A curtose negativa observada na vara A indica que a distribuição dos tempos de tramitação nessa vara é menos achatada do que uma distribuição normal, apresentando maior concentração em torno da média.

As chances de se tirar do referido arquivo, de maneira aleatória, uma cópia de uma certidão de um casamento que não aconteceu em Redenção é inferior a 70%.

Julgue os itens a seguir a respeito de técnicas de amostragem.

A amostragem em múltiplos estágios requer que cada estágio use o mesmo método amostral (por exemplo, todos os estágios devem usar a amostragem aleatória simples) para manter a estrutura probabilística.

Julgue os itens a seguir a respeito de técnicas de amostragem.

Na amostragem sistemática com um elemento inicial escolhido ao acaso, o intervalo de seleção k deve sempre ser calculado como k = \( \dfrac{N}{n} \) arredondado para o inteiro imediatamente anterior para evitar viés de seleção.

Julgue os itens a seguir a respeito de técnicas de amostragem.

A amostragem por conglomerados sempre produz estimativas mais precisas que a amostragem aleatória simples quando os conglomerados são internamente homogêneos e heterogêneos entre os conglomerados.

Julgue os itens a seguir a respeito de técnicas de amostragem.

Na amostragem estratificada, o tamanho amostral em cada estrato deve ser proporcional ao tamanho do estrato na população.

Para validar as suposições clássicas usuais e detectar potenciais violações de um modelo de regressão linear múltipla na forma y = β₀ + β₁x₁ + β₂x₂ + ... + β_kx_k + ε, será feita uma análise de resíduos, a partir dos dados a seguir.

• Resíduo: \(e_i = y_i − \hat{y}_i\)
• Resíduos padronizados: \(\dfrac{e_i}{\hat{σ}}\) , em que \(\hat{σ} = \sqrt{QMR}\) e \(QMR\) é o quadrado médio do resíduo.
• Resíduos estudentizados: \(\dfrac{e_i}{\sqrt{QMR(1-h_{ii})}}\), em que h_ii é o i-ésimo elemento da diagonal da matriz hat.

Considerando as informações precedentes, julgue os itens que se seguem.

A estatística do teste de Durbin-Watson, calculada como DW = \( \dfrac{\sum_{ }^{ }\left(e_i-e_{i-1}\right)^2}{\sum_{ }^{ }e_i^2} \), é utilizada para testar as correlações e primeira ordem nos resíduos, com valores próximos de 2 indicando ausência de autocorrelação.

Para validar as suposições clássicas usuais e detectar potenciais violações de um modelo de regressão linear múltipla na forma y = β₀ + β₁x₁ + β₂x₂ + ... + β_kx_k + ε, será feita uma análise de resíduos, a partir dos dados a seguir.

• Resíduo: \(e_i = y_i − \hat{y}_i\)
• Resíduos padronizados: \(\dfrac{e_i}{\hat{σ}}\) , em que \(\hat{σ} = \sqrt{QMR}\) e \(QMR\) é o quadrado médio do resíduo.
• Resíduos estudentizados: \(\dfrac{e_i}{\sqrt{QMR(1-h_{ii})}}\), em que h_ii é o i-ésimo elemento da diagonal da matriz hat.

Considerando as informações precedentes, julgue os itens que se seguem.

A heteroscedasticidade pode ser detectada plotando-se os resíduos contra os valores ajustados e observando-se se a dispersão dos resíduos aumenta ou decresce sistematicamente com relação aos valores ajustados.

Para validar as suposições clássicas usuais e detectar potenciais violações de um modelo de regressão linear múltipla na forma y = β₀ + β₁x₁ + β₂x₂ + ... + β_kx_k + ε, será feita uma análise de resíduos, a partir dos dados a seguir.

• Resíduo: \(e_i = y_i − \hat{y}_i\)
• Resíduos padronizados: \(\dfrac{e_i}{\hat{σ}}\) , em que \(\hat{σ} = \sqrt{QMR}\) e \(QMR\) é o quadrado médio do resíduo.
• Resíduos estudentizados: \(\dfrac{e_i}{\sqrt{QMR(1-h_{ii})}}\), em que h_ii é o i-ésimo elemento da diagonal da matriz hat.

Considerando as informações precedentes, julgue os itens que se seguem.

Se um gráfico de probabilidade normal (Q-Q plot) dos resíduos mostra pontos que seguem aproximadamente uma linha reta, isso indica que a suposição de normalidade não é satisfeita.

Para validar as suposições clássicas usuais e detectar potenciais violações de um modelo de regressão linear múltipla na forma y = β₀ + β₁x₁ + β₂x₂ + ... + β_kx_k + ε, será feita uma análise de resíduos, a partir dos dados a seguir.

• Resíduo: \(e_i = y_i − \hat{y}_i\)
• Resíduos padronizados: \(\dfrac{e_i}{\hat{σ}}\) , em que \(\hat{σ} = \sqrt{QMR}\) e \(QMR\) é o quadrado médio do resíduo.
• Resíduos estudentizados: \(\dfrac{e_i}{\sqrt{QMR(1-h_{ii})}}\), em que h_ii é o i-ésimo elemento da diagonal da matriz hat.

Considerando as informações precedentes, julgue os itens que se seguem.

A soma dos resíduos em um modelo de regressão com um intercepto é sempre igual a zero: \( \Sigma e_i \) = 0.