Considerando dois conjuntos (A e B) de resultados de um mesmo material com desvio padrão diferentes: 0,29 para o conjunto A e 0,34 para o conjunto B, podemos afirmar que:

A avaliação tipo B da incerteza é aplicada quando o analista que realiza os ensaios não tem condições de gerar os resultados de determinadas fontes, como por exemplo, de calibração de equipamentos, de massas moleculares etc. Nestes casos, os dados são fornecidos por certificados, manuais ou literatura científica, e não podem ser alterados pelo analista. Com base nas informações disponíveis sobre as componentes da fonte de incerteza avaliada, deve-se considerar a distribuição de probabilidade mais adequada aos dados. Os tipos de distribuição de probabilidade geralmente utilizados são: retangular (ou uniforme), triangular e normal (ou Gaussiana). (Fonte: Incerteza de medição em ensaios físico-químicos: uma abordagem prática / Oliveira, Camila Cardoso de ... [et al.]. - São Paulo: SESSP, 2015.140p)
Em relação aos tipos de distribuição de probabilidade, pode-se afirmar que:

I. A distribuição de probabilidade normal é expressa por um gráfico simétrico que possui a forma de sino, também chamado de curva Gaussiana.
II. Assume-se que os dados provêm de uma distribuição retangular quando há conhecimento específico dos possíveis valores da grandeza de entrada.
III. Em geral, aplica-se a distribuição triangular em medições realizadas em instrumentos de indicação digital.


Sobre as afirmativas acima, pode-se dizer que:

Sobre a Precisão e a Exatidão, de acordo com a RDC Nº 27, DE 17 DE MAIO DE 2012, é correto afirmar que:

Em uma colônia contendo pelo menos 100 animais da mesma linhagem, e mantidos em gaiolas abertas sob procedimentos convencionais de manuseio, a chamada ‘fórmula ILAR’ pode ser usada para estimar o tamanho da amostra necessária para a avaliação do status microbiológico. É correto afirmar que segue corretamente a fórmula ILAR na estimativa do número amostral para avaliação do status microbiológico:

Histogramas têm sido um dos recursos usados para visualização de dados. Eles são diferentes de gráficos de barras porque:

Considere a seguinte implementação de um modelo de regressão linear múltipla utilizando NumPy e scikit-learn, usado para prever o financiamento de projetos com base em características de projetos e pesquisadores. O código abaixo foi executado e algumas métricas de desempenho foram obtidas.

import numpy as np from sklearn.model_selection import train_ test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

X = np.array([[1, 50], [2, 60], [3, 70], [4, 80], [5, 90], [1, 55], [2, 65], [3, 75], [4, 85], [5, 95]]) y = np.array([100000, 120000, 150000, 200000, 250000, 110000, 130000, 170000, 230000, 290000]) X_train, X_test, y_train, y_test = train_ test_split(X, y, test_size=0.2, random_ state=0)

model = LinearRegression() model.fit(X_train, y_train) y_pred = model.predict(X_test)

r2 = r2_score(y_test, y_pred) mse = mean_squared_error(y_test, y_pred) rmse = np.sqrt(mse) mae = mean_absolute_error(y_test, y_pred)

print(f”R-Quadrado: {r2}, MSE: {mse}, RMSE: {rmse}, MAE: {mae}”)

Após executar o código, foram obtidas as seguintes métricas de desempenho:

R-Quadrado: 0.9020746527777778 , MSE: 156680555.5555556, R M S E : 1 2 5 1 7 . 2 1 0 3 7 4 3 4 2 8 2 3 , M A E : 10083.333333333343

Com base nessas informações, analise as observações abaixo.

I. O valor de R-Quadrado próximo de 1 indica que o modelo explica uma grande proporção da variância dos dados de financiamento. Isso sugere que o modelo tem um bom ajuste aos dados, sendo capaz de capturar uma grande parte da relação entre as variáveis independentes e a variável dependente.

II. Um valor de MSE de aproximadamente 156 milhões sugere que, em média, o quadrado dos erros das previsões do modelo em relação aos valores reais é significativo. Isso indica que o modelo tem um bom ajuste de acordo e não existem erros consideráveis nas previsões.

III. Um MAE de aproximadamente 10083 sugere que, em média, as previsões do modelo desviam cerca de 10083 unidades dos valores reais. Comparado ao RMSE, o MAE não dá um peso tão grande a erros maiores, o que sugere que o modelo pode ter um número relativamente consistente de pequenos a moderados erros de previsão.

IV.A diferença entre o RMSE e o MAE sugere que o modelo pode estar lidando com alguns outliers ou previsões particularmente imprecisas que afetam mais o RMSE, pois o RMSE penaliza mais erros maiores do que erros menores.


Sobre as afirmativas acima, pode-se dizer que:

É INCORRETO afirmar que os modelos preditivos:

No contexto da tarefa de aprendizagem não-supervisionada conhecida como clusterização é correto afirmar que a abordagem:

Uma das dificuldades de se realizar agrupamentos de dados é a definição do número de grupos. É correto afirmar que contém apenas técnicas ou métricas que podem ser úteis para automatizar a decisão do número K de grupos:

Sobre o algoritmo K-médias, é correto afirmar que: