You are on page 1of 260

---------""

1\ ----.'

/I'({

irrl-~ 7[;v,.1)'\

'-

(j,

e/J~I)J/\8,

Ordem dos Economistas

de So Paulo

ProAnpec
CURSO PREPARATRIO PARA O EXAME NACIONAL ANPEC
""
'-

~'~~~J~:~U
"ffJerllJ),

E (X/)

z,

'1-\.

JJJ;~lA~J:)rrv..,:fv. ~ ,

Jt

-r, 1'1\.

i,{

tr2.;:. /i1,

/tA

IJ -

(1.- H)'
1',]

_
-

N-f.{\,

N-\

N'IfflJY1f\O}/J

?L .~---~ t\

--""'

-~,

~-b.1 J"A ltUVJ:J I.A<J

te

1'1. (;))

,~

"

..

!
(ANPEC 2005, 15) As lmpadas
vermelhas, 30% azuis e 20% verdes. a probabilidade o resultado coloridas Em produzidas por uma fbrica so 50% ao uma amostra de 5 lmpadas, extradas acaso, encontre azul. Multiplique de duas serem vermelhas, por! 00. duas serem verdes e uma ser

Soluo:
Temos: 50% vermelhas 30% azuis (A) 20% verdes (V) Dessa forma, em uma amostra de cinco lmpadas, a probabilidade de duas serem (VM)

vermelhas,

duas verdes e uma azul ser dada por:

".-

P(2VM,2V,

I A)

r, x Pz

Ps

x P..

xO,50xO,50xO,20xO,20xO,30

P(2VM,2V,

IA)

5! xO,003 2!x2!x!l

P(2VM,2V, P(2VM,2V, Multiplicando

IA) I A)

= 30xO,003

= 0,09
chegaremos ao valor de~.

por 100 como pede o exerccio,

". "

(ANPEC 2003, 12) Trs mquinas, A, B e C, produzem respectivamente 50%, 30% e 20% do nmero total de peas de uma fbrica. As porcentagens de peas defeituosas na produo dessas mquinas so respectivamente 3%, 4% e 5%. Uma pea selecionada ao acaso e constata-se ser ela defeituosa. Encontre a probabilidade de a pea ter sido produzida pela mquina A. (Use apenas duas casas decimais. Multiplique o resultado final por! 00). Soluo: O exerccio

pede a probabilidade da pea ter sido produzida dado que essa pea defeituosa (P(mquina Aldefeituosaj). Portanto:

pela mquina

"..

P(mquina

Ajdefeituosa)

= ~,-~--------"-

P(mquina

A e defeituosa)

P(defeituosa)

"

,-,

' . AI defeituosa) .;::' PCmaquina

= ------'----------

0,50x 0,03

0,50 x 0,03 + 0,30 x 0,04 + 0,20 x 0,05

P(mquina

A/defeituosa)

0,015

+ 0,012 + 0,01

0,015

== 0,40

Multiplicando

o resultado

por 100, como pede o exerccio,

chegaremos

ao valor de

].

Nota: Observe que para a resoluo desse exerccio, que a Pfmquinaldefeituosa) dada por:
P(maquina Punaquina A) x P(defeiruo sa I mquina A) + P(mq/linaB
/ j

utilizamos
A)

o teorema

de Bayes, j

A) x P(defeiluo sa I maquina
) x P(defeiluo

sa I mquina

B) + P(!lIqllJ1C ) x Pdcfeituo

sa I maquina

C)

=P(B

A)

P(Bj)P(A

/ Bj) / B)

I P(B)P(A
/=1

(ANPEC 2002, 01) Considere


medida de probabilidade
(O) Se P(A) =

o espao amostral

S, os eventos A e B referentes

a Sea

P.
= ~,

li,

P(B)

e A e B so mutuamente

exclusivos,

ento P(An

B)

=11 /8 .
Resposta:
..

'"
'\

ocorrer

Se os eventos A e B so mutuamente lexclusivos (disjuntos) eles no podem juntos e, portanto, P(An B) = O, como mostra o diagrama de Venn abaixo.

-------

<,_-----.,.,.-.

s
IFALSAI

(I)

Se A c B. ento P(A/B) .::;;P(A)

Resposta: Se A um subconjunto de B. ento a probabilidade de A ocorrer dado que B ocorreu certamente ser maior (ou igual. no caso em que A = B) probabilidade de /\ ocorrer. j que estaremos restringindo o espao amostra] de S para B. Vejamos:

P(AIS)

P(A n S) P(S)

P(A) ;:::P(A) P(S). .

J que AnS

A se AcS

e P(S) S;.l.

't

IFALSAI

(2) Se P(A)

..x,

P(S)

,X' e P(A n S) = 14' ento

P(A e

Se)

X2'

em que A e

e Se indicam os eventos compleme~tares. Resposta: A P(A c n Sc) est representada pela regrao cinza do diagrama de Venn A regio branca corresponde probabilidade de ocorrer A ou S, ou seja,

seguinte.

P(Au S).

'"'

! '\. ..

-'=
Calculemos P(A ou S), ou seja, a regio branca do diagrama de Venn acima: P(A u B) = P(A)

+ P(B) - P(A n S) 1

P(Au S) =-+--234 P(Au S)


= -

12
=

Como P(S)

I, temos que:

P(A

ri

B )

I - P(A u B) = I - -

= -

12

12

IVERDADEIRAI

(3) Se B" B2 ,

, Bk representam
=
k

uma partio de um espao amostra I S, ento para P(BJP(A


.

A c S tem-se que P(Bj I A)

I B,) I B)

, I

.=

I, _,

k.

. I:P(Bj)P(A
}=I

Resposta: A afirmativa
2003, 12).

acima refere-se exatamente

ao Teorema

de Bayes (veja Questo AN PEC

IVERDADEIRAI

(4) Se P(AI B)

O ento A e B so independentes.

Resposta: Os eventos A e B apenas sero independentes se P(AIB) = P(A), ou seja, se a probabilidade condicional for igual probabilidade incondicional (o fato que B ocorreu no muda em nada a probabilidade de A ocorrer)
IFALSAI

(ANPEC 2001, 01) Os formandos de determinada seguintes decises para o ano seguinte: Deciso Fazer mestrado em economia Homens 7

faculdade de economia Mulheres


9

tomaram as Totais
16 11
? -)
)-

Fazer outros cursos Procurar emprego Totais Com base nessas informaes,

5
16

6
9 24

28 correto afirmar:
continuem

-?

(O) A probabilidade de que as mulheres 46% superior dos homens. Resposta: Temos que: P(mulheres continuem estudando)
=.

estudando

aproximadamente

2 = 62,5%
24

----

P(homens

continuem

estudando)

.!2 == 42,86% 2.8

Agora ateno: continuem estudando pela outra:

para saber em quanto a probabilidade de que as mulheres maior que a dos homens temos que dividir uma probabilidade . . 15 24

-'-------------!....=

P(mulheres

continuem

estudando)

-=

15 28 -x - ::: 1 46

P(homens continuem

estudando).

~ 28

24

12 -

,
estudando realmente
-'\--

Portanto, a probabilidade de que as mulheres aproximadamente 46% superior dos homens. IVERDADEIRAI

continuem

(1) Sabendo-se

que algum

optou por procurar

emprego,

a probabilidade

de ser homem

64%.
'"\
-.

Resposta:
Podemos rapidamente obter essa probabilidade: procurar emprego)
=. 25 =

P(ser hornernloptou

16

0,64

64%
~
..

Porm, para os que preferirem

um caminho

mais longo:

"-\ ...

16
P(ser hornemloptou procurar emprego)
= -'------'------=---='---'-

P(ser homem e procurar emprego) P(procurar emprego)

21=
25

,.
...;;
~
...

52 16 -=064=
25 '

64%
-.

IVERDADEIRAI

(2) Se a probabilidade de ser; aprovado no exame de seleo para mestrado em economia de 30%, espera-se que 1/4 dos homens iniciem o curso no ano seguinte.

Resposta:
A tabela acima nos mostra seja, ~ dos homens. que 7 homens pretendem fazer mestrado em economia, ou Portanto,

. se a probabilidade .
I 14

de ser aprovado iniciaro

no exame de seleo

de 30%, temos que aproximadamente (0,30


x 7 = 2,1),

2 homens

o curso no ano seguinte iniciaro o curso no ano

ou seja, aproximadamente

dos homens

seguinte. IFALSAI

(3) Se a probabilidade de encontrar emprego de 40% e a de ser aprovado nos exames de seleo de 30% e 45%, respectivamente, para o mestrado em econorn ia e para os outros cursos, espera-se que 9 mulheres atingiro seus objetivos. Resposta: Temos que: mulheres que encontraro emprego: 9
x x

0,40
==

==

3,6

mulheres que faro outros cursos: 6

0,45

2,7
==

mulheres que faro mestrado em economia: Portanto, 3,6 + 2,7 + 2,7 IVERDADEIRAI
==

9 x 0,30

2,7

9 mulheres atingiro seus objetivos.

(4) Entre os formandos que pretendem fazer mestrado em economia. Resposta:

continuar

estudando,

1/3 mulher que pretende

Temos 27 formandos que pretendem continuar estudando. Desses, 9 so mulheres que pretendem fazer mestrado em econom ia. E sabemos que 1/3 de 27 igual a 9

(1

x 27

9).

Portanto,

entre

os forrnandos

que

pretendem

continuar

estudando,

realmente

1/3 mulher que pretende fazer mestrado em eccnom ia.

Iv ERDADEI RAI

(ANPEC 2000, 01) Considere a tema (S,L,P), em que S 7; 0 o conjunto Universo, L dos possveis eventos e, P uma medida de probabilidade. Verifique quais das afirmativas abaixo so verdadeiras (V) e quais so falsas (F):
o conjunto

(O) Se dois eventos so disjuntos, Resposta:

eles sero tambm independentes.

Se dois eventos so disjuntos (e no vazios) ocorrncia de um implica a no ocorrncia de outro. IFALSAI

eles so dependentes,

que a

(I)

Para dois eventos quaisquer A e S, Prob (A) que Se O complemento de B.

Prob (AnSe)

+ Prob (AnS). em

Resposta: A probabilidade abaixo: de A ocorrer corresponde regio cinza do diagrama ele Venn

...

~,I

------~. ~.

'

-r-.

s
Portanto, temos que:

P(A) = P(A n BC) +P(A n B) /VERDADElRAI

(2) Sejam dois eventos eventos mutuamente Resposta:

A e B, em que Prob (A) = 1/2 e Prob (8) = 113. Se A e B so exclusivos, ento Prob (BnA c) igual a 1/6.

Se os dois eventos so mutuamente mostra o diagrama de Venn abaixo:

exclusivos,

ento Prob (BnA c)

P(B) = ~ como

->,

s
IFALSAI

"'

.'

(3) Sejam os eventos A, B e C, tais que Prob (AnBnC) = Prob(A). Pode-se ento afirmar que estes eventos so independentes. Resposta: Vejamos, atravs do seguinte exemplo, que essa implicao

Prob(B).

Prob(C).

no vlida.

Nota: Exemplo retirado de Sartoris (2003, p. 15-16)


Considere o diagrama de Venn abaixo probabilidades das reas delimitadas).
I

(os valores

marcados

correspondem

'"""\

0,1

Temos que: P(A)


=:

0,1+

0,15 + 0, I

+ 0,05

=:

0,4

P(B) = 0,25 P(C) =: 0,15 P(AnB)


=:

+ 0,05 + 0, I + 0, I = 0,5 + 0,15 + 0, I +0,1 =: 0,5


0,1 + 0,05
=:

0,15

P(AnC) = 0,1 + 0,15 = 0,25 P(BnC) =: 0, I + 0, I = 0,2 P(AnBnC) = 0,1 Dessa forma, temos que P(AnBnC) eventos dois a dois, temos que: P(AnB) c P(A)xP(B) P(BnC):; P(B)xP(C) P(AnC) :;P(A)xP(C) Ou seja, a probabilidade condicional e, portanto, os eventos so dependentes. diferente da probabilidade incondicional P(A)xP(B)xP(C)

0, I. Mas,

tomando

os

IFALSAI

(ANPEC 1999, 15) Com relao


(O) Sendo A e B dois eventos = 0,5

a Teoria

das Probabilidade e se P(A)


=

podemos
=:

afirmar que:

independentes

0,5 e P(B)

OA, ento P(AuB)

Resposta:
Se A e B so independentes, P(AuB)
ento:

P(Au

= P(A) + P(B) - P(A)x P(B) B) = 0,5 + OA - 0,2

Ip(A u B) = 0,71

_. ---.,

IFALSAI
\.

(I) Sendo A e B dois eventos mutuamente exclusivos e se P(A) = 0,5 e P(B) = 0,4, ento P(AuB) = 0,5. Resposta: Se A e B so mutuamente exclusivos, eles no podem ocorrer juntos e, portanto, P(Arl B) =0. Dessa forma:

IFALSAI
"-""',:

~.

(2) Seja S um espao amostral e

A e B dois eventos quaisquer associados a S. Ento


=

P(AIB) + P(AIB) = I, onde P(AIB) dado de ocorreu o evento B. Resposta: Sabemos que:
P(A

probabilidade de ocorrncia do evento A

I B)

P(A e B) P(B)

PCA I B) = P(A e B) P(B)

Dessa forma:
P(A

I B) + P(A I B)

P(A e B) + P(eB) P(B) P{B)

=.

P(A e B) + P(A e B) P(B)

P(B) P(B)

~.,

J que, como mostra o digrama de Venn abaixo, P(A e B) + P(A e B)

= P(B).

o
<, ___
-o

"">, .

s
IVERDADElRAI

(3) Um projeto para ser transforin~d~ em lei deve ser 'aprovado pela Cmara dos Deputados e pelo Senado. A probabilidade de ser aprovado pela Cmara dos

~.

Deputados de 40%. Caso seja aprovado pela Cmara, a probabilidade de ser aprovado no Senado 80%. Logo, a probabilidade desse projeto ser transformado em lei de 32%.

Resposta:
P(projeto P(projeto ser transformado ser transformado em lei) = 0,4 x 0,80 em lei) = 0,32 = 32%

IVERDADElRAI

(4) Num processo eletivo 55% dos votantes so homens. Sabe-se que dentre os homens 40% preferem o candidato A, 50% o candidato B e os 10% restantes votam nos demais candidatos. Dentre as mulheres 60% preferem A, 25% preferem B e o restante os demais candidatos. Se um voto escolhido ao acaso for para o candidato A, a probabilidade deste voto ser de uma mulher de 55,1 %.

Resposta:

PC mulherlcandidato

A)

---2.

P(voto ser de uma mulher e ser para o candidato '-P(voto ser para o candidato A) I ~-))

A) -'-

P( mu II1er Ican

di 0,45 x 0,60 idato A) = --------0,45 x 0,60 + 0,55 x 0,40

0,27 --:=

0,49'

~))

101' /0

IVERDADEIRAI

.>.

."
.
""

(ANPEC 1998, 02) Considere


o conjunto Universo, probabilidade. Assim,

um espao amostra I com a terna (o.,r,P), onde o. ;t 0 eventos e, P ,

dos possveis pode-se afirmar que:

o conjunto

lima medida de

(O) Se A, B e C so eventos de expresso Resposta: O exatamente diagrama de Venn

r ,ento

o evento "exatamente

um dos eventos ocorre"

na notao de conjunto

como (A

n BnC )U(AnBnC)U(Jn snC).


que realmente a probabilidade de

abaixo

mostra

um dos eventos

ocorrer dada por

(An BnC)U(AnBnC)U(AnBnC):

..

(VERDADElRAI

(1) Se A e 8 so dois eventos quaisquer de Resposta:

r, ento

P(A u B) ~ P(A) + P(B).

A probabilidade da unio de dois conjuntos quaisquer dada por:


P(A u B) = P(A) + P(B) - P(An B)

Portanto, P(A u B) ser igual P(A) + P(B) quando P(An B) for igual a zero (eventos disjuntos) e ser menor que P(A) + P(B) caso contrrio, mas nunca ser maior. IFALSAI

(2) Se A e B so dois eventos quaisquer de 1, onde P(A)=1/2 , P(B)=1/3 e P(AuB) =3/4, ento P( A (8)=1I4 e P( IIn B) =1/4. Resposta: Temos que: P(A u B)
-=
=

P(A) + P(B) - P(A n B)

423

-+ -- P(An8)
-+ --234
1

P(An B) =

P(An B)

= -

12

A P( A nB) est representada pela regio cinza do diagrama de Venn abaixo:

s
Dessa forma, temos que: P( A nB) = P(B) - P(An B) P(AnB)= 1 1 --3 12

p(J nB)=

4 -1 -=-=12

3
12

1
4

Agora, calculemos P(A

n B)

P(A nB)

I - P(Au B)

P( A
-

n B)= 1 - =4

-, J
4

P(A nB)

IVERDADEIRAI

(3) Se A e B so dois eventos P(BIA)

quaisquer

ele

r , ento

se P(AIB) > P(A) tem-se que

> P(B).

-;)
~)

.,.)

-.)
---.}

,,)
Resposta: Temos que: .-:..)
\ ......:.,)

P(AIB)
Ento: P(A

==

P(A n B) > P(A)

P(B)

n B) > P(A)

P(B) P(A n B)/> P(A)P(B)


P(A

n B) > P(B)
P(BnA)
P(A)

P(A)
E como P(BIA) == P(BIA) > P(B) IVERDADEIRAI
, temos que:

(ANPEC 1998, 03) A tabela de contingncia a seguir apresenta os dados de uma amostra de l50 empresas, classificados segundo quatro grupos industriais e se o retomo sobre o capital prprio maior ou menor que o retomo mdio na amostra.
Grupo Industrial: Retorno sobre o capital prprio Abaixo da mdia (B) Acima da mdia (A) Total

I
II

20
10

111
IV Total Com base nestas informaes,

20 25 75
verifique as seguintes

.40 10 10 15 75
afirmaes:

60

20
30 40 150
\
..

(O) Se selecionarmos
Resposta: Pigrupo

urna- empresa ao acaso, a probabilidade da empresa [IJ ou ter o retorno sobre o capital prprio abaixo da mdia 40%.

ser do grupo

I1I ou retomo

abaixo da mdia) =~

150

+ ~-~ == 63% 150 150

IFALSAI

(1) Se selecionarmos

uma empresa

ao acaso, a probabilidade

da empresa

ser do grupo I
'--"".

de 40%.

Resposta: P(grupo I)
= -=

60

ISO

O 40:= 40%
'

!VERDADElRAI

(2) Se a empresa escolhida ao acaso for do grupo 11, a probabilidade capital prprio estar acima da mdia 50%. Resposta: Podemos rapidamente obter essa probabilidade: 11):= ~~
=

do retorno sobre o

P(retorno abaixo da mdiajgrupo

0,5

= 50%

E, como sempre existe um caminho mais longo para quem preferir:


10

P( retorno

abaixo

da mdialgrupo

li)

:=

P(retomo abaixo da mdia e grupo lI) P(grupo 11)

150
20

150 0,5

!VERDADElRAI

(3) Se duas empresas diferentes so escolhidas ao acaso, a probabilidade de sair primeiro uma empresa do grupo I e depois uma empresa do grupo /11 aproximadamente igual a 8%. Resposta: Supondo que no haja reposio, temos que: P(empresa 60 30 grupo I e empresa grupo 111):= --x - == 0,08 150 149

8%

!VERDADEIRAI

(4) O evento

"grupo I" independe prprio acima da mdia".

estatisticamente

do evento "retorno

sobre o capital

----o

Resposta: Se esses dois eventos forem realmente independentes, a seguinte igualdade deve ser verificada: P(grllpo li retorno acima da mdia) = P(grupo I). Vejamos se isso vlido: Prgrupo " retorno acima da mdia) P (grupo I) ~
= -= = ~~

-= 27%

60 150

40%

=-,

"

Portanto, como a igualdade entre a probabilidade condicional e a incondicional no vlida, os eventos "grupo I" e "retomo sobre capital prprio acima da mdia" so

dependentes.

IFALSAI

'"' '"'
---.,:.

-";"

~.'

"

"
"'\ "\

-e--,

2:
----.,
r>;

(ANPEC 2005, 02) O retorno


so constantes. zero, varincia afirmativas:

Rc de uma carteira de investimentos

com duas aes A


ai, Q2

e B e um papel de renda fixa F dado por R;

= a.R,

+ Q2RH + a) R,," , em que


distribudas igual constante

e a] as

RA e RIi so variveis
1 e covarincia

aleatrias

normalmente

com mdia

0,5 e RI-' uma

a 0, I. Julgue

(O) A mdia do retorno da carteira ser igual a zero se, e somente se, a correlao
os retornos das aes A e B for nula.

entre

Resposta:
A mdia do retorno da carteira (Rc) ser dada por:

Portanto,

a mdia de R; ser igual a zero apenas se a) = 0, o que no tem nada a ver entre o s retornos.

com a correlao IFALSAI

(1) A mdia do retorno da carteira : E(R() Resposta:


Como j calculamos no item anterior,

ai

+ Q~ + Q).

a mdia do retorno da carteira

dada por:

IFALSAI

(2) Se a covarincia carreira ser

entre o retorno
01
2

das aes A e B for 0,5, a varincia


.

cio retorno da

Vart R, ) =

+ a~ + (fIO?

Resposta:
--.'

A varincia

de R; dada por:

Como

RI- uma constante:

Utilizando

as propriedades

da varincia

e covarincia,

temos que:

Como vare RA)

vare Rfi)

= 1 e cov( RA ,Rfi) =

0,5:

lVERDADEIRAI

(3) o retorno
Resposta:

n;

uma varivel aleatria

normalmente1distribuda

com m~ia

O,la).

Como j calculamos

no item (O), a mdia de aleatrias distribuda.

R; dada realmente
normalmente

por 0,1 a) . E como (RA e RH), ela

".

Rc a

soma

de duas variveis

distribudas

prpria ser tambm normalmente IVERDADErRAI (4) O coeficiente de correlao

"
entre RA e R" 0,25.

Resposta: O coeficiente
de correlao entre RA e RB dado por:

(ANPEC 2004, 3) Sobre coeficiente


variveis (O)Seja aleatrias,

de correlao, so corretas as afirmativas: de correlao entre


==

covarincia

e independncia

de

p(x, y) o coeficiente
==

as variveis

x e y. Se ab>O, ento

p(ax,by) Resposta
--~

p(x,y);

e se ab<O, p(ax,by)

-p(x,y).

O coeficiente

de correlao

entre x e y dado por:

,---""""'.

(: ,\ _ cov(x,y) P x,y/ - r========


.Jvar(x) var(y)

E o coeficiente
PI ax, y/ I

de correlao

entre ax e by ser:

b ,\ _

-r============

cov(ax,by)

.J var(ax)

var(by)

E pelas propriedades
p; ax, y/ =
I.

da varincia

e da covarincia:

b ,\

ab cov(x, y) ---,=.====='=====

.Ja'b' var(x)var(y)

I bv) abcov(x,y) PI (IX, y/ == :----:r===== var(x) var(y)

labl.J

Portanto,

se ab> I, teremos p(ax, by)

p(t,y). E se ab< I, teremos p(ax, by)

==-ptx,v).

IVERDADEIRAI

(I )Se a funo

densidade

conjunta

de x e y for I(x,y)

== e-x-Y,

x > O, y > O e

I(x,y) Resposta

==O

para outros valores de x e y, ento

p(x,y)=

O.

Note que a funo densidade de probabilidade escrita como (j que quando temos multiplicao os expoentes):

conjunta de x e y nesse caso pode ser de potncias de mesma base, somamos

Ou seja:
./(.\" ..1'.)

=ftx) xj(y)

de variveis aleatrias independentes. E se as variveis so independentes. o coeficiente de correlao entre elas ser igual a zero (lembrando que o contrrio no verdadeiro). ----'"'

O que caracterstica

IVERDADEIRAI

(2)Sejam A e B dois eventos independentes, com probabilidades positivas, associados a um experimento aleatrio G. Se as variveis aleatrias x e y so definidas como: x = I, se ocorrer A e x = 0, em caso contrrio; e y = 1, se ocorrer B e y = 0, em caso contrrio, ento p(x, y) ~ O. Resposta: Aqui devemos calcular o coeficiente de correlao precisamos da covarincia entre elas. Lembrando que: cov(x,y) = E(xy) - E(x)E(y) Primeiramente Temos que: se A ocorrer x = {~ Calculemos a esperana caso contrrio de x e y:
= J

entre as variveis.

E para isso

~'.

ento temos que calcular

as esperanas

acima. Vejamos

como.

y =

se B ocorrer caso contrrio

E(x) = I x P(A) E(y)


=

+ OX P(A) + OXP(8)

P(A)
\.

I x P(B)

= P(B)

E o produto de x e y ser: I , se A e B oc.orrerem xy= { 0, caso contrrio Dessa forma: E(xy) =

'---

1x P( A n B) + x P( A n B)

.-,.
=

P( A n B)

".'
Agora podemos
cov(x,y)
= E(xy)

calcular
- E(x)E(y)

cov(x,y):
~-'

cov(x,y) = P( A

n B) - P(A)

x P(B)

Lembrando

que A e B so eventos

independentes,

temos que:

P(AnB)

P(A) xP(B) ser:

E, dessa forma, a cov(x,y)

cov(x,y) = P(A) x P(B)- P(A) x P(B) cov(x,y) =

E se a covarincia

igual a zero, o coeficiente

de correlao

tambm

ser igual a zero:

p=

cov(x, v)

~varC-'() var(y) IFALSAI

-----r===o==
~var(x)var(y)

ainda que a covarincia entre x e y

(3)Em relao ao quesito diferente de zero.

anterior,

pode-se afirmar

Resposta:
Como vimos no item anterior, IFALSA! a covarincia entre x e y igual a zero.

(4) Se o coeficiente

de correlao

p(x, y)

0, a covarincia

entre x e y tambm independentes.

zero.

Assim sendo, pode-se afirmar que x e y so variveis Resposta: A primeira parte da afirmativa ,.. entre x e y igual a zero, sabemos _ cov(x,y) _ p - I - o<=> cov(x,y) I} var(x) var(y)

aleatrias

acima verdadeira: se o coeficiente que a cov(x,y) tambm ser zero: _

de correlao

=O.

Porm, o fato da cov(x,y) ser igual a zero no implica que as variveis sejam independentes (lembrando que a recproca verdadeira). Para um exemplo de que cov(x,y) = no implica independncia das variveis, veja questo ANPEC 1998, 10, itens O e I, em distribuio de probabilidade conjunta.

IFALSA!

adquiriu vrios artigos ao preo mdio de US$ 15.00 com um desvio-padro de US$ 1.00. Sabendo-se que a taxa de cmbio de R$ 3,00 por dlar, correto afirmar: (O)Conveliendo-se o valor das adquiridos ser de R$ 45,00. compras para
reais,

(ANPEC 2004, 04) Um importador

o preo

md io dos

produtos

Resposta: Se a taxa de cmbio de R$3,00, temos que o valor mdio das compras E(R$3,00x preo) = R$3,00x E(preo) = R$3,00x US$15,00 = R$45,00 IVERDADEIRA!

em reais ser:

(I) Em reais, o desvio-padro


.~

ser de R$ 3,00.

Resposta: Se o desvio-padro de US$I ,00 e a taxa de cmbio de R$3,OO, obviamente. desvio-padro em reais ser de R$3.00:

dp(R$3,OO x preo) == R$3,00x dp(preo) IVERDADEfRAI

R$3,00x US$I ,00

R$3,00

(2)Se ao preo original de cada artigo, um intermedirio adicionar uma margem de


lucro fixa de R$ 10,00, o novo preo mdio ser R$ 55,00 com um desvio-padro de R$ 6,00. Resposta: Se for adicionada uma margem de lucro fixa de R$I 0,00, o novo preo mdio ser: E(preo + 10) = E(preo) + E( 10) = 45 + 10 = 55 Mas o desvio-padro continuar sendo o mesmo, j que I: dp(preo + 10) = dp(preo)
IFALSAI

=-.

= R$3,OO

(3) Se a margem de lucro for de 20%sbre o preo em reais, o novo preo mdio ser R$ 54,00 e o novo desvio-padro ser R$ 3,60. Resposta: Acrescentando-se urna margem de lucro de 20% sobre o preo em reais, temos que o preo mdio ser dado por: E(preo + 0,20preo) = E(preo) + 0,20E(preo) = 45 + 9 = R$54,00 E o desvio-padro: dp(preo +'O,20preo)
;

dp(l ,iOpreo)

11,20Idp(preo)

11,201 x 3,00

R$3,60 ~
...

IVERDADEIRAI

(4) O coeficiente de variao calculado em reais, devido taxa de cmbio, ser 3 vezes maior do que aquele calculado utilizando-se os valores em dlar. Resposta: O coeficiente de variao (desvio-padro dividido pela mdia) no afetado por mudanas nas unidades de medida. Portanto, no faz diferena se calclarrnos os valores em reais ou em dlares; o coeficiente de variao continuar sendoo mesmo. IFALSAI

,.
I Lembre-se que o fato de adicionar urna constante no ir alterar a variabilidade da varivel; apenas ir deslocar os seus valores para a direita (no caso de adio) ou para a esquerda (no caso de subtrao).

"

..

(ANPEC 2003, 09) Sendo Y e X duas variveis


(O) Var(Y + X) = Var(Y) + Var(X) - 2Cov(Y, X);

aleatrias,

correto afirmar que:

Resposta:
A varincia Var(Y + da soma de duas variveis quaisquer X) dada por:

X)= var(Y) +var(X)

+ 2cov(Y,

Demonstrao: Veja Sartoris (2003, p.55)

'"
\

IFALSAI

(I) Var(Y - X)
...

Var(Y) - Var(X) - 2Cov(Y,X);

~
-r--,

Resposta:
A varincia da diferena entre duas variveis quaisquer

dada por:

-r-,
~

Var(Y - X) = var(Y) + var(X) - 2 cov(Y,X)

Demonstrao: Veja Sartoris (2003, p. 56)


IFALSAI

'<->,

(2) Var (Y + X) = Var(Y) + Var(X), se Y e X forem independentes;

_. .~

,
--,

Resposta:
Se as variveis Y necessariamente nula soma das varincias. IVERDADEIRAI e X forem

e, portanto, a varincia

independentes, a covarincia entre elas ser da soma destas duas variveis ser igual

'"
~
(3) se Cov(Y, X)
=

0, ento Y e X so independentes;

Resposta:
O fato da covarincia entre duas variveis ser nula no implica que elas sejam independentes (a no. ser, por exemplo, que elas sejam normalmente distribudas, corno veremos no prximo item). Mas se duas variveis so independentes, a covarincia entre elas ser nula. Para um exemplo de que covarincia nula no implica independncia de variveis, veja Sartoris (2003, p. 128) ou questo ANPEC 1998, 10, itens e I, em distribuio de probabilidade conjunta .

..

IFALSAI
...

,
(4) se Covt Y, X) =

e se Y e X tm distribuio

conjunta

normal.

ento Y e X so

independentes.
.. '\

Resposta:

..

---.

..

~ Nesse caso, o fato da covarincia entre X e Y ser igual a zero, implica que Y e X sejam independentes. Na questo ANPEC 1999, 14, item 4, mostramos que se duas variveis so binomialmente distribudas e se a covarincia entre elas for igual a zero, ento elas sero independentes. E, como sabemos, medida que o tamanho da amostra aumenta, a binomial tende distribuio normal. Portanto, os resultados obtidos naquela questo so vlidos para esta tambm, ou 'seja, se as variveis forem conjuntamente normalmente distribudas e se a covarincia entre elas for igual a zero, ento essas variveis sero independentes. Mas, apenas por curiosidade, a f.d.p. de uma normal bivariada

~
/

dada por:

f(x,y)

.
2j[(}.o-.

"I - p

exp

1
2
. 1:'- p'

Portanto, se p (eoeficiente de correlao entre x e y) for igual a zero (o que implica que a covarincia tambm ser zero), a expresso acima se r7duzir a: f(x,y)
=

Zttocr , exp

[1 (X-j.-L,)' -'2 ~

+ -;;:-

. (Y-f.-L, )']

que a funo densidade de probabilidade ,conjunta de duas variveis independentes que possuem distribuio conjunta normal (j que nesse caso, f(x,y) = f(x)x f(y.

IVERDAD~IRAI
.....

(ANPEC 2002, 03) Considere


por dois ativos A e B.

um i~vestidor

cuja composio

da carteira formada

'.~

(O) Se os retornos esperados de A e B so iguais a 10% e 5%, e as participaes de A e B na carteira so de 40% e 60%, respectivamente, ento o retorno esperado da carteira de 7,5%.
Resposta

O retorno esperado da carteira ser dado por:


E( caIieira) IE(carteira)
= 0,4 x O,I
=

0,6 x 0,05

0,07

7%1

jFALSAj

(1) Supondo-se que os retornos dos dois ativos referidos no quesito anterior sejam independentes e que suas varincias sejam iguais alO e 20, respectivamente, ento a

\.~

varincia
Resposta:

da carteira

ser igual a 8,8.

.
'"

'

A varincia da carteira

ser dada por:

van'casteira)

var(0,4 A

+ 0,6B)
ento a varincia de sua soma igual .

Se os retornos

dos ativos so independentes,

soma das varincias: varicarteira) var(carteira) vare carteira) var(carteira) &ar(carteira)


=

var(0,4 A)

+ var(0,6 B) + 0,62 var(B)

== 0,42 var(A)
= 0,16 x 10 = 1,60 =

+ 0,36 x 20

+ 7,20

8,81

IVERDADEIRAI

(2) Supondo-se que os retornos de A e B tenham a mesma varincia, a diversificao dessa carteira nestes dois ativos somente reduzir o risco total se o coeficiente de correlao entre os respectivos retornos for negativo.

Resposta:
A varincia da carteira dada por:

var(carteira) = var(aA)
onde

+ val:(,88) + 2cov(aA,,88)

p=

(l-a). temos que:

Se A e B tm a mesma varincia,

var(carteira)

= dvar(A)

+ ;Jvar(A)

+ 2a,Lkov(A,B)
Para
ISSO,

(I) calculemos o coeficiente de

Calculemos, ento, cov(A,B). correlao entre os ativos: cov(A, B) P = --;========= .j var(A)var(B) Rearranjando, cov(A,B)
----=

primeiro

cov(A,B) .j[var(A)]'

_ cov(A,B) var(A)

temos que:

px var(A)
a expresso acima em (I), temos:

Substituindo

Portanto, para que o risco da carteira Vejamos se o coeficiente de correlao ocorra. Suponha que p
=

seja eliminado, basta que (a2 +02 + 2af3p) < I. entre os ativos precisa ser negativo para que isso ela carteira ser dada ento por:

O. A varincia

-r-,

var(carteira)

==

(d +11) var(A)
0,50 (e, portanto, (J=0,5), temos que: ,

-_ ..

-....,-'

Supondo que
var(cartera) var(carleira)

IX =::

~:,

== [0,50 + (0,50i] var(A)


=::

0,75 varCA) < varCA)

Ou seja, o coeficiente de correlao entre os ativos no necessariamente precisa ser " negativo para que a diversificao dessa carteira reduza o risco. Como vimos, se p == 0, o risco tambm ser reduzido. IFALSAI

(3) No caso de correlao negativa perfeita, se a varincia

de A duas vezes a varincia de B, ento preciso investir duas vezes mais em A para eliminar o risco da carteira.

','

Resposta: Note que se a varincia de A maior que a varincia de B, ento preciso investir mais em B para eliminar o risco da carteira. Mas, faamos os clculos. Se investirmos duas vezes mais em A, temos que a varincia da carteira ser dada por:

var(carteira) var(carteira)

=::

va{~A
4

)+

va{l
1

B ) 2cov(~A,lB) 4

== -

var(A) + - var(B) + - cov(A,B)


9 9

E, como a var(A)
var(carteira) var(carteira) var(carteira)

==

2var(B), temos que:

== ~

2var(B) + i"var(B):+ ~ cov(A,B)

== 9var(B)
==

+ 9var(B) + 9"cov(A,B)
4

,I

var(B)

+ - cov(A,B)
9

(I)

Pr.4.H) ==

Se existe correlao negativa perfeita entre A e B, ento: -1 cov(A, B) == -1 .Jvar(A)var(B)

cov( A, B) == - .jr-~-ar-(A-)-va-r-(B-) cov(A,B)


== -

.J2var(B)var(B) var(B)

cov(A,B) ==

-.fi

Substituindo em (I), temos que:


var(carteira)
==

var(B)

+ - [-.fi var(B)]
9

.'

---.\

var(carteira)

4-fi] [ l---C;-

var(B)

Para que o risco da carteira fosse eliminado, a expresso entre parnteses teria que ser igual a zero, o que, obviamente, no se verifica. Portanto, se a varincia de A duas vezes a varincia de B e se investirmos duas vezes mais em A, o risco da carteira no ser eliminado.

Bi2
(4) Se existir uma correlao negativa perfeita entre os retornos dos ativos A e B, haver uma particular composio desses ativos que eliminar completamente o risco da carteira. Resposta: Como a varincia da carteira dada por:

var(carreira) var(carteira)

= vare
=

aA) + varre l-a)B] + 2cov[aA, (1-a)8]

clvar(A)

+ (1-a)"var(8)

+ 2a(l-a)cov(A,B)
. Substituindo:

Se p = -I, ento cov(A,B)=

- .jvar(A)var(B)

var(carteira)
Supondo

= c/var(A)

+ (l-cdvar(B)

+ 2a(l-a)[-.jvar(A)var(B)]

'I

que var(A) = 4var(B),


= 4dvar(B) = 4dvar(8) = =
=
)

temos que:

var(carteira) var(carteira) var(carteira) . var(cartetra) var(carteira)

+ (I-a)1var(8)

+ 2a(1-a)[-

J4var(8)var(8) [-2var(8)]

+ (1-a)1var(8)
)

+ 2a(l-a)
)

[4d + (l-a/ -4a(1-a)] var(B) . ~ [4 +1- -2a+ -4a+ 4] var(B) [9 - 6a + I] var(B)


temos que a expresso entre colchetes acima deve ser

Para eliminar o risco da carteira, nula. Portanto:

9 - 6a+ 1 = O
Resolvendo essa equao do 2 grau, encontremos 1 o valor de :;- para a. Portanto,
J

se

houver lima correlao negativa perfeita entre os ativos, e a var(A) composio eliminar completamente o risco da carteira: . I 2 C arteira = -A+ - 8 3 3

4var(8),

a seguinte

IVERDADEIRAI

(ANPEC 1999, 14) Com relao 'as definies


Esperana Matemtica, pode-se afirmar que:

de Coeficiente

de Correlao

e de

-----;' , '-.;;
.,-.

..-- ..

',

(O) Se X e Y so duas variveis aleatrias de forma que Y=aX+b, onde a e b so constantes, ento o coeficiente de correlao entre X e Y igual a 1 se a < O e igual a -I se a> O. Resposta: O coeficiente de correlao entre X e Y ser dado por:

-,""",-

._ cov(X, Y) Pu - ~var(X) var(Y)


Como Y = aX+b: _ cov(X, aX + b) a cov(X, X) ~var(X)a',var(X) de correlao . _ a var(X) - lalvar(X) _ a -

P v. ,-

~var(X)var(aX

+ b)

ia! .
)

:"J

Portanto, se a < O, o coeficiente igual a I. IFALSAI

entre X e Y ser igual a - I., e se a> 0, ser

(1) Se Pxr Z=cY+d

o coeficiente

de correlao ento

entre as variveis

X e Y onde W=aX+b

e de

com a,b,c e d constantes,

Pwz = lac PJrT acl ,

onde a e c so diferentes

zero. Resposta: O coeficiente

de correlao

entre W e Z ser dado por:

PIV'l =

cov(W,Z) -;:::======== )varCW) var(Z)

E como W = aX+b e Z = cY+d, temos que: cov(aX + b, cY + d) -r============ )var(aX + b)var(cY +d) as propriedades da varincia e da covarincia, sabemos que:

PW'l

Utilizando

PWl

== -;========== .Jvar(aX) var(cY)

cov(aX,cY)

accov(X,Y)
lacl~var(X)

_ ac

var(Y) - lacl

P'T

,.

IVERDADEIRAI

(2) Se o coeficiente de correlao entre as variveis X e Y igual <! zero, ento E(XY)=E(X)E(Y). Assim, pode-se concluir que X e Y so variveis aleatrias independentes. Resposta:

Sabemos que se o coeficiente portanto: Cov(X, Y)

de correlao

zero, a covarincia

tambm

zero e,

= E(XY) - E(X)E(Y) = O~ E(XY) = E(X)E(Y)

"'\

Porm, o fato da covarincia ser igual a zero, no implica que as variveis sejam independentes (a no ser que elas, por exemplo, sejam normalmente distribudas). Para um exemplo de que covarincia igual a zero no implica independncia entre as variveis, veja Questo ANPEC 1998, 10, itens (O) e (I).
IFALSAI

(3) Se a funo densidade de probabilidade de uma varivel aleatria X simtrica em relao a um ponto X=a , ento E(X)=a. Resposta: Lembre-se que, quando uma distribuio simtrica, temos que mdia = moda = mediana. Assim, o valor que divide a distribuio ao meio (mediana), que exatamente o ponto em relao ao qual a distribuio simtrica, a prpria mdia da distribuio.
A figura abaixo

d o exemplo da distribuio valor que a divide ao meio a prpria mdia:


/

normal, que simtrica .

e, portanto,

.
""

\\
"

..'''-....--------.
/

.l =ic

!VERDADEIRAI

(4) Dados os seguintes

eventos:

x= I

se o evento A ocorre, e O em caso contrrio. Y= I se o evento B ocorre, e O em caso.contrrio.

Se as probabilidades dos eventos A e B so, respectivamente, maiores do que zero. ento o coeficiente de correlao entre X e Y igual a zero implica em que X e Y so independentes. Resposta:

)
_ ,<1

Temos que: I. se A ocorre { X= caso contrrio

.--

,:.,

E para Y, temos que: I, se B ocorre Y= { O, caso contrrio Portanto, a md ia de Y ser:

E~Y~= ! x P(B) + Ox

IE_ Y_ = P(B~

p(l3)

E sabemos que: I. se A e B ocorrem XY= '. { O, caso contrrio


\

somente

Sabemos que o coeficiente de correlao entre X e Y ser igual a zero, se e se, a covarincia entre X e Y for zero. E temos que:
=

cov(X,Y)

<:::>

E(:Y) - E(X)E(Y) == O

Dessa forma: E(XY) - E(X)E(Y) == O E(XY) = E(X)E(Y) E, sabendo que E(X)


=

P(A), E(Y) =P(Y)

e E(XY) == P(A n B), temos:

Ip(A f\ B) = P(A).P(B~ Portanto, A e B so independentes


-r-,

/VERDADEIRAI

,.

(ANPEC 1998, 1) Pode - se afirmar que:


(O) Multiplicando (ou dividindo) de um conjunto de nmeros, dividido) pela constante c. Resposta por um valor constante e arbitrrio, c, cada elemento o desvio padro deste conjunto fica multiplicado (ou

O desvio padro, quando multiplicamos


dp (cX)
=

cada elemento

por c dado por:

c dp(X)

E, analogamente, para a diviso:


X dp ( - )
= -

dp(X)

.. '\

/VERDADEIRAI

(I) No caso de dois conjuntos suas varincias conjuntos Resposta

de nl e n2 valores,

onde

Sl2

e s~

so, respectivamente,
S2,

e XI e

x
_

suas mdias,

a varincia

combinada,

destes

dois

quando,

x =

XI

= X,

_ ., ,(nl -l)s~ + tn, - l)s~ , e igual a S" = -'------'----"-----"... nl + n2 - 2

A varinc ia ser dada par uma-mdia amostras:

ponderada

pelos graus de I iberdade

nas duas

(2) Quando dois conjuntos de valores so expressos em unidades de medidas diferentes, mais justificvel o uso do desvio padro (disperso absoluta) do que o coeficiente de variao de Pearson, para efeito de comparao. Resposta

O coeficiente

de variao

de Pearson dado por:

desvio padro mdia

Portanto, ser um nmero adirnensional, isto , no tem unidades, j que a mdia e desvio padro so medidos na mesma unidade. Portanto, ele ser prefervel ao desvio padro para compararmos valores expressos em unidades de medidas diferentes .

..---,

.::

(3) Quando uma distribuio de frequncia apresenta M o (Moda) > M" (Mediana) > x (Mdia aritmtica) , ela diz-se assimtrica direita e, assimtrica esquerda, em caso contrrio.

.'"

Resposta O caso em que M o (Moda) < M e (Mediana) < abaixo:

x (Mdia

aritmtica) est mostrado

r,
I
I I I
,..I " \

\,
\

/ ,,

\\

\ \ \,
\

I I

I'

/ I I

\\
\
It

\,
\

\ '''", -

....... ...

_--.~.

E o caso em que M o (Moda) > M e (Mediana) >

x (Mdia

aritmtica) abaixo:

... -

..-....., ..

...--....

"""

...

"">, ....

/ iI

r>:\

..

/ i /I
l

\...
\

,/

\I

\
\
I

I
,

! I

\
J

\
\ I

,,/ /

\\

\
\
/

----_.---,-_ ....

A primeira dita assimtrica inverso do que foi afirmado.

direita

e a segunda,

esquerda.

Portanto,

IFALSAI

I I I I

."

~'

---, .
(ANPEC 2003, 04) Com relao
(O) se XI, .'" Bernoulli

variveis

aleatrias

discretas

correto afirmar que:


com distribuio Poisson quando
~.'

.x~,so

variveis

.aleatr ias identicarnente Z

distribudas

com parrnetro p, ento

= I: X/
i=1

ter uma distribuio

n for grande; Resposta: A varivel Z, que uma varivel com distribuio binomial (j que a soma de n experimentos de Bernouilli), apenas ter distribuio de Poisson quando n for grande (n -7 C() e p for pequeno (p -7 0.), de forma que n x p (que o parrnetro da distribuio de Poisson) permanea constante.

IFALSAI

(I)

uma varivel aleatria com distribuio em 11 experimentos de Bernoulli;

binom ial representa

o nmero

de sucessos

Resposta:

A distribuio binomial a generalizao da distribuio de Bemouilli. Na distribuio de Bemouilli temos dois eventos mutuamente exclusivos (sucesso e fracasso) e apenas um experimento. Na binornial, tambm temos apenas dois eventos mutuamente exclusivos, mas o nmero de experimentos pode ser maior que um. como se realizssemos 11 vezes um experimento de Bemouilli. Chamando de X um experimento de Bernouilli, assumir apenas temos que Y =

IX,
'.1

ser binomialmente

distribuda. o nmero

E como X pode de sucessos em n

os valores

1 'e O,

IX;

representa

experimentos

de Bernouilli.

IVERDADEIRAI

(2) a distribuio Resposta:

hipergeomtrica

um caso especial

da distribuio

Normal;

A distribuio hipergeomtrica um caso especial da distribuio binomial. Ela se refere probabilidade de ao retirarmos 11 elementos de um total de N, sem reposio, termos k elementos com o atributo sucesso (do total de N elementos, s possuem o atributo sucesso e N-s o atributo fracasso). Note que a distribuio hipergeomtrica difere da distribuio binomial pelo fato da amostragem ser feita sem reposio e a amostra ser finita (j que igual a N). Quando a amostra for infinita, ou seja, N for suficientemente grande em relao a n, no haver diferena entre a distribuio

hipergeomtrica e a binomial, j que no far diferena retirarmos os elementos com ou sem reposio. Alis, cabe notar que a mdia e a varincia de uma distribuio hipergeomtrica so dadas por: E(x) = np Var(x) N-I Como podemos ver, a mdia da distribuio hipergeomtrica igual a da distribuio binomial. J a sua varincia difere da varincia de uma distribuio binomial apenas
=

np(l_p)(N

n)

pelo fator

(N-n), iV-1

que exatamente

o fator de correo

para a varincia

quando a

amostra finita e a amostragern

feita sem reposio.

(3) a distribuio

Qui-quadrado possui mdia igual a n e varincia nmero de graus de liberdade;

igual a 4n, em que n

Resposta: Seja Z uma varivel normal padronizada: x-p Z= --~N(O, I) a Ento,


segue

!Z,'

~ ;C,:, ou seja, a soma de n variveis normais. padronizadas

ao quadrado, da

uma distribuio Qui-quadrado com 11 graus de liberdade. distribuio Qui-quadrado ser dada ento por:

A esperana

E( x.~) E( ~
=

Z,' )

E( X,~)
.-

'"'

t E(Z,') ,.,
=

Note que E( Z,') normal padronizada IE( X~) == 111 Calculemos

var (ZJ, j que E(Z;) == O. E, com sabemos, igual a I. Portanto:

a varincia

de uma

agora a varincia de uma distribuio

Qui-quadrado:

vare X.' ) == var( var( X.~ ) =

t,

Z,' )

..

'"'

t var(Z,')
1=/

-".'

Como j tnhamos

visto antes, E( Z: ) = var

(Z,)

= I:

i=1

E a E( Z,') de umad istribuio


relao mdia de uma distribuio

normal

padronizada,

isto , o quarto

momento

em

normal padronizada,

igual a 3. Portanto:

".
;=1 ;=1

,::

,
-"">,

Dessa forma, a distribuio Qui-quadrado (n O nmero de graus de liberdade).

possui mdia igual a n e varincia

igual a 2n

--\-

IFALSAI

, ,
~
"

(4) a distribuio binomial pode ser aproximada pela distribuio de Poisson para . valores grandes de n (tamanho da amostrjie pequenos de [J (probabilidade de sucesso ). Resposta:
, I.

,
,

E exatamente
distribuio

nesse caso que a distribuio binomial de Poisson (veja item (O) desta questo).

pode

ser

aproximada

pela

'

'"'

"
..

IVERDADEIRAI

...
(ANPEC 2003, 13) A probabilidade de um homem acertar um alvo K Quantas vezes ele deve atirar para que a probabilidade de acertar pelo menos uma vez no alvo seja maior que 2/3? Soluo: A probabilidade de acertar o alvo pelo menos uma vez ser dada por: nenhuma)

P(pelo menos uma vez) = I - P(acertar

E como a probabilidade

de acertar o alvo de calculamos

a probabilidade

de no acert-lo de
11

de

2.. 4

Na tabela

abaixo

'.

essas probabilidades

para os valores

at que

P(pelo menos uma vez) seja maior que ~

(== 0,67):

N
1 2 3

P(acertar
-

nenhuma)
... .J

P(pelo menos 1 vez)


-

.J - X -=--

...

4 ... .J

...
J

...
J

-x-x-=-

16 3 27 ...
-)

16

4
.r>

...
J

...
J

...
J

64

37(=058) 64 ' 175 (=068) 256 '

-x-x-x-=-4 4 4 4

81
256

Portanto,

ele deve atirar ~ vezes para que a probabilidade


)
'I

de acertar pelo menos uma

vez no alvo seja maior que'::'.


.J

,"-

(ANPEC 2002,
(O) Uma varivel

07) Em relao s distribuies aleatria X com distribuio

de probabilidade binomial

discretas: p, baseada constante. em n

de parrnetro

".,-~

repeties,

aproxima-se

de uma Poisson quando

n ~ co e p permanece

"

Resposta:
Uma varivel aleatria com distribuio binomial pode sim ser aproximada por uma distribuio de Poisson, desde que n co e p ~ O, de modo que np permanea constante (veja da questo ANPEC 2003; 04, item O).

IFALSAI
. ""
.r>

(1) Uma varivel primeira

aleatria

Y, definida

como o nmero

de repeties desde

necessrias

para a

ocorrncia

de A, tem distribuio

Geomtrica,

que as repeties'

sejam independentes

e que P(A) = p e P(A c) = l-p.

Resposta:
r<.

A distribuio geomtrica se refere probabilidade de A ocorrer exatamente na k-sima repetio. Portanto, se a varivel aleatria Y o nmero de repeties necessrias para a primeira ocorrncia de A, ela ter distribuio geomtrica, cuja funo de distribuio dada por: P(x = k) = (l_p)k.lp

IVERDADEIRAI

(2) Pode-se

utilizar

a distribuio

Binomial

para, por exemplo.

calcular

a probabilidade ao acaso.

de se encontrar sem reposio.


",

k peas defeituosas

em um lote de n peas selecionadas

'"

..

,-

,.
Resposta: Nesse caso, deve-se peas. IFALSAI utilizar a distribuio hipergeomtrica,j ~ que no h reposio das ...--,'.

(3) Se uma varivel ser prxima tamanho Resposta:

aleatria

segue Uma distribuio se


O

Hipergeorntrica,

sua distribuio ao

da Binornial

tamanho

da populao

for grandeen-r.relao

da amostra extrada.

~ A distribuio hipergeorntrica difere da binomial pelo fato da amostra ser finita e os elementos serem retirados sem reposio. Quando o tamanho da populao for grande em relao ao tamanho da amostra, no far diferena se retiramos os elementos com ou sem reposio e, portanto, a distribuio hipergeorntrica ser prxima da distribuio binornial. Veja tambm questo ANPEC 2003, 4, item 2.' /VERDADEIRA! _

(4) Se Z tiver distribuio


Resposta:

de Poisson com parmetro

a, ento, E(Z)

VeZ) =a.

A distribuio de Poisson o caso limite de uma distribuio binomial fazendo n 4 co e p 4 O, ou seja, o nmero de repetises do experimento tende a infinito e a probabilidade do evento ocorrer tende a zero, de modo que np permanea constante. Portanto, a mdia e a varincia de uma distribuio de Poisson sero dadas, respectivamente, por:

'.-

E(Z)

= np =

a
=

VareZ) = np(I-p)

np

a
a mdia igual varincia, que so iguais ao'

,.
...--,.

Dessa forma, na distribuio de Poisson, parmetro da distribuio, a. IVERDADEIRAI

(ANPEC 2002, 14) Uma companhia

de seguros

tem 400 segurados

de certo tipo. O a seguradora de oqorrncia

prmio do seguro R$ 1.000,00 por ano. Caso ocorra um sinistro indenizar R$ 8.000,00 a cada acidentado. Sabe-se que a probabilidade

de sinistro, 0, I por ano. Os custos fixos da seguradora so de R$ 8.000,00 por ano. Qual a probabilidade da seguradora ter prejuzo em um certo ano? (Ignore o fator de correo para continuidade, multiplique sua resposta por 100 e transcreva a parte inteira do nmero encontrado). Soluo: / A receita total dessa companhia dada por: R = 400 x 1000 = 400.000

'\.

Chamando de x o nmero de sinistros so: C = 8.000x + 8.000

ocorridos

por ano, temos que os seus custos totais

Portanto, o lucro dessa companhia dado por: L= R- C L ="400.000 - (8.000x + 8.000) Se o lucro for igual a zero, obviamente, a empresa que:

no ter lucro nem prejuzo.

E temos

O <=> 8.000x
392

(
= 400.000

- 8.000

x=~ 8
x = 49

Portanto, para que a empresa tenha prejuzo, o nmero de sinistros ocorridos por ano (x) deve ser maior que 49. Ento, devemos encontrar P(x>49). Note que a varivel x tem distribuio binomial e, dessa forma, temos que: E(x) = np = 400xO,1 = 40 var(x) = np( l-p) = 400 x 0,1 x 0,9 = 36 dp(x) = -fvar(x)
=6

Iz

E, como a varivel binomialmente distribuda, podemos aproxim-Ia pela distribuio normal. Padronizando a varivel para podermos consultar a tabela, ternos que: r- u 49 -40 9

= -'-'-

=- = 1 5
6 '

dp(x) Portanto,

P(x>49) = P(z> 1,5):

-~

_ .r---

\
0,4332 Consultando a tabela da distribuio normal para z = 1,5 encontraremos o valor de 0,0668 (lembrando que a tabela fomecida para o exame d as probabilidades dos valores extremos). Portanto: . P(x>49)
=

..

P(z> 1,5) = 0,06f8

6,6~%; .

I].

..

Transcrevendo apenas a p~rte inte ild o 'nm~ro encontrado, chegaremos ~o valor de

(ANPEC 1999, 12) Sobre as distribuies de probabilidade podemos afirmar que: (O) Na distribuio Binomial no possvel contar as no-ocorrncias do evento e a mdia e a varincia so iguais ao parmetro da distribuio. Resposta: O enunciado desse item se aplicaria distribuio de Poisson. Na 8inomial possvel sim contar as no-ocorrncias do evento e, como sabemos a mdia e a varincia de uma distribuio binomial no so iguais, j que sua mdia dada por np e sua varincia por
np/ l-p), IFALSAI
~_.

(I) As caractersticas da distribuiodePoisson so: (i) 11 repeties. de um experimento de Bemoulli; (ii) as repeties so independentes; (iii) cada experimento .tem dois resultados possveis que so mutuamente exclusivos;

(iv)

distribuio

de
x
IJ-X

probabilidade

... , n, onde

defi n ida

como de e

P( ./ :r q

= X) =

(n) .p.q
X

, x
p

I, 2,

= nmero

repeties = I -p.

do experimento,

= probabilidade

de ocorrncia

de sucesso

.0_:

Resposta: As caractersticas enunciadas na afirmativa so de uma distribuio distribuio de Poisson possui as seguintes caractersticas: no possvel contar as no-ocorrncias do evento; E(x) = var(x) = np = , ou seja, a mdia igual varincia;

binomial.

e-i. ,'
a distribuio IFALSAI de probabilidade definida como P(X

= k) = --

k!

."

(2) A mdia de uma distribuio Geomtrica I /p, onde p probabil idade de ocorrncia de sucesso. Resposta: A distribuio geomtrica refere-se probabilidade de ocorrncia de sucesso exatamente na n-sima jogada. Portanto, temos que:

P(X

I)

=P

P(X = 2) = px(l-p) P(X = 3) = px(l-p)" P(X =n) = px(l_p)n-1 A mdia de X ser ento: E(X) = Ixp+2xpx(l-p)+3x

px(1_p)1+

...

Note que a expresso acima "quase" uma progresso geomtrica, exceto pelos nmeros 1,2, 3, .... Como veremos abaixo, a expresso acima a soma de progresses geomtricas: p

+ p(l-p) + p(l-p)" + p(l_p)3 + ... p( l-p) + p( I-p i + p( l-p):' + '"


p(l-pi + p(l_p)3 + p(l_p)3+ . .

p + 2p(l-p)+3p(l-pi+4p(l-p)3+

... geomtrica infinita, com valor inicial dado por

E a soma dos termos de lima progresso a e razo dada por q :

S=

_(f_

-r-,

1- LJ Portanto. temos que:

-t-;.

''''''''':".'

E(X)

P l-(l-p)

+ p(l-p)
l-(l-p)

+p(1-pr 1-(l-p) ...

+p(l-pf 1-(l-p)

+ ...

E(X)=p+(I-p)+(1-p)2+(l-p)3+ E(X)
=

1 - (1 - p)
1 E(X) = p

IVERDADElRAI
-r-; ..

(3) Um levantamento junto ao Setor de Contabilidade de uma loja de departamentos mostrou que 30% dos clientes pagam suas mensalidades com atraso. Se em certo dia selecionarmos ao acaso 10 pessoas que pagaram suas dvidas mensais, a probabilidade de no mximo um cliente ter pago com atraso aproximadamente 15%.

Resposta:
Chamando de X a probabilidade de um cliente atrasar sua dvida, temos que, num grupo de 10 clientes: P(X=O) = 0,701= 0,028 P(X=I) = IOx0,79xO,301 = 0,1211 ....

-<:

Dessa forma, a probabilidade


por: P(X s l) = P(X=O) + P(X=I) P(Xs I = 0,028 + 0,1211

de no mximo

um cliente atrasar o pagamento

ser dada

~""-

P Xs I == 15% IVERDADElRAI

.. ~.

\.

'" ."
/'.

li .
. r'-.

~
~,

(ANPEC 2004, 05) Uma varivel aleatria contnua x tem a sua funo densidade probabilidade dada pelo grfico:

de

"
KI
.
,~

So corretas as afirmativas: (O) O valor da constante KI no poder ser maior do que I. Resposta: A constante K, poder assumir qualquer valor positivodesde que a rea do grfico no seja maior do que 1, ou seja, a soma de todas as probabilidades (que, obviamente, no pode ser maior que I).
IFALSAI

(I) O valor da co.. nstante K2 ser igual a

(K1+2)/2K1

Resposta: Para encontrarmos o valor da constante K2, basta calcularmos a rea do grfico da f.d.p. de x e igualar a I. E, como podemos observar no grfico, temos duas figuras, um tringulo e um retngulo. A rea do tringulo dada por: base
x

altura 2

IK,

E a do retngulo:
base x altura
=

(KJ ..I) x K,

Somando essas duas reas e igualando a I, temos que:

-;- + (Krl )xK,


(K] .. I)=

= 1

K) ( 1--' 2
_I

x-1

K,

(K..., .. I)=

_l..
2
I

K,

K,=
-

_I

-~+
2

K,

-r-c-'

K2

==

-+--:-

1 ,

_"_o

K,

K2== ---'?:K,

2-! K

IVERDADEIRAI

~.
(2)

t;. ,...._de. p~bbilidade .., . '-L de x ser f(x)


==

.{KI

X'

OS:x<1
2

funo densidade

; iS:xS: K

O, fora desses

intervalos .

Resposta: -, exatamente essa a f.d.p. de x.o.~servando o grfico, podemos ver claramente que se x estiver entre O e I, o valor de j(_) ser Kix. Se x estiver entre I e K2, o valor daf(x) ser igual constante K, (j que f(x) e uma linha horizontal nesse intervalo). E fora desses intervalos, a f(x) igual a zero. Observe que os sinais de desigualdade s: ou < so equivalentes nesse caso, j que a distribuio contnua. IVERDADEIRAI

.
(3) A funo de distribuio acumulada de

{KV"'(2
x serF(x)=
,.;..
.

/2, OS:x<l

r;IX, lS:x< K2
_ 1, x z K2

--., ,

Resposta: Sabemos que:

F(x)=

ff(t)dt

Ou seja, a funo de distribuio acumulada (Ffx) a soma das probabilidades os valores possveis que a varivel x pode assumir at O valor de x propriamente Portanto, nesse caso, temos que:
2

de todos dito.

F(x) =

fK,xdx

==

K, x + C 2
temos:

""""-

..

Como F(O) = O, substituindo F(O)


==

,.
-

C =0

Ento, para O s: x < 1

"\

..

F(x)

K ~
I

Para I S x < K2, temos:

Da primeira

funo, temos:

".

F(I) = K
I

r.. KI 2 2
na segunda:

Substituindo
I

F(I)=K+C=-' C=~-K

2
I

C= __K I 2
f

Dessa forma, a funo de distribuio

acumulada

de x ser dada por:

K,x" /2, F(x)= K,x-&,


2 I,

OSx<! ISx<K2

~"
(4) Supondo Resposta: Supondo que K2 =1) a esperana matemtica de x, E(x), ser 113.

que K2

I, a f.d.p de x ser:

f(x)

-x x, { 0,
,~

OSx<!
.

tora desse

Intervalo K,.

E para calcularmos a esperana de x, precisamos encontrar o valor da constante Nesse caso fcil, j que no item (I) dessa questo encontramos que I:
7 -, ' K , K - --2K,
)-

Portanto:
!

Para aqueles que' no tivessem resolvido o irem (I) dessa questo (ou para os que no tivessem absolutu
bustariu culculur

ccric zu de sua \ crucidudc).

f K,xdx
I

c igualar

a I.

..

,,")
"')
~)

~)

~)
1=--'

'"

')

2+K

2K, 2K, = 2 + K,
2 K, - K, = 2 K,=2 A esperana de x ser ento:
:-.: t

- ... <,

E(x) E(x) E(x) E(x)


E(x)

fxf(x)dx
" ,
~'-

= fX(2x)dx
,
=

f2x'dx

"
=

'"

2[X' 3 ..
1 2x3

J'

"

E(x)

= -

2
3

IFALSAI

(ANPEC 2003, 03) O custo X de produo de certo bem uma varivel aleatria com funo densidade de probabilidade kxZ 1S x S 4 f(x) = { O caso contrrio correto afirmar que:
(O) o valor de k 63;

,,-

Resposta: Para que f(x) seja uma f.d.p., a seguinte condio deve ser satisfeita:

,
ff(x)dx
=

--\.-

-----,

Ou seja, a soma das probabilidades deve ser igual a I, Portanto:

, -

k fx'dx=

,""",

'\.-

(I) o custo mdio do produto aproximadamente Resposta:


Para encontrarmos
<

1,04;
a esperana de x:

o custo mdio do produto,

basta encontrarmos

E(x) = f.if(x)dx
<

E(x) = IXkx'dx
I

<

E(x) = k IX'dx

E(x) = k[

-:<

I
1<]
4
255 4

E(x) = k ---

4<

E(x) =

I -x21

IE(x) ~ 3,0361 IFALSAI

(2) o custo menor do que 2 com probabilidade

1/9;

Resposta: A probabilidade
P(x < 2) < 2) P(x de x ser menor que 2 dada por:

= Jf(x)dx
=

'J'-:'C I "d.x
,21

P(x<2)=-:;-

I --::;~I .J

[x']-

"">, ..

--~
."

P(x < 2) P(x < 2)

li[21 3-3
-x21 1 7 3

1']

-r>.

I P(x < 2) = 9 IVERDADEIRAI

(3) a varincia

do custo do produto aproximadamente

3,04;

Resposta:
Sabemos que a varincia de x dada por: var(x) = E(x2) - [E(x)]2

----","
A mdia dos quadrados
J

de x :

E(x2) E(xL)

f x' f(x)dx
21

Ix' _1 x'dx
I

E(xL)
E(xl) E(xl)

_I 21 21

IxJdx
I 5

= -

1 [4 1']
---

_I x 1023 21 5 1 341 . E(x ) =-::= 9,743 35


=

A mdia de x j foi calculada A varincia ser ento: vai(x) = E(i) - [E(X)]2 = 9,743 - (3,036l ::= 0,52 IFALSAI

no item (I): E(x)

3,036,

----....,

(4) o custo maior do que 3 com probabilidade

8/9.

Resposta:
A probabilidade
J

x ser maior que 3 ser:

P(x>3)=

ff(x)dx

~-,

'"

--'\

-;

~ -_.-.... PCx> 3) P(x>3)= P( X>J ") PCX>J ")


IFALSAI
<">,

, I
=

,21

f-x'dx

-,
=

21

1 [4" --~ ", 1


3 3

-r-,
,...--"

I 37 -x21 3 63

37 =-

---.,

"
"

(ANPEC 2002, 08) Em relao s distribuies

de probabilidade

contnuas: de probabilidade f(x)


= ~ .

(O) Se X tem distribuio

Normah

zr.zr "), ento a funo densidade

de

"
"

X, f(x), atinge o seu valor mximo quando x Resposta:

=p

e nesse ponto

uv2Tr

Nesse caso evidente que a funo densidade de probabilidade atinge seu ponto mximo quando x for igual a p (basta olhar para o grfico da distribuio normal):

~'''''\

0,"

'-"'---

Porm, para os que gostam de clculo, podemos mostrar facilmente que a f.d.p. de X atingir seu mximo quando x for igual a JI. Para isso, basta derivarmos a funo densidade de probabilidade de X e igualar a zero, para encontrar seu ponto de mximo:
1
,j( x) =
--;-,

_1,- .1'

,e

,.,' 1 (x - p)

v2Tru'
I
1-, , -V ~lT(F

df(x) c/x

x e

11'-/11: -~'--.;o

x - - x 2 -'----'--'-

')

dfCx) _ -- - (x dx
E temos que:

,Li)

1(.-,,1' x e -,-----;;-

"
o,,

a'

.J2;ra'
:;

dlCx) -"" <=:> dx


~""O ~

(x-u)

E quando x
1(,)
=

u, a f.d.p. de x ser:
\.'

I e" "" 1 .J2ra" .J27r0' ,

IVERDADElRAI

(I) Se X tem distribuio Uniforme no intervalo [O, a], igual a 4/3 para que P(X > 1) = 1/3. Resposta: Sabemos que a f.d.p. de uma varivel uniformemente _1_, que, nesse caso, equivale a ~ (j que
a ""

IX

>0, ento, a tem que ser

distribuda dada por f(x) ""

~.:

O). Portanto, a P(X >1 )ser dada por:

a-a
rr

a ,a

P(X> I) ==

f-dx

E para queP(X > 1) seja igual a


" 1

j, temo~ que:
,.
'"
.'

f-d>; ,a

1
=-

I [~a-~lJ=~
[~ x
3

I I 1--= a 3 -""

1 -2

1 3

a a=-

3
3 2

Portanto, a deve ser igual a

%
_

para que P(X> 1) seja igual a ~.


J

(2) A distribuio t de Student assemelha-se Normal padro, N(O, I), mas possui caudas mais pesadas, quando n, o tamanho da amostra, maior do que 30. Resposta: Pelo contrrio, medida que n aumenta, vez mais da distribuio normal. Ela tem amostra pequeno (menor que 30). Alis, de Student ser igual distribuio normal IFALSAI a distribuio t de Student se aproxima cada caudas "mais pesadas" quando o tamanho da quando a amostra for grande, a distribuio t padronizada.

(3) Se uma varivel aleatria contnua tem funo de distribuio


F(x)=l-e-x
=

se x z O se x < O . de X ser se x ~ O se x < O.

ento a funo densidade

de probabilidade f(x)
= e:'

=O
RefPosta:
A funo densidade de probabilidade distribuio acumulada. Portanto:

de uma varivel .'

a derivada

de sua funo de

fi(x)---

'!

dF(x) dx

ftx) = dei - e-') dx H'C)=O-(-e-')

f0T=-eJ
Dessa forma, a f.d. p. de x ser dada por: f(x)=e-' se x~O
=

se x < O

observe que o fato do sinal de desigualdade ser;::: (.::) ou > importncia, j que se trata de uma distribuio de probabilidade contnua. IVERDADEIRAI
Nora:

no tem

(4) A varivel aleatria clistribu io Norma I.

Z tem distribuio

Lognormal

se e somente

se e:-.:p (Z) tiver

""

".

Resposta:
A varivel normal. IFALSA/ Z ter distribuio log-Norrnal se e somente se ln(Z) tiver distribuio

(ANPEC
probabilidade

2001,

4) Seja

f(x) contnua,

X Uma varivel aleatria, com funo densidade definida sobre o espao arnostral A, do universo U:

de

(O)Tanto A como U devem ser contnuos.

Resposta:
Se a varivel aleatria contnua, devem ser contnuos tambm. IVERDADEIRAI
x.

ento seu espao amostra! e universo

necessariamente

(l)A probabilidade

P(X:S: xo) dada por

ff(X)dX.

Resposta:
A probabi Iidade de X ser menor que um valor qualquer dada pela soma de j{X) intervalo, ou seja, pela integral de sua funo densidade de probabilidade intervalo. IVERDADEIRA/ nesse nesse

,
(2)A probabilidade P(X = xo) dada por f(xo)' um nmero qualquer

Resposta:
Quando a f.d.p. contnua, a probabilidade de X assumir que um valor entre infinitos valores possveis: . J/(x)d>:
.eu

zero? j
.

[ffCx)J:::

ff(X,.')-

ff(x,)

=O

IFALSA/

(3) A funo cumulativa

de probabilidade

pode ser discreta.

Resposta:
Se a funo densidade de probabilidade contnua, a sua funo cumulativa de probabilidade (ou funo de distribuio acumulada) tambm deve ser contnua, j que a primeira a derivada desta ltima. IFALSAI . de probabilidade d de X calculada por f(x) = -F(x)

"'
em que,

..

(4) A funo

densidade

dx

F(x) a funo de distribuio Resposta:

acumulada.

Como j foi dito no item anterior, a funo densidade de probabilidade f(x) a derivada da distribuio acumulada (e, portanto, a funo de distribuio acumulada a integral

'\ ..

da f.d.p.). Porm, a funo conter pontos em que h contnua para um ponto X{J, a funo f(x) seja definida, das probabilidades atravs f.d.p. contnua irrelevante IFALSAI

f(x) j foi definida no enunciado. Sendo assim, ela pode descontinuidade em F(x). Como sabemos, se F(x) no sua derivada no existir neste ponto. Mas nada impede que a priori, contendo estes pontos, o que no alteraria o clculo dela (j que a incluso ou no de um nico ponto em uma para o clculo das probabilidades).

(ANPEC 2001, 14) Seja X uma varivel


probabilidade dada por

aleatria

contnua,

com funo o valor

densidade

de

j(x)

= ~,

I :o:; X:O:;3..

Determine

da mediana

dessa

2 distribuio. Soluo:
Sabemos que a mediana temos que: ;I divide a distribuio I
=

ao meio.

Chamando

a mediana

de m,

no

P(x>m) = hdx = 0,5


m -

P(x<m)

h-c/x

,-

0,5

Tomando

a segunda

das expresses

acima (mas poderia ser a primeira

tambm),

temos:

'"I hdx
,"'"

0,5

[~.\r
[_.1

0,5

m -~] .2 1

'

-Jn=

-+-

2
I
111= -

2
I

=2

2 Portanto, a mediana dessa distribuio

igual a ~.

(ANPEC 2000,

14) Seja Lima funo de densidade para poro O < x ~ :2 outros valores

de probabilidade:

((x)

J .'
Cy

to

lde .\'J

Calcule a probabilidade Soluo: Antes

de (O .$'x

.$' 1).

Arredonde

o resultado

e multiplique

por 100.

de calcularmos c. Portanto:

a probabilidade

pedida,

temos

que encontrar

o valor

da

constante

Jf(x)dx

=I
=1

Jcx'dx

cJx'dx=1
x' c -' 3

[ ']'
\I

=1

8 -c=1

"'o

c=-

3
8

Agora podemos
I

calcular

P(O ~x:s; 1):

P(O~x~l)

ff(x)dx

P(O::;x::;I)=

f -,'cdx 8
I , li

"3

3 8

P(O ~ x:s; 1)= - fX'dx

P(O ~

3 x ~ I) = -

[XJ]"
3
li

--.....

3[1' P(O ~ x ~ 1)= --- O'J 8 3 3


P(O

'-

.~.;

~ ..

'

s x:s; 1)= -= 0,125


8 o resultado e multiplicando por 100, chegaremos ao valor de

Arrendondando

------ ..

"'

....

\\jl!

(~}J
., ~

Hl~}~
fi\')

(jl{~'
(J'

~,fI. h.. f' . tI,; _,J

(ANPEC 1999, 11) Podemos afirmar que: .~

\t~\lii ri).. ~V~i~ ~1 [ N,r \p\.)f! fi


['lI

\ ~~ c)i
rff,(}I

lU

J'

.l1.j,jJJ,

I'i't

!~

\OJ'

<.;

(O) A distribuio qui-quadrado muda de forma de acordo com o tamanho da amostra. Para amostras pequenas, a distribuio se inclina para a direita assirnetricamente e torna-se cada vez mais simtrica medida que o tamanho da amostra cresce. Resposta: O formato da distribuio Qui-quadrado dependente do nmero de graus de liberdade da amostra. Quanto menor for o nmero de graus de liberdade, mais assimtrica ser a distribuio Qui-quadrado e quanto maior ele for, mais simtrica ela ser. Alis, quando I o nmero de graus de liberdade grande, a distribuio se aproxima da normal.
\j-

x"

IVERDADEIRAI

"t" sempre simtrica com mdia zero e medida que o tamanho da amostra aumenta, a distribuio "t" aproxima-se da distribuio normal padro. Resposta: A distribuio t de Student simtrica e possui sempre mdia zero e varincia igual a

(I) A distribuio

_n_

(n o nmero

de graus de liberdade).

Quando

n pequeno,

o formato

da

n-2

distribuio t o de uma "normal" achatada, e conforme o tamanho da amostra aumenta, a distribuio t se toma cada vez mais simtrica, ou seja, aproxima-se da distribuio normal padronizada. !yERDADEIRf,\!

"F' LIma razo entre duas variveis aleatrias "t" independentes, cada LIma delas dividida pelo respectivo nmero de graus de liberdade. Resposta: 2 A distribuio F uma razo entre duas variveis aleatrias (qui-quadrado) independentes, cada uma delas dividida pelo respectivo nmero de graus de liberdade: Xi/k F= --~Fk , / .n X" n IFALSAI
(2) A distribuio
"1...

(3) A distribuio normal apresenta dois pontos de inflexo na sua funo de densidade de probabilidadef(x) nos pontos x = .u - 2.u e x = fi + 2.u, onde ,li a mdia e a O desvio padro.
'~

Resposta: Sabemos que os pontos de inflexo de lima funo ocorrem onde a derivada segunda igual a zero, Na questo ANPEC 2002, 08, item/O). j calculamos a derivada primeira da f.d.p. normal: dj(x)=_(x-p) dx a
I

e"':,,"

,h.7[u'

-.--...,

". ,

Portanto,

sua derivada

segunda

ser dada por:

d'~~x) dx d' f(x)


dx'

=_

I .J2r(5I

,[~e-~,~pr
(5

__X~_,J1e-Mx~"J'-2J 2(_x~-,J1)l
v v

=_

[_I
u'

e -W:")'

(x - )1)' e -W:")']
(5'

.J2lLu'
=

~d'/~x) ri"
(

I ,

e-H':P)' [~_
(5-

.J2r(5-

(~-:l)']
(5

E temos que:

d'f~x) dx'
I
(5'

=O<=>[_I,_(X-:)']=o
(5" (5

(x -

)1)'

(5
)1r

---,O
...--.....;

u' -(x-

a' -(x-ji)'=O

(x -

)1)' = (5'

)Cx

-)1)'

Fc;'

x-u = (5 k=)1(51 Portanto,


ji-a:
\

a f.d.p. da distribuio

normal possui dois pontos de inflexo:

= ji

+aex

IFALSAI

(4) Se X uma varivel


probabilidade

aleatria

uniforme -

com a seguinte

funo

de densidade

de

..

f(x)
ento k= b - a . . Resposta: Se X tem a distribuio basta lembrarmos

= {~

se a < x < b quaisquer outros valores.

uniforme.

. - .

ento k

= _1_" b-a

Para ver isso m~is formalmente,

, fl(x)dx

que a soma das probabilidades

deve ser igual a I e, portant~:

=
I

[Ia:]::=

fkdx "

kb-ka=1

"
'\

~ ~

r->;

"

k(b-a)==1 k=-b-a !FALSAI


I

<">,

-------

"
"

(AN PEC 1998, falsas, (O) A varivel

05) Verifique

quais das afirmaes

,abaixo so verdade iras e quais so

aleatria

"t" definida

como

z
XI~i_l)

onde Z tem distribuio

<;

normal-padro Resposta:

I uma

distribuio

qui-quadrado

com (n - 1) graus de liberdade,

-.,
~

-r-,
"">,

O quociente
respectivo

entre uma varivel normal padronizada e uma varivel dividida pelo seu grau de liberdade (que nesse caso igual a n-l) uma varivel aleatria t.

IVERDADEIRAI

-"

(1) A distribuio (n - 1)/(n - J),

"r:

de Student

tem

mdia

igual

a (n - I) e varincia

igual

-">,

Resposta:
Aqui, basta lembrar que a distribuio
t de

->,

Student

uma

"normal
_11_,

padronizada

--..
"'"' -..#

achatada",

Portanto,

sua md ia ser zero, E sua varincia

ser igual a

n-2
!FALSAI

---,

-,
-""'

(2) A distribuio de uma razo de duas variveis aleatrias independentes, divididas cada uma pelo seu respectivo nmero liberdade, chamada de distribuio "P'. Resposta:

qui-quadrado de graus de

'"
------

exatamente !VERDADEIRAI

essa a distribuio

F, que utilizada

para comparao

de varincias.

--~

(3)

A estatstica provenientes

"'P" pode ser utilizada para verificar de duas populaes quaisquer.

a igualdade

ele duas varincias

Resposta:
"'~

A estatstica provenientes

"F" pode ser utilizada para verificar a igualdade de duas populaes normalmente distribudas,

de duas

varinc ias

_. .--..,

IFALSAl

(ANPEC 1998, 08) Seja X uma varivel aleatria com funo densidade f(x). (O) Se X - U]-o,] uniforme em [-0.,0.) , onde cx > 0, ento possvel determinar de modo que P(x < 1)= 1/2. Resposta: Nesse caso, o grfico da f.d.p. de x ser dado por, j que se a varivel aleatria X distribuda uniformemente entre -ci e 0., ento a rea de -CL at ser igual rea de O at a: a.

'-::'; ..

--"': ....

I()

'+------'----_.x

Portanto, a probabilidade de x ser menor que I certamente ser maior que 112.
IFALSAI

(1) Se ~ uma constante entre e I e f(x), g(x) funes densidades de probabilidades definidas no mesmo intervalo, ento ~f(x) + (1-~)g(x) tambm uma funo de densidade de probabilidade da varivel x. Resposta: Se f(x) e g{-,) so funes densidades de probabilidades definidas no mesmo intervalo, ento devemos verificar que:
. <

If(x)dx

Ig(x)dx

=1

E para que fJf(x) + (l-fJ)g(x) tambm seja uma f.d.p. deve-se verificar que: ffJf(x)+(I-fJ)g(x)dx=
I

f,8f(x)dx ,8 ffCx)dx+

JO- ,8)g(x)dx=
(1-,8) fg(x)dx ~ fg(x)dx=l,
=

E, como P+(I-P)=l P+I-P=I

~ ff(x)dx=

temos que:

B
Portanto, ,8f(-r:) + (l-j3)g(r:) varivel x. [VERDADEIRAl tambm uma funo densidade de probabilidade da

(2) Se a varivel aleatria X assumir os possveis valores 1,2,3,4, ..... , de forma que sua funo de probabilidade seja P(x= k )=c( I-P) k-I , 0< ~ < I, ento o valor da . constante c igual a p. Resposta: Calculemos P(x =1) P(x
=

a probabilidade
=

de X assumir os valores 1,2,3,4,

... :

= c(l-P)'"
=

I-pi-' = c( 1-(3) P(x = 3) = ~(I_p)3-' = c(l-pi


2) c(
1

P(x

= 4) = c(l-p)

4 ,

c(l-pr

'

E assim sucessivamente. Sabemos que a soma de todas as probabilidades dever ser igual a I. Portanto:

o que a soma dos termos de uma progresso igual a (1-/3). E sabemos que essa soma dada por:
.~

geomtrica

infinita, com razo (q)

a s=l-L)

Portanto, temos que:


a --=1 \-q ----=\

-=1

B
IVERDADElRAI
-r-.

-r--,

(3) Se a varivel aleatria X segue uma distribuio exponencial, ento P(x >(s+t) s) = P(x > t), para quaisquer s, t> O. Resposta: A probabi lidade condicional dada por:
P( X > ( s+t )1 x > s )
=

I x>

P[x>(s+t)ex> --=----'-_":""'- __ P(x> s)

s] P[x> (s + t)] _ e-a, " _ _'"_ P( "::' ~---'---~--e x> P(x>s) e-"
I.

) '

j que a probabilidade de x ser maior que s dada por:


P(x>s)

fae-'"

P(x>s) =

a[n

e~'

r
=

P(x>s)

a e- =e-u.

a
E, analogamente, a probabilidade de x ser maior que (s+t) :
P(x>s+t)
=

e-a"." P(x> t) nos permite afirmar que a distribuio

A propriedade que P(x >(s+t) 1 x> s) exponencial "no possui memria".


IVERDADEIRAI

"' ;----,
,.'

--..
<">,

----

~.
\
-">,

..

-r'<,

"'\

"
'""'\

""\.

"

5A) Contnuas

(ANPEC 2004, 15) Suponha


varivel aleatria bidimensional

que a funo de densidade (X,Y) seja dada por:

de probabi lidade conjunta

da

f(x,y)

='

) xy x-+O 3

0<x<leO<y<2
caso contrrio por 48 e transcreva este produto para a folha

"-------.."

Calcule a P(Y<X). de resposta.

Multiplique

o resultado

Soluo:
A probabilidade
IX

de Y ser menor que X ser dada por:

P(Y <X) =

ffx'
ti

x:
J

dydx

P(Y<X)

J1x'y+
1

11

xy' 6

]'dX
11

P(Y <X)

Ix'
"
[

+ x' dx

6
,

P(Y<X)

< ~+~

J'

24"

P(Y<X)

~+_I

4 24
P(Y<X)
= -

24 Multiplicando o resultado por 48 como pede o exerccio, chegaremos ao valor de

[G!J:

7 -x48=7x2=14 24

(ANPEC 2003,
probabilidade

14) Considere

o vetor aleatrio

X = ()tl, X~, )(3) com distribuio ::;1, O::; x,

de

f,:C\"x".\,) . _.
Encontre a probabilidade o resultado

..

. _ {6X X:X) 1

o s x,

S:;1,O::;x~

::;12

caso contrrio

de O ~ x, ~ 0,5. por 100).

(Multiplique Soluo:

exerccio pede a probabilidade de XI estar entre O e 0,5. Portanto, antes de mais nada, precisamos encontrar a funo densidade de probabilidade marginal de XI (que chamaremos de g(x)). Isso feito integrando em X2 e X3:
.[;,

g(x)

=:

j j6x,x:x,dx,dx,
\I (I

.[;,

g(x)

=:

6x,

I I x: xdxdx
I1

(I

g(x)

=:

6x,l"(,[~;]'
" o

dx.

.[;1
b

o(x)

=:

6x J...:.. x.dx
I ., .'

"J .[;j

o(x) o

=:

6x I-x "', 3
11

dx
.l ,l.

1 g(x)
=:

36x,

[x~].[; ~ "

o(x)
'" ~ex)

=:

2x 2xII

(-fi\' ri!:..L
'2

=:

Agora, podemos

facilmente
11.5

obter a probabilidade

XI

estar entre

e O,S :

P(0~xl$0,5)

= Jg(x,)d"(,
u
U.5

peO

$XI

s 0,5)

f 2x,dx,
J""
2 "

P(O $XI

s O,S)

=:

2[x"

P(O$XI

$O,S) 0,5)

=:

2[

OS'

~-2

O'] "', ~

Ipeo

$XI $

=:

0,2sl
chegaremos ao resultado de ~, diretamente

Multiplicando

por 100 como pede o exerccio, o mesmo resultado

Nota: obviamente,
lI_j~1

seria obtido se tivssemos

calculado

J J J6x,x~x,dx,dx,dx,.

'\
~\

~
-r-,

~
------'\

(ANPEC 2002, 13) Suponha


varivel aleatria domnio, bidimensional

que a funo densidade de probabilidade (X,Y) seja uniformemente distribuda 0:>;x:>;2, 0:>;y:>;2 somente

conjunta na regio

da de

~ -----,
-'\

f(x,y)=kx(x-y) Encontre E(X). Multiplique nmero encontrado. a resposta

por 10 e transcreva

a parte inteira

do

Soluo:
Antes de calcular E(X), teremos que encontrar o valor da constante k:

,
~

5 JfCx,y)dxdv
1\ li

1
=

"
~
-'"'o

f fkx(x

- y)dxdy

I I

"

J J x'
u

- xydxdy

->,

-1[x' x' y ]' dy -= 1 -:;- - ?


J -11

"" '"""",

->,
_,""""

'8 4 k f---ydy= o 3 r
k:;-y-2[8
J

Y']'
2"
-11

=1 I

---"
~...., -'"\

[8 2']' -= C3 -4}=1
k :;-2-2?
J

'""""

-"',
-">,

-k-=I 3 k= ~
4

A esperana

de X ser dada ento por:

~
-'\

E(X)

5 J-ifCx,y)dxdy
li 11

..-...., ~,

E(X)

nX~X(x"" 4

y)dxdy

3 E(X) = -: 4
'""""

'J'5.r ' ' - .v.ydxdy


ti I,

~
.........,

E(/ ) = - JI---:;-Y 4" L 4 J

~ X

'li

x'

.r '
"

]- I
"

c\'

E(X)

= -=-

I'l-=- - -=:;-\'. '-I,; 4


J

...'-fI'

] dv

~
..-....,

-r-,

~ ,""'

/\

E(X) = - f4--ydy 4" 3


r E(X)

3'

3 = -

[ 4y--- 8 y' ]' 4 3 2 "

-,-..,

E(X) IE(X) E(X)

3[ 8-316] ="4
:= 6,- 4
=

Multiplicando por J O como pede o exerccio, chegaremos ao resultado de ~ que, de fato, O resultado fornecido pelo gabarito. H algo estranho, porm. Se x est entre O e 2, como possvel que sua mdia seja 2? que a funo densidade apresentada na questo pode assumir valores negativos (faa y = 2 e x = J, por exemplo), o que a desqualifica como funo densidade. Se o enunciado fornecesse a funo abaixo, no haveria este problema: f(x,y)=kx(x-y) O:S;y:S;x:S;2

Neste caso, a mdia ser diferente de 2 (menor!). Para encontr-Ia, faremos o mesmo procedimento anterior, respeitados os novos limites de integrao. Antes de calcular E(x), teremos que encontrar o valor da constante k:

f ff(x,y)dxdy

= I

f J kx(x
k
U .'"

- y)dxdy

=1 =
I

Jj(x' - xy)dxdy
,,3 2 .'

x' k -~x' ---y

]' dy= 1

k.

,,3

'[8

y' ----2y+-'3

v']
2

dy= I

) dy= 1 k- 8-:;-+L-2Y 6 ~
"j

y' k [8 -y+--y 3 24

,]'
u

=1

k[~+Ji-4]=1 3 24

k[ 128
2k= 1

+~: -

96]

1 k= 2

A esperana

de X ser dada ento por:

E(X) = ffxf(x,y)dxdy
\I .

E(X)

"

I Ix-x(x-

y)dxdy

".. 2
E(X)
= -

I', f fx' - x' ydxdy 211 ,I_

E(X)

= ~

2
E(X)
= -

2
E(X) = -

2"
E(X) = -

l'R 1'[ 8 ']


4J

.lL 4

l x"

_ x' 3 4

y]' dy
.. 3 3

8y +L "} y L --

4-_y+L
3

dy

12

I [ 4y--+4y' 2 3
16 32] --+3 16 3 60

y;]'
60
11

E(X)

= -1 [ 8

2 E(X)
= -

-"

--

2 E(X)
=

1[ 8 --+-8J
15

~[120-80+8]

2
E(X) = - 2 15 E(X) = 1,6 Multiplicando

15

1[48J
o resultado por 10, como pede o exerccio, chegaramos ao valor de ~.

,
-~

B) Discreta

(ANPEC 1999, 13) Seja a seguinte distribuio conjunta de probabilidade variveis aleatrias Xe Y.

entre as

...

y
X 2 1

0,1 4 0,2 Oi tl Podemos afirmar que: (O) A distribuio marginal de X

3 0,2 0,1
. ,

5 0,3 0,1

X
P(X)

0,3

3 0,3

5 0,4

Resposta:
A distribuio marginal de X dada somando-se todos os valores possveis de Y, ou seja, somando-se os valores ao longo da linha, o que mostrado na tabela abaixo:

Y
X

3 0,2 0,1 0,3

5 0,3 0,1 0,4

P(X)

2 4
PCY)

0,1 0,2 0,3

0,6

0,4
I

A soma de todos os valores possveis de X, ou seja, a soma dos valores ao longo das colunas, a distribuio marginal de V, IFALSAI

,
__ o

(1) A varincia de Y 2,76.

Resposta: Sabemos que a varincia igual mdia dos quadrados menos o quadrado da mdia: var(Y)
= E(y2) _ [E(y)]2

Calculemos E(Y): E(Y) = I x 0,3 + 3 x 0,3 + 5 x 0,4 E(Y) = 3,20 E E(y2):


E(y2) E(y2)

12xO,3 + 32xO,3 = 0,3 + 2,70 + 10

+ S2xO,4

Portanto, a varincia de Y ser: var(Y) = E(y2) - [E(y)f var(Y) = 13 - 3,202 var(Y) = 13 - 10,24 &ar(Y) = 2,761

IVERDADEIRAI

(2) A covarincia

entre X e Y -0,56.

Resposta: Sabemos que a covarincia produto das mdias: cov(X,Y) = E(XY) - E(X)E(Y) A mdia de Y j calculamos Calculemos ento E(X): E(X) = 2xO,6 + 4xO,4 E(X) = 1,20 + 1,6 E(X) = 2,8

entre X e Y igual mdia cios produtos

menos o

no item anterior: E(Y)

= 3,20.

E para calcularmos E(XY), precisamos P(XY = 2) = 0,1 P(XY = 6) = 0,2 P(XY = 10) = 0,3 P(XY = 4) = 0,2 I P(XY = 12) = O, I I P(XY = 20) = 0,1

das probabilidades

de XV:

Portanto, E(XY) ser: E(XY) = 2xO,l + 6xO,2 + IOxO,3 + 4xO,2 + 12xO,1 + 20><0,1 E(XY) = 0,2 + 1,20 + 3 + 0,8 + 1,2 + 2 E(XY) = 8,4
A covarincia entre X e Y ser ento: cov(X, Y) = 8,4 - 2,8 x 3,20 cov(X,Y) = 8,4 - 8,96 Icov(X, Y) = -0,561 IVERDADEIRAI

(3) O coeficiente Resposta:

de correlao

entre A' e

0,344.

.. !

..

--\

... ----J

Depois de termos resolvido o item (2) dessa questo, esse aqui fica muito fcil. Como vimos, a covarincia entre X e Y negativa e, portanto, o coeficiente de correlao tambm ser negativo, ou seja, no poder ser igual a 0,344 (que um valor positivo). Para os que desejarem calcular P'" o seu valor de aproximadamente -0,344 (cuidado, pois, em mdulo, o valor estaria correto):
==

P"

cov(X,Y) ~var(X) var(Y)

-0,56
.)0,96
x

:::-0344

2,76 -

,
..

I-F A-L-S--'AI

-..

de correlao exprime a medida de dependncia linear entre duas variveis e pode assumir um valor qualquer no intervalo [O; 1]. Resposta: O coeficiente de correlao exprime sim a medida de dependncia linear entre duas variveis, mas pode assumir qualquer valor no intervalo [-I,IJ, j que podemos ter correlao negativa entre as variveis, Quando o coeficiente de correlao for igual a -I, teremos correlao negativa perfeita.

(4) O coeficiente

IFALSAI

--~

....-,:.:..

.. -,

(ANPEC 1998, 10) Considere acordo com a tabela abaixo:

a distribuio

de probabilidade

conjunta

de (X,Y), de .

-1 Y

O
I

-1.. .1/8 118


1/8

X O . 1/8 O 1/8

I 1/8
1/8 1/8

~/o
~.lt

Pode-se afirmar que:

(O) O coeficiente Resposta:

de correlao,

Px!"

entre X e Y igual a zero.

Para calcularmos o coeficiente covarincia, que dada por: cov(X, Y) Calculemos E(X)
== =

de correlao,

devemos

prImeiro

calcular

~, "

E(XY) - E(X)E(Y) ento E(X) e E(Y): 323


=

-I x - +0 x - + I x 888

O
desnecessrio para essa

Nota: sabendo-se

que E(X) == O, o clculo da E(Y) toma-se questo, j que O x E(Y) = o. Mas, em todo caso:

E(Y)

= -I

" ? " x .:: +0 x .::. + I x .:: = O

8
E para calcular
')

8 das probabilidades de XY:

E(XY), precisamos z:

P(XY

= -1) =

8
P(XY
=

O)

= ~

8 P(XY = I) =~ Dessa forma:


~.

E(XY)

= -I

x -

4 2 + Ox - + I x 888

Portanto: cov(X,Y)
=

O-

O=O
zero, sabemos que o coeficiente O - .jvar(X)var(Y) de correlao tambm ser igual a

E, se a covarincia zero:

P,I'

cov(X, Y) .jvar(X)var(Y)

- O

R/ERDADEIRAI

(1) As variveis

aleatrias X e Y so independentes.

Resposta: Muita ateno aqui: o fato da covarincia entre as variveis ser igual a zero, no implica que elas sejam independentes. Mas se as variveis forem independentes, a covarincia entre elas ser igual a zero. Portanto, para verificarmos se X e Y so independentes, devemos verificar se a igualdade entre a probabilidade condicional e a incondicional vlida. Vejamos:
I

P(X
~.

==

IIY

O)

P(X

= I

P(Y P(X I)

e Y = O) = O)

== ~

3.
8

= ~

2
8

Como P(X = IIY = O) ;i: P(X = I), oU seja, como a igualdade entre a probabilidade condicional e a incondicional no se verifica, conclumos que as variveis NO so independentes (apesar da covarincia entre elas ser igual a zero). Cabe notar que. para mostrarmos que as variveis no so independentes. basta encontrar lima situao em que a igualdade entre a probabilidade condicional e a incondicional no vlida. Mas, para mostrar que as variveis so independentes, essa igualdade teria que ser vlida para todos os valores de X e Y.
IFALSAI

..

'"""'\:

.. \

(2) Se Z = a)( + b e W = cY + donde a,b,c e d so constantes com a :t O e c:t O, ento o coeficiente de correlao, pzw' entre Z e W diferente de zero .: Resposta: O coeficiente de correlao entre Z e W ser dado por:
PZIV -

_ cov(W,Z) dp(W)dp(Z)
-,

Como Z

aX + b e W = cY + d, temos que: cov(bX,dY) dp(bX) dp(dY) bd cov(X,Y) Ibdldp(X) dp(Y)

PZII'

= ---------

cov(a + bX, c + dY)

dp(a + bX) dp(c + dY)

Lembrando que o produto bd, no denominador, deve estar em mdulo, j que o desvio padro nunca um nmero negativo. Como o coeficiente de correlao entre X e Y dado por:
=

cov(X, Y)

e;

dp(X)dp(Y)
..

Temos que o coeficiente de correlao entre W e Z ser dado por: ( bd P7.II'j = Ibdl Pn E como vimos no item (O), a o coeficiente de correlao entre X e Y igual a zero. Portanto, o coeficiente de correlao entre W e Z tambm ser igual a zero:
PZIV

"\

.. \

Ibdl

bd

x 0= O
.

IFALSAI

'""'\

(3) As variveis aleatrias X e Y apresentam uma relao linear. Sabemos que o coeficiente de correlao uma medida de dependncia linear. E o coeficiente de correlao entre X e Y nesse caso igual a zero. Portanto, as variveis aleatrias X e Y no apresentam uma relao linear. IFALSAI
..

(ANPEC 2005, 5) So corretas as afirmativas:


(O) Uma varivel aleatria X tem mdia zero e varincia de Tchebychev, PCI X I~10) $; 0,36. Resposta: Pela desigualdade de Tchebichev, etemos que: . 36. Ento, pela desigualdade

pclX - lil~e) $; var\X)


Como nesse caso, li = 0, var(X) = 36 e

= 10:

pclXI ~ 10) s 100 p(IXI ~ 10) s 0,36


_J_

"6

IVERDADEIRAI

(1) Pela Lei dos Grandes

aleatrias Normal. Resposta: A Lei dos Grandes Nmeros diz que a mdia amostra I converge para a mdia populacional quando a amostra suficientemente grande, ou seja, que a mdia amostral um estimador consistente da mdia populacional. A afirmao feita neste item referese ao Torerna do Limite Central. . IFALSAI

Nmeros independentes, para

a distribuio da mdia amostra I de n variveis n suficientemente grande, aproximadamente

de um determinado parrnetro dito consistente se convergir, em probabilidade, para o valordoparrnetro verdadeiro. Resposta: Um estimador consistente quando, medida que o tamanho da amostra aumenta, o seu valor converge para o valor verdadeiro do parmetro, Oll seja, o valor esperado da estimativa tende ao seu valor verdadeiro e a varincia vai desaparecendo: I i111 I i rn
li-H

(2) O estimador

E( ) = f) vare e) = O

11-"

O que e equivalente a dizer que o valor estimado do parrnetro est prximo de seu va lor verdade] ro. com lima probab i I idade mu ira elevada. q uando ri grande. Dessa
O seu valor verdadeiro

forma. o Iirn ite da probabi Iidade (plim) do valor da estirnati va do parrnetro (e) menos (B) ser maior que um nmero e > O muito pequeno. tende a zero
11

quando

tende ao infinito:

Ou, ento:

Dessa forma, dizer que um parrnetro 'cnsistente, probabilidade, para o seu valor verdadeiro. tvERDADEIRAI

significadizer '

que ele converge, em

(3) A Lei dos Grandes Nmeros' est relacionada com o conceito de convergncia em probabilidade, enquanto que o Teorema Central do Limite est relacionado com convergncia em distribuio., Resposta: Vejamos primeiro o significado de convergncia em probabilidade e convergncia em distribuio: - convergncia em probabilidade: dizemos que uma varivel aleatria x converge em probabilidade para y quando os resultados de x so prximos dos resultados de y com alta probabilidade para n suficientemente grande. Assim, os resultados de y so uma aproximao para os resultados dex. A convergncia e~ probabilidade implica que os valores que a varivel aleafria x pode tomar que no so prximos dos valores de y torna-se crescenternente improvvel medida que o tamanho da amostra aumenta, ou . ' seja: plirn ~x -

y/

> e ]=0

ou

plimijx-

Y/

<.d

onde e um nmero positivo arbitrrio muito pequeno. Representamos a convergncia em probabilidade por: x~ y (x converge em probabilidade paray)

- convergncia em distribuio: dizemos que uma varivel z converge em distribuio para w, quando a distribuio de z toma-se cada vez mais prxima da distribuio de w medida que o tamanho da amostra aumenta. Assim, a distribuio de w uma aproximao para a verdadeira f.d.p. ou f.d.a. da varivel aleatria z quando n (tamanho da amostra) suficientemente grande; Representamos a convergncia em distribuio por:
z~w (z converge em distribuio para w)

E, como a Lei dos Grandes Nmeros diz que medida que o tamanho da amostra aumenta, a mdia amostral converge para a mdia populacional, ela est relacionada ao conceito de convergncia em probabilidade:

Teorema distribuio relacionado

do Limite Central diz que medida que o tamanho da amostra aumenta, a da mdia amostra I aproxima-se da distribuio normal. Portanto, est ao conceito de convergncia em distribuio:

IVERDADEIRAI

q dito no-tendencioso se a sua varincia for igual varincia do parmetro estirado. Resposta: Um estimador dito no-tendencioso (no-viesado) se, na mdia, acertar o valor verdadeiro do parmetro, ou seja, se a sua mdia for igual mdia do parmetro populacional estimado:
(4) Um estimador
E( ti)
..

E( ti)

..---..

IFALSAI

(ANPEC

2004,

12) Suponha

que

""" ,x"

,x"

sejam

32

variveis

aleatrias

independentes, cada uma delas.tendo distribuio teorema do limite central, estime a probabilidade Use a tabela da distribuio transcreva a parte inteira. Soluo: Pelo Teorema suficientemente a a' , qualquer
17

de Poisson com Ic = 8. Empregando o de que a mdia amostral seja $ 9.

Normal

Padro

anexa.

Multiplique

o resultado

por 100 e

do Limite Central,

sabemos

que a mdia amostral, normal

para amostras igual

grandes,

segue uma distribuio

com mdia Jl e varincia Como as variveis

que seja a distribuio com parmetro

da populao.
= 8, sabemos

possuem

distribuio

de Poisson

que sua mdia e sua varincia para podermos consultar

sero iguais a 8 e o seu desvio padro ser a tabela:

J8. Padronizando,
I -=2
)

1
X-Ji.

= -a- =

Fn
Portanto,

-J8-8 J32

9-S

= --;18=S .JSx4

J8

J4
igual probabilidade
de z
$

a probabilidade

de x:$9

2:

.-"--.'

PU:$ 9)

= P(z$2)

= 0,50

+ 0,477250

0,977250

Multiplicando
valor de

o resultado

por 100 e considerando

apenas a parte inteira, chegaremos

ao

[Z].
2004, 13) Suponha que x"x"
,x"

.
sejam variveis aleatrias

(ANPEC

independentes, identicamente distribudas, com mdia E(Xi) = ~l (i = 1,2,3, ... n) e varincia (~ = 10. Utilizando a lei dos grandes nmeros responda questo. Qual dever ser o valor de n de modo que possamos estar 95% seguros de que a mdia amostral _~difira da mdia ~l por menos de 0,1? Divida o resultado final por 1000. Soluo: Partindo do Teorema de Tchebichev: I P( Ix - J11 S;; ko) ~ 1 - k 2 Como se trata da mdia amostral:
"

fq,IV,.J)

'f,pI'J()

lfY~v-,

rqtlx-;J.l (
\ \f/0'1
i

Fazendo

E =

ko/Fn,
o' -,
n

temos:

p(IX--j1IS;;E)~l-

E'

Que uma das formulaes

da lei dos grandes nmeros (MEYER,

1983, p. 287). por menos de O, I:

Nesse caso, a mdia amostral deve diferir da mdia populacional

pclX-

-,lil S;; 0,1)


IJ'

o' ~ I - --I, nO,I,


i

E como queremos estar 95% seguros, temos que: 1- -=095 nO, I' ' Como a varincia
1 - --

igual a 10:

10 O,Oln

=095 '

_1o_= 1-095
O,Oln _I-= 0,0 I n 0,0005 ' 0.05 .
n =

10

n=---

10 0,0005

11 =

20.000

< '.
,

Dividindo

o resultado

por 1.000, chegaremos

ao valor de ~.'
[,
,\

pelo caixa de um supermercado foi observado durante certo perodo. Constatou-se que o valor mdio de Y de 20 clientes, com desvio padro igual a 2. Encontre o limite mnimo para a probabilidade de que o nmero de clientes amanh se situe entre 16 e 24. (Pista: Utilize o teorema de Tchebycheft). Multiplique o resultado por 100. Soluo: Sabemos pelo teorema de Tchebichev que se conhecermos a mdia e o desvio padro de uma varivel aleatria, poderemos estabelecer um limite para a sua distribuio de probabilidade. O limite mnimo ser dado por (SARTORIS, 2003, p. I 15-116): P(IX-~LI < ko ) ~ 1 -

(ANPEC 2003, 11) O nmero de clientes - Y - que passa diariamente

k'

Como o valor mdio de Y 20 e seu desvio padro 2, temos: 16 < Y < 24 20 - 4 < Y < 20 + 4 20 - 2x2 < Y < 20
~l -

+ 2x2
de Y estar 2

20 < Y < ~

+ 20

Ento, a probabilidade de Y estar entre 16 e 24 igual a probabilidade desvios-padro acima ou abaixo da mdia e, portanto:

P(lx-~1 < 20) ~ 1 - 2'


Multiplicando

1
=

. '.

1 - 0,25

= 0,75

o resultado

por 100, como pede o exerccio,

chegaremos

ao resultado

de

.
(ANPEC 2002, 06) Indique
Nmeros, Desigualdade (V) ou falsas (F). se as seguintes consideraes sobre a Lei dos Grandes de Tchebycheff e teorema do Limite Central so verdadeiras

(O) De acordo com a desigualdade

de Tchebycheff, se a varincia de uma varivel aleatria X for muito prxima de zero, a maior parte da distribuio de X estar concentrada prxima de sua mdia.

Resposta: Suponhamos o caso extremo em que a varincia de X seja igual a zero. Nesse caso, a probabilidade de X ser igual a sua mdia ser de I, P(X = u) = 1.. Podemos demonstrar isso atravs da desigualdade de Tchebichev. Sabemos que os limites mximo e mnimo para a distribuio de probabilidade so dados, respectivamente, por:

P(IX-~ll ~ c)'s var~X)


t-

P(IX-l-ll s c) ~ 1-

var(X)

, ..

c Se a varincia for igual P(IX-pl~t)


=

zero,

teremos que:

Ou seja,.41 probabilidade de IX-pl ser maior que um nmero E (que pode ser um nmero bem pequeno) zero. E a probabilidade de IX-JlI ser menor que esse nmero I. Dessa forma, se a varincia for nula, toda a distribuio estar concentrada em nico ponto, ou seja, na sua prpria mdia. Portanto, quanto mais prxima de zero for a varincia de uma varivel aleatria, mais a sua distribuio estar concentrada prxima de su mdia. IVERDADEIRAI

(I) O teorema do Limite Central afirma que, para uma amostra grande o suficiente, a distribuio de uma amostra aleatria de uma populao Qui-quadrado se aproxima da Normal. Resposta: O teorema do Limite Central afirma que para uma distribuio da mdia amostral dessa populao qualquer que seja a distribuio de probabilidade restringe apenas a populaes que tenham distribuio IFALSAI amostra grande o suficiente, a distruibuda, ser normalmente da populao, ou seja, no se Qui-quadrado.

(2) As condies

suficientes para identificar baseadas na Lei dos Grandes Nmeros.

a consistncia

de um estirnador

so

Resposta: As condies suficientes para que um estimador seja consistente so que seu vis (caso exista) e sua varincia "desapaream" medida que o tamanho da amostra aumenta, ou seja, medida que n cresce, o estirnador converge para o seu valor verdadeiro:

-~

E a lei dos grandes nmeros nos diz que medida que a amostra aumenta, a mdia amostra! converge para a mdia populacional. Alis, uma das formulaes da Lei dos Grandes Nmeros dada por:
p(IX-JlIS;E)~I0"-,

I1E

E o limite da expresso

acima quando

17 -7 CI:

ser:

'"

I"i~ p(lx -,uI::;E) =1 Portanto, as condies suficientes para identificar realmente baseadas na lei dos grandes nmeros. [VERDADEIRAI" " .' a consistncia de um estimador so

(3) Em n repeties
ocorrncia constante Resposta: Sabemos

independentesdeum

experimento, PCl-/) nE

,se f A a freqncia

relativa

da

de A, ento do evento A e

P{If.A,-:.
E

pl <E} ::; 1-

, em que P a probabilidade

qualquer nmero positivo.

que fA dada por:

fA.

= -'/ ,

n
onde:
ns; = nmero
11

de vezes que A' ocorre (sucesso)

= nmero total de experimentos. aleatria com distribuio Dessa forma, temos que:
XI1XP

Sabemos quenx uma varivel por nx P e varincia nx Px (I-P). E(fA) =


.'

binomial,

com mdia

dada

u = E(~)=
n
2

~E(nA) = ~ n n
(

= P

Var(fA)=cr , Aplicando

=var

n -' n

I )

I " = -, var(nA)= n: de Tchebichev

I' -, xnxPx(I-P)= n: varivel aleatria

P x (1- P) _"""":""---'11

a desigualdade P(I-P)

fA, temos:

P(lfA-PI~E)::;

1 1- PC -,P)
nf,'

claro que o leitor no precisaria ter feito toda essa conta para concluir falsa. Bastaria notar que o sinal de desigualdade est trocado.
IFALSAI

que a afirmativa

""',

(4) Se uma varivel aleatria X tem distribuio


0,5, ento

Binomial

com parmetros

20 e P =

P{X::; a}

::::!

( a-l0 <P,~ ",5

em que

<pCe) a funo

de distribuio

Normal Resposta:

padro,

Sabemos que lima varivel aleatria com distribuio binomial possui mdia igual a nP e varincia igual a nP( I-P}. E sabemos, tambm, que a distribuio binomial pode ser aproximada pela distribuio normal. Padronizando a varivel X para que possamos consultar a tabela, temos que: X - /I P(X S; a)= __ r a O que, no caso da distribuio binomial torna-se:
p (X S; a) = X - nP ~nP(lP)

Substituindo
P(XS;a)=

os valores de n e p, temos:
a-20xO,5 ~20 x 0,5 x (0,5) a-IO

P(XS;a)=

J5

tvERDADEIRAI

(AN PEC 2002, 15) Quantas vezes ter-se- de jogar uma moeda eq LI il ibrada de forma a

se ter pelo menos 95% de certeza de que a freqncia a menos de 0,0 I da probabilidade intervalo de confiana
Divida Tchebycheff, a resposta

relativa do resultado "cara" fique do de (Utilize o teorema

terica

Y2, ou seja, de maneira que a amplitude


terica seja 0,02? a parte inteira

da probabilidade

por 1.000 e transcreva

do nmero

encontrado). Soluo: Pelo teorerna de Tchebichev, temos que (veja questo ANPEC 2002,06, item 3):

P[1f4 - p] E] > 1- p(I-,p)


n
E-

Portanto, para

E =0,01

queremos

encontrar

n de modo que 1-

p( 1- p) , seja igual a 95%:

E'

P[lf4 - 0,51< 0,0 I] > 1_ 0,5( I - ~,5)


nO,OI'

Ass im:
1
-~

0,5(1-

0,5)

nO,OI'

0,95

""""

0,5(1-0,5) 09 1- ,5 nO,OI' ') O .-) = 0.05 O,OOOln


0,000005 n
=

0.:25

..-,.....:..

= __0':.....2_5_

0,000005
n=--5 x 10-<'

25 xl 0-'

n n

5 xl 04 50.000 o resultado por 1.000, como pede o exerccio, chegaremos ao

Dividindo resu Itado de

[Q).
-,
.

(ANPEC 2001, 13) Sabe-se que certa caracterstica Qui-quadrado com 18 graus de liberdade. Tendo elementos desta populao, estime a probabilidade

de uma populao tem distribuio sido extrada uma amostra de 25 de que a mdia amostral

'"',,-.

X esteja no
Resposta em

intervalo 15 S X S 21. Use a tabela da distribuio Normal em anexo. percentagem, aproximando para o inteiro superior mais prximo. Soluo: Sabemos que a distribuio Qui-quadrado graus de liberdade. Portanto: E(X) = IJ.= n = 1 8 var(X) = cr2 = 211 = 36 Pelo Teorema distribuio normal, do limite com mdia Central

tem mdia n e

varincia igual a 2n, onde n

sabemos

que a mdia
,

amostral podemos

segue

uma a

IJ. e varincia

~.
11

Ento,

utilizar

distribuio normal para calcular a probabilidade podermos consultar a tabela, temos que:

pedida.

Padronizando

os valores

para

Z]

= --

X-fi
(J"

= ---

15-18

3x 6'

= -2 5

Fn
z-

_x_-_f.1
(J"

21-18

=3x

2. = 2.5
6'

Fn

5
da mdia amostralestar entre -2,5 e 2,5: entre 15 e 21 equivalente a

Dessa forma, a probabilidade probabilidade de z encontrar-se

/'

P( 15 :; X :; 21)

P(2,5 :; z:; 2,5)

==

0,493790 + 0,493790

98,758%

== b9%1

(ANPEC 2001, 15) Seja uma varivel aleatria X com mdia E(X)
=

O e varincia

G~

25. Qual
">

o limite de probabilidade

para que [X - E(X)] >1 O? Resposta

em

percentagem. Soluo: Da desigualdade


~c:

de Tchebichev

sabemos que:

I ? P(IX-~ll > E) < -. E(X-l-1t

Nesse caso, . P[IX-E(X)I> P[IX-E(X)I> P[IX-E(X)I>

E(X)

== 1-1 e E ==

10. Dessa forma, a expresso

acima torna-se:

I 10] < 10'

u;

10] < 0,01 x25 10] < 0,25 para que IX - E(X)I > 10 de no mximo ~5%1

Portanto, o limite de probabilidade

Nota: para a resoluo destaquesto assumimos que, no enunciado, o examinador queria dizer IX - (X)I (isto , mdulo de X menos a esperana de X) .

.(ANPEC 2000, 12) Dados os seguintes


(O)

enunciados.

correto afirmar que:

A Lei Fraca dos Grandes Nmeros diz que: dada lima varivel aleatria com d istribu io arbitrria e rnd ia e varinc ia fi 11 iras. a rnd ia amostra I obtida a partir de lima amostra aleatria de tamanho n ter distribuio Normal.

Resposta:
acima diz respeito ao Teorema vl ido apenas para 11 suficientemente grande). a mdia amostra I converge em probabilidade tamanho da amostra aumenta, ou seja; diz consistente da mdia populaciona!. IFALSAI

O enunciado

do Limite

Central

(com a ressalva

que

A Lei Fraca dos Grndes nmeros diz que para a mdia populacional medida que o
que a mdia amostraJ um estimador

(I) Se X I, X2, ... , X, so variveis aleatrias independentes, com distribuio Poisson(8), 8> 0, ento, para n "grande", vlida a seguinte aproximao:

me x - 8) / 8 Resposta:
distribuio

N(O, I), em que

a mdia amostra!. E, pelo segue a E para

Sabemos que na distribuio de Poisson a mdia igual varincia. Teorema do Limite Central, sabemos que para n "grande", a mdia amostral normal com mdia 8 e varincia dada por ~ (e desvio padro
n

1-).
-../n

que a mdia siga uma distribuio normal dividir pelo desvio padro. Portanto:

padronizada,

temos que subtrair

a mdia e

x-e .
J;;

.JB ~ N(O, 1).

IFALSAI

(2)

Se X), X2,

... ,
2

X,

so

variveis

aleatrias

independentes, de n,

com

distribuio

Normaltji.o '), u > 0, ento, para qualquer tamanho

rn (X
Resposta:

- u) / o - Nonnal(O, 1), em que

a mdia amostra\.

Se a distribuio normal, ento a sua mdia amostra I tambm ser normalmente distribuda, independentemente do tamanho da amostra. E para que siga a normal padronizada, ou seja, com mdia zero e varincia igual a l , temos que:

'---lx_----'-,uI_N

(O, I )

.Jn
IVERDADEIRAI

(J

(ANPEC 1998, 11) Com relao a desigualdade


do Limite, pode-se afirmar que:

de Tchebycheff

e ao Teorema

Central

(O) Se uma varivel


Var(X)
=

aleatria

O, ento p{IX -

fil se}

X tem mdia fl , E(X)=~l , e varincia


=

igual a zero,

I para todo e> O, ou seja, toda a probabilidade

estar concentrada

na mdia E(X) = 11 . de Tchebichev que:

Resposta:
Sabemos, pela desigualdade var(X)
f.-

P(IX-~ll 5:E) ~ 1 -

Se var(X) = 0, temos que:

P(JX-1l1

SE)

=1

Ou seja, a probabilidade da diferena entre X e 11 ser menor que um nmero pequeno de I. Dessa forma, toda a probabilidade est concentrada na mdia 11.
.'

muito

tyERDADElRAI

(1) Seja X uma varivel evento complementar, p{IX

aleatria com mdia 11 e varincia uma das formas da desigualdade ,onde

(52.

Quando se considera o de Tchebycheff igual a

-,Lil >kcr} ~ 1- k\

k um nmero real.

Resposta:
Sabemos que a desigualdade de Tchebichev em Sartoris (2003, p. 115-1 16)): 1 pode ser escrita como (veja demonstrao

P(lX-~ll ~k(5)< k'


o evento complementar 1 P(IX-1l1 < k(5)~ I Portanto, ser dado por:

IFALSAI

(2) Se a populao tem distribuio Normal, ento a distribuio tambm ser Normal, independente do tamanho da amostra.

das mdias amostrais

Resposta:
Se a populao for normalmente normalmente distribuda, qualquer IVERDADEIRAI distribuda, ento sua mdia amostra! que seja o tamanho da amostra. tambm ser

(3) Se X tem distribuio desconhecida com mdia 500 e varincia 2.500, para uma amostra aleatria de tamanho 100 podemos afirmar que a .mdia da amostra tem distribuio aproximadamente normalcom mdia 500 e varincia 25.

Resposta:
grandes,
()2/11,

Pelo Teorema do Limite Central sabemos que para amostras suficientemente a mdia arnostral segue uma distribuio normal com mdia IJ. e varincia Portanto, nesse caso, temos que a mdia amostral ter aproximadamente uma normal com mdia dada por:
= 500

distribuio E(X) e varincia

dada por:
= --=

var(X) IVERDADEIRAI

2.500 100

25.

(ANPEC

2004, 8) Com respeito inferncia e estimao

de parrnetros populacionais,

correto afirmar: (O) Suponha


f(x)

que

= ~e-Jlx,x

a varivel X tenha distribuio > O. As estatsticas X e minimoi X.X,

exponencial com densidade ,X,,] so estimadores no-

viciados de l/~, mas a segunda prefervel primeira por apresentar menor varincia.
Resposta:

Para "matar" esta questo, bastaria lembrar que apenas a mdia amostral um estimador no viesado de l/~, que a mdia da distribuio exponencial. Evidentemente, o mnimo da amostra ser viesado, pois sempre estar jogando a mdia para baixo e, desta forma, a afirmao falsa desde o princpio. Mas, vejamos isso mais formalmente.

o parmetro
+-,

a mdia da distribuio

e~ponencial, j que:

.-

'"

E(x)

= Jxf(x)d\:
o
cc

E(x)

Jx,&-flrd,,;
o
'"

E(x)

fJ Jxefl'dt
o

--

--

Utilizando o mtodo de integrao

por partes (faaf(x)=


~

x e g'(x) =e" )', obtemos:

E(x)

= fJ

[
_

_ xe -flx

_ e -fl'

- J--dc
j3
xe-flx e-flr

j3

]
o

]"0
o

E(x)

j3 [ I

fJ

- fJ2

E(x)

= -

fJ

Lembre-se

que:

Jf(x)g'(x)dx

f(x)gCr)

- fg(x)f'(x)dx

E, como sabemos, a mdia amostral um estirnador no-tendencioso populacional, j que a mdia da mdia amostral a prpria mdia populacional:

da mdia

E(X)

f \

!X;]
17.

_i.,_
.

E(X) E(X)

= =

-E(X,

+X,

+oooXJ

~[E(X,)
11

+ E(X,) +

000

E(XJ]

E( X )
E( X ) E(X)

- I(I I I)
= -;; fJ + fJ +
n fJ
o o o

fJ

- = -;; I( 1)
=-

fJ E para calcularmos a varincia da mdia amostral, precisamos saber qual a varincia d distribuid exporiencial. Para tanto, calculemos a mdia dos quadrados de x:
~

E(x2) = fx'f(x)di:

Novamente,

utilizando o mtodo de integrao por partes, temos:

Aplicando integrao por partes novamente, ') E(x-) -x e 2 -xe (-fi.

obtemos:

= ,B

'-fi

,B

+-

fJ

fJ

-fJ

r-e
-Ik

dt

)]'"

E(x') = fi [ - x~"

+ ~ ( - ~.

-:;)1

Dessa forma, a varincia var(x) = E(x2)


var(x) ~ ;,
-

de x ser:

[E(x)f

-( ~

var(x) = fJ'

Ento, temos que a varincia da mdia amostral, X, ser dada por: o:' Var(X) =n
-,-I

Vare X)

nfJ'
,X,,):

Vejamos agora o que acontece com a estatstica minimot XI' X2

, ....

Como j foi dito, o mnimo da amostra no poder ser um estimador no tendencioso da mdia populacional, j que ele estar sempre "jogando" a mdia para baixo. Portanto mnimo( XI' X 2 , .. , XI)) uma estatstica viesada da mdia populacional. Mas vejamos isso mais formalmente. A distribuio amostra I da estatstica m inimot Xi' X 2 , ...... , X" ) para uma populao com d istri bu io exponencial dada por:
~-- --1
\

-'"

...---------------- ..__

._--------.---;
-,' ,
i.

; f( XmJl1Jmo .. ) = (nJ-') R\ e
-.f ~_~ _

-(np P'm;n"""

..--.._--,." ..,--",--.

Como a mdia de x dada por ~ e a varincia igual a ;, ' temos que a esperana
...

;..:....

' (V,.. de minimo A I'./{

.~. ' Icu Ios, ser, por ana I' ogia, - I e a vanancia -( I )' (f laa os ca I1fJ nfJ e confira!). Calculemos ento o vis da estatstica mnimo da amostra:
2'

,.A"

",,"",

vis= E[mnimo(X,.X,
vies = ---

X)]

I1

-I[

..

n{J

f3

"

~
--I

--.

'. I-n vles =--

n/3
Portanto, o vis da estatstica minimoi XI> X2 I, corno j tnhamos visto intuitivamente. E corno a varincia do mnimo da amostra dada por I
, ..... ,

Xn)

ser negativo para todo n>

(nfiY ,
,

ela ser realmente

menor que a varincia da mdia amostral para todo n> 1. Dessa forma, apesar da estatstica minimot XI> X varincia IFALSAI menor que a mdia amostra!.

2 ,

X n) ser viesada,

ela tem

.' (I) O va 1 ar espera do da estatstrca varincia da


_

-I ~( 6.
l1i=l

Xi -

-)2.. e igua I a (11-1) x -n

(5 ,

em que de
CT

CT

2 a

popu lao.
2

Ento,

um

estimador

no-tendencioso

ser

11

I(xi -x)

11-1 i=1

Resposta: .' Sa bemos que a estatstica


.

( -1;' 6 Xi 11 i=l

x)

:;;\2.

. dor viesa do de e rea Imente um estima


6'.

l.

CT- ,

, Ja .. no

que seu

valor esperado dado por: n -1 (J", que diferente de


11

Um estimador

tendencioso

da

varincia --

1112

I (xi

- X)

11-1 i=l

~ (xi - x)2 , ou n i=1 seja, do estimador da varincia populacional ( claro que no dia da prova voc no precisa fazer isso, desde que se lembre desse resultado!):

Mas, em todo o caso, calculemos

o valor esperado da estatstica

I,

E( (J'- ) = - E[ L../Y,
~?

~
i='

_, -~t] (u):

11

Faamos um pequeno artifcio: somar e subtrair a mdia populacional

Temos agora um "quadrado da soma" onde consideramos ~l e o segundo ~ -x :

o primeiro termo como sendo

Xj -

.~

E como

I (Xi)
11

n s , temos que:

i=1

Ou:

E, numa expresso elevada ao quadrado, o sinal no interior cios parnteses importa, portanto podemos inverter o sinal da segunda expresso sem problemas

no

E, como a esperana da soma a soma das esperanas. temos que:


.~

E sabemos que:

ECrj - ~l):2 = var(x) = u

--.

,)

E( X _~t)2

= vare x) = ~
n

Dessa forma: E(() ) =


, 2

- [no ' - n-]


11

(}2

--.;.

, E( ()-

J )

n - I? = --crn

*- ()-

Portanto, dado por: s ~

(j-.2 um estimador

tendencioso

de

()2.

O estimador

no tendencioso

ser

= --

L(Xi -x)
i=1

17

-2

".

n-I
J que:

I ~ ( x,-x -)' .] E[ --L n- 1


iI

1 E.[~ - I] --o L(x -x) n- 1


i /.1

I = --(n-I) n- I

7 o:

7 c

IVERDADEIRAI

=-;

(2) Suponha que a varivel aleatria x seja uniformemente distribuda no intervalo [O, 13], em que 13 um parmetro desconhecido. O estimador de mxima verossimilhana de 13 ser Resposta: Se a varivel uniformemente distribuda funo densidade de probabilidade dada por: f(x)
= --=-

-r--c,

j3 =mnimo[x],

x2,., xn ].

no intervalo

[O, 13], sabemos que a sua

1 13

""'.

13-0

E (3, obviamente, o valor mximo que x pode assumir. Sendo assim, o estimador de mxima verossimilhana de (3, ou seja, aquele que d a maior chance da amostra

pertencer mxirnojx, IFALSAI

de fato uma populao

com distribuio

uniforme,

, sem dvida,

/3=

x i,

"',

x,,].

(3) Se dois intervalos


Resposta:

de confiana que esto sendo comparados apresentam o mesmo coeficiente de confiana, ento se deve preferir aquele que apresenta a maior amplitude.

--_o"

..-...

Dados dois intervalos com o mesmo coeficiente de confiana, o mais preciso ser aquele que apresentar menor amplitude (ou seja, que tiver menor margem de erro); dessa forma, este dever ser prefervel. -IFALSAI

(4) (_ P \x-z

Suponha de ~

que

x tenha distribuio
para a j;;}=2<D(z)-1
6

N(jl;0-2)

em que da

0-

seja desconhecido.

intervalo

confiana

mdia

populao,

~._---- - ~ u, ser
.

j;;~fI.~x+z

em que cD(z) a fun? de distribuio

Normal

Padro. Resposta: Se a varincia ed) desconhecida, Student, e no a normal padro: x-Ji


t=-A-

ento devemos

utilizar

a distribuio

t de

o-

J;,
Note que na distribuio t de Student, tanto o numerador quanto o denominador so variveis aleatrias, ao contrrio do que acontece na distribuio normal. Portanto, o intervalo de confiana para a mdia populacional ser dado por:

-0.-

....,

p( x - t };
em que

fi. ~

x + t .J;;) =

28(1) -] ,

eCt) a funo de distribuio t de Student.

Cabe notar, porm, que para amostras grandes (maiores que 30), no far diferena se utilizarmos uma ou outra distribuio, j que, nesse caso, elas sero aproximadamente iguais.

(ANPEC normalmente que

2003,

02)

Sejam:

XI,' Xl,
~t

..., Xn variveis e varincia


()1;

aleatrias
==
/1-1

independentes
n ;

distribudas

com mdia

IX
;=1

e Z

I~2 , em
i=1

1': ==o--I(X-,Li).

correto afirmar que:

(O) X um estimador tendencioso da mdia p.; Resposta: A mdia amostral (X) um estimador no tendencioso da mdia populacional j que o valor esperado da mdia amostral a prpria mdia populacionaJ: u,

E(X)=

n-'E(X, +X, + ...+XJ temos que:

Como a esperana da soma a soma das esperanas, E(X) E( X E(X) IE(X)


==

n-'[E(X,)

+ E(X,) + ... + E(XJ]

)=

n -, (,Li + ,Li + ... ,Li)

== n-'nj.1 == ~

Cabe notar que nesse caso, como s variveis so normalmente ser no tendencioso, IFALSAI X um estimador 'eficiente de ~.

distribudas,

alm de

(I) Z uma varivel aleatria com distribuio

X 2 com n graus de liberdade;

Resposta:
A varivel Z a soma de n variveis normais padronizadas ao quadrado (j que Y uma varivel normal padronizada); portanto, segue uma distribuioXl com n graus de liberdade. !VERDADEIRAI

(2)

S2 == /1-1

t
i~1

(Xi .,

xy
i

um estimador tendencioso

da varincia

()1;

Resposta:
estimador realmente um estimador tendencioso da varincia populacional, que para ser no tendencioso teramos que dividir a Soma das variveis centradas quadrado por n-l e no por n (veja questo ANPEC 2004, 8, item I).

j ao

IVERDADEl RAI

(3) n}{ lima varivel Resposta:

aleatria

normalmente

distribuda

com mdia nu e varincia '


r

a};

A md ia de l1Lf ser dada por: E(nX)


->-....

==

l1E(X)

==

11J.1

Mas a varincia vare


J

ser dada por:


X)
-

nJ( )

= n: vare

= n: -

J (5.

== ncs:

'J

n IFALSAI

(4) a varivel

aleatria

W
I

= ~~Z
n

possui distribuio

F com

,nl

e n. graus de liberdade,

em

que n, = I e n: = 2n. Resposta: Note que a varivel Wi o quociente entre uma varivel normal padronizada (Yi) e uma varivel que a raiz quadrada da soma de n variveis normais padronizadas ao 2 quadrado (ou seja, uma varivel X ) dividida por n. Portanto, Wi possui distribuio t de Student com n graus de liberdade. O quociente entre duas variveis aleatrias X2 distribudas independentemente e divididas por seus respectivos graus de liberdade, que segue uma distribuio F: F=
-._~

X:/k_F X,;, / n

"n com n graus de

Cabe notar que, o quadrado de uma varivel aleatria t de Student liberdade ter lima distribuio F com I n graus de liberdade:
1,~-FI.n

1 '.

Portanto, IFALSAI

w,'

seguir a distribuio

F com I e 11 graus de liberdade.

~
:

l -.,

(ANPEC 2002, 04) Seja X uma varivel aleatria com distribuio de probabilidade que dependa do parmetro desconhecido 8, tal que E(X) = 8. Seja tambm XI, Xl, ... , xn uma amostra aleatria de X. (O) Para amostras suficientemente grandes, o estirnador de mxima verossimilhana de 8, caso exista, segue uma distribuio Normal. Resposta: As estimativas por mxima verossimilhana possuem as seguintespropriedades: so consistentes; so assintoticamente eficientes; possuem' distribuio assinttica normal, com mdia 8 e varincia dada por
I
r

nE[aln~~X;tJ)J
apresentam

'
de invarincia, ou seja, se

.\

a propriedade

um estimador de 8 e g(8) uma

funo qualquer de 8, ento g( )ser o estimador de g(8); podem ser viesadas. Portanto, para amostras suficientemente grandes, o verossimilhana de 8 seguir realmente a distribuio normal.
IVERDADEIRAI
\

,
-0"-

estimador

de

mxima

C I) Se

= I c,x,
i-I

um estirnador de

e, este

no ser viciado desde que

I e, = 1 , Alm do
do

mais,

e ter

varincia mnima see;=Jln

para todo i.

Resposta: O estimador ser no viesado parmetro, ou seja:

se seu valor acertar,

na mdia,

o valor verdadeiro

EC) = ECIe,x, ) = 8
1=1

Calculemos ento o valor esperado de


EC) EC)

=
=

E(

:te,x

[E(clxI)

+ E(C2X]) + ...
+ cn8 +cn)8

E( tJ ) = c ,8 + C28 + E(tJ)=(C,+C2+

E(cnXn)]

Se

Ie,
1",\

==1,teremos que:

-\

Nesse caso ento, o estimador ser realmente no-viesado. Vejamos em que condies calculemos a varincia de
.

o estimador

ter varincia

mnima.

Para isso, primeiro

varC) var()

var(~.>,xi

= var(c,x, + C]X2 + ... +c".:'C,,) var(B) = var(c,x,) + var(c2x2) + var(c".\',,)


varC) vare ) vare ) vare )
= = =

c,' var(x,) + C:var(x2) +

c.: var(xn)

c,' cr + c: cr + .:.

< cr
2

c: + ... + c,: )cr

= ( nc'

)a2

Portanto,

para que B tenha varincia

mnima,

devemos

minimizar

vare B), sujeito

restrio que
minimizar

!>, (= nCi) seja igual a I:


;=1

(nc/ )cr2
=

s.a. nc, -I

O ser dada por:


.

o Lagrangiano
L
=

t nc' )cr" -

(nc, -1)

As condies de I ordem sero ento:

Utilizando a primeira das expresses acima, teremos:


(nc-1)=O

nc.= I
C, == -

Portanto. B ter varincia


I

mnima entre os estimadores lineares no viesados quando c,

n
\VERDADEIRAI

(2) Se 8

"

=-

I n

I x, um estimador no viciado de 8, ento 8 tambm ser um estimador

'2

n i=1

no viciado de 82. Resposta: J sabemos que 8 (estimador mdia populacional, 8. Vejamos se Sabemos que: .
, , ,
) -

da mdia amostral) um estimador


1

no viesado da

tambm ser um estimador no viesado de 82

var(8)

= E(8

[E(8)r' menos o quadrado da mdia.

Ou seja, a varincia dada pela mdia dos quadrados Rearranjando a expresso acima, temos que:

E(~r= var() + [E()f


., (5, ,

E(8')=

11

+8~'f'-8- de que geral, uma

Dessa forma, apesar viesado de 82 (note, porm, Cabe notar que, em obter uma estimativa para

ser um estimador no viesado de 8, 1 um estimador assintoticamente no tendencioso). se tivermos um estimador no tendencioso e desejarmos funo g(.) qualquer desse estirnador, se empregarmos

g( B), este poder ser um estimador viesado de g(8). Uma exceo OCOITequando g (.) for uma funo linear de 8 (veja Questo ANPEC 1999,06, item 1). IFALSAI

(3) Se a varivel aleatria X uniformemente

distribuda

no intervalo [0,8], com 8 > O, de 8 .

. Bento
,

11+1 = -11

tximo]: XI, mximo

X2,

... , X"

J' no

. dor consistente . e um estima

Resposta: Como a distribuio " a Ieatona consistente convergir IFALSAI X po d'e assumir. de

uniforme, Portanto,

sabemos que

o valor mximo que a varivel


XI, X2, ... ,

B-

n + 1 maxtmo ,. [ = --

' um es tiima d or x; J e

a, j

que medida que a amostra aumenta, 8 ..

n+l -n

. d or ten der era a 1 e o estima

para o parmetro populacional

(4) Se

...... mas Var (e2 Var (81)' ento o estimador

so dois estimadores

do parmetro
..

8 em que E

( = el
l )

r<

e E

-:t-

e]

82 deve ser prefervel

a el.

Resposta: Quando comparamos dois estimadores no-viesados, devemos sim preferir aquele que tiver menor varincia. Porm, quando comparamos dois estimadores quaisquer, como o caso U que 82 um estimador viesado de 8), devemos menor erro quadrtico mdio, que dado por:
~

preferir

aquele

que apresentar

EQM
Portanto, nenhuma
IFALSAI

var(8

+ [vis(eJ]-

nesse caso, no d para saber qual estimador sobre o valor do vis de

prefervel,

j que no temos

informao

2.

(ANPEC 2001, 03) Uma amostra elementos. Pode-se afirmar que:

de tamanho

n foi selecionada

de uma populao

de. m

(O) A mdia amostral ./Y um estimador no tendencioso populacional ";L se todos elementos de m tiverem

e eficiente da mdia a mesma probabilidade

de serem

selecionados. Resposta: A mdia arnostral um estimador no tendencioso da mdia populacional, qualquer que seja a distribuio de probabilidade da populao. Porm, para sabermos se um estirnador eficiente (isto , o de menor varincia entre qualquer estimador no viesado), precisamos saber qual a distribuio da populao, o que no foi dito no enunciado. Se, por exemplo, a populao for normalmente distribuda, sabemos que a mdia arnostral ser um estirnador eficiente da mdia populacional.
IFALSAI

(I) A varincia

da distribuio

amostral

deX

0"%

se a populao

for infinita

ou se a

amostragern for com reposio. Resposta: Sabemos pelo Teorerna distribuio normal com mdia utilizado reposio para a varincia (veja o prximo apenas item).

do

Limite Central que a mdia amostra I segue uma f.l e varincia dada por 0",/11. O fator de correo se a populao for finira e a amostragern for feira sem

IVERDADEIRAI

(2) Se a populao

for finita, a varincia

da distribuio

amostral

de X

-(1--) n

1
11

. porque as observaes da amostra so independentes. Resposta: Evidentemente, se a populao finita, o tamanho da populao (N) deveria importar, o que no acontece na frmula apresentada no enunciado. O fator de correo N-n N-n. e a vanancia '''' da me'd'ta amostra I da do por -e, portanto, var (X-) == -a? x --, N-I n N-I quando a populao finita e a amostragem feita sem reposio, j que nesse caso medida que forem sendo retirados elementos dessa amostra, a varincia dos que restarem ser diferente. Se a populao for infinita ou se for finita e a amostragem for feita com reposio, esse "problema" no ocorrer, IFALSAI

-....::......

(3) Se X for uma varivel aleatria


Jl e varincia

,ln _

qualquer, a distribuio

de

ser normal com mdia

1' da mdia amostral,

Resposta: Pelo Teorema do Limite Central, sabemos que a distribuio ser normal, com mdia J.l e varincia dada por
' ,

X,
da

qualquer que seja a distribuio n populao, desde que a amostra seja aleatria e suficientemente grande, IFALSAI

.::-.:.: ....

(4) Se lim
Il-}CfJ

E(X)

==O, ento

um estimador assintoticamente

no tendencioso.

Resposta: Um estimador assintoticamente

no tendencioso, ou seja:

quando medida que o tamanho da

amostra aumenta o vis vai desaparecendo, IFALSAI

1}E:,l E (X) ==J.l.

(ANPEC Norrnalt.)

2000, e seja

04) Seja Xi, X2 T==I/n

.. "

X, uma amostra
afirmar que:

aleatria

da densidade

!X/ ' correto

(O) T o estimador de mxima verossimilhana Resposta:

(EMV) de

e.
~,
,.

estimador de mxima verossimiihana dado por (veja Sartoris, 2003, p. 184): T

da varincia

de uma distribuio

normal

!(X,
...:c;=,,-' ----

-pr

n Como nesse caso, a mdia igual a zero, temos que: T ~ ' = .:. ....:...'-n

fx'

IVERDADEIRAI

(1) T um estimador tendencioso

de 8.

-~

Sabemos que o estirnador de mxima verossimilhana da varincia de uma distribuio norma! viesado. Porm, nesse caso, a mdia j conhecida (isto , temos x, - /1 e no x, - x) e o estimador T , portanto, no tendencioso:

.--.,

E(T)

E ~

IX'] [
E(!X/)
;=,

E(T) E(T)

= ~

--,

E (X,' +Xi + ... + .XJ n Note que E( ./'(') a prpria varincia populacional,
= ~

e, j

que:

8 = E(X -

).lf =

E(X~)

Portanto, temos que: I E(T) = - E(8 + 8 + ... 8) n I E(T) = -n8


11

IE(T)

= 81

IFf\LSAI

(2) A varivel aleatria Z = liberdade. Resposta: Sabemos que a distribuio ao quadrado:

IX
i=1

/1

2 i

f)

tem distribuio

qui-quadrado

com n graus de

Qui-quadrado Z
=

a soma de n variveis

normais

padronizadas

:t(x.:.:.. jJ)' ~ ,,' dp


n

Como nesse casO,.1l = 0, temos

que Z

!(X,)" .
,-, dp

E como o quadrado

do desvio-padro

igual varincia,

que nesse caso, igual a 8, temos que: Z Z tem distribuio !VERDADElRAI Qui-Quadrado

=~

e.
X'

Portanto, a varivel aleatria

com n graus de liberdade.

(3) E (X,l X;)

82.

Resposta: Note que a expresso acima a esperana do produto entre uma varivel ao quadrado e uma varivel ao cubo: Portanto, o valdr da esperana no poder ser um quadrado de 8, que ',.., ! e a vanancra. IFALSAI (4) T um estimador eficiente de 8. Resposta: Para que T seja um estimador eficiente, ele deve ter a menor varincia que qualquer outro estimador no viesado.Se a mdia fosse desconhecida, um estimador no viesado para a varincia teria que Ter n - 1 no denominador (e no n), embora este ltimo tenha varincia menor. Mas, como nesse caso, T no viesado, e de fato, tem a menor varincia, um estimador eficiente de 8. IVERDADEIRAI

(ANPEC 2000, 07) Seja Y uma varivel aleatria contnua com distribuio de probabilidade f(y;8), em que 8 = (81,82 , .. ,8p). Considere uma amostra aleatria de Y, com tamanho n. Com relao funo de verossimilhana L(8), correto afirmar que: (O) 1(8)= In L(8)
=

I log f(Yi;
;=1 .

/I

B) , em que In o logaritmo natural.

-~

Resposta:
A funo de verossimilhana L(8;Yj) = j(y,;8)x j(y.?;8) x Tomando o logaritmo
.. , x

uma funo dos parmetros j(yn;8)

e dada por:

natural da funo de verossimilhana,

temos:

1(8;Yi) = InL(8) = InfiYi;8)

+ Infly2;8) + ... lry(yn;8) = !lnf(Yi;B)

IVERDADEIRAI

(I) A funo de verossimilhana tambm uma funo de densidade de probabilidade, que possui, assim, todas as propriedades matemticas associadas uma funo de densidade de probabilidade.

Resposta:
A funo

portanto, ~

de verossimilhana no possui as propriedades

no uma funo densidade de probabilidade e, matemticas associadas uma f.d.p.; por exemplo,

fL(B;x)dB;t:

~ I (quem igual a I fL(B;x)di:).

IFALSAI

(2) Uma condio necessana satisfazer que a matriz mximo, seja negativa

a que os estimadores {a2/(B)/aB aB i,j


j j }

de mxima verossimilhana devem = 1,2, ... , p, avaliada no ponto de

definida.

Resposta:
A estimao por mxima verossimilhana consiste em achar os valores dos parmetros que maximizem a funo de verossimilhana, o que anlogo a encontrar o mximo da funo do logaritmo da verossimilhana, ou seja, consiste em encontrar o ponto de mximo de 1(8). E sabemos que a condio necessria para um ponto de mximo que a derivada primeira da funo nesse ponto seja nula e a condio SUFICIENTE que a derivada segunda seja negativa. E, como [a21(B)/aB aBj] nada mais que a matriz com
j

.~

'.~

as derivadas segundas de 1(8), temos que todos os seus valores devem ser negativos para que a condio suficiente seja satisfeita. E temos que LIma matriz simtrica definida negativa quando todas as suas raizes caractersticas so negativas. E para que uma matriz seja negativa definida, todos os seus elementos devem ser negativos. Portanto, temos que a condio SUFICIENTE que os estimadores de mxima verossimilhana devem satisfazer que a matriz com as derivadas segundas de 1(8) seja negativa definida. IFALSAI

(3) Sendo Til o estimador de mxima verossimilhana que T, apresenta a seguinte propriedade:

do parmetro

escalar

81,

segue-se

c > o.

Resposta: Essa a propriedade de consistncia, j que a expresso acima nada mais significa que, medida que o tamanho da amostra cresce, o valor estimado convergir para o valor verdadeiro. E como sabemos, os estimadores de mxima verossimilhana so consistentes (confira as propriedades dos estirnadores de mxima verossimilhana na questo ANPEC 2002, 4, item O) .' . !VERDADEIRAI

(4) Sendo mxima

~= g(81),

em que g(.) uma de 81,

funo

um a um de 81, e

T, o estimador
verossimilhana

de

verossimilhana

segue-se

que o estimador

de mxima

de ~ ser G, = g(TIl )[d~/d8d ;em que a derivada avaliada em 81= Tn Resposta: Como sabemos, os estirnadores de' mxima verossimilhana apresentam propriedade de invarincia (veja questo ANPEC 2002, 4, item O). Sendo assim, estimador IFALSAI de mxima verossimilhana de ~ ser g(Tn).

a
o

(ANPEC
Binomial,

2000,

08) Sejam

pe

j5 dois

estimadores

do

parmetro

p da

distribuio

~ Y p=11

em que Y a varivel _ Y+l

desta distribuio

e n o tamanho

da amostra:

p=-n+1

(O)

P O estimador

de mxima

verossimilhana

do parmetro

p.

Resposta: A proporo pertencer distribuio parmetro p. IVERDADElRAI amostraI, binomial dada por

==

Y , o valor que d a maior chance


11

de Y do

e, dessa forma, o estimador

de mxima

verossimilhana

(I) Sob o critrio


estimador Resposta: O erro quadrtico

do erro quadrado

mdio,

para pequenas

amostras,

no h supremacia

de um

sobre o outro. mdio dado por:

EQM

= var()

+ [vis()f

Calculemos,

ento, o EQM dos estimadores

p e p.

Para isso, primeiro calculamos

o vis (se

houver) e a varincia destes estimadores.

Para o estimador

p temos

que:

ECp) = E(~)
E(j))
=

~E(Y)

n
Como a mdia de uma varivel que tem a distribuio
E(p)

binomial dada por nx p, temos que:

= ~ xnxp
n

Var(j)) Var(p);=

var(:) _I, var(Y)


n-

Var(p)

E corrio a varincia de uma varivel que tem a distribuio ~ ,I


= -, n-

binomial dada por np( l-p):

np(l-p)

Var(p)=

p(l-p)

n
Como

rI/TI

estimador no viesado, seu erro quadrtico

mdio ser igual sua varincia:

EQMCJ;)

p(l- p)
1'1

Agora, faamos o mesmo clculo para o estimador E( p ) = E ( Y -) (P E -) E( P

n+1
1'1+

I)

p:

E(Y) + I = ---'--'-I

np + I - --Tp 11 + I

Portanto,

um estimador

viesado de p (confira

o clculo do vis no item seguinte).

Sua

varinc ia dada por:

Var(

p ) = var(

Y + n+I

I)

~.

.,

Vare

p) = var[_I_(y
11+1

I)]

Pelas propriedades

da varincia, temos que:

Vare

p)

(_1_)'
/1

var(Y)

+1

o erro

quadrtico mdio de
= =

ser dado ento por:

EQM(p) EQM(p) EQM(

var(p)

+ [vis(p)f

np(l- ~) + (n+I)(11 + 1)2

(1n+1
Y

p)'

p ) = np(1 -

p) + (I - P

EQM(p)=

(I-p)[np+(!-p)] (n+ Iy

Ternos ento que:

EQM(p) EQM(p)

p(l-p) n

(n+lr (1-p)[np-(I-p)]

p(I1+1r n1p-n+n

Para que fique mais claro, faa, por exemplo,

p = 1:

EQM(p) EQM(p)

= n' + 2n + 1 =
/1
2 -

11'

+ 211 + 1> 1
11'

+ rt

Ou ainda, se p

O:

EQM(p) EQM(p)

O< 1

Sendo assim, h, sim, supremacia

de um estimador sobre o outro para pequenas amostras.

IFALSAI

---.,

(2) O vis do estimador

dado por

[(1 - p)/(l

+ n)].

. I

Resposta: O vis de

ser dado por:

vis(p)=E(p)-p

vles

" (~) p

np + I - p = -n+1
=

'. (~) v res p


v Ies

., (~)

p=

np + I - (n + 1)P ~---'---~ n+l np+l-np-p


-=---~---'~

11+1
vis(p)=

I-p

n+1
!VERDADEIRAI

(ANPEC
afirmaes:

1999,

06) Com

base

na teoria

da

estimao,

pode-se

fazer

as

seguintes

(O) De acordo
estimadores, estimador

com o critrio a mdia da mdia

de eficincia, amostral

medido

pela comparao a primeira

entre as observao

varincias
XI

dos como

prefervel

populacional,

supondo-se

que u1 seja a varincia

da populao.

Resposta:
Chamando o estimador que utiliza a primeira

I
I

observao

para

estimar

a mdia

arnostral de XI, e supondo que a mdia so estirnadores no viesados, j que:

populacional

seja u, temos

que tanto

X quanto XI

E( .;\')
E(XI)

= ~i = ~l

J a varincia:
(J'
=-

Var(X) Var(X

(j'~

Portamo. pelo enterre de eficincia relativa, temos que a mdia amostra I prefervel primeira observao. j que sua varincia ser menor que a varincia de X I para todo n > I.

IVERDADEIRAI

\
.~.
(I) Seja

um estimador no-viciado

de B. Se g( ) uma funo do parmetro

f), ento

E[g( e)]:;t linear. Resposta: Mostraremos

g[E( e)] $-Q1!I a igualdade ocorrendo

somente quando g( f)) for uma funo

(\J )
,''-',. mostramos que, em geral, E[g( )]:;t g[E( )]. agora, que E[g()]

Na questo ANPEC 2002, 04, item (2), Considere a seguinte funo linear de 8: g(8) = a + b. Calculemos E[g()]: E (a a

= g[EC)] quando

g(B) for uma funo linear.

E[g()]
E[g()]

= =

+ b)

+ b E() E[g(e)] = a + b8
E agora g[E( f))]:
.! ;,

g[E(e)]

g(t1)

a + b8
A A

Portanto, se g(.) for uma funo linear de 8, E[g( e)] IVERDADEIRAI

= g[E( B)].

(2) A funo densidade de probabilidade O s: x

da varivel aleatria x dada por f(x)

= -a para
de a ser

s: a e O para outros valores. Assim sendo, considerando-se


11, XpX2'X3'" XpX2'X3'" "Xn'

uma amostra aleatria

de tamanho Resposta:

o estimador
',x",

de Mxima Verossimilhana

igual ao Mnimo de

Se a f.d.p. de x

i dada

por f(x)

que o parmetro a o valor mximo estimador de mxima verossimilhana para a, ou seja, aquele que d a maior chance dessa amostra pertencer de fato a uma populao cuja f.d.p dada por f(x) , , sem dvida, igual ao mximo de XI,
X2,X], .... , X/1.

a que x pode assumir. Portanto,

= ~, sabemos que

x uniformemente

distribuda

"

IFALSAI

11

~)Xi-XY
(3) Dado que as varincias das estatsticas S,'

L(X,-X)2
e S2 = "
I~'so,

= ....:., ...:..'---n-]

n S2

respectivamente,

..

Iguais a -11

20"4

n-j

e --(--)n-l

20"4

nn

j ,

= ...:..j~-,-l

ICx

X)1
_

, ento

mais

ICx;
2

_i)2 embora seja uma estatstica viciada.

preciso do que SI

~1

n _ '1

Resposta: Como evidente, esta questo foi anulada pelo fato de aparecerem as mesmas estatsticas na comparao entre elas. Se a segunda parte do enunciado fosse: "C ... ) ento 51 mais preciso que S,' , embora seja uma estatstica viciada", a afirmativa seria verdadeira. Vejamos: Sabemos que

Si

uma estatstica

viesada da varincia

populacional,

enquanto

S I no

(veja questo 08/2004, item l).Calculemos, var (S ,.)


'

ento, as suas varincias.

= --

? _CJ

n-j

vart S") = --

, Za ' (n -I)'
X --

n-j

Como vareS,') ~ !ANULADAI

< vareS"), S,' mais precisa, embora seja viesada.

(ANPEC 1998, 06) Seja

o estimador do parmetro

e:

(O)

erro quadrtico mdio igual a varincia no-tendencioso de

do estimador

e.

se

for um estimador

Resposta: O erro quadrtico EQM Se


=

mdio (EQM) dado por:

varC)

+ [vis()f
no-tendencioso de

um estimador

e,

seu vis obviamente

ser igual a zero e.

portanto. EQM IVERDADEIRAI

= var( ).

(I) Um estirnador

~ dito eficiente se ~ for no-tendencioso

e Vare ~) .::;Var (~ ), onde

B, outro qualquer estimador no-tendencioso


Resposta:

de B.

-_o ....,

Um estirnador de fato dito eficiente quando for no tendencioso varincia que qualquer outro estimador no tendencioso. IVERDADEIRAI

e tiver a menor

(2) Seja X uma varivel aleatria normalmente distribuda com mdia f.1 e varincia d. Sejam XI' e X2 duas observaes de uma amostra aleatria de tamanho 2. Podemos ~ 3x, +2x2 afirmar que fl = 5 . um e~oso de u. Resposta: Um estimador no tendencioso quando seu valor mdio igual a seu valor verdadeiro, seja, E(,u) = 1-1.. Vejamos se isso vlido para o estirnador j.:' ou

.- .. ..-....,

E( fl )

3
=-

f.1 + - /-l

2
5

5 IE( fl)
=

,l1

Portanto, j. um estimador no-tendencioso IVERDADEIRAI

---" ---------

de

u.

(3) Se B consistente, Resposta:

ento no tendencioso.

,
-

Um estimador dito consistente aumenta, vis (se existir) e a varincia

quando, medida que o tamanho da amostra vo "desaparecendo", de forma que valor do

estimador converge para o valor verdadeiro. Portanto, para que B seja consistente, necessariamente precisa ser no tendencioso, mas precisa ser assintoticamente tendencioso. IFALSAI

no no

(ANPEC 1998, afirmaes:

07) Com

base

na teoria

da estimao,

pode-se

fazer

as seguintes

(O) Se B

um parmetro consistente

populacional de B se lim

seu estimador,

a afirmao
E>

de que quando quando

11 ~

um
00,

estimador equivalente

p{l - ai SE}
de

= 1 para todo
limVar(a)

o
O

a afirmao

de que se lim E() consistente

= ae

n ~ co,

ento B ser um estimador

e.
medida que o tamanho ou seja, da amostra
=

Resposta:
Um estimador aumenta, ~~n} var()

dito consistente
e a varincia

quando,

o vis (se existir)

vo "desaparecendo", converge

l..i!!:E(B)

B e

= O,

de forma

que o valor

do estimador

(em probabilidade)

para o

valor verdadeiro, isto , o limite da probabilidade da diferena entre o valor estimado e o valor verdadeiro, em mdulo, ser menor ou igual a um nmero E muito pequeno, quando 11 ~ CO, igual a l :

"r-.

Dessa forma, as afirmaes jVERDADEIRAI

so realmente

equivalentes.

(I)

Se x uma varivel aleatria com E(X) = I-l e varincia iJ1, ento a mdia arnostral, ser um estimador consistente da mdia populacional u.

X,

Resposta:
Sabemos que Um estimador consistente aquele que converge para o valor verdadeiro do parmetro medida que o tamanho da amostra aumenta, ou seja, seu vis (caso seja um estimador viesado) e sua varincia 'vo desaparecendo. Sabemos que a mdia amostra I um estimador no viesado da mdia populacional. Vejamos ento o que acontece com a varincia medida que o tamanho da amostra aumenta: lim,,~, varC?) POlianto,
=

lim,,_o<~ n

O consistente da mdia populaciona!.

a mdia amostra!

um estimador

jVERDADEIRAI

.... ,.-....".

-\

-) "\

" I(x; (2) A estatstica, S2


== ;=1

---)
""

-:f)2
,

--o)

baseada em uma amostra aleatria x I' X 2

.x 3 , .... .x

-""\
11

um estimador no tendencioso da varincia populacional.

Resposta:

-, o
estirnador no tendencioso da varincia
dado por ...;.'-'-."---n-I

(veja questoANPEC

2004,08, item 1).

IFALSAI
n

L(X;-5:)2

(3) A estatstica, S2

==

;=1

baseada em uma amostra aleatria x i' x 2

.x 3 , ... .x ,

um estimador inconsistente da varincia populacional.

Resposta: Vimos que o estimador no viesado da varincia populacional consistente


dado

por

LCx,
-,--,----

"

-ir
o

Mas, apesar de ser viesado,


-

S2 um estimador

da varincia

11-1

populacional, j que medida que o tamanho da amostra aumenta, nJ faz diferena dividir por t7\)U por n -1. IFALSAI

g.
(ANPEC 2005, 4) Duas fbricas, A e B, produzem determinado tipo de lmpada. Um comprador dessas lmpadas decide verificar a origem de seu estoque. Para isso, seleciona uma amostra aleatria de 100 unidades (de seu estoque) e verifica a durao de cada uma delas. Se a durao mdia for maior do que 170 horas, conclui que a lmpada foi fabricada pela empresa B; caso contrrio, que a lmpada veio da empresa A. Os dois fabricantes asseguram que a durao de suas lmpadas segue distribuio
normal: a de A com mdia distribuies padro, anexa, julgue

169 horas e a da B com mdia ~B = 171 horas. As duas tm o mesmo desvio padro c = 10 horas. Usando a tabela da normal
~lA =

as afirmativas:

(O) A probabilidade do erro Tipo I 0,1587. Resposta: As h i pteses desse teste so: Hi; fi = 169 HI: fi> 169
que equivalente a: Hi: o estoque provm da empresa A HI: o estoque provm da empresa B A probabilidade nula quando ela A, quando na Assumindo que de cometer o erro do tipo [ a probabilidade de se rejeitar a hiptese verdadeira, ou seja, rejeitar a hiptese que a lmpada vem da empresa verdade ela vem. A hiptese nula ser rejeitada quando x> 170. a hiptese nula verdadeira, temos que: I

----z a

Ix - Jil_

.r:

/170 -1691 10

= 1

-lI 00
z=1 Dessa forma, P(erro tipo I) = PU> 170) = P(z> 1) = 0,1587

-~

_"""

~.

IVERDADEIRAI

I
Resposta:

,
"'
--

(1) A probabi lidade do erro Tipo 11 diferente de 0,1587.

A probabilidade de cometer o erro do tipo II a probabilidade de se aceitar a hiptese nula quando ela falsa, ou seja, aceitar que a lmpada provm da empresa A quando na verdade vem da empresa B. A probabilidade disso ocorrer dada pela regio cinza da figura abaixo, j que se os valores amostrais estiverem nessa regio, a hiptese nula, que falsa, ser aceita:

I \

169 valor te stado

Calculemos

ento a rea da regio cinza da figura acima:

'"
'"

1170-17" 10

-r-,
~ ~

,,/I 00

Dessa forma, P( erro tipo 11) = P{ x < 170) = P(z< I) =0,1587 IFALSAI
-r.

~ ~ ~ (2) A regra de deciso,


ao nvel de significncia de 5%, ser: se a durao mdia for maior que 170,64 horas, as lmpadas foram fabricadas pela empresa B; do contrrio, pela empresa A.

Resposta:
COI11

5% de significncia,

temos que:

..

--

Ix -}LI
(J

1.64
.

Fn

IX-1691 10 .)100

1,64

Ix - fll=

1,64

Como a hiptese alternativa J.L> 170, temos:

x = 169 + 1,64 = 170,64


.~.

Dessa forma, a regio de aceitao do teste ser: R.A.


=

l- oo ,

170,64]
-r-,

Ento, se a durao mdia (x) for maior que 170,64, a hiptese nula dever ser rejeitada, ou seja, conclui-se que as lmpadas foram fabricadas pela empresa B.

'""

'"

~
...

~\

~
"\
'""""'

/VERDADEIRA)
(3) A probabilidade do erro do Tipo 11, para o nvel de significncia temos: de 5%, 0,70.

Com 5% de significncia,

1X--1691
10
1,64

"\/100 A probabilidade seguir: /\ de se cometer o erro do tipo II dada pela regio cinza da figura a

17,4

171 valor verdadeiro

Calculemos

ento a rea da regio cinza da figura acima:

1170,64 - 1711_ ~ 10 - 0,J6 --1100 P(erro tipo 11)

P(

x < 170,64)

P(z<0,36)

0,3594

-c-,

(4) Para este teste de hiptese, a funo poder do teste crescente com a mdia 11, da distribuio sob a hiptese nula. Resposta: A potncia (ou poder) de um teste a probabilidade de rejeitar a hiptese nula quando realmente ela falsa. Sendo assim, dado que de fato J-L no fio, ou seja, J-L maior que J-L{), o teste torna-se mais poderoso quanto mais distante o valor verdadeiro da mdia J-L for do valor hipottico j1{}. Portanto, quanto maior for a mdia verdadeira J1, maior ser o poder do teste (pois ser mais provvel que rejeitemos a hiptese nula, que sabemos ser falsa). Nesse caso, a funo potncia do teste crescente com a mdia J-L. Considere o grfico a seguir onde a regio hachurada corresponde ao nvel de significncia do teste e a regio cinzenta, probabilidade de cometer o erro do tipo 11,j que se os valores amostrais estiverem nessa regio, a hiptese nula, que sabemos ser falsa, ser aceita. medida que J-L aumenta, a regio cinza da figura aumenta e, conseqentemente, o poder do teste -dimirn:li. Dessa forma, a funo potncia do teste crescente com a md ia J-L. n)' 'I. "\~IJY!i..lI'\IV\ .

11' = 169

valor testado

J.f. valor verdadeiro

IVERDADEIRA)

(ANPEC 2005, 06) Seja XpX2,X), LImapopulao normal com mdia (O) A probabilidade
-

.X; uma amostra aleatria de tamanho n de e varincia


02 _

J-L

Julgue as afirmativas: estar contida no intervalo de

de a mdia populacional,
0'-

J-L,

confiana [X -1,96

I'X -..jn

+ 1,96 ,] igual a 95%. -..jn

o-

Resposta:
(J" -

[X -1,96

"n

"X

+ 1,96 ,]

(J"

mdia populacional

u . Porm, isso NO significa que a probabilidade


de 95%. Uma vez construdo,

"n

realmente

um intervalo

com 95% de confiana

para a

desse intervalo conter

conter a mdia da populao

esse intervalo

no a mdia populacional f-l e, portanto, a probabilidade disso ocorrer de ou I. O que podemos afirmar que, se retirssemos infinitas amostras de mesmo tamanho dessa populao, em 95% delas a mdia populacional estaria contida neste intervalo.
-- ....----..

ou

-----.....,

IFALSAI

(1) Se a varincia
ser
.

(J"~

desconhecida,

o intervalo

de confiana

de 95% para a mdia f-l ( calculado com n -I

---

[..'Y- te .}-;;,X

+ te

fn]'

em que s o desvio e t segue

padro da amostra,

de forma que P(I t graus de liberdade. Resposta:

1<U

= 0,95,

uma distribuio

de Student

Sabemos que, se a varincia desconhecida e amostra pequena, devemos utilizar a distribuio t de Student para construir um intervalo de confiana para a mdia. Dessa forma:

Ix - JlI = t
S
c
'~

'--'~

E o intervalo

de confiana

para a mdia populacional

ser ento:

Como queremos

95% de confiana,

temos que P(itl</') = 0,95:

'"

\'

",'

"

IVERDADEIRAI'

(2) Se construirmos vrios intervalos de confiana para a mdia /-l. com amostras de idntico tamanho, mesma varincia CJ2 e mesma margem de confiana, estes tero extremos aleatrios, mas todos tero a mesma amplitude, Resposta:

o intervalo

de confiana para a mdia /-l. dado por:

Se vrios intervalos de confiana forem construdos para amostras de mesmo tamanho (11 constante), mesma varincia (CJ2 constante) e mesma margem de confiana (z constante), temos que a ;nargem de erro

(z Fn)

ser a mesma para todos esses

intervalos, Portanto, eles tero sim a mesma amplitude; apenas os seus limites sero alterados (j que a mdia amostral X ser diferente para cada amostra),

"

IVERDADEIRAI

(3) Num teste de hiptese:


estimado hiptese para a mdia de que Ji
=

Ha :Ji = Jio contra Ji no contiver

Ha :,li
o valor

* Jia - se
de Jia,

o intervalo

de confiana aceitar a

ento deve-se

J.Lo'

Resposta:
Se o intervalo de confiana para a mdia no contiver o valor que est sendo testado, ento a hiptese nula dever ser rejeitada. Note que o intervalo de confiana construdo corresponde regio de aceitao do teste (rea mais escura da figura abaixo). Assim,

se J.1a no estiver neste intervalo, a hiptese nula dever ser rejeitada .

-.

-....--...

",r--..

IFALSAI

(4) Se a amostra
normal, a amostra

aleatria

XI'X2,X), um intervalo

,X"

no

provm

de

lima

distribuio

no se pode construir seja muito grande .. do Limite Central, mdia Ji que as

de confiana

para a mdia

u, ainda que

Resposta:
Pelo Teorema normal Portanto, com sabemos que a mdia amostra I segue uma distribuio para amostras
..

e varincia variveis

(52/n

suficientemente
no

grandes.

mesmo

XI'X2'X3'

,Xn

sejam

normalmente

distribudas, a sua mdia amostral seguir a distribuio grande e poderemos construir um intervalo de confiana IFALSAI

normal, para n suficientemente para a mdia populacional.

,
"\... '
"

(ANPEC 2004, 2) Sejam Xl, X2, "., Xn variveis aleatrias independentes e 2 normalmente distribudas com mdia 11 e varincia a Em relao ao teste de hiptese da mdia H O : ).1. ).1.0 contra H a :).1. <).1.0 ,so corretas as afirmativas:

(O) Se o p-valor do teste for menor que o nvel de significncia, a, a hiptese H O deve ser rejeitada.: Resposta: Suponha que o nvel de significncia escolhido (a) seja de 5%, como mostra o grfico abaixo. A regio mais escura corresponde regio de aceitao do teste eRA), isto , regio em que no podemos rejeitar a hiptese nula, enquanto a regio mais clara, de rejeio (RR) ou regio crtica, isto , regio na qual a hiptese nula deve ser rejeitada.

~-/-',}RA

Dessa forma, se o p-valor do teste, que o nvel de significncia mais baixo com o ual podemos rejeitar a hiptese nula, estiver na regio de aceita o no oderemos rejeitar a hlQotese nu a. as se o valor-p estiver na regio de rejeio, a hiptese nula dever ser rejeitada, Suponha, por exemplo, que encontremos um p-valor de 3% para esse teste, que corresponde regio hachurada do grfico seguinte. Como o p-valor pertence regio de rejeio do teste, devemos rejeitar a hiptese nula.

a=

5% ~

2, =

valor-p = 3% ~

-1,645 Ze = -1,88

Mas, se encontrarmos um valor-p de 30% para esse teste, como mostra o grfico a seguir, a hiptese nula no poder ser rejeitada, j que estaremos na regio de aceitao do teste.

a= 5% ~ z,=-1,645 valor-p = 30% ~.:c . = -0,52

Portanto: Se valor-p

>
S

CL ~

Se valor-p

fllJ no pode ser rejeitada. a -> Ho deve ser rejeitada.

\.

~"

anlogo a: Se o valor calculado da estatstica < valor tabelado 0Ho no pode ser rejeitada Se o valor calcu lado da estatstica> valor tabelado 0 Ho deve ser rejeitada IVERDADEfRAI (I) Se a varincia 0-2 for conhecida, a estatstica do teste segue a distribuio t-Student. Caso contrrio, a distribuio do teste ser a Normal Padro. Resposta: Pelo contrrio, a estatstica t de Student utilizada para o teste da mdia quando no conhecemos a varincia, ou seja, quando esta tambm tiver que ser estimada. Quando a varincia for conhecida, a estatstica do teste seguir a distribuio normal padro: varincia conhecida (distribuio normal padro): z
=

o que

____

';

._-

"

--.:

i - J1

o-

~ varincia desconhecida (distribuio~deStude~t): t


=

i -:: J.1

o-

Fn
Note que t o quociente entre duas variveis aleatrias, ao contrrio do que ocorre com z. Convm lembrar que. a distribuio t de Student aproxima-se da distribuio normal padro medida que o tamanho da amostra aumenta. Assim sendo, para I amostras suficientemente grandes, podemos utilizar a distribuio normal padro como aproximao da distribuio t de Student. IFALSAI
""'-

"'.

-r-.

..

(2) Dados os parrnetros da populao: Ji.o

= 50

0-

900, suponha que a mdia de

uma amostra aleatria de tamanho 36 retirada desta populao seja X = 47. Neste caso, nvel de significncia do teste, a.,ser igual a 0,2743. Resposta: Aqui preciso tomar bastarite cuidado para no confundir os conceitos de nvel de significncia e valor de probabilidade de significncia (valor-p). O nvel de significncia escolhido a priori pelo pesquisador. Dessa forma, se o 'enunciado da questo no nos forneceu o nvel de significncia, a, no possvel que saibamos o seu valor. Assim sendo, a afirmativa' falsa. O que podemos fazer, calcular o valor-p desse teste que, como veremos a seguir, de fato 0,2743. Portanto; os mais desatentos poderiam facilmente errar essa questo. Para encontrarmos o valor-p deste teste, devemos primeiro obter o valor crtico (z) e ento procurarmos na tabela da distribuio normal a probabilidade associada a esse valor. Como se trata da mdia, sabemos que:

..

"

z=

fn
Portanto:

z = 147 - 501
30

z= 5 z = 0,6
Dessa forma, procuramos na tabela da distribuio normal o valor para z = 0,6, lembrando que o teste unicaudal (como a hiptese alternativa menor, devemos uti Iizar a cauda da esquerda):
/

//
\\
\
..

-.-,

<,

------

z = -0,6

E, dessa forma, temos que o valor-p do teste de 0,2743. Porm, o nvel de significncia no de nosso conhecimento, j que no foi dado no enunciado. Suponha que tivesse sido escolhido a = 0,05 = 5%. Nesse caso, no poderamos rejeitar a hiptese nula, j que o valor-p seria maior que o nvel de significncia escolhido, como mostra o grfico a seguir, onde a regio hachurada corresponde ao valor-p, a regio mais clara ao nvel de significncia escolhido e a mais escura, regio de aceitao do teste.

.'

~.

IFALSAI

(3)A funo-potncia mdia zz .

para este teste de hiptese ser uma funo decrescente

da

Resposta: A potncia (ou poder) de um teste a probabilidade de rejeitar a hiptese nula quando realmente ela falsa. Sendo assim, dado que de fato u no 141, ou seja, f.1 menor que J..lo, o teste toma-se mais poderoso quanto mais distante o valor verdadeiro da mdia J..l for do valor hipottico J..lo. Portanto, quanto maior for a mdia verdadeira, menor ser o poder do teste (pois ser mais provvel que aceitemos a hiptese nula, que sabemos ser falsa). Para que fique mais claro, considere a seguinte figura:

"

'

Sabemos que o valor verdadeiro u. Mas o valor que est sendo testado j.1/J, que maior que u. O nvel de significncia do teste est representado pela regio hachurada do grfico acima. Porm, se os valores amostrais estiverem na rea cinzenta, a hiptese nula, que sabemos ser falsa, ser aceita. Dessa forma, essa regio representa a probabilidade de cometermos o erro do tipo lI. Note que 'quanto maior for a mdia verdadeira, j.1, maior ser a probabilidade de cometer o erro do tipo 11,j que maior ser a probabilidade de aceitarmos a hiptese nula que J.1 = j.1(1 (desloque a distribuio com a verdadeira mdia para a direita e verifique). E como o poder do teste a probabilidade de no cometer o erro do tipo 11, quanto maior for este ltimo, menor ser o poder do teste: Poder do teste = (1-j3) t fJ -} {.. poder do teste

Portanto, a funo poder do teste ser decrescente

com a mdia

~l.

