A quantidade X de chumbo tetraetílico, em mL por galão, adicionada a certo combustível é uma variável aleatória cuja função de densidade de probabilidade é dada a seguir.

!$ f(x)=\dfrac{4-x}{8}, \, se \, 0 \le x < 4 !$

!$ f(x)=0, \, se \, x \ge 4 \, ou \, se \, x <0 !$

Considerando essas informações, julgue o próximo item.

Caso uma amostra do referido combustível seja coletada aleatoriamente, a probabilidade de essa amostra conter até 2 mL por galão de chumbo tetraetílico será superior a 0,7.

Considere o seguinte problema.

Maximize !$ Z_1(x_1,x_2)=3x_1+x_2 !$

e maximize !$ Z_2(x_1,x_2)=-x_1+x_2 !$

sujeito às restrições: !$ \begin{matrix} 6x_1 + 2x_2 \le 12 \\ x_1+x_2 \le 10 \\ x_1 \ge 0, x_2 \ge 0 \end{matrix} !$

Julgue o item a seguir, que tratam da solução do problema apresentado.

O ponto (1, 2) é um vértice da região viável.

Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + !$ \epsilon !$, em que a e b são os coeficientes do modelo e g é o erro aleatório com média zero e variância F2. Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.

Com base nas informações apresentadas acima, julgue o item que se segue.

Para níveis de significância superiores a 0,01%, os resultados não apresentam diferenças estatísticas entre os dois métodos.

Considere que determinada peça encontrada em uma estação de bombeamento possa ser reutilizada X vezes. Considerando-se que a distribuição de X seja dada por P(X = k) = !$ \lambda !$^(k-1)/2 (1 - !$ \lambda !$^0,5), em que k !$ \ge !$ 1 e 0 < !$ \lambda !$ < 1, julgue o item que se segue.

!$ P(X \ge 2k +1 | X \ge k+1)=\lambda^{k/2} !$

Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + !$ \epsilon !$, em que a e b são os coeficientes do modelo e g é o erro aleatório com média zero e variância F2. Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.

Com base nas informações apresentadas acima, julgue o item que se segue.

A estimativa de !$ \sigma !$ é igual a 2,5.

Considere o seguinte problema.

Maximize !$ Z_1(x_1,x_2)=3x_1+x_2 !$

e maximize !$ Z_2(x_1,x_2)=-x_1+x_2 !$

sujeito às restrições: !$ \begin{matrix} 6x_1 + 2x_2 \le 12 \\ x_1+x_2 \le 10 \\ x_1 \ge 0, x_2 \ge 0 \end{matrix} !$

Julgue o item a seguir, que tratam da solução do problema apresentado.

A região viável é um quadrilátero.

Dois métodos novos para a produção de biocombustível estão sendo testados. O primeiro método é indicado por X = 1, e o segundo, por X = 0. A qualidade do combustível é medida por um indicador Y, que é uma variável aleatória distribuída segundo uma distribuição normal. Um estudo foi realizado para ajustar um modelo na forma Y = aX + b + !$ \epsilon !$, em que a e b são os coeficientes do modelo e g é o erro aleatório com média zero e variância F2. Os coeficientes do modelo foram estimados por mínimos quadrados ordinários. Os resultados do ajuste e algumas estatísticas descritivas estão apresentados nas tabelas a seguir.

Com base nas informações apresentadas acima, julgue o item que se segue.

A correlação linear de Pearson entre Y e X é inferior a 0,9.

A simulação numérica como otimização de processos é um problema matemático e computacionalmente complexo, pois, em geral, as funções de custo ou objetivo são dependentes de uma grande quantidade de parâmetros, em cujo espaço de busca elas representam hipersuperfícies com um mínimo global e vários mínimos locais. Para esse tipo de problema, os métodos gradientes ou derivativos não são os mais convenientes, visto que fornecem informações apenas de mínimos locais. Nesse caso, é necessária a utilização de métodos de otimização globais, os quais permitem mapear-se a hipersuperfície da função objetivo, visando-se à busca do mínimo global ou absoluto. Hoje, existe uma variedade de métodos com tais características, entre os quais estão os métodos heurísticos e meta-heurísticos, tais como a busca tabu, o algoritmo genético e o simulated annealing (SA).

O método de otimização SA foi proposto, inicialmente, por Kirkpatrick e colaboradores. Alguns anos depois, o desempenho desse procedimento foi melhorado pelos pesquisadores H. Szu e R. Hartley, cujo método ficou conhecido como fast simulated annealing (FSA). Em 1996, Tsallis, Stariolo e Mundim propuseram a generalização do SA e a aplicaram a diferentes problemas. Esse método ficou conhecido como GSA, do inglês generalized simulated annealing e tem como caso particular os métodos propostos por Kirkpatrick e Szu. No método GSA, diferentes distribuições de probabilidades podem ser obtidas, variando-se o parâmetro q de Tsallis.

Considerando as informações do texto acima, julgue o item a seguir.

É correto inferir-se do texto que as diferentes metodologias SA, FSA e GSA são métodos de otimização global.

Considere que X₁, X₂, ..., Xn seja uma série temporal estacionária com média zero e função de auto-covariância !$ \gamma !$(h) > 0, em que h !$ \ge !$ 1. Deseja-se construir um preditor linear para a observação futura X_n+h(h !$ \ge !$ 1) que dependa apenas da última observação disponível, isto é, !$ \hat{X} !$_n+h = !$ \beta !$X_n + c, em que !$ \beta !$ e c são números reais.

Com base nessas informações, julgue o item subseqüente.

O melhor preditor linear de X_n+h é igual a !$ \gamma !$(h) X_n.

A variância amostral dos diâmetros desses anéis é inferior a 2.