Logo Passei Direto
Buscar
Sobre classes de objetos, considere as alternativas abaixo e assinale a incorreta.
Data frames são um caso especial de lista, em que cada componente da lista tem o mesmo comprimento.
Listas são estruturas de dados que comportam dados de somente de um tipo.
Vetores são estruturas de dados básicas no R, que contêm elementos do mesmo tipo.
Matrizes são estruturas de dados similares a vetores, mas com duas dimensões.
Classe é um atributo dos objetos do R, que determina a forma de armazenamento dos dados do objeto.
User badge image
Ensinando Através de Questões

ano passado

Respostas

User badge image

Ed Verified user icon

ano passado

A alternativa incorreta é: "Listas são estruturas de dados que comportam dados de somente um tipo." Na verdade, listas em R podem conter elementos de diferentes tipos, como números, strings, vetores, data frames, entre outros. As demais afirmações estão corretas.

Essa resposta te ajudou?

0
Dislike0
details

Libere essa resposta sem enrolação!

Craque NetoCraque Neto

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Mais perguntas desse material

Assinale a alternativa que corresponde à condição de primeira ordem para obter o estimador de mínimos quadrados ordinários:
∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato parâmetro populacional que minimiza SQRSQR.
∂SQR(^β)∂b>0∂SQR(β^)∂b>0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR.
∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato qualquer a estimador que maximiza SQRSQR.
∂SQR(^β)∂b<0∂SQR(β^)∂b<0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR.
∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR.

Quais hipóteses garantem que o estimador de MQO será não viesado?
Ausência de homocedasticidade, distribuição normal do erro e autocorrelação dos resíduos.
Independência da média condicional, ausência de colinearidade perfeita e distribuição normal do erro.
Colinearidade perfeita, independência da média condicional e homocedasticidade.
Variância finita do erro e distribuição normal dos parâmetros estimados.
Linearidade nos parâmetros, ausência de colinearidade perfeita e independência na média condicional.

Seja XX uma matriz qualquer de dimensão N×(K+1)N×(K+1). Assuma que existe uma outra matriz ZZ com dimensão N×LN×L. Seja Pz=Z(Z′Z)−1Z′Pz=Z(Z′Z)−1Z′ uma matriz de projeção para ZZ. Assinale a alternativa que contém a dimensão de PzPz e a descrição do conteúdo da matriz ̂ X=PzXX^=PzX:
A dimensão de PzPz é L×LL×L.
A dimensão de PzPz é L×(K+1)L×(K+1) e ^XX^ contém os valores da matriz variância-covariância entre XX e ZZ.
A dimensão de PzPz é N×NN×N e ^XX^ contém os valores da matriz variância-covariância entre XX e ZZ.
A dimensão de PzPz é N×XN×X e ^XX^ contém os valores preditos de XX.
A dimensão de PzPz é L×(K+1)L×(K+1) e ^XX^ contém os valores preditos de XX.

Considere o modelo a seguir: yit=α+βxit+μi+vityit=α+βxit+μi+vit. Qual classificação o representa melhor?
Um modelo de corte transversal.
Um modelo de efeitos fixos de grupo e tempo.
Um modelo de séries de tempo.
Um modelo de efeitos fixos de grupo.
Um modelo de efeitos fixos de tempo.

Assinale a alternativa que corresponde a uma regressão da variável dependente "taxa de agressões" (Assault) na variável independente "população urbana" (UrbanPop) da base 'dados', usada no módulo 4.
lm(Assault ~ UrbanPop)
lm(y = Assault, x = UrbanPop, data = dados)
lm(UrbanPop ~ Assault, data = dados)
lm(Assault ~ UrbanPop, data = dados)
regress(UrbanPop ~ Assault, data = dados)