!V ERDADEIRAI
(4) Se a hiptese decrescente alternativa fosse

Ha: J.1 > J.1o, ainda assim a funo-potncia

seria

com a mdia I' .

Resposta:
Como j vimos anteriormente, o poder do teste a probabilidade de rejeitar a hiptese nula quando realmente ela falsa. E, nessecaso, se Hi, falsa, ento u maior que Jlo. E medida que u se afasta de JI{}, ou seja, quanto maior for JI, maior ser a probabi Iidade de rejeitarmos a h iptese nula (que falsa). Portanto, nesse caso, a funo potncia do teste crescente com a mdiA u . . Considere o grfico abaixo onde, novamente, a regio hachurada corresponde ao nvel de significncia do teste e a regio cinzenta, probabilidade de cometer o erro do tipo lI, j que se os valores amostrais estiverem nessa regio, a hiptese nula, que sabemos ser falsa, ser aceita. medida que f.L aumenta, a regio cinza da figura agora diminui e, conseqentemente, o poder do teste aumenta. Dessa forma, a funo potncia do teste , nesse caso, crescente com a mdia J.1.

-, -r-,

'.

--.

".-----

"
-----.,'

"""""

.---

-;

IFALSAI

_"
(ANPEC 2004, 6) SejaXuma varivel aleatria normalmente distribuda com mdia ~l e varincia conhecida 02 = I, da qual se obtm a~amostra aleatria XI, X2, ... , X, (com n observaes). correto afirmar que: ' / (O) A mdia amostra I uma varivel aleatria normalmente distribuda com mdia ~ e

_.

varincia 1In. Resposta: Como a populao normalmente

distribuda, a mdia amostral seguir uma qualquer que seja o tamanho

distribuio normal com mdia ~ e varincia dada por ~, n


d a amos t ra, E como
0 =
2

, temos

que a var iancta sera -I


'A',

n IVERDADEIRAI
l ( />.

1~,ri;l.~ l
I
.v --'

r 11 JC~'1.:-:V..~

(I) A ,p~obabilidade ~e Resposta:

il~tervalo de confiana

\{:j-l,96/,J,;,X

+1,96/,J,;] '

conter a

media da populaao, ~, e de 95%.

Sabemos que o valor crtico z para 95% de confiana, dado realmente por 1,96 (basta olhar na tabela). Porm apesar de [X -1,96/,J,;,X + 1,96/,J,;] ser realmente um intervalo cOm 95% de confiana, no podemos dizer que a probabilidade desse intervalo conter a mdia da populao de 95%, Uma vez construdo, esse intervalo ou conter ou no conter a mdia populacional Jl e, portanto, a probabilidade de conter ou no .L1

'.

-ser de O ou I. O que podemos mesmo tamanho dessa populao, da mdia populacional. IFALSAI afirmar que, se retirssemos infinitas amostras de em 95% delas o intervalo conteria o valor verdadeiro

(2) A probabilidade mdia amostral Resposta:

de o intervalo de 95%.

de confiana

[X -1,96/.[;;,J: + 1,96/.[;;] conter a

Note que a mdia amostral sempre estar contida nesse intervalo, j que um intervalo de confiana para a mdia populacional (estam os somando e subtraindo a margem de erro da prpria mdia amostral e, obviamente, ela estar contida nesse intervalo ). IFALSAI

(3) O intervalo
-. =<,

de 95% para a mdia populacional

independe

do tamanho

da amostra.

Resposta: Note que o intervalo (J = -Fr7 = 1): de 95% de confiana para a mdia populacional

dado por

(j que

'

..

Portanto ele dependente sim do tamanho da amostra n, j que para diferentes valores de n, obteremos diferentes intervalos com os mesmos 95% de confiana. E quanto maior for n, mais preciso ser esse intervalo, j que a margem de erro ir diminuir. IFALSAI

""

(4) Em um intervalo de confiana de 95% para a mdia populacional, p, espera-se que, extraindo-se todas as amostras de mesmo tamanho dessa populao, esse intervalo conter /l 95% das vezes . Resposta:

exatamente
IVERDADEIRAI
-,

esse o significado

do intervalo

de confiana.

,-..:..

<,':

(ANPEC

2003,

05) Com relao a testes de hiptese, a probabilidade

correto afirmar que:


da hiptese nula;

(O) o p-valor

de um teste representa

de aceitao

"<:

Resposta: O valor-p de um teste representa a probabilidade exata de cometer o erro do tipo I, ou seja, de rejeitar a hiptese nula quando ela verdadeira. o nvel de significncia mais baixo com o qual podemos rejeitar a hiptese nula. Portanto, ele no representa a probabilidade de aceitao da hiptese nula. Ele representa a probabilidade de estarmos errados rejeitando a hiptese nula .. IANULADAI
f

--.;

<:

(I) o nvel de significncia

de um teste a probabilidade

de se cometer

o erro tipo I;

Resposta: A probabilidade de cometer o erro do tipo I exatamente o nvel de significncia de um teste; e definido como a probabilidade de se rejeitar a hiptese nula quando ela verdadeira ("condenar um inocente"). Entretanto, cabe aqui novamente fazer uma advertncia: os conceitos de nvel de significncia e valor-p no' so equivalentes. O nvel de significncia est sob o .controle do pesquisador, ou seja, ele predeterminado. O valor-p corresponde ao nvel mais baixo de significncia com o qual poderamos rejeitar a hiptese,nula, dio o valor calculado da estatstica do teste. IVERDADElRAI
1

(2) a potncia

do teste a probabilidade

de se cometer o erro tipo 1\;

Resposta:
A potncia (ou poder) do teste dada pela probabilidade de no cometer o erro do tipo Il, ou seja, rejeitar a hiptese nula quando realmente ela falsa. Chamando de f3 a probabilidade de cometer o erro do tipo II, temos que o poder do teste ser dado por (I

- fJ). IFALSAI

(3) em um modelo determinado

de regresso

linear

utiliza-se

um teste bilateral de zero;

para verificar

se

coeficiente

estatisticamente

diferente

Resposta:
Em um modelo coeficiente teste so, respectivamente: de regresso diferente linear, utilizamos o teste t para verificar nula e alternativa se um desse

estatisticamente

de zero, e as hipteses

Ho' {3= O

Que um teste bilateral, quanto de 5%):


",

ou seja, consideramos isso significa a figura abaixo

tanto que f3 poder ser maior as duas caudas da (para um nvel de

menor t

distribuio
-;--.

de Student,

que O. Graficamente, como mostra

que utilizamos

significncia

IVERDADEIRAI

(4) o nvel de significncia


Resposta:

de um teste de hiptese

cresce com o tamanho

da amostra.

Como o nvel de significncia. escolhido pelo pesquisador, ali seja, como ele predeterminado, se aumentarmos o tamanho da amostra, ele, evidentemente, continuar sendo o mesmo.

IFALSAI

.~

<: -..

(ANPEC 2002, 05) Indique se as seguintes


hiptese so verdadeiras (V) ou falsas (F).

consideraes

sobre a teoria dos testes de


----:

.--"7-----~ (O) O erro do tipo 11 definido como Gobabilida~de no se rejeitar uma hiptese nula quando esta for falsa e o erro do tipo I definido- como a probabilidade de se rejeitar a hiptese Resposta: nula quando esta for verdadeira. -de nada. O
.-c:..;- -,

(!)

Note que o erro do tipo 11 e o erro do tipo I no so probabilidades erro do tipo 11 consiste tipo I consiste IANULADAI em no rejeitar a hiptese em rejeitar a hiptese nula quando esta for verdadeira.

nula quando esta for falsa e o erro do

\'

(I) No teste de hiptese para propores, se a varincia da proporo populacional for desconhecida, a estatsticatde Student com n_~l graus de liberdade (n o tamanho da amostra) Resposta:

---\::

a indicada para o teste.

I ') \~

(I~_' __

-"\---

O teste t no o indicado para propores. Utilizamos o teste t para testar a mdia quando a sua varincia for desconhecida (ou seja, a varincia dever ser estimada) e a amostra for pequena (quando a amostra grande, a distribuio t de Student se aproxima da normal). No teste para propores podemos utilizar a distribuio normal, desde que a amostra seja suficientemente grande. Caso contrrio, a distribuio binomial a indicada para o teste.

I
'

IFALSAI

(2) Num teste de hiptese bi-caudal, o vezes a probabilidade da regio .. d o teste., ~ estatistica Resposta: Note que a afirmao distribuio probabilidade seja assimtrica,

valor-p (ou valor de probabilidade)


extrema delimitada pelo valor

igual a duas calculado da (\ di) \ VerL\ fII

.J (\-~

l"~-i(_(:./ ..

acima vlida apenas para distribuies como a Qui-quadrado delimitadas extremas

simtricas.

Caso a a
(

ou a F, devemos pelo valor calculado 1(/1)~ /-" _

calcular da estatstica
t}<)&.

das dU'lu.e-gies

do teste, j que ~~-s:-sd\as regies no sero iguais.

IFALSAj

(M"'';'

O,JW'

I
IJ
,

\Q~

'VF-~;.
il,;,P'-'

'hol
I

_~-f populacional

'x:
a de

(3) No

se pode

realizar

um teste de hiptese da amostra),

para a varincia Qui-quadrado

pois

estatstica liberdade Resposta:

do teste,

que segue

uma distribuio

com n -I graus

(n tamanho

no simtrica.

possvel

sim realizar

testes

de hipteses

para a varincia valores


2

populacional;

alis

isso muito feito em economia.


- ;r--.

O fato de ser ou no simtrica que teremos

no impede a realizao diferentes para as caudas

de um teste de hipteses. direita e esquerda. O grfico desejarmos crticos realizar abaixo

A diferena

mostra

a distribuio quanto

com

5 graus

de

liberdade.

Se

um teste bicaudal assimtricas.

para a varincia,

teremos

que encontrar

os valores

tanto da cauda esquerda

da direita, j que esses valores

no so iguais

'_.~

para distribuies

r>.

._~

/
'----

:.--.....

'"

1.15

11,07

.; ...........

IFALSAI

"

(4) No teste p = Resposta:

de hiptese
CL,

para a mdia

(Ho:

I-l =

O contra

H,;

~l 7:-

O), ao nvel de
no contiver

significncia

se o intervalo

de confiana

com I-o; de probabilidade

O, no se poder rejeitar Ho.

("-)

"--'"

Supondo que o nvel de significncia do teste seja C/., se o intervalo de confiana de l- no contiver p = O, a hiptese nula dever ser rejeitada (j que o valor que est sendo testado no pertence regio de aceitao). Nesse caso, no h evidncia suficiente de que p seja realmente igual a zero.
"'-'"

Considere mais escura,

o grfico

abaixo.

Se o valor que est sendo testado ento H; deve ser rejeitada.

estiver

na regio

que a regio de aceitao.

ento HII no pode ser rejeitada.

Se estiver na

regio mais clara, que a regio de rejeio,

---,:-.

,,~.

.---.;;-

-.

IFALSAI

(ANPEC 2001, 05) Ao testar a significncia do coeficiente angular 13 de um modelo de regresso linear simples encontrou-se valor-p = 3x 10.3. Pode-se afirmar que:
(O)

O erro tipo 11 ser igual a 3x I O-3.


-"-

a probabilidade exata de cometer o erro do tipo I, ou seja, de rejeitar a hiptese nula quando ela verdadeira e, portanto, nesse caso, o erro do tipo I 3 que ser igual a 3 x 10. . Para podermos calc~lar o erro do tipo II precisamos conhecer o valor verdadeiro de f3, o que, em geral, no de conhecimento do pesquisador (pois se fosse, no precisaramos estimar (3)IFALSAI .

Resposta: O valor-p

~-

(l)A

probabilidade

de o verdadeiro

valor

do parmetro

encontrar-se

no intervalo
--:.,-

jJ2SjJ Resposta:

99,7%.

A probabilidade do verdadeiro valor do parmetro encontrar-se nesse intervalo de O ou 1 (j que este valor estar ou no estar contido nesse intervalo). Alm disso, o intervalo

/J 2Sp

de 95% de confiana.

Esta uma "regra de bolso"

para construir

um intervalo aproximado com 95% de confiana para a mdia (mas ser uma aproximao pobre se o tamanho da amostra for pequeno). O significado do coeficiente

_.

""

de confiana de 95% que, se construssemos vezes ele conteria o valor verdadeiro de jJ. IFALSAI

vrias vezes esse intervalo, em 95% das

(2) O mais baixo nvel de significncia 3xlO-- ..


-~

ao qual a hiptese

nula pode ser rejeitada

Resposta: Como j vimos, o valor-p o nvel de significncia exato do teste, ou seja, o nvel mais baixo ao qual podemos rejeitar a hiptese nula; e nesse caso, de fato igual a 3 x 10.3.

IVERDADEIRAI
-, .-'"

-_"

(3) O coeficiente significante a 99% de confiana. Resposta: . Apesar de no ser muito usual, essa linguagem tambm vlida. Se o valor-p do teste de 0,003 (0,3%), podemos dizer que o coeficiente significante a 1%, ou, ele significante a 99% de confiana, (1 - O,OI)x I 00%.

!VERDADEIRAI

-~.

(4) A potncia do teste definida por (1 - 0,003). Resposta: I A potncia (ou poder) do teste a probabilidade de no cometer o erro do tipo 11 (I - probabilidade de cometer o erro do tipo IJ), ou seja, rejeitar a hiptese nula quando realmente ela for falsa. O valor de (1-0,003) seria coeficiente do intervalo de confiana. IFALSAI

- .......

(ANPEC 2001, 06) Em relao ao intervalo de confiana (O) Utiliza-se a distribuio normal confiana da mdia populacional d istribu ida. Resposta:

estatstico

pode-se afirmar:

z padronizada para estimar-se o intervalo de somente quando a populao for normalmente

Pelo Teorema do Limite Central, sabemos que qualquer que seja a distribuio da populao, a sua mdia amostra I ser normalmente distribuda com mdia I-' e varincia Portanto.
-.......

dada por ~,
n

desde que a amostra a d istri bu io

seja aleatria

c suficientemente para

grande. o

podemos

utilizar

norma I paclron izada

est imarmos

,.,

intervalo de confiana da mdia populacional,qualquer que seja a distribuio populao, desde que tenhamos uma amostra suficientemente grande. IFALSAI

da
~.

(I) Emprega-se um fator de correo para a estimativa do desvio-padro populao finita, ou a amostra extrada sem reposio.

quando

---.;

.. ';

Resposta: O fator de correo para estimarmos o desvio-padro (e conseqentemente a varincia) utilizado quando a populao finita e a amostra extrada sem reposio, j que nesse caso, medida que forem sendo retirados os elementos dessa populao, a varincia dos que restaram ser alterada. Se a populao for finita mas a amostra for extrada com reposio, isso noacontecer e o fator de correo no precisar ser utilizado. J no caso de urna populao que infinita e a amostra retirada sem reposio, esse fator tambm no necessrio.
IFALSAI

(2) Para aumentar a preciso de uma estimativa por intervalo, o pesquisador aumentar o intervalo de confiana de 95% para 99%, por exemplo. Resposta: Para aumentar a preciso de uma estimativa por intervalo, o pesguisador aumenta-rOTiTffl da amostra. Alis, aumentar o intervalo de confiana de 95% 99% ir diminuir a preciso da-estimativa por intervalo, j que os valores crticos nveis de confiana maiores tambm sero maiores e, sendo assim, a margem de ser maior. IFALSAI (3) Aumentando-se intervalo. Resposta: Considere o tamanho da amostra, aumenta-se a preciso de uma estimativa

deve
~'-

deve para para erro

por

o intervalo

de confiana

para a mdia populacional:

rc Se aumentarmos erro, que dada por: o tamanho

[xz~] J-;;
estaremos diminuindo a margem de
..--.;.
~.

da amostra,

margem

de erro

z x

J-;;
a. margem de erro tambm
~.

medida
diminui,

que n aumenta,

5-,; diminui

e, portanto,

ou seja, a estimativa

por intervalo

torna-se

mais precisa.

\VERDADEIRAI

(4) Sendo

x=

14 a mdia de uma amostra aleatria normal cujo desvio padro c a 95%, ser 14
=

de 36 elementos

extrada de lima da mdia em Norma!

populao anexo. Resposta:

2, o intervalo

de confiana

populacional,

0,55. Use a tabela

da distribuio

Como queremos um intervalo com 95% de confiana, temos que consultar tabela da distribuio normal para rea igual a 0,475, cujo valor de 1,96.

-_.

'"\

Dessa forma, temos que:

Ix - J-LI
(J"

= I 96

Fn
-'----'-'- =

114 2

lil

1 96 '.

56
I 114- J-LI = 1,96 x ~
J

114

- J-LI == 0,65

Portanto, o intervalo com 95% de confiana por:


IC95o, IFALSAI

para a mdia populacional

ser dado

= [14

0,65]

-.

(ANPEC 2001, 07) Sobre testes de hipteses, pode-se afirmar que: (O) O erro do tipo I consiste em rejeitar a hiptese nula quando ela verdadeira, Resposta: Como j vimos anteriormente, ("condenar um inocente"). esta realmente a definio do erro do tipo I

IVERDADEIRAI

(I) Nvel de significncia a probabilidade de se cometer erro do tipo 11. Resposta: O nvel de significncia de um teste a probabilidade de se cometer o erro do tipo I, ou seja, rejeitar a hiptese nula quando de fato ela verdadeira ("condenar um inocente") e seu valor predeterminado pelo pesquisador.

(2) Por .otncia do teste entende-se a probabilidade quando esta for falsa. Resposta:

de se rejeitar a hiptese nula

A potncia (ou poder) de um teste exatamente a probabilidade de no cometer o erro do tipo II, ou seja, rejeitar a hiptese nula quando esta for realmente falsa. IVERDADEIRAI

."'\.

(3) A opo pelo teste unilateral ou bilateral decorre da expectativa terica sobre o parrnetro que estiver sendo testado. Resposta: Se tivermos alguma idia sobre a direo em que o valor verdadeiro difere do valor que est sendo testado, utilizamos o teste unilateral. Caso contrrio, utilizamos o teste bilateral. IVERDADEIRAI (4) Um intervalo de confiana de 100(1-0.)% tambm pode ser utilizado para o teste de significncia de um parmetro populacional, caso o teste seja bilateral. Resposta: Se construirmos um intervalo de confiana para a mdia podemos utiliz-Io para testar hipteses. Nesse caso,' O intervalo de confiana chamado de regio de
~'

---...;::

aceitao do teste, e a hiptese nula ser aceita se o valor testado estiver dentro dessa regio e ser rejeitada caso contrrio. Note que, se o intervalo de confiana ou o teste de hiptese for para a proporo, isto no exatamente vlido, j que as varincias em cada caso sero diferentes. tyERDADEIRAI

(ANPEC 2000, 05) Dadas as seguintes


dizer que:

afirmativas

sobre testes de hipteses, a estatstica

correto
para

'"

(O) A probabilidade
cujo clculo

do erro tipo I calculada utilizando-se presume-se que a hiptese nula falsa.

de teste,

Resposta: A probabilidade (mxima) do erro tipo I definida a prior i pelo pesquisador, ou seja, ela no precisa ser calculada. O que podemos calcular utilizando a estatstica do teste, o valor-p, ou seja, a probabilidade exata de cometer o erro do tipo I (rejeitar a hiptese nula-quando ela verdadeira).

(1) Uma vez populao, confiana.

definida a reglao de confiana para um determinado parrnetro vrias hipteses nulas podem ser testadas utilizando-se este intervalo ,.

da de

Resposta:
Dado que construmos um intervalo de confiana para determinado parrnetro, podemos testar vrias hipteses nulas a respeito desse parmetro, j que podemos escolher vrios valores para serem testados. E como o intervalo de confiana contm mais de um valor, vrias hipteses nulas podero ser aceitas.

tyERDADEIRAI

(2) Quanto maior o p-valor, maior a credibilidadeda Resposta:

hiptese alternativa.

Quanto maior o p-valor, menor a credibilidade da hiptese alternativa. Suponha, por exemplo, que estejamos realizando um teste e escolhemos 5% de significncia. Se o p-valor for 2%, poderemos rejeitar a hiptese nula (alta credibilidade da hiptese alternativa). lVIas se o p-valor for de 50%, a hiptese nula 11<1.0 poder ser rejeitada (baixa credibilidade da hiptese alternativa). Veja tambm, questo 02/2004, item (O). IFALSAI

(3) A aceitao

de determinada

hiptese

nula implica que esta hiptese

seja verdadeira.

,
-

-- )

'Resposta: A aceitao de determinada hiptese nula no implica que esta hiptese seja realmente verdadeira. O que podemos dizer que, dada a informao disponvel, no possvel contestar tal hiptese. . IFALSAI
-"\.

(4) O poder de um teste a-probabilidade falsa. Resposta:

de se rejeitar a hiptese

nula quando esta for

-"\.

O poder de um teste a probabilidade de no cometer rejeitar a hiptese nula quando realmente ela falsa.

o erro do tipo Il, ou seja,

IVERDADElRAI

(ANPEC 2000, 09) Uma urna contm bolas azuis e bolas verdes. Para testar a hiptese de que a proporo de bolas azuis igual a proporo de bolas verdes, obteve-se uma amostra de 64 bolas, com reposio, anotando-se as cores das bolas retiradas e adotando-se a seguinte regra: aceitar a hiptese de que a uma possui iguais propores de bolas azuis e verdes se forem retiradas entre 28 e 36 (inclusive os extremos) bolas de uma mesma cor; rejeit-Ia caso contrrio. Calcule a probabilidade de se cometer um eiro do tipo I. (Multiplique o resultado por 100 e arredonde). !
Soluo: As hipteses nula e alternativa desse teste so:

1-10: p = 0,5 H1: p o;t 0,5


A varincia var(p) da proporo amostra I ser dada por: 64

= pCl n

p)

0,5 x 0,5 = 0,25


64

E o desvio-padro:

d (~)=)0,25 P P 64

=.22=00625 8 '

O critrio para que se aceite a hiptese nula que sejam retiradas de 28 a 36 bolas da mesma cor (inclusive). Isso significa que a regio de aceitao do teste ser:
R.A. [0,43 75 ;0,5625]

,-

J que:

28 == 0,4375

64

36 == 0,5625

64

--;.-

E a margem de erro, dessa forma, igual a 0,0625 (0,5 0,4375). Isso significa que: 0,0625 ==
z

+ 0,O?25

== 0,5625 e 0,5 - 0,0625 -

x 0,0625

__

'" z ==
0,0625 0,0625 Portanto, procuramos na tabela da distribuio normal a probabilidade associada a esse valor crtico (I), que de 0,341345. Subtraindo esse valor de 0,5 (e multiplicando por 2, j que se trata de um teste bicaudal e a distribuio simtrica), encontramos a significncia do teste, que de aproximadamente =1

p2%1.

0,341345

0,341345

-;.---...

de certo estado afirma que detm mais de 45% das intenes de voto do eleitorado na prxima eleio. Para verificar a veracidade da informao, o candidato Y mandou realizar um levantamento estatstico utilizando, para tanto, uma amostra aleatria de 625 eleitores. O resultado do levantamento foi o seguinte: Candidato Nmero de votos
--~

(ANPEC 1999, 07) O candidato X a governador

Total 625 concluir que: com base num teste de hipteses, para um

Com as informaes

dadas, podemos

--,----"

(O) A afirmao do candidato X verdadeira nvel de significncia de 5%. Resposta:

'""'
As hipteses nesse caso so:

"

H,,: p = 0,45 H,: p < 0,45


Como um teste monocaudal, 1,645: a 5% de significncia, temos que o valor crtico de ,,:-

--;'"

-,,-\'.,
,"""",,--o

~.

45%

-"','

A varincia vare

da proporo

amostralser

dada por:

p)

=:

(I -

i)

-n

0,45 x 0,55 == 0,000396 625

dp(

E o desvio-padro ser, portanto: p) = .jO,000396 == .jO,0004 ='0,02

Temos ento que:

li) - pl = I 645
dp(p) ,
1
=:

, -, 045 Ip
002 ,

1 645
' 1,645 x 0,02 0,033 a regio de aceitao ser dada por:

li) -

0,451

=
~

13 - 0,451

Como um teste monocaudaI, R,A, = [0,417; co [

' E como o va 1or que fi .01 encontrado


aceitao, candidato

na amostra

O 408 (O,

255) 625

- pertence ' " '- d e nao a regiao isto , a afirmao do

podemos rejeitar a hiptese X no verdadeira.

nula a 5% de significncia,

IFALSAI
-..-:...-

-~

--;..,---....

(1) Com lima confiana de 90%, o intervalo de confiana para a verdadeira proporo de intenes de voto para o candidato Y (39%; 46%), arredondando para nmeros inteiros as percentagens encontradas. Resposta: Com 90% de confiana temos que z = 1,645:

-- ""

E a proporo

encontrada

na amostra

para as intenes

de voto para o candidato

ele: ~ 265 P=-=0424 625


=;

'
ser ento: pX(I-p)=

A varincia var(p)=

-""

n
E o desvio-padro:

0,424 x 0,576 :::000039 625 -,

..-..

.-...,

elp( p )

.JO,00039

=: .JO,0004

0,02

Dessa forma:

Ip - pl = I 645
dptji)
-'----'-'-

,
=

10.424 - pl
0,02

I 645

'

10,424 10,424 -

pl = 1,645 x 0,02 pl = 0.0329 =: 0,46 =: 0,39

0.424 :I: 0,0329 0.424 - 0.0329

---.!

,"""".

Portanto, o intervalo com 90% de confiana candidato Y ser dado por: IC90%
=

para a verdadeira

proporo

de votos para o

~.

[39%; 46%]

IVERDADElRAI

(2) Com a mesma confiana de 90%, o intervalo estimado para a verdadeira proporo de intenes de voto para o candidato X (38%; 44%), arredondando para nmeros inteiros as percentagens encontradas, Resposta:

~.

A proporo amostra] de votos para o candidato X, como j vimos de 40,8%.


Portanto, a varincia
=

amostra I ser dada por: 0,408 x 0,592 == 000039 625 '

Vare p' )

p x (1 - p)
n

E o desvio-padro:
dp(

p)

.)0,00039

== .)0,Q004

0,02 com 90% de confiana, temos que o valor crtico

Como o inte~valo novamente ! de 1,645. Portanto: .

Ir - pl = I 645
dp(p) ,

~.

1,410,02

pl

1,645

10,41 10,41-

pl = 1,645 xO,02
pl = 0,0329

0,41 + 0,0329 0,41 - 0,0329

= 38%
ser dado ento por:
.--..,
-"'.

== 44%

o intervalo
lC90% =

com 90% de confiana [38%; 44%]

!VERDADEIRAI

-r-.

(3) A afirmao de que o candidato Y detm mais de 42% das intenes de voto verdadeira, com base num teste de hipteses com nvel de significncia de J %. Resposta: Nesse caso, as hipteses so:

------.

Ho: p = 0,42 Hj: p> 0,42 Com 1% de significncia, temos que o valor crtico de 2,33.

-.0_.-

= 2,33

A varincia amostral
var (A) p

ser dada por:

= rx(l-p)
n

= O,42xO,58
625

~,.J

0000""9

E o desvio-padro: dp( r) = )0,00039 Portanto:

== 0,02

Ir - pl = 233
dp(p) ,

"---'-= 2,33
0,02

Ir - 0,421

Ir - 0,421 = 2,33 x 0,02 Ir - 0,421 = 0,0466


0.42 + 0.0466 ~ 0,4 7 0,42 - 0,0466 ~ 0.3 7 R.A. =
..

l-

CI):

47%]

---,
.)

."
~
-)

=)

~) .... ) +-,

Como a proporo encontrada na amostra (42,4%) pertence R.A., no podemos rejeitar a hiptese nula, ou seja, a afirmao no pode ser contestada a 1% de significncia.
IFALSAI

:...)
:":'J

(ANPEC 1999, 08) Deseja-se estimar o faturamento mdio, 11 , de uma empresa. A informao que se tem de que o desvio padro dos valores das faturas desta empresa de R$25,OO. Se existem 500 faturas desta empresa, encontre o tamanho da amostra necessrio para estimar, 11, com um limite sobre o erro de estimao de R$5,00. Considere somente a parte inteira da resposta.

+-;

!Anuladal

Soluo:

Esta questo foi anulada, pois no foi fornecido o nvel de confiana. Considerando que fosse pedido um intervalo de 95% de confiana e houvesse um nmero ilimitado de faturas (isto , bem maior do que 500), de modo que a populao pudesse ser considerada infinita, teramos um valor crtico de 1,96:

Portanto:

--<

Ix (J

/11

1,96

j;;
A margem de erro ser dada ento por: 25 Margem de erro: 1,96x I
"';11

E, como essa margem deve ser de 5: 25 196x-=5

j;;
~

-=)

49

J;;

j;;
.j;

49 5 = 9,8
=

Elevando

ao quadrado

os dois lados da equao:

(.rn)'
n
=

= (10)2

96,04
Dessa forma, o tamanho da amostra necessrio para estimarmos
,Li

com uma

margem

de erro de R$5,OO de~.

(ANPEC 1999, 10) Com relao a teoria de Teste de Hipteses,


(O) Se o objetivo
.

pode-se

afirmar que: Alternativa de o

testar a hiptese Nula,


ento deve-se

Ho : f) = f)o,' contra a hiptese

que;

n, :o :f- f)o'

rejeitar

n,

quando

f)-f) . d (8 ") > CI~;I, onde,

valor crtico,

C1-<Ji' determinado

da distribuio

'P " t-Student' ou da distribuio

Normal em funo do nvel de significncia a. Resposta: Tudo est correto se for, por exemplo, um teste para a mdia, em que a distribuio simtrica, mas isto no especificado no enunciado. O parmetro 8 poderia ser, por exemplo, a varincia, e o procedimento seria, ento, diferente. IFALSAI

i i
(I) Um teste de hiptese dito o mais poderoso se tem o maior poder do que qualquer outro teste, ainda que os nveis de significncias sejam diferentes. Resposta: Dado um nvel de significncia, um teste dito o mais poderoso se tiver o maior poder que qualquer outro. No se pode comparar o poder de dois testes que possuam nveis de significncias (ou tamanhos) diferentes, j que, dado o tamanho da amostra, quando aumentamos o nvel de significncia, diminumos a probabilidade de cometer o erro do tipo 11 (/3) e, portanto, aumentamos o poder do teste ( que dado por

~ ~
~,

~ ~
/''':''''''',1

1-/3).
IFALSAI

~ ~ ~
>--..

(2) Um teste de hiptese no-viciado se seu poder maior ou igual do que a probabilidade do erro do tipo I para todos os valores dos parmerros.

Resposta:
Assim como os estimadores possuem algumas propriedades desejveis, os testes de hipteses tambm. E lima dessas propriedades desejveis que o teste seja no viesado(ou no viciado). Isso ocorre quando o poder do teste for maior ou igual a seu

>--

~
'""'

"
\

.~

/'.,

nvel de significncia, ou seja, quando ele rejeita a hiptese quando ela falsa que quando ela verdadeira.

nula mais freqentemente

IVERDADEIRAI

(3) A estatstica

t-Student

utilizada

nos testes de hipteses


()2

para a mdia populacional


.:.....;: ..

quando a varincia

dos elementos

da populao,

,no conhecida.
,

Resposta:

Quando a varincia no conhecida, ou seja, quando ela tem que ser estimada, e a amostra pequena, a distribuio t de Student a utilizada nos testes para a mdia populacional. Note, porm, que quando a amostra for grande, no far diferena utilizar a distribuio normal ou a t, j que esta ltima se aproxima da normal padronizada medida que o tamanho da amostra aumenta.

IVERDADEIRAI

com o objetivo de substituir a mquina antiga de certa indstria. Segundo o fabricante da nova mquina, a proporo (P) de peas defeituosas produzida de 3% ou menos. Uma amostra de 2.000 peas foi examinada e foram encontradas 74 peas defeituosas. (O) As hipteses para um teste estatstico de hipteses devem ser

(ANPEC 1998, 09) Uma mquina est sendo examinada

Ho: P Resposta:
As hipteses

= 0,03

H.4: P < 0,03.

para este teste devem ser:

Ho: P = 0,03 HA: P> 0,03


A afirmao do fabricante que a proporo de peas defeituosas mximo 3%. Portanto, a hiptese alternativa deve contestar esta afirmao, deve postular que a proporo de peas defeituosas maior que 3%. de no ou seja,
.,,~

IFALSAI

(1) Ao real izarrnos o teste de hipteses para o problema, 5%, a hiptese nula deve ser rejeitada.

ao nvel de significncia

de

Resposta:
Lembrando que as hipteses para este teste devem ser:

Ho: P = 0,03 1-11: P> 0,03


A proporo de peas defeituosas encontrada na amostra de 0,037

( 74)
= 2000

-.

....

~
--

~ '" '" ~
..--., ~,

Como queremos

5% de significncia,

o valor crtico ser de 1,645 .


/

0,45

Nesse caso, a varincia vareP)


A

da proporo

amostra 1ser:

P x (1- P) = -~_..:..

"

"

n
E o desvio-padro:
dp(

0,03 x 0,97 == O0000145 2000 '

.)0,0000145

== 0,0038

Dessa forma:

--A-

Ip-pl

1,645

dp(P)

Ip-O,03I
0,0038

1,645

Ij> Ij> R.A.

0,031 = 1,645 x 0,0038 0,031


=

0,006251
ser dada por:

Portanto,

a regio de aceitao

= ]-00; 3,62%]
a hiptese produz no

--

---,

Como o valor obtido da amostra, 3,7%, no pertence regio de aceitao, nula deve ser rejeitada, ou seja, a afirmao do fabricante de que a mquina mximo J% de peas defeituosas falsa.

IVERDADEIRAI

(2)

Utilizando estimativa

a proporo por intervalo

de peas defeituosas encontradas para a verdadeira proporo de

na peas

amostra, a defeituosas

produzida

pela

nova

mquina,

utilizando

uma

confiana

de 95%, (2,87%;

4,53%). Resposta:
Com 95% de confiana, o valor crtico ser de 1,96.
\.

