O presidente da Tsinghua University, Chen Jining, identificou que o sistema educacional chinês estava produzindo estudantes A, que obtinham excelentes notas, mas careciam de criatividade e inovação. Ele defendeu a necessidade de formar estudantes X, que são aqueles capazes de assumir riscos e criar soluções inovadoras. Considerando as transformações no mercado de trabalho e a necessidade de adaptação a novas tecnologias, por que é importante desenvolver mais estudantes X, em vez de focar exclusivamente nos estudantes A?
Um aplicativo para celular tem como objetivo auxiliar as pessoas a desenvolverem a criatividade em suas rotinas diárias. Considerando o conceito de criatividade com “c” minúsculo apresentado no texto, qual das funções abaixo melhor se encaixa nessa proposta?
Imagine que você é um(a) professor(a) de história e deseja que seus alunos aprendam sobre a Revolução Francesa de maneira mais engajada. Inspirado(a) pelo texto “Espiral da aprendizagem criativa”, qual das seguintes atividades seria mais adequada para promover a compreensão profunda do tema e estimular o desenvolvimento de habilidades de pensamento crítico nos alunos?
Com relação ao desenvolvimento do pensamento computacional, considere as afirmativas a seguir:
O pensamento computacional desenvolve habilidades de resolução de problemas e pensamento lógico, sendo útil em muitas áreas profissionais e pessoais.
O pensamento computacional envolve a capacidade de decompor problemas complexos em partes menores e mais manejáveis.
Aprender pensamento computacional é importante apenas para quem deseja se tornar um desenvolvedor de software e não tem relevância para outras áreas.
O pensamento computacional é uma habilidade irrelevante, pois todos os problemas podem ser resolvidos por meio da inteligência artificial.
Apenas os profissionais de tecnologia precisam aprender pensamento computacional; para o restante, não há vantagem prática em entender esses conceitos.
Qual pilar do pensamento computacional relaciona-se com a capacidade de simplificar problemas e ignorar pequenos detalhes focando no que for mais importante?
Identifique quem foi o pioneiro no uso de computadores para o desenvolvimento de habilidades educacionais e o período em que ele iniciou suas pesquisas:
Qual pilar do pensamento computacional utiliza a estratégia de "dividir para conquistar", dividindo problemas maiores em partes menores e mais manejáveis?
Leia o trecho a seguir:A análise de regressão múltipla pode ser ampliada para modelos com variáveis transformadas e para o modelo logístico, adaptando-se a características específicas dos dados. Em modelos com variáveis [preencher 1], uma transformação comum é a aplicação do [preencher 2] para linearizar a relação entre variáveis, permitindo que uma relação de potência seja ajustada por uma regressão linear.Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
Leia o trecho a seguir:O processo de seleção do modelo de regressão mais adequado é essencial para garantir previsões confiáveis e análises precisas. Em [preencher 1] para modelos de regressão múltipla, são consideradas várias técnicas e diagnósticos que ajudam a selecionar o modelo mais adequado para diferentes conjuntos de dados. Modelos não lineares, como exponenciais, logarítmicos e logísticos, são discutidos, bem como a/o [preencher 2] de variáveis por meio de transformações matemáticas, para facilitar a análise de regressão.Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
Em estudos de regressão múltipla, a multicolinearidade pode prejudicar a estimativa dos coeficientes e comprometer a confiabilidade do modelo. Uma forma de avaliar esse problema é observar o coeficiente de determinação R2R^{2} obtido ao regredir cada variável preditora contra as demais. O resultado pode indicar redundância entre as variáveis independentes.Suponha que um modelo de regressão múltipla com três preditores X1X_1, X2X_2 e X3X_3 foi ajustado, e que o engenheiro responsável calculou os seguintes coeficientes de determinação parciais:
Ao regredir X1X_1 sobre X2X_2 e X3X_3, obteve-se R2=0,88R^{2}=0{,}88 * Ao regredir X2X_2 sobre X1X_1 e X3X_3, obteve-se R2=0,93R^2=0{,}93 * Ao regredir X3X_3 sobre X1X_1 e X2X_2, obteve-se R2=0,89R^{2}=0{,}89
Com base nessas informações, analise as seguintes asserções:I. A presença de multicolinearidade severa é evidente, especialmente associada ao preditor X2X_2, e isso compromete a interpretação dos coeficientes estimados no modelo de regressão.PORQUEII. O valor de R2=0,93R^2=0{,}93R2=, obtido ao regredir X2X_2 sobre os demais preditores, indica que aproximadamente 93% da variação de X2X_2 pode ser explicada por uma combinação linear de X1X_1 e X3X_3, o que caracteriza forte redundância entre as variáveis.A respeito dessas asserções, assinale a alternativa correta:
Em análises de regressão múltipla, problemas de multicolinearidade podem distorcer as estimativas dos coeficientes, dificultando a interpretação do modelo. Essa condição ocorre quando variáveis independentes estão altamente correlacionadas, gerando instabilidade estatística e dificuldade na identificação do efeito individual de cada preditor.Considere um modelo de regressão múltipla ajustado para um conjunto de dados com três preditores X1X_1, X2X_2 e X3X_3. Ao regredir cada preditor sobre os outros, foram encontrados os seguintes R2R^{2}: - R2(X1)=0,85R^2(X_1)=0{,}85 - R2(X2)=0,91R^{2}(X_{2})=0{,}91 - R2(X3)=0,88R^2(X_3) = 0{,}88Baseado nessas informações e nos conceitos de análise de multicolinearidade, analise as afirmativas a seguir:I. Existe forte evidência de multicolinearidade associada ao preditor X2X_2. II. Nenhum dos preditores apresenta multicolinearidade severa pelo critério usual. III. O preditor X1X_1 contribui para a multicolinearidade, mas não de forma severa. IV. A multicolinearidade identificada poderá aumentar a variância dos coeficientes estimados.Está correto o que se afirma em:
A seleção de variáveis em regressão é fundamental para construir modelos estatísticos eficientes e interpretáveis. Ela envolve identificar quais preditores contribuem significativamente para a variável resposta, evitando a inclusão de variáveis irrelevantes que podem complicar o modelo sem agregar valor. Métodos estatísticos, como o cálculo do critério CkC_k, auxiliam na determinação do melhor conjunto de variáveis para previsão precisa.Com base nos assuntos estudados sobre seleção de variáveis em regressão, calcule o valor de CkC_k para um modelo com k=3k=3 preditores, sabendo que SQEk=200,n=50eσ2=5\mathrm{SQE}_{k} = 200, n = 50 , \text{e} , \sigma^{2} = 5 e assinale a alternativa correta.
Ao trabalhar com modelos de regressão múltipla, é comum a necessidade de escolher entre diferentes combinações de variáveis explicativas. Essa escolha pode afetar a qualidade preditiva, a simplicidade e a estabilidade estatística do modelo final. Para auxiliar nesse processo, diversos critérios quantitativos são aplicados, como medidas de explicação da variância e penalizações por complexidade.Considere que três modelos foram ajustados a um conjunto de dados. Os valores de R2R^{2}, R2ajustadoR^2_{\text{ajustado}} e CpC_p de Mallows para cada modelo são:
Analise as seguintes asserções:I. O Modelo C apresenta o melhor equilíbrio entre qualidade de ajuste e parcimônia, sendo preferível para análise preditiva.PORQUEII. O critério CpC_p de Mallows penaliza modelos com variância excessiva ou complexidade desnecessária, sendo ideal quando seu valor se aproxima do número de preditores mais um.A respeito dessas asserções, assinale a alternativa correta:
Ao analisar modelos de regressão múltipla, é essencial compreender como a validação de parâmetros individuais pode impactar a aceitação ou rejeição de um modelo. Essa análise é baseada em cálculos estatísticos específicos e interpretações cuidadosas dos testes aplicados, exigindo um domínio técnico apurado para decisões corretas.Considerando o teste de hipótese para a utilidade global de um modelo de regressão múltipla, com n=14n=14 observações, k=3k=3 preditores, estatística F=18,17F=18{,}17 e nível de significância α=5%\alpha = 5%, analise os seguintes cenários.Sabendo que o valor crítico de FF para os graus de liberdade correspondentes é aproximadamente Fcrítico=3,29F_{crítico}=3{,}29, assinale a alternativa correta sobre a aceitação ou rejeição da hipótese nula.
A transformação de variáveis em modelos de regressão múltipla é uma prática comum para adequar o modelo às características dos dados, especialmente em contextos que exigem linearidade. Aplicar transformações como o logaritmo pode ajudar a estabilizar variâncias e melhorar a precisão do modelo.Com base nos assuntos estudados sobre codificação de variáveis em regressão, identifique o valor codificado de xix_i dado que xi=130x_i = 130, média do xi=100x_i=100 e si=20s_i=20
Em experimentos envolvendo medidas físicas, é comum que a relação entre a variável resposta e os preditores seja não linear. Para tornar a análise viável, transformações adequadas são utilizadas, permitindo o emprego de modelos lineares tradicionais e a interpretação estatística dos resultados. Com isso, o comportamento da variável resposta pode ser modelado e inferências mais confiáveis são obtidas.Um experimento investigou o desgaste de materiais com base em força aplicada (X1X_1), velocidade de deslizamento (X2X_2) e teor de carbono (X3X_3). O modelo ajustado foi:ln(Y)=−2,53727+0,36557⋅ln(X1)+0,59366⋅ln(X2)−0,02074⋅ln(X3)\ln(Y) = -2{,}53727 + 0{,}36557 \cdot \ln(X_1) + 0{,}59366 \cdot \ln(X_2) - 0{,}02074 \cdot \ln(X_3)Deseja-se estimar o valor de YY quando:
Força: 2020 - Velocidade: 1,051{,}05 - Teor de carbono: 0,27%0{,}27%
Conforme os dados apresentados acima, utilize exe^{x} para transformar o valor de ln(Y)\ln(Y) obtido e selecione a alternativa com o valor mais próximo da previsão para YY.
A eliminação retroativa em regressão é uma técnica estatística que simplifica modelos ao remover preditores não significativos. Começa-se com todos os preditores e, passo a passo, elimina-se aquele com a menor contribuição estatística baseada em critérios como a razão t. Esse método ajuda a evitar a sobreajuste e melhora a interpretabilidade do modelo, garantindo que apenas os preditores mais relevantes sejam mantidos.Com base nos assuntos estudados sobre eliminação retroativa em regressão, analise o processo de eliminação de preditores utilizando o método ER com tout=2t_{out}=2, considerando os preditores x1, x2, x3 e x4x_{1},\ x_{2},\ x_{3}\ \text{e}\ x_{4} com razões tt de 1,8; 2,5; 1,9 e 2,1, respectivamente. Nessa condições, qual conjunto de preditores permanecerá no modelo final?
Em experimentos práticos, especialmente em contextos industriais, é comum observar tendências lineares entre variáveis medidas, como temperatura e resistência elétrica. Quando a relação entre duas variáveis mostra-se aproximadamente linear, pode-se utilizar essa tendência para estimar valores de interesse entre os pontos observados, mesmo na ausência de um modelo formal. Considere que em um experimento industrial foram obtidos os seguintes dados de temperatura (XX) e resistência (YY) de um material: - A 20∘C20^\circ C, a resistência foi de 5555 ohms. - A 80∘C80^\circ C, a resistência foi de 8585 ohms.Sabendo que a relação entre as variáveis é aproximadamente linear, analise as afirmativas a seguir para estimar a resistência aproximada a 50∘C50^{\circ}C:I. A variação de resistência entre os pontos é de 3030 ohms para 60∘C60^{\circ} C. II. O coeficiente angular da linha que une os dois pontos é 0,50{,}5 ohms por grau Celsius. III. A resistência a 50∘C50^{\circ}C é aproximadamente 7070 ohms utilizando predição linear. IV. A estimativa feita pressupõe comportamento linear constante entre 20∘C20^\circ C e 80∘C80^\circ C.Está correto o que se afirma em:
