

Seu próximo nível começa aqui
Com a Assinatura Ilimitada, você tem tudo que precisa para sua aprovação.
Com a Assinatura Ilimitada, você combina prática, teoria e método em uma única assinatura com tudo que você precisa para sua aprovação.
Sobre o método Jackknife original, é correto afirmar que:
É um método de reamostragem que remove, a cada etapa, uma única observação da amostra e recalcula-se o estimador de interesse, sendo útil para avaliar diversas características, como por exemplo, o viés e variabilidade de um estimador.
Consiste em gerar várias amostras com reposição do mesmo tamanho da amostra original.
Só pode ser aplicado a estimadores lineares, como a média amostral.
Não pode ser utilizado para estimar viés de estimadores.
Um pesquisador está analisando a correlação entre duas variáveis de interesse a partir de uma amostra finita de tamanho . Devido à complexidade analítica da distribuição estatística e à necessidade primária de estimar o erro padrão e reduzir o viés do estimador, o pesquisador decide aplicar o método de reamostragem Jackknife.
Considerando os fundamentos teóricos que regem o funcionamento, as vantagens e as limitações do método Jackknife, julgue as proposições de I a VI apresentadas a seguir:
I. O método Jackknife, em sua versão clássica leave-one-out, opera excluindo sequencialmente uma única observação do conjunto de dados por vez, gerando reamostras de tamanho para recalcular a estatística de interesse.
II. Uma das finalidades centrais da técnica e dos pseudovalores gerados em cada iteração é a correção ou a atenuação do viés do estimador pontual, além da estimação da sua variância.
III. Diferentemente do método Bootstrap clássico, o Jackknife possui natureza estocástica, o que significa que o uso de diferentes sementes geradoras aleatórias (seeds) pelo avaliador resultará em estimativas distintas para a mesma amostra.
IV. Uma limitação matemática do método Jackknife é a sua inconsistência na estimação da variância de estatísticas que não são suficientemente suaves (non-smooth statistics), a exemplo da mediana amostral.
V. Esse método consiste na abordagem analítica prioritária e mais recomendada para realizar a imputação múltipla quando a amostra original apresenta um delineamento com elevado percentual de dados faltantes.
VI. Sob o aspecto computacional, a aplicação do Jackknife clássico resulta em um número exato de reamostras, caracterizando-se como um procedimento determinístico condicionado estritamente à amostra original.
Assinale a ÚNICA alternativa que apresenta todos os itens CORRETOS.
Estão corretos apenas os itens I, II, IV e VI.
Estão corretos apenas os itens I, III, IV e V.
Estão corretos apenas os itens II, III, V e VI.
Estão corretos apenas os itens I, II e IV.
Estão corretos todos os itens de I a VI.
Os métodos jackknife e bootstrap são computacionalmente intensivos e utilizados em inferência estatística. Assinale a alternativa correta sobre características desses métodos.
O método jackknife permite obter a distribuição amostral de um estimador.
O método bootstrap permite aumentar a precisão de um estimador aumentando o tamanho da amostra.
O método bootstrap utiliza o cálculo de pseudovalores para obter as estatísticas amostrais.
O método bootstrap permite obter correção de viés de estimativas de parâmetros.
O método jackknife é dito paramétrico quando se assume uma distribuição de probabilidades para os dados.
Avalie as seguintes afirmativas sobre o método Jackknife de reamostragem:
I. É usado para estimar a variância e a tendência de um estimador qualquer.
II. Baseia-se na remoção de uma amostra do conjunto total observado, recalculando-se o estimador a partir dos valores restantes.
III. É de fácil implementação e possui número fixo de iterações.
Está correto o que se afirma em
I, apenas.
I e II, apenas.
I e III, apenas.
II e III, apenas.
I, II e III.
O método computacional que se destina à estimação do vício e do desvio padrão de uma estatística é conhecido como
jackknife.
bootstrap.
cross-validation.
algoritmo de Metropolis-Hastings.
algoritmo EM (expectation-maximization).