A varincia ser dada por: var(P)

= PX(I-') n

= 0,037xO,96~ =0000018 2000 I '

desvio-padro:
P)=
~O,OOOO 18 = 0,0042 ~ ~
= 1,96
..

dp(

Dessa forma, temos que:

--, dp(P)

Ip-pl

..

-(".

10,037- pl
0,0042 10,037-

1,96

pl = 1,96 x 0,0042 10,037 - pl == 0,0~8232


0,037 + 0,008232= 4,5232% 0,037 - 0,008232 = 2,8768%
Portanto,

intervalo

com 95% de confiana

ser dado por:


-.;'-

IC95% = [4,53%; 2,87%]

!VERDADElRAI

(3) Admitindo que a verdadeira proporo de peas defeituosas seja 3%, seria necessrio uma amostra de 3.000 peas para que o erro mximo admissvel entre a proporo estimada e a verdadeira no excedesse a 1%, c~m probabilidade de 95%.

Resposta:
Para 95% de confiana, temos que:

~-A""""':'

Ip-O,031
dp(P)

== J

,645

Ift-o,031 Sabemos

1,645xdp(P) a raiz quadrada


== ~0,0291

que o desvio-padro

da varincia.

Portanto:

0,03xO,97

n
P ortanto, a margem

de - x ~ --n-. 0,0291 E como e Ia nao - po d e exce d er e erro ser sera d a d a I , 64 )

I%, temos que: 1,645 x ~0,0:91


=

0,01

~0,0291 n ~O,0291

=.~
1,645

-=

0,00608

n
Elevando ao quadrado:

0,0291 == 0,000037

n
n == 0,0291 0,000037 == 786 49 ' uma amostra com 787 peas para que o erro mximo fosse de

Portanto, 1%.
-':';;;--'"

seria necessria

IFALSAI

"."-=-

(4)

Se as probabilidade

de que

um intervalo

de confiana

contenha

o verdadeiro

parmetro populacional B igual a (I - a), isto significa que se retirssemos um nmero infinito de amostras da populao em estudo e se para cada uma das amostras calculssemos o intervalo de confiana do

parrnetro
(J.

6, ento em (I - a)%

destes intervalos Resposta:

conteriam

o verdadeiro

parrnetro

exatamente esse o significado do intervalo de confiana. Uma vez construdo,

no se pode dizer que a probabilidade deste intervalo conter o verdadeiro parrnetro de


(l-a) x l 00%: ou ele contm ou no contm (portanto a probabi lidade seria de I ou O).

Cabe notar, porm, que no enunciado da questo faltou multiplicar por 100 a expresso (l-a), para que esta realmente fosse dada em porcentagem. [VERDADEIRAI

~ ,.'
- - ..
._'.

"

"

\.

,
,"-.

,.

(ANPEC 2005, 10) A respeito do modelo de regresso

mltipla:

= JJI Ro

+ [J,X,-t + [J,X,+ e. _
_I

em que e, tem mdia zero e varincia (O) No caso de uma forte colinearidade nula de que jJ}

(J} ,

so corretas
Xli

as afirmativas: tende-se a aceitar a hiptese

entre

e X2i,

O, pois a estatstica

t subestimada.

Resposta:
Quando existe alta colinearidade entre as variveis independentes de um modelo de regresso, os desvios-padro dos parmetros so geralmente altos, o que significa que as estimativas tm pouca preciso (quanto maior a varincia, menos preciso ser o estimador). Dessa forma, as estatsticas t sero baixas (j que so calculadas dividindose o coeficiente por seu respectivo desvio-padro), indicando possivelmente a insignificncia dos parmetros.

---

A varincia

do coeficiente

de inclinao

jdada

por (veja Wooldridge,

p.96):

'\

var(jJj)

-n-----

u"

Ixt
i=1

x(l- R~) independentes que maior


Xj

onde

RJ

o R" de uma regresso


original (incluindo'o

entre

Xj e todas as outras variveis Se R}


J

do est E

modelo altamente quanto varincia realmente

intercepto).

for alto, isso significa includas no modelo de x, constantes,

correlacionada mais alto for do parmetro

com uma ou mais variveis

original.

R~, mantendo
estimado,

(J2

e a varincia

ser a

e menor ser a sua estatstica

t. Sendo assim, tende-se t subestimada.

a aceitar a hiptese

nula de que

[J J-

O,j que a estatstica

IVERDADEIRAI

Considere

o modelo escrito na forma de desvios

em relao mdia:

Y;

PI XI;

+ P2 X2i + ei
de inclinao) pode ser escrito como:

o coeficiente
n

)'rv
~-'I;I

/3.1 = "':"-::":-~-, -" ~,I ;2


1"'1

Vejamos: Podemos escrever a varivel


.\"11

da seguinte

forma:

Xli Xli

= =

J'IX2i + rli
Xli

+ rli

Analogamente:
X2i = ~IXli

+ /
\,

""2' = '~2i + ':2i

Portanto, 'li a "parte" de efeitos das demais variveis.

xji

que no correlacionada

com as demais variveis do


Xii

modelo (no presente caso, temos apenas uma), ou seja, rj;

depois de retirados os

As condies de I". ordem do mtodo dos mnimos quadrados ordinrios so dadas por:

Substituindo, temos:

fi, ==

Ir

n li)';

--\

...:.;=:.:.~--

fi2 = -,-i=-,-~__
;=1

LruY;

Irl;
;=1

Ir2~
n

J que:
Xii

no correJacionado com ei('L)jiei


;=1 n
k;

= O);
), comj
;;=

Pi; no correlacionado com x (LrjiXki


;=1

k;

IX/i;
;=1

I(~j;
;=1

+rji)Pji=

IPi~ .
;':::1

Substituindo agoray; em /31:

'-:';:"

/3,=

L~,(/3,X'i
~i=~'
n

+ /31X2i

+e

i)

Lr~~
;=1

/31 rlx,. + /3,-L....J ~ P,x, + ~ L Pie /3,= __ ~i~=' ~i~='~ ~i=~' _


~ I

_I

L~~
i=1

/3, = _.!.:i=:;..' __ +
11

/3, Ip,;

Ir'i
i='
IJ

e;

Li;~ Lr,~
j::::1

i=J

...

-:--..,

/3, = /3,

+ ..!;i=:c.:.__

2:>~'iei

._.~

2>;; ;=,
Calculemos ento, finalmente (l), vare /3,):

-.;,--.."

vare /3,)

Sabemos

que

LI:,;
1='

11

a soma dos quadrados

dos resduos

(SQR) ela regresso

de x, em

x,. Dessa forma:

SQR SQR

= =

SQT - SQE SQT

(1-

-'\'

SQE) SQT

SQR == SQT(I - RI~) SQR == XI~

RI")
de determinao da regresso de
XI

"
em x2 Assim:

Onde RI" o coeficiente


(j2

vare /31)

= -----

i>~(J- R12)
,
(j-

"":

Generalizando:

tvar(/lJ')

= ----I
n

Ix~(1-R5)
;=1

com R J variveis

coeficiente

de determ inao da regresso do modelo.

de

Xi

em relao

a todas as outras

explicativas

....:.;; ...

(I)

Se os erros Quadrados

so autocorrelacionados, Ordinrios

ainda

assim

os estimadores

de Mnimos

de /31 e /32 so lineares e no tendenciosos.

Resposta:
A hiptese de no existncia de autocorrelao dos erros necessana para que os estimadores de MQO sejam efcientese para que os testes de hipteses tenham validade. Dessa forma, se os erros forem autocorrelacionados, os estimadores de MQO continuaro sendo no tendenciosos e consistentes, a no ser que haja entre as variveis explicativas, a varivel dependente defasada (que no o caso). Quanto a continuarem sendo lineares, evidente que continuaro! IVERDADElRAI

(2)

Se os erros so heterocedsticos, ainda assim os testes usuais t e F podem, sem prejuzo algum, ser empregados para se testar a significncia dos parmetros do modelo, caso estes sejam estimados por Mnimos Quadrados Ordinrios.

Resposta:
A hiptese de homocedasticidade (varincia constante dos erros) necessria para que os estimadores de MQO sejam eficientes e para que os testes de hipteses tenham validade. Assim, se os erros forem heterocedsticos, os testes t e F no sero vlidos, independentemente do tamanho da amostra.

IFALSAI

(3) Erros de medida da varivel dependente


Mnimos Quadrados Ordinrios

reduzem

as varincias

dos estimadores

de

de J31 e fi2'

Resposta:
Se h erros de medida da varivel dependente

Y;, temos que:

y;'= Y;+Ei
onde Ei corresponde ao erro de mensurao da varivel dependente.

Dessa forma, o modelo estimado

com a varivel

Y;' ser:

r;' = fio r;' = fio r;'= fio

+ fi,X'i

+ fi2X2i + ei + Ei

+ fi, Xli + fi2X2; + k + EJ


+ fi,X'i + fi2X2i

+ Jli
do erro da equao
)li

o novo
varivel vare JL; ) vare
rI
11.)

termo de erro JLi composto

(e.) mais o erro de medida

da

Yi (E,). Dessa forma, a varincia de

ser 'dada por:

= varte.) + vare JlJ


=
0-2
e

+ 0-2fi

Que maior que a varincia do erro da regresso sem o erro de medida. E como vimos no item anterior, a varincia do estimador do coeficiente de inclinao) dada por: i

"

i=!

Portanto, quanto maior a varincia dos erros, maior ser a varincia dos coeficientes de inclinao. E, como erros de medida na varivel dependente aumentam a varincia dos erros, aumentam tambm as varincias dos estimadores de mnimos quadrados ordinrios dos coeficientes de inclinao,

fi, e fi2'

IFALSAI

(4) A

0111 isso

da

varive I expl icativa torna a estimativa

re levante, dos omitida

X2,

para

expl icar
~I

avari

vel e

dependente, inconsistente, varivel

J~.

coeficientes

~o e

tendenciosa

se e somente

se, a varivel

X], for correlacionada

com a

includa, X,.

Resposta:

A omisso de uma varivel explicativa relevante toma a estimativa dos coeficientes de inclinao viesada e inconsitente se e somente se, a varivel omitida for correlacionada com a varivel includa. Porm, mesmo que a correlao entre a varivel omitida da regresso e as variveis includas seja igual a zero, a estimativa do intercepto, no caso

/3

0,

ser ainda viesada e inconsistente.

Vejamos: Sabemos que o modelo verdadeiro dado por:


~\-.

Com a omisso

de X},temos: + f.1,

1'; = /3
f.1;

/3 Xli
1

em que:
= e;

+ /32Xz;
desse modelo so no viesados, precisamos calcular as

Para sabermos se os estimadores respectivas esperanas.

o estimador

de mnimos

quadrados

ordinrios

de

/30

dado por:

E o de /31:

/3, =

" LXliYi
...;...;=...;...1 __ /I

LXI~
;=1

onde as letras minsculas Calculemos primeiro

representam

as variveis

centradas.

E( /lI):

E( /31)

E( /31 )

---,-I~:,I_--,LXI~
;=1

E(tXliYi)

."

Como

I(X'i -XI)
;=1

O:

Como o modelo verdadeiro

dado por Y; = /30 + /3, X'i + /32X2i + e., temos:

-;:..-..",.

.;-....

-,
Analisemos agora o pnrnerro somatrio da expresso acima:

I(X'i - _Y, )X'I


;=1

Somando e subtraindo

XI'

obtemos:

f(X'i
i=1

-XI XXii -Xi

+x

l)

I(X'i
i=J

-x,y

+X,I(X'i
i=l

-X)= f(x"
1=1

-XIY

Analogamente
i=1

(verifique!):
=

I(Xli ~~Y'JX1i
--.--....

I(Xli
;=1.

---Y'JX2i -Xl)

Dessa forma, temos:

Como XI e .Xl so no correlacionados igual a zero, temos:

com o termo de erro e e a mdia cios erros


l

----.)
"\

.: \

:'

E, portanto:

"'"

'

Como /32

=F O,

p,

ser viesado, a menos que

XI

e X2 sejam no correlacionados.

Vejamos agora o que ocorre com o intercepto:

E(Po)
E(

E(Y -

P,X,)

Po ) == E( Y) - X, E( p, )

"

Portanto, para que

/Jo seja

no viesado, isto , para que E( Po)

= /30'

deve-se verificar

que

[x, - X, ~,x"x,,]=
"1\

O, A no existncia de correlao entre as variveis X2 e


, ...,
.' ,
"

x,

~,
;=1

X,2

. ..,
.

no garante que o estimador do intercepto seja no viesado. Alm disso, deve-se verificar que

seja igual a zero,

!FALSAI

(ANPEC 2005, 11) dada a seguinte


In(Y;)

funo de produo

para determinada
,

indstria:

= Po + PI In(L;)

+ P2 In(K;) + ti;

em que Y o valor adicionado por firma (em reais), L o trabalho empregado, valor do capital (em reais) e ti o termo aleatrio. Uma amostra aleatria observaes leva s seguintes estimativas: In(Y)
I

K o de 27

= 1,1755 + 0,6022In(L)
27

+ 0,3856In(K)

SQR R2
So corretas regresso Resposta: Se Y passasse

-= "2}/,2 -= 0,84
i=1

= 0,76
o valor estimado do intercepto da

as afirmativas: seria alterado.

(O) Se Y passasse a ser medido em mil reais, somente

a ser medido em mil reais, teramos:

In(1 0001';) = Po + P1 In(L,)+ In( 1000) In(Y,)


=

In(K1)

+ u,

+ In( Y;)
C/..

= Po +

PI In(L;) + P2 In(K;) + LI;


2

In(Y,) = onde
C/..

po-ln(1000) + Plln(L;) + P In(K;) + li; + PI In(L,) + P1ln(K,) + 1/; /3


0 -

lil(1 000).

Dessa forma, m:udando a escala de Y, somente

~ ,.

o valor do intercepto

seria alterado.

....- .

fiERDADEIRAI

.,........:.,

Ao nvel de 5%, os coeficientes associados ao trabalho e ao capital so conjuntamente iguais a zero. Resposta: Para verificar se os coefic ientes de incl inao da regresso so conjuntamente iguais a zero, devemos utilizar o teste F, cujas hipteses so: H!}: /31 = /32= O

(1)

H,. pelo menos um dos /3,


2

::F

O,

i = 1,2. ANPEC 2002, 10. irem (3)):

A forma R do reste F dada por (veja questo

= -.....---'-----'---

R.'I(k

-I)

(I-R')/(n-k)

0.76/1 0.24/24

= 76

:>
.---;;\

",'-

'---'\'

Consultando a tabela da distribuio F com I grau de liberdade no numerador e 24 no denominador, encontramos que: FI,24 = 4,26. Como o valor calculado maior que o valor tabelado, rejeitamos a hiptese nula a 5% de significncia, ou seja, a regresso vlida, o que significa que os coeficientes do capital e trabalho so conjuntamente diferentes de zero. . IFALSAI

(2) Se o desvio

padro do estimador sobre

de~2

for 0,0854, de

o intervalo

de confiana de capital

a 95% ser

para o efeito 0,95 x 0,3856 0,0854 Resposta: O intervalo

Y de um aumento

I% no estoque

com 95% de confiana


tn.k

para fJz ser dado por:

Ip2 dp(fJ2)

fJ21
-

"-------:-~~

1,3856 - /321
'------'-t24

0,0854

fJ2= [0,3856{2~ x 0,0854]


IFALSAI

(3) Os valores estimados permitem concluir que, para aquela indstria, a produtividade marginal do trabalho menor que a produtividade mdia do mesmo fator. Resposta: O modelo estimado y"I
=

pode ser escrito como:


-;;:\

r;

LO.6022 X K'

0,3856

J que, aplicando InCY;) = In( y

o logaritmo
X

natural em ambos os lados da equao

acima, temos:

x L~6022

K;0.J856)

InCY;)= In(y)+

0,6022 In(L;)+ 0,3856In(K;) In(L;)+ 0,3856'ln(K;)'

InCr;) = 1,1755+ 0,6022

A produtividade trabalho:

marginal

do trabalho

dada pela derivada

do produto

em relao

ao

PMgL

ay = r x o 6022
L '

X L~,3978
I

KO,3856
I

E a produtividade

mdia do trabalho:

y
PMeL=
-=

rx LO.6022 x KO.J856
' ,

i,

, r x L~3978

K,J85

Dessa forma, podemos concluir que: PMgL < PMeL, j que x 0,6022 x L7o.3978 x

KjO.J85

<r x

L~J978

K,O.J85

/VERDADEIRAI

(4) Qualquer utilizada. Resposta:

outra forma funcional

que leve a um R2 maior que 0,76 ser prefervel

pode ser utilizado para comparar modelos com diferentes variveis 2 dependentes. Por exemplo, se estimssemos um modelo linear para Y, o R nos daria a informao de quanto da variao de Y explicada pela variao nas variveis explicativas. J 'no modelo log-log, o R2 nos diz quanto da variao em InY explicada pela variao nas variveis explicativas.

R2 no

(ANPEC 2005, 12) Um pesquisador estima o seguinte modelo de regresso simples: 1-'; = Po + /3,X, + e Outro pesquisador estima o mesmo modelo, mas com escalas ,
j

diferentes

para 1-'; e )(.

O segundo

modelo

: 1-';'

p~ + p,'X;

+ ej',

em que: Y,'

= w,Y"

x,

w}.X, e w, e w2 so constantes
de Mnimos

maiores que zero. Ordinrios de

(O) Os estimadores

Quadrados

/30 e /J, so iguais aos de

p~ e 13,' .
Resposta: Sabemos que o estimador de mnimos quadrados ordinrios do coeficiente de inclinao

13,

dado por:
/)

'\' v L.J .....


Ir

/J, =

...:..;:'=,,--'

--

Ix:
;=,

onde: x, = (X, - .A) v, .,,, (Y,- y)

Dessa forma:

~~ ~)
~)

.---;;)

,)
--.,:1
n

<) .
:~

LWzX,.w,y,.
;=1

;~1

Como

\VI

W2

so constantes:

11

W,IX"Yi
;==1

""\'.

",,"

E o estirnador de MQO do intercepto

J30

Dessa forma:

/J~ = Y - A}(
" = w Y - [2.'i)J3" J3o, .,
w2
wZ

X
~,.,

/3~ = wJi - ,vJj, X /3~= w, (Y - /3,X') 1/J~=w,/Jol


Portanto, os estimadores de mnimos quadrados ordinrios de aos de

J30

J3,

no so iguais

J3~ e J3,'.

IFALSAI

(1) Se -2 a varincia estimada de

e; e -

a varincia estimada de

ento

Resposta:

_.

Sabemos

que a varincia

dos resduos

dada por:

'2 O"

_ ------

SQR _ ;=1 n-2 n-2

Ie"

/1

Dessa forma:
11

Y e,;........j
I

"-~-= ~

n-2

&'"=

...:..i=::..:.I

n-2
Wl

&'1 =

"I
;=1

/1

e;2

n-2

IV ERDAD
(2)

EI RAI

As varincias dos estirnadores dos parmetros que as varincias dos estirnadores do segundo

do primeiro modelo.

modelo so maiores

do

Resposta:
A varincia Var( de
0"1 ) -n-

/3

~,

J31

(coeficiente

de inclinao)

dada por:

Ix}
i=1

E de

.A:
'. &'2
'2 '" LX'
1=1

Vare j3 I )=-,;

Como vimos no item anterior,

-.~=

\1'1252.

Substituindo:

---\.,

Vare PI)=

~.

( )
_I
li'

'

W1

var(PI)

J a varincia do estimador do intercepto

/30

dada por:

-c-..

E a varincia de
n

jJ~:
2

Vare jJ;

) = 5'2

L X,.'
--,-i....:=I __

" nLx
i=1

i'

Substituindo: Vare P;)

"I

I (w x}
2

= li'12

52 --'-i....:=I"

I1L(wZX
;=1

ir

----;.

Sabemos que li' I e W2 so constantes maiores que O. Para saber quais das varincias so maiores, precisamos saber os valores destas constantes:

'T

\j

J. 'C2.~ "'.,1,' L
ao_. "';\

vare /30)<var( /3; ) vare

vare vare

fio )<var( fi; )

vare /30)<var( /3; ) vare

/3, ) <vare

A)
/3~ )

/3, ) >var(

A)
/3; )

/31 ) =vart /3,' )


/3; )

vare /30var( vare

vare /30var( vare

vare /30var( vare

/3, ) <vare /3,' )

/3, ) >var(

A)
do primeiro

PI ) =vart P,' )
apenas sero

Assim, as varincias dos estirnadores dos parmetros maiores do que as do segundo se WI < I e WI < W2.

modelo

IFALSAI
_'"

Res pos 1:--=---"~--'


O coeficiente

(3)

Os coeficientes

de determinao

so iguais nos dois modelos. modelo dado por:

de determinao

do primeiro

Le,2
;=, R"== 1- SQR == I --SQT
li

LY"
i=1

E do segundo:

I(w eJ1
1

i>;"
Ly2
i=1

R*2= I-~--=l-~

L(w,yr
;=1

II

=R~

IVERDADElRAI

(4)

A transformao estirnadores

de escala de (~, Xi) Quadrados

para (y;' , ,()

no afeta as propriedades

dos

de Mnimos

Ordinrios

dos parmetros.

Resposta:
... ,......".,.

..

_---..,

A transformao de escala nas variveis regresso linear e, portanto, as propriedades

no afeta nenhuma hiptese do modelo dos estirnadores continuam vlidas .

de

IVERDADEIRAI

~,.'

(ANPEC 2005, 14) Considere


ti,

o seguinte e E(u

modelo para a populao: Z) = E(u) foi: ~ ==

Y==2 + 4X - 5Z +
de n a sido omitida

em que u o termo aleatrio estimaram-se Z. Ou seja, o modelo

I X,

= O.

A partir de uma amostra todavia, Suponha

indivduos, varivel

os parmetros estimado

deste

modelo,

tendo,

, + lx;.
n

ainda que, para

amostra em questo,

tenham sido obtidos

os seguintes

resultados:

~(;/~"~(Xi - X)
~/
,-

.
== 0.7. em que X == -

t
..
i=1

-1

(X; -

Xf

' ,
o resultado por 10.

Ix.
;=1'

e Z =-

_1"

IZ; .
;=1

Calcule Soluo:

E(el I X).

Multiplique

(!,
, j
. i

Como

81 o estimador

do coeficiente

de inclinao

em uma regresso

linear simples,

temos que:
+-,

vo
Lembrando exemplo: Sabemos x, que as letras minsculas
=

representam

desvios

em relao

X; - X).

mdia

(por

que

=2

+ 4X -

5Z. Escrevendo

na forma de desvios em relao mdia:

~ = 2+ {

4X; -5Z;

Y=2+4X-5Z

Substituindo

Yi em E( 81

),

teremos:

~
E( 8 ) = E
I

[tX,(4X,
...;.:..'="-.1 ----

-5Z,)]

LX,2
,=1

E(8)
I

~ [f
=

4X,2 - 5Z,X,]

...:.:..,="-.1 ---

LX,2
,-I

'"'

"~

-"

'L rz, - Z)(X;


Como
-,-j~-,-I ------

/I

X)
=

0,7, temos:

2:(X,
j=)

/I

_X)2

.~

Multiplicando por 10 como pede o exerccio, chegaremos ao valor de

'-,
'",

.-,

.",

(ANPEC 2004, 11) Considere seccionais:


y, = ~o

modelo de regresso linear mltipla para dados

+ ~IXI' + J3zxu + ... + J3kXki + u.,

i = 1, ... ,n.

correto afirmar que:


(O) Para que os estimadores de mnimos quadrados sejam lineares no-tendenciosos menor varincia (BLUE) necessrio que os erros sejam homocedsticos. Resposta: O teorerna de Gauss-Markov garante que os estimadores de rmrumos quadrados ordinrios so MELNV - melhores estimadores lineares no viesados (ou BLUE - best linear unbiased estimalor), desde que as seguintes hipteses sejam satisfeitas (conhecidas como hipteses de Gauss-Markov): (I) E(Ui)
=

de

O, os erros tm mdia zero;


a1, a varincia dos erros constante (hornocedasticidade);
-r ;.

(11) E(xi;uj) == O, nenhuma varivel explicativa correJacionada com o termo de erro;

(11/) Var(uj) (IV) E(u,ui)

==
=

O, os erros no so autocorrelacionados.

Portanto, a hiptese de homocedasticidade necessria sim para que os estimadores de MQO sejam lineares no-tendenciosos de menor varincia. Para a demonstrao do teorerna de Gauss-Markov, consulte Sartoris (2003, p. 284-285) ou Pindyck e Rubinfeld
(1998, p. 110-111).

IVERDADEIRA'

(I) A hiptese que Var(u, Resposta:

I x.,;

Xli'

' Xki)

=a

Z ,

1,... , n , necessria para que os

estimadores de mnimos quadrados sejam no-tendenciosos.

Para que os estimadores sejam no tendenciosos, bastam as duas primeiras hipteses elencadas no item anterior, ou seja, a mdia dos erros zero e as variveis explicativas so no correlacionadas com o termo de erro. Dessa forma, ainda que a varincia dos erros no seja constante, os estimadores de MQO continuaro sendo no tendenciosos (e consistentes). A hiptese de homocedasticidade necessria para que os estimadores sejam eficientes e para realizar inferncia estatstica com o modelo de regresso linear. IFALSAI

(2) As estatsticas t e F continuam vlidas assintoticamente regresso sejam heterocedsticos. Resposta:

mesmo que os erros da

Quando h heterocedasticidade, os estimadores das varincias so viesados inconsistentes, invalidando as estatsticas t e F mesmo assintoticamente.

IFALSAI

(3)Se

COV(X1i,

x))

* O,

i = I, ... , n , os estimadores
+P1XU +~4X4i + ... +PkXki

de mnimos
+Ui'

quadrados

ordinrios

da

regresso y, =Po +P1X1i


consistentes. Resposta:

i=l, ... ,n,

sero

Em primeiro lugar, h que se notar que se a covarincia entre x i, e X3i for diferente de zero (multicolinearidade), nenhuma hiptese do modelo clssico de regresso linear estar sendo violada (a hiptese de no existncia de multicolinearidade perfeita) e, portanto, os estimadores de MQO mantero as propriedades desejveis de um estimador. Isso poderia nos levar a concluir que a afirmativa verdadeira. Porm, note que a varivel X3i no est includa no modelo de regresso. Dessa forma, temos o problema de omisso de varivel relevante (ou subespecificao do modelo), o que causa vis e inconsistncia nos estimadores de MQO. A omisso de uma varivel relevante no causaria vis e inconsistncia nos estirnadores apenas se a varivel omitida fosse no correlacionada com todas as outras variveis includas no modelo, o que no ocorre, j que cov(x
li , X3i)

::t O.

IFALSAI

(4)Se

COV(X1i,XJJ

= O,

i = 1,...

,11

os estirnadores

de mnimos

quadrados

ordinrios

da

regresso

Yi = f)o

+ PIXt; + P2X2i + P.X4i + ... + PkXki + u.,

i = I,....n ,

sero

consistentes. Resposta:

I'

--;.-....,

A varivel X3i est novamente omitida do modelo. Agora temos a informao que a COV(."\:Jh X3i) = O. Isso poderia nos levar a concluir que a omisso da varivel X3i no causa vis e inconsistncia nos estimadores de MQO. H que se notar, porm, que nada foi dito a respeito da covarincia entre varivelxj, e .as outras variveis do modelo. E se essas covarincias no forem iguais a zero, os estirnadores de mnimos quadrados ordinrios dessa regr-esso sero viesados e inconsistentes. Alm disso, mesmo que a covarincia entre a varivel X3i e cada uma das outras variveis explicativas do modelo seja igual a zero, o estimador do intercepto ser geralmente viesado e inconsistente.

. ......-.....

IFALSAI

(ANPEC 2004, 14) Um pesquisador estimou uma regresso mltipla com 5 variveis independentes e n = 56, mas na pressa, no imprimiu os resultados e anotou apenas o valor do R~ = 0,90, o coeficiente de determinao. Este pesquisador precisa verificar se a regresso significante. Ajude-o, calculando o valor da estatstica do teste a ser empregado. Soluo: Para verificarmos se a regresso significante, como nos foi fornecido o R2 dessa regresso, estatstica F, que dada por (veja questo ANPEC precisamos calcular a estatstica F. E 2 deveremos utilizar a forma R da 2002,10, item (3:

'""\

.,

F=

-----'----'---

R'/(k-l)

0,90/5 0,10/50

(I-R')/(n-k)

90

Portanto, o valor da estatstica do teste a ser empregado de podemos concluir que a regresso estatisticamente significante.

. E com

esse valor,

(ANPEC

2003, 06) Considere

o modelo de regresso linear mltipla para dados

seccionais y, = /3 + /3,x" + /3,x" + ... + /3,x" + u,


0

i=

I, ... , n.

correto afirmar que:


~ (O) para que os estimadores de rrurumos quadrados sejam os melhores estimadores lineares no-tendeciosos necessrio que os erros sejam normalmente distribudos; Resposta: A hiptese de normalidade dos erros necessria para que se possa real izar testes de hipteses com o modelo de regresso (em amostras finitas) e tambm para que os estimadores de m nimos quadrados ordinrios sejam os melhores estimadores no tendenciosos entre todos, no somente entre aqueles que so lineares. Para serem os melhores no-tendenciosos entre os estimadores lineares, a hiptese de normalidade dos erros no necessria (veja questo ANPEC 2004, 11, item I). IFALSAI
..

-'"\ -.

(I) a hiptese que

Vartu, I x",x", ... ,x.,) =

(J"',

i=

I, ... ,n, no necessana para que

os estimadores de mnimos quadrados sejam consistentes; Resposta: A hiptese de que a varincia seja constante (homocedasticidade) necessria para que os estimadores sejam eficientes e para fazer inferncia estatstica com o modelo de regresso (mesmo assintoticamente). A consistncia dos estimadores de MQO necessita apenas das hipteses de que os erros tm mdia zero e que nenhuma das variveis explicativas tenha correlao com o termo de erro. /VERDADEIRAI

(2) a incluso de uma nova varivel explicativa no modelo reduzir o coeficiente de determ inao R2 ; Resposta:. A incluso de uma nova varivel explicativa no modelo sempre (raramente) mantm constante o coeficiente de determinao R2, nunca que ao se incluir lima nova varivel no modelo a soma dos quadrados sempre diminui (ou, raramente, permanece a mesma). Essa a razo pela aumenta ou o diminui, j dos resduos qual o R2 no

'"

para comparar modelos com nmero de variveis diferentes, j que ele no leva em considerao a perda de graus de liberdade quando se adiciona uma nova varivel. Vejamos mais formalmente notao matric ial: porque isso ocorre. Considere o seguinte modelo em

adequado

Y=XP+

Acrescentando-se

uma varivel

Z qualquer,

temos:

Xp + ~Z + J1
da 1 regresso (I) da 2' regresso: so dados por:

Os resduos

._"-

=Y-XjJ
E os resduos

l= Y-Xfi-fZ
O veto r

(11)
ser dado por:

fi

fi = (X:rr'x'Y fi = (X'XI'X'Y
Substituindo

- (X:J(X'X' f Z
-

(X'X)-IX'Z

esse valor em (11), obtemos: Z

p. = Y - X(X',,'(r'X'Y + f X(X'X)-'X'Z- f
~l= [I - X(X'Xr 'X'] Y - [I - X(J('xr'x'] ~l=lvfY- fMZ
onde M matriz que produz os resduos M
=

iZ
(residual maker):

1- X(X' ..

;rr'X'
da regresso da regresso de

Portanto:

AfY

= resduos

Y em X
Z*.

M? = resduos Dessa forma: ~l


=

de Z em X, que chamaremos

- f Z*
dos resduos da

A soma dos quadrados


_.

i regresso

ser ento:

"

l'rl
~l'l

( ,-

Z*) ( -

f f

Z*) Z*' + f' Z:" Z*

= '. -

f 2i
f

Z* ' Z*

l'~l =
E como:

' -

+ f' 2*' 2*

= M}' = }'* =

Z*

Temos:

-r-,

~ '~

== r -

r'

z*' Z"

Ou seja, a soma dos quadrados dos resduos da segunda regresso (com a adio da varivel Z) igual soma dos quadrados dos resduos da primeira regresso menos uma valor (que positivo). Portanto, quando acrescentamos uma varivel no modelo, a SQR sempre diminui e, dessa forma, o R2 aumenta. IFALSAI

(3) para que as estatisticas


erros sejam normalmente Resposta:

t e F sejam
distribudos;

vlidas

assintoticamente

necessrio

que os

Assintoticamente, a hiptese de normalidade dos erros no necessria para que as estatsticas t e F tenham validade. Mesmo que os erros no sigam uma distribuio normal, os estimadores de mnimos quadrados ordinrios sero normalmente distribudos assintoticamente (Teorema do Limite Central), validando o uso das estatsticas t e F, desde que as hipteses de Gauss-Markov (elencadas na questo ANPEC 2004, 11, item O) sejam vlidas. WALSAI \

(4) se Cov(x",x,J regresso Resposta: Note

=F

0,

i == 1, ...

,11

os estirnadores

de mnimos

quadrados

ordinrios

da

y, == fJ" + fJ,x,1 + fJ,x)i

+ ... + fJ,x"

+ u"

i == 1, ... .n , sero tendenciosos.

que nenhuma

hiptese

do modelo

clssico de regresso

linear

est sendo

violada (a hiptese de no existncia de multicolinearidade perfeita, e, dessa forma, os estimadores de MQO mantero as propriedades estimador, sendo, portanto, no' tendenciosos. IFALSAI

ou seja, Pxi.xi =F lI!) desejveis de um

(ANPEC 2003, 7) O mtodo dos mnimos quadrados ordinrios foi empregado para estim,?:r O modelo de regresso abaixo, cujo objetivo explicar as variaes de renda entre ')2}J)indivduos: . log(renda) == 0,417 - 0,297 sexo + 0,080 educ + 0,029 exper - 0,00058 exper' + LI,
tflJIl)<J) IIl.U:-fi) (U.007) "(U.005) (O.tlOOIO)

R'

== 0,441,

'n ==

526,

em que sexo uma varivel dicotmica (valor I, se for homem e 0, caso contrrio), educ o nmero de anos de escolaridade, exper experincia profissional, tambm medida em anos. Os nmeros entre parnteses so os erros-padro das estimativas (s

"

i == 0,.\ ... ,4) . Com base nos resultados


no estatisticamente

acima, correto afirmar: pois o coeficiente de determinao

(O) a regresso

significante

menor do que 0,5;

Resposta:

-r--,
I

Para sabermos se a regresso ou no estatisticamente significante, precisamos 2 realizar o teste F. O fato do R ser menor que um valor qualquer no implica que a regresso no seja vlida. Faamos o teste F: R' /(k -I) 0,441/4 == 102 75 F = ----'---'-- -9/ )-? I ' (1-R')/(n-k) O,)) Como podemos IFALSAI ver pelo resultado acima, a regresso "altamente" vlida.

