questionei.comQuestões
Explore as questões disponíveis e prepare-se para seus estudos!
Ano: 2017Banca: IBFCOrganização: EBSERHDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Na programação linear, o problema geral de transporte
consiste em determinar a forma mais econômica de
enviar um bem disponível em quantidades limitadas
em determinados locais para outros locais onde é
necessário. São métodos de resolução do problema de
transporte, exceto:
Ano: 2018Banca: UECE-CEVOrganização: FuncemeDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
O processo de calibração é geralmente
necessário em modelagem hidrológica do tipo chuva-vazão
e esse processo é geralmente baseado em
algoritmos de otimização. Em relação a esse
processo, considere as seguintes afirmações:
I. Quando o coeficiente de eficiência de NashSutcliff,
aplicado às séries de vazão no
período de calibração, é negativo, significa
que o erro quadrático médio resultante do
uso do modelo no período de calibração é
maior do que o erro quadrático médio que
teria sido obtido caso todos os valores
simulados fossem iguais à média das vazões
observadas no mesmo período.
II. Funções objetivo que empregam as vazões
simuladas e observadas, e que são baseadas
no somatório dos resíduos quadráticos
acabam por enfatizar o desempenho do
modelo em momentos de vazões mais altas.
III. Os resultados obtidos em um processo de
calibração dependem fortemente da função
objetivo empregada: fato esse que motivou o
surgimento de abordagens multiobjetivas.
IV. O algoritmo de otimização denominado
Shuffled Complex Evolution Metropolis
(SCEM-UA), desenvolvido na Universidade do
Arizona, é muito empregado na calibração de
modelos hidrológicos e pode ser considerado
um algoritmo de busca local.
É correto o que se afirma em
Ano: 2010Banca: CESGRANRIOOrganização: EPEDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
No âmbito da programação linear, minimizar
z=2001.x1
+2002.x2
+2003.x3
+...+2010.x10
é equivalente a
Ano: 2015Banca: INSTITUTO AOCPOrganização: EBSERHDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
O procedimento matricial usado para resolver
problemas de otimização de modelos de
programação linear colocados na forma normal
denomina-se
Ano: 2022Banca: FCCOrganização: TRT - 17ª Região (ES)Disciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Texto associado
Atenção: Para responder à questão, considere o código na linguagem R.
Y<-c(2,3,2,4,3,5,6,3,4) #1
X1<-c(10,13,9,18,12,22,27,13,21) #2
X2<-c(6,10,4,10,10,17,16,9,13) #3
dados<-data.frame(cbind(Y,X1,X2)) #4
modelo <- lm(Y ~ X1 + X2, data = dados) #5
summary(modelo) #6
coef(modelo) #7
formula(modelo) #8
plot(modelo) #9
p <- as.data.frame(cbind(13,4)) #10
colnames(p) <- cbind("X1","X2") #11
predict(modelo, newdata=p) #12
vcov(modelo) #13
Intercept<-rep(1,times=9) #14
X<-cbind(Intercept,X1,X2) #15
t(solve(t(X)%*%X)%*%t(X)%*%Y) #16
residuals(modelo) #17
É correto afirmar que
Ano: 2024Banca: IF-ESOrganização: IF-ESDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Considere o problema de programação linear abaixo
Maximizar: Z = 3x1 + x2
Sujeito a
x1 + 2x2 ≤ 24
-x1 + x2 ≤ 6
x1 ≥ 0, x2 ≥ 0
Agora, assinale a função objetivo do dual deste problema
Ano: 2023Banca: IBFCOrganização: Prefeitura de Cuiabá - MTDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Assinale a alternativa que apresenta qual o
valor que maximiza a função z = 3x + 4y, sujeito
a: (i) x + y ≤ 6; (ii) x ≤ 4; (iii) y ≤ 4 e (iv) x,y ≥ 0.
Ano: 2010Banca: MOVENSOrganização: Prefeitura de Manaus - AMDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Na análise de agrupamentos, ou cluster, define-se a
quantidade de grupos no qual o conjunto de dados deve ser dividido a partir da aplicação dos critérios abaixo, EXCETO
Ano: 2022Banca: FCCOrganização: TRT - 17ª Região (ES)Disciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Texto associado
Atenção: Para responder à questão, considere o código na linguagem R.
Y<-c(2,3,2,4,3,5,6,3,4) #1
X1<-c(10,13,9,18,12,22,27,13,21) #2
X2<-c(6,10,4,10,10,17,16,9,13) #3
dados<-data.frame(cbind(Y,X1,X2)) #4
modelo <- lm(Y ~ X1 + X2, data = dados) #5
summary(modelo) #6
coef(modelo) #7
formula(modelo) #8
plot(modelo) #9
p <- as.data.frame(cbind(13,4)) #10
colnames(p) <- cbind("X1","X2") #11
predict(modelo, newdata=p) #12
vcov(modelo) #13
Intercept<-rep(1,times=9) #14
X<-cbind(Intercept,X1,X2) #15
t(solve(t(X)%*%X)%*%t(X)%*%Y) #16
residuals(modelo) #17
Os comandos das linhas 14 a 16 produzem o mesmo resultado que o comando
Ano: 2022Banca: CESPE / CEBRASPEOrganização: FUBDisciplina: Estatística e ProbabilidadeTemas: Otimização Linear
Com respeito a dados abertos, julgue o seguinte item.
Diz-se que os dados são abertos se qualquer pessoa tiver
acesso a eles livremente, podendo utilizá-los, modificá-los e
compartilhá-los sem necessidade de uma licença formal.