribuição binomial para, por exemplo, calcular a probabilidade de se encontrar k sementes que sofreram mutações genéticas, em um lote de n sementes selecionadas ao acaso sem reposição.

Julgue o seguinte item, com relação ao modelo de regressão linear para dados seccionais: \( y_i = \beta_0 + \beta_1 x_{1i} + \beta_2x_{2i} + ... + \beta_kx_{ki} + u_i, \) com \( i=1, ... , n. \)

Na presença de heterocedasticidade, o estimador de mínimos quadrados (MQO) é enviesado e não se pode confiar nos procedimentos de testes usuais (testes F e t), já que os estimadores são também ineficientes.