(I) a diferena Resposta: ----"

de renda entre homens e mulheres

no estatisticamente

significante;

A diferena de renda entre os homens e mulheres dada pela varivel binria Vejamos se seu coeficiente estatisticamente significante realizando o teste t:

sexo.

t =-=
SI'

fJ

- 0297
'

== -8,25

0,036

Com 521 graus de liberdade (n - k = 526 - 5), podemos, sem dvida, rejeitar a hiptese nula de que o coeficiente igual a zero e, portanto, a diferena de renda entre homens e mulheres sim estatisticamente significante. IFALSAI

(2) um ano a mais de escolaridade; mantidos constantes todos aumenta em 0,08% a renda de um indivduo do sexo feminino;
Resposta:

os demais

fatores,

Note que apenas a varivel dependente est em logaritmo, ou seja, temos um modelo log-Iinear. Nesse caso, o coeficiente de inclinao nos fornece a variao relativa na varivel dependente dada uma variao absoluta na varivel explicativa. Quando multiplicamos P por 100 temos a mudana percentual aproximada em

log(renda ): log(renda) ~ P(IOO)%


... ..:...,

Seduc
de escolaridade aumenta a renda de LIma mulher em

Portanto, um ano a mais aproximadamente 8% . IFALSAI

(3) a significncia
estatstica
..

conjunta

das variveis

educ e exper no pode ser medida

por meio ela

f.

Para isto, o teste F deve ser utilizado:

------

Resposta:

._.~

~-J

o teste t adequado para testar significncias individuais. Se quisermos realizar um teste de significncia conjunta, o teste F que deve ser utilizado, j que ele leva em considerao o fato que os estimadores de mnimos quadrados podem ser correlacionados. Por isso, O teste F para significncia conjunta das variveis educ e exper pode levar a resultados diferentes do teste t para significncia individual de cada uma dessas variveis. IVERDADEIRAI
(4)0 modelo incapaz de captar diferenas nos retornos da educao entre homens e mulheres. Resposta: Note que o modelo inclui uma varivel dummye intercepto para sexo, que capta diferenas na renda entre homens e mulheres (o intercepto da reta de regresso ser diferente entre os sexos), Para que o modelo fosse capaz de captar diferenas nos retornos da educao entre homens e mulheres, precisaramos de uma varivel dummy de inclinao, ou seja, uma varivel binria multiplicando a varivel educao .dever ia ser includa no modelo:
log(renda)
=

~.'

a + /3/sexo + /32 educ + /h exper + /3-1exper + /35sexo x educ +

~:

Sendo assim, o retorno da educao seria dado por:

/3:

educ + /3, sexo x educ


--'\
.

Se o indivduo for homem, o retomo ser /3, + /3, educ, e se for mulher ser 1/3,educ. Dessa forma, conseguiremos captar diferenas nos retornos da educao entre homens e mulheres. IVERDADEIRAI

(ANPEC 2002, 9) Pode-se afirmar sobre o modelo de regresso linear clssico y,= 13/ + /32 X, + u, (O) A reta de regresso passa pelas mdias amostrais de y e x, mesmo que o modelo no tenha intercepto. Resposta: O estimador de mnimos quadrados ordinrios para o intercepto dado por:
~ A

_-.:..'.

/3=)I-f3x
I f

Rearranjando, temos que:


.,

v=f3+f3x
, I

Portanto, temos a garantia de que a reta de regresso passa pelas mdias amostrais de y e x apenas se o intercepto estiver includo no modelo. A estimao do modelo por MQO sem o termo constante nopossui essa propriedade:

"",,'

~ALS~

(I) Na presena de heterocedasticidade, o estimador de MQO viesado e no se pode confiar nos procedimentos de testes usuais (F e t), j que o estimador alm de viesado, ineficiente. Resposta: A presena de heterocedasticidade no modelo no causa vies no estirnador de MQO. OS estimadores de MQO apenas sero viesados se forem violadas as hipteses que os erros tm mdia zero e/ou que no h correlao entre as variveis explicativas e o erro. Como a hiptese de homocedasticidade necessria para a demonstrao do teorema de Gauss-Markov, se for violada, os estimadores de MQO sero sim ineficientes. Alm disso, como o estimador da varincia ser viesado na presena de heterocedasticidade, no poderemos confiar nos testes de hipteses usuais (t e F), mesmo assintoticamente. IFALSAI

.. -------

(2) Na presena de autocorrelao viesados e consistentes. Resposta:

dos resduos,

os estimadores

de MQO

so no

A hiptese de no existncia de autocorrelao dos resduos no necessria para que os estirnadores sejam no viesados e consistentes. Portanto, a sua presena no levar a vis e inconsistncia nos estimadores de MQO (desde que no esteja includa a varivel dependente defasada entre' as variveis explicativas, como o caso). Quando a hiptese de autocorrelao dos erros violada, os estirnadores sero ineficientes e os testes de hipteses sero invlidos. IVERDADEIRAI '

(3) Quanto maior for a variao da varivel o coeficiente angular pode ser estimado. Resposta:

explicativa,

maior ser a preciso

com que

Suponhamos o caso extremo em que no haja variao da varivel explicativa, Oll seja, ela assume apenas um valor. Nesse caso, no conseguiremos explicar a variao da varivel dependente atravs dessa varivel explicativa (j que essa no varia). Alis, ser mesmo impossvel estimar o modelo. O diagrama de disperso entre X e Y ser uma linha horizontal, como mostrao grfico abaixo.

-,
.-\)
--1 -,'

---;.

Y8-

7 6

5
43

---..;-.

2 1 O
O

-,,Para que possamos explicar a variao de Y, a varivel explicativa deve variar (l), e quanto maior for a sua variao, com mais preciso poderemos estimar o coeficiente angular.
IVERDADEIRAI
...c::::.- .

(4) Se R (coeficiente de determinao)

for zero, ento a melhor previso para um valor

de y sua mdia amostral. Resposta: Se o R" igual a zero, ento a SQE Nesse caso, temos que:
=

0, ou seja,

LY'

/1,

LX'

= O. Portanto, /1, =0.


_:...

- = y - p,x p,

fi, + OX2

fi,

Y
--";

Sendo assim, se R2 for igual a zero, a melhor previso para y ser a sua prpria mdia amostra!. IVERDADElRAI

~.

(ANPEC 2002, 10) correto afirmar a respeito do modelo de regresso linear clssico multivariado: Y = Xy + , com n observaes e k > 2 variveis explicativas, incluindose o intercepto.

.,

(O) Os coeficientes

de inclinao no se alteram quando medida de Y e X multiplicando-os por uma constante, se seus valores de reais para dlares.

se modificam por exemplo,

as unidades de transformando-

Resposta: Quando alteramos as unidades de medida tanto da varivel dependente quanto da (s) independente(s), as estimativas de seus coeficientes de inclinao no se alteram; o intercepto porm dever ser multiplicado por essa constante, assim como os resduos. Por exemplo, suponha que multipliquemos Ye X por c:

Note que, nesse caso, os parrnerros estimados todos por c, retomaremos ao modelo original).

no sero alterados

(se dividirmos

Convm lembrar aqui os efeitos de mudanas nas unidades de med ida s na varivel dependente ou s nas variveis explicativas: mudana apenas na varivel dependente: os coeficientes devero ser modificados para que a regresso estimada continue vlida. Se multiplicarmos Y por uma constante, os parmetros estimados dos coeficientes de inclinao e do intercepto tambm devero ser multiplicados por essa constante para que as estimativas sejam vlidas. mudana apenas nas variveis independentes: nesse caso, tambm devemos alterar os coeficientes estimados para que a regresso continue vlida. Se multiplicarmos os coeficientes das variveis independentes por uma constante, os seus coeficientes devero ser divididos por essa constante: Y =

r" + r,
C

(cX,)

+ ... ~(cXJ:)
C

+ E.

tvERDADEIRAI

(I) Se o modelo for estimado com apenas k-I variveis explicativas (mas mantendo intercepto), os coefic ientes estimados podero ser viesados e inconsistentes.

Resposta:
Se a varivel retirada for relevante (e for correlacionada com alguma outra varivel explicativa), teremos o problema de omisso de varivel relevante, o que causa vis e inconsistncia nos estimadores de mnimos quadrados ordinrios. Veja tambm questo AN PEC 2004, 1 I, itens 3 e 4). IVERDADEIRAI.

(2)

Quando

os

coefic ientes

r .s

estimados

forem

altamente

s ign ificati vos,

'-

individualmente, mas a estatstica F e o R2 indicarem que o modelo como UIl1 todo tem um baixo poder expf icarivo. pode-se desconfiar da presena de mulr ico I i nearidade.

Resposta: Poderemos desconfiar da presena de multicolinearidade quando o contrrio ocorrer, ou seja, quando a estatstica F e o R2 indicarem que o modelo significante, mas os coeficientes no forem significantes individualmente. Isso ocorre porque a varincia dos coeficientes das variveis explicativas aumenta quando h multicolinearidade.
IFALSAI

(3) Para testar a hipteseconjunta


/

de que Y2

= Y = ... = Y = O, pode-se
3 k

utilizar o teste do

F ,
0',0-11.(,,-4)

,=

[(I - R2)(n - k)]

~7tk7 I)
/

, em que R2 o coeficiente

de determinao

modelo, Resposta:

Podemos sim utilizar o teste F para testar essa hiptese. Mas vejamos se essa "forma R 1" da estatstica F est correta. A estatstica F dada por: F
""(1-",,.-1)

SQE/(k-I) SQR/(n - k)

E sabemos que R2 dado por: R2


=

SQE SQT

1 _ SQR

SQT

Rearranjando, temos que: SQR = (I - R2)SQT E como: SQE


= SQT
\,

- SQR

Temos: SQE=SQTSQE= R SQT


2

(1 - R2)SQT=

Substituindo as expresses acima para SQR e SQE na estatstica F, obtemos: F


~"-,, -.,

R'SQT/(k-I)
(1 - R' )SQT /(n - k)

F
~,I-I".-Il

= ---'-'--~-

R'/(k -I) (1- R')/(n - k)

IFALSAI

(4) Sempre que o modelo tiver pelo menos duas 2 intercepto, o R ser maior ou igual ao R2 ajustado.

variveis

explicativas

alm

do

Resposta:
O R dado por:
2

R"

1 _ SQR SQT
2

1[1 (R ajustado

aos graus de liberdade): = 1 _ SQR x n-l

1[1= 1- SQR/(n-k)

SQT /(n - I)

SQT

n- k

Portanto, se k = I , R2 = R1. E se k maior que I, R" > R' . Dessa forma, sempre que o 2 modelo tiver pelo menos uma varivel explicativa alm do intercepto, o R ser maior ou igual ao R" ajustado.

IVERDADEIRAI

(ANPEC 2001, 9) A partir de uma amostra de n elementos,


linear simples, pelo mtodo de mnimos quadrados, obtendo-se

foi estimada uma regresso os resultados:

t. :;t O
R2I = K I
A seguir, populao resultados:
}~ =

a mesma regresso foi estimada sabendo-se que a reta de regresso passa pela origem das coordenadas (termo constante = O), obtendo-se

da os

jJ~X,

R22::: K 2
Pode-se afirmar que:

(O) ~ 1 == ~ Resposta:

O estimador de mnimos intercepto dado por:

quadrados

do coeficiente

de inclinao

de uma regresso

com

I(x, - X)O~
fi, =

- Y)

f (r - v)'
"'-" , ~I
'

E o coeficiente

de inclinao

de lima regresso

simples sem o intercepto

-\'"

"

fJ

" Ixy , Ir' ,.,


= -"'-

-"i',

Portanto, a igualdade entre esses dois coeficientes apenas ocorrer se a mdia de X e Y (X e Y, respectivamente) forem iguais a zero, IFALSAI

;-.-':::".,

(2) s p, (desvio padro de fJ2) < S fi, (desvio padro de fJ, )

Resposta:
\,

Se realmente a reta de regresso passa pela origem, ento a equao sem o intercepto fornecer uma estimativa mais precisa do coeficiente angular e, portanto, o seu desviopadro ser menor. Note, porm, que se o intercepto no estiver realmente ausente do modelo. as estimativas obtidas sero viesadas.

-----\",
.-;"

IVERDDElRAI

(2) A reta ~2X passa pelo ponto mdio da amostra (X, Y) Resposta: _ A reta de regressao apenas passa' pelas mdias de X e Y quando o intercepto e Y. (Veja questo ANPEC 2002,9, IFALSAI item O).

I ',.

est

includo no modelo. Portanto, a reta + /J,X, que passa pelas mdias amostrais de X

-\"

Resposta: Em primeiro lugar h que se notar que no foi especificado como foi calculado o R2 da regresso sem o intercepto. Suponha que na segunda regresso tenhamos O R2 no centrado, que dado por:
_

-:.::"

..

K2-

u; - Iy'

J:'IX'

E o R2 da primeira regresso :

A diviso entre eles ser:

P,'IX'

p,2

IY'
"i

(X - X)'

2)Y
A diviso

-Y)'

I x' ::2: I (X - xr . Isso


note que os valores

ser maior

que

I apenas poderia de

se o numerador

for maior

que

I. Sabemos

que

nos levar a concluir das duas regresses afirmar

que a afirmativa

est correta.

Porm,

/J

no so iguais, e no podemos sobre a razo entre essas duas

saber qual maior. medidas. IFALSAI

Portanto,

nada se pode

(4) A soma dos resduos

de mnimos

quadrados

de ambas equaes

estimadas

zero.

Resposta:
_ .."\

Consideremos

primeiro
I I
f

o modelo com intercepto:

Y=cc+fJX+& r
Sabemos

que o mtodo

dos mnimos

quadrados

ordinrios
Oll

consiste seja:

em encontrar

/3,

que minimizem

a soma dos quadrados

dos resduos,

minimizar

If'

minirnizar

I(Y

-- /J,X)'

Pelas condies

de I" ordem: temos que: .


A

--=7-

-:3' aIF ap,

a)' i'

=-2IcY--fJ,X)=0
A

(I)
A

A-

= -2)' (Y -cc - fJ X)X = o (11)

'

Note que o termo entre parnteses temos que:

so os prprios

resduos

da regresso.

Utilizando

(I),

-2L:i
)'i
'"-'
=

=0 O
quando o intercepto estiver includo no modelo, a soma dos resduos ser igual

Dessa forma:

Portanto, a zero.
".:;;.-...,

Vejamos

agora o que acontece

quando

o intercepto

no est includo

no modelo:

l~ = fJ,X, A condio

+ }i,
de primeira ordem dada por:

,.)
.)
'\

.;) --.,,-'
- -)
'\-""

-r-,

-)
)

-,

djJ

= -

L (Y - fl,X)X ' 2
-

~)
=O

"

dfl,

--J _,"o

""'

E o que est entre parnteses -2 LCjLX) = O Dessa forma, temos que:

so os prprios

resduos

da regresso.

Portanto:
--...,.--'

LU/X)

=O

Portanto, quando o intercepto ser igual a zero.

no est includo

no modelo,

a soma dos resduos

no

Conclumos, ento, que apenas a soma dos ordinrios da primeira regresso igual a zero. IFALSAI

resduos

de

mnimos

quadrados

(ANPEC, 2001, 12) No modelo clssico de regresso


(O) A hiptese estimadores distribudos.

linear:

Y; = fl, + fl2X; + u;
para que os normalmente

de que o erro normalmente distribudo necessria de mnimos quadrados "ordinrios tambm sejam

Resposta:
Se assumirmos que o erro normalmente distribudo, ento Y ser tambm normalmente distribudo. E, como os estimadores de mnimos quadrados ordinrios so somas ponderadas das observaes de Y, (veja item 4 desta questo), podemos concluir que eles sero tambm normalmente distribudos, j que uma soma ponderada de variveis normalmente distribudas ser tambm normalmente distribuda. Cabe notar, porm, que para que os estimadores de MQO sejam distribudos normalmente assintoticamente, a hiptese de normalidade do erro no necessria. IVERDADEIRAI

(I) Se a hiptese quadrados

cov(u"uj

I X"X =
j)

O,i

*j

for violada,

os estimadores

de mnimos

ordinrios

sero viesados

e no eficientes.

Resposta:
Apesar dos estirnadores de mnimos quadrados ordinrios serem no eficientes na presena de autocorrelao, eles continuam sendo no viesados. A presena de autocorrelao apenas far com que os estimadores de mnimos quadrados ordinrios sejam viesados, quando houver entre as variveis explicativas a varivel dependente

defasada, j que nesse caso, o termo de erro estar correlacionado explicativa (veja questo ANPEC 1998, 13, item 2). IFALSAI

com a varivel

(2) As

hipteses de cov(ui,Uj!Xi,X,)=O,

que

o
i:;

erro
j

normalmente asseguram que

lt,

distribudo e de que e ujse distribuem

independentemente. Resposta: Quando a distribuio normal, o fato da covarincia ser igual a zero implica que as variveis so independentes (veja questo ANPEC 2003, 09, item 4, em esperana, medidas de disperso e independncia de variveis aleatrias). Portanto, se os erros so normalmente distribudos e suas autocovarincias so nulas, ento eles so independentemente distribudos. IVERDADEIRAI

'.~

".r--.

(3) A hiptese quadrados Resposta:

Var(fij!

Xj) =

(J

necessana

para que os estimadores

de mnimos

ordinrios

sejam no tendenciosos.

Para que os estimadores de MQO sejam no tendenciosos, bastam as hipteses que os erros tm mdia zero e que nenhuma das variveis explicativas correlacionada com o termo de erro: A hiptese de homocedasticidade necessria para que os estimadores seja eficientes e para os testes de hipteses com o modelo de regresso. FALSA

(4) Os estimadores combinaes Resposta:

de mnimos

quadrados Yi.

de

~I

~2

podem

ser escritos

como

lineares das observaes

Os estimadores de rrurumos quadrados podem ser escritos sim como combinaes lineares das observaes da varivel dependente. Mais precisamente, eles podem ser escritos como uma mdia ponderada dessas observaes:

!x,Y.
{J,
, I

\
Fazendo c

= ~,
~x' ;........;
,

temos que (assumindo

que

Xi

seja fixo e que, portanto,

possamos

--,...:..".

trat-Ia como uma constante):

/3. = fc r
. .:..-...J ,-

--"'1

'.

""

--e.
l,' ~."

IVERDADEIRAI

(ANPEC 2000, 06) Seja o modelo de regresso linear clssico com duas variveis explicativas X2 e X) Yr=
~I

+ P2 X2i + P3 X3i + u, ' correto afirmar que:

(O) Se a correlao entre X2 e X) zero, ento o estimador de mnimos quadrados

ICX2;
ordinrios (MQO) de
j]2

-X2)CY;-Y)

Resposta: Quando a correlao entre X2 e X3 for igual a zero, o estimado r de MQO de uma regresso mltipla ser igual ao estimador da regresso simples, Vejamos: Temos o seguinte modelo (o subscrito "i" foi omitido por simplicidade),
--"';:",

,.

Utilizando as variveis centradas, temos que: y = ~2X2 + P:Y'3


E =

Y -

A,XJ A", t-I_ _ - t-'>-.)

o mtodo
minimizar

dos MQO consiste em minimizar a soma dos quadrados dos resduos:

I>:' I(y=

j],x, -

/3,x}

As condies de l' ordem so:

aIE'
aj],

-I 2x, (y - , - j],x.)
=-

O
=

Ix,y = /J,Ix;

/J,Ix: + /J,Ix,x; + /J,Ix,x, = Ix,y


+

O
(I)

aIE' _ -=-~- - "2x, (y aj], L..


==

j],X, - j],x.)
- -

,.,

_ - O

LX,y

+ jJ,Ix,x,+
+ /3~ '\' x',;= .c:

AIx: = O
'"
~"J

j]~ '\' x x 2~"2'~

x Y

(11)

Isso nos d o seguinte sistema de equaes:

,8J~>~ + ,a,Ix,x, ft,Lx,x, + /l, Ix:


Multiplicando . obtemos: a

Ix,y = Ix,y
por

r'
+

equao

L x,x,
=

e a

por

I x;

e subtraindo

da I' ,

ft,Lx; Ix,x, ft,Ix,x, :L><

ft,Ix,x, + ft,Ix:

Ix,x,

Ix:

Ix,y LX,x, Ix,y Ix:

Da equao

(I) temos que:

/J,=
.

ft, I-'< + ft,Ix,x, = Ix,y ~ ""'x,y - ft. ""'x, x,


L ",L ..

Yx; -"-J .
~ Substitu indo

ft"

temos:

P,= L": _ Lt'YLXt - L:',YLx: x LX,~,

Ix,

Ix,x,

Ix;Ix;

Ix,

'"

.-

'"

-"L x,y('\' x,x,)' + L '\' X.yY x~ x,x, L '. .... .. 'Ix; I-< (Ix,x,)' - Ix:I< jJ,= Ix,y(Ix,xJ + Ix,YIx~Ix: -,Ix,y(Ix,xJ

~=~+ Y x,y /J

~ Ix,yIx;Ix,x,

Ix: [(Ix,xJ - Ix:I-<]

ft

Ix,y

,
Dividindo

I-< + IX] Ix,x, (Ix,xJ - IX::L><


o numerador e o denominador da expresso acima por

L-r: LX: , temos:

Ix,y
ft,= N~.

IX]

Ix,x,

'\' x, '\' x; l_L .L. .'\' ' X LX,L '

~x:~'<

"

~ /J , :::::

'\' .r. x~- " _.v'" L L#x L .1,.1 -' '\' ''\' ,( ~,) L"X-; L,x; 1- P,',

v"

Se

P"
=

(coeficiente de correlao entre X2 e X3)


=

==

O a expresso acima toma-se:

/J

Ix,yIx: - Ix,y Ix,x, Ix,y _ "x ' Ix,x, , Ix;I-< _Ix~ c: ,} Ix::l>~

Analisemos a expresso

l:~' ,'.
x,
x,

Elevando o numerador ao quadrado, temos que:

tL:CX,
I(X,
Portanto,

-X,)(X,

-X,)'
-X,)'

-X,)'I(X,

cov(X"X,) ~var(X,)-var(XJ

)'
=

~, P~,

/J, ser:

Ix,y _

Ix: -

IeX, -X,)(Y
Ic.X',-X,)'

-Y)

estimador

do coeficiente

de inclinao

de

urna

regresso simples.
-;;""

IVERDADEIRAI

'\

"

<,",,,~

~~ (I) Mesmo que a correlao entre X2 e X) seja igual unidade, pode-se estimar C~3, em que c uma constante conhecida. Resposta:

~2

Quando a correlao entre as variveis X2 e X) for igual a I, temos o problema de multicolinearidade perfeita e o modelo no poder ser estimado (veja a expresso para iJ, no item anterior). Porm, faamos X3 Y
j

cXz. Nesse caso, o modelo toma-se:

==

/31 + /32X2i + /33(CX;} + u,

Y, == /3, + (/32 + cjh)X2i + u, Note que o "problema" foi eliminado. Agora temos uma regresso que pode ser estimada, j que no h nenhuma varivel explicativa perfeitamente correlacionada com outra. IVERDADEIRA]

(2) A eficincia relativa dos estimadores de MQO, dentro da classe dos estimadores

lineares no viesados, garantida pelo Teorema de Gauss Markov, necessita da hiptese de normalidade do erro (u, ). Resposta: A hiptese de normalidade do erro no necessria para que se garanta a eficincia dos estirnadores de MQO dentro da classe dos estimadores lineares. Como j sabemos, essa hiptese necessria para que se garanta a eficincia dos estimadores

-'"

de MQO dentro da classe de todos os estimadores, no apenas os lineares e tambm para que se possa realizar testes de hipteses com o modelo de regresso (em amostras finitas). IFALSAI

(3) Se o erro (Ui) heterocedstico, Resposta:

os estimadores

de MQO sero

viesados.

"_ .

.--...,

Para que os estimadores sejam no viesados, necessitamos apenas das hipteses de que a. mdia dos erros zero e de que as variveis explicativas no sejam correlacionadas com os erros. A hiptese de homocedasticidade necessria para que se garanta a eficincia dos estimadores de MQO e para a realizao de testes de hipteses com O modelo de regresso linear (mesmo assintoticamente). Portanto, se o erro heterocedstico, os estimadores de MQO continuaro sendo no viesados. IFALSAI

(4) Se as variveis explicativas so estocsticas, porm no correlacionadas com o erro (u,'), ento, os estimadores dos parmetros do modelo so no-viesados,
-\

Resposta: Uma das hipteses do modelo clssico de regresso linear que as variveis sejam fixas em amostras repetidas, ou seja, sejam no estocsticas (no aleatrias). Porm, pode-se garantir que os estimadores dos parrnetros do modelo sero no-viesados ainda que as variveis explicativas sejam estocsticas, desde que

explicativas

""

a covarincia

entre elas e o erro seja nula, ou seja, E(s,x,) =

o.

IVERDADEIRAI

.------

(ANPEC 2000, 10) O seguinte


trimestrais entre

""

modelo 1979 e 1998, inclusive:


=

de regresso

foi estimado

utilizando-se

dados

y,

2.20 + O.J 04 X2i

A soma total explicada foi 100,5. Quando esta equao foi re-estimada, adicionando-se trs "dumrnies" sazonais, a soma total explicada aumentou para 114,5 e a soma do quadrado dos resduos foi igual a -20,00. Suponha que deseja-se testar se a sazonal idade significativa. Calcule a estatstica de teste adequada. Soluo: Temos que:

""

"

"-,

"\.

""

...

'"'\ ..

Modelo [ (com 1 varivel explicativa): SQE SQR SQT

= 100,5
=
=

34 134,5

n = 80

Modelo IJ (com adio de 3 variveis dummies sazonais): SQE = 114,5 SQR SQT n
=

=
=

20 134,5 (SQE + SQR)

80

Note que a soma 'dos quadrados totais no muda com a adio de variveis no modelo. A estatstica F, que nos permite testar se a sazonalidade ' significativa, ou seja, se as variveis dummies so conjuntamente estatisticamente significantes, ser dada por: SQRR - SONR
.~

34 - 20
=.J

F=

')
20

14 75 =-x-=175
3 20 ' ao valor de

SQRNR n <k
Considerando

80-5

apenas a parte inteira do resultado acima, chegaremos

[!1].

. r..
---.-..-......

(ANPEC 2000, 11) Considere o seguinte modelo de regresso linear clssico, relacionando as variveis quantidade demandada (Q) e preo do produto (P). Admita que as duas variveis sejam medidas em Reais, e que a estimao ser efetuada por MQO (ln logaritmo natural) i = 1,2, ...,100.

-~

correto afirmar que:


(O) Variando-se Resposta: Como temos um modelo log-log, aLI seja, um modelo no qual todas as variveis esto em logaritmo, f32 nos d a variao relativa no preo dada lima variao relativa na quantidade:
A

o preo em I %, a quantidade

demandada variar 10132%, ceteris paribus,

~%O
J

/3, = IJ.%P
..",

Se o preo variar em 1%: , ~%O /3,= --. 1%

~%=ft,
Portanto, variando-se IFALSAI (I) Ignorando-se o termo aleatrio, se o preo ultrapassar determinado obter quantidades demandadas negativas. limite, ser possvel o preo em 1%, a quantidade demandada variar em f3~%.

"~

Resposta:

----

Nore que no existe 1/1 de nmero negativo e, portanto. ser impossvel demandadas negativas . IFALSAI

obter quantidades

(2) S~ mudarmos as unidades de Q e P para dlares americanos, ento a estimativa na nova equao ser igual a sua estimativa obtida na equao em Reais. Resposta:

de

B2

Quando mudamos as unidades de medida tanto da varivel dependente quanto da(s) varivel(is) independente(s), os coeficientes de inclinao do modelo no so alterados (veja questo ANPEC 2002, 10, item O). IVERDADEIRAI (3) Se a varivel In Y (Y = renda) for acrescentada ao modelo, o coeficiente regresso ser maior ou igual ao coeficiente R2 da regresso original. Resposta: Sempre que acrescentamos uma nova varivel no modelo, o R2 aumenta (ou raramente permanece inalterado), j que a SQR ir diminuir (veja questo ANPEC 2003, 6, item 2). IVERDADEIRAI
(4) Se o coeficiente
2

R2 desta nova

,.:

ajustado da regresso com a varivel In Y for maior do que o coeficiente R ajustado da regresso original, ento necessariamente, o coeficiente de In Y estatisticamente significante, ao nvel de significncia de 5%, em um teste bilateral.
R

Resposta: Quando acrescentamos uma varivel ao modelo original e seu R2 ajustado aumenta, podemos apenas afirmar que o valor da estatstica t referente ao parmetro dessa varivel ser maior que I. Isso, porm, no significa necessariamente que a varivel seja estatisticamente significante a 5%. Alis, para amostras grandes, a estatstica t para 5% de signi ficncia ser igual a l , 96. Ou seja, se a estatstica t for maior que I, nada garante que a varivel seja sign ificante a 5%. IFALSAI

,.

(ANPEC 1999,4)

Seja o seguinte modelo de regresso linear mltipla na forma matricial:

Y=X.j3

+&,

onde as dimenses das matrizes e dos vetores envolvidos fi =>(kx I);e li =>(nx I). Ento, podemos fazer as seguintes afirmaes:

so: Y=> (17 x 1); X => (n x k);

(O) Um dos pressupostos bsicos do modelo : Os elementos com valores fixados em amostras repetidas. Resposta:

da matriz X so estocsticos

Variveis preditoras Constante XI X') R2


=

Coeficiente
__ J,J ??" "

-1,26 -1,03
==

Desvio padro 254,8 0,8263 3,213

Estatstica "t' 0,88 -1,52 -0,32

p-valor 0,410 0,172 0,752 F=15, 1

81,2%; R2 ajustado

76,1 %; Valor calculado da estatstica

Podemos afirmar que:

(O) A equao de regresso estimada

Y = 223,3 -1,26,X,

-1,03. X2

Resposta: Aqui s olhar para a tabela e ver que realmente a equao de regresso estimada essa. tyERDADElRAI

de 5% podemos afirmar que a regresso existe. Porm, aps elaborarmos os testes de hipteses para os coeficientes individuais, aceitamos a hiptese (a um nvel de significncia de 1%) de que o coeficiente para a varivel X2 zero. Resposta: Para uma amostra de tamanho 10, o valor de 15,1 da estatstica F nos permite afirmar que a regresso realmente estatisticamente significante a 5%, ou seja, ela existe. Porm, no s a varivel X2 no significante a 1%, como X3 e o intercepto t mbm, j que os valores-p para todos os coeficientes ultrapassam 0,0 I. ' IVERDADEIRAI

(1) A um nvel de significncia

(2) O coeficiente de deterrn inao indica que 81,2% da variao amostra] de Y podem ser atribudos as variaes de XI e X2. Resposta: Como o valor do R2 de 81,2%, sabemos que 8\ ,2% da variao amostra I de Y explicada por variaes em X, e X2. IVERDADEIRAI
-~

"--~,

(3) O valor estimado para Y quando XI = 15 e X~ == 80, 220. Resposta: Para encontrar o valor estimado de Y quando X, = 15 e X: valores na reta de regresso estimada: Y

= 80, basta substituir esses

= 233,3 - I ,26"Y, - 1,03 ..\']


- 1,26x \5 - 1,03x80

Y=233J

y= 233.3 - 18.9 - 82.4

y= 132
IFALSAI (4) Os valores tericos das estatsticas "t" utilizadas para testar os coeficientes variveis explicativas devem ser calculados para 7 graus de liberdade. Resposta: Como temos 10 observaes realmente 7. IVERDADEIRA/ das

e 3 coeficientes

desconhecidos,

os graus de liberdade sero

(ANPEC 1998, 13) Considere o seguinte modelo de Regresso

Linear Multiplo :

'.

1'; = a
onde E( JlI
)

+ ~JII

+ /32X21 + u, , t = 1,2,3, .... n X


21

O , Vare JlI

cr/~ e XII'

so sries de valores fixos.

(O) Se, XII = X2/,

ainda assim possvel obter os estimadores .

de Mnimos Quadrados

de

. I' ~ e~.
Resposta: Se XII estimar o modelo. IFALSAI

= X21 teremos o problema de multicolinearidade

perfeita, caso em que no possvel

(I) Se /-l, e Jl, so independentes lineares no tendenciosos, melhores.

para todo t

-:;t

s , ento dentro da classe dos estimadores de a, ~ e ~ so os

os estimadores

de Mnimos Quadrados

Resposta: Na questo ANPEC 2004, 11, item (O), elencamos as hipteses que garantem que os estimadores de mnimos quadrados ordinrios so os melhores dentro da classe dos estimadores lineares no viesados (MELNV). O prprio enunciado dessa questo j nos diz que as 3 primeiras hipteses so satisfeitas, ou seja, os erros tm mdia zero e varincia constante e os valores das variveis explicativas so fixos em amostras repetidas (o que garante que as variveis explicativas no so correlacionadas com o erro). Portanto para que os estimadores sejam MELNV, falta apenas a hiptese de no existncia de autocorrelao entre os erros. Mas, se os erros so independentes, ento as suas autocovarincias so iguais a zero, o que nos garante que no existe autocorrelao. Portanto, nesse caso, se os erros so independentes, os estimadores de MQO de a, /3, e /32 so MELNV.

Um dos pressupostos bsicos do modelo que os elementos da matriz X so noestocsticos, ou seja, no aleatrios em amostras repetidas, ou ainda, possuem valores fixos em amostras repetidas. Aqui, deve ficar bem claro que estocstico sinnimo de aleatrio. IFALSAI

Outro pressuposto bsico : nenhuma das variveis independentes deve estar perfeitamente correlacionada com qualquer outra varivel independente OLl com qualquer combinao linear de outras variveis independentes. Resposta: Um dos pressupostos bsicos do modelo de regresso linear que nenhuma varivel explicativa deve ser perfeitamente correlacionada com outra varivel explicativa, ou seja, no deve existir multicolinearidade perfeita. Essa hiptese necessria para que possamos efetivamente estimar o modelo, j que se ela no for verificada, a estimao ser (1) impossvel.
..

Na questo ANPEC 2000, 06, item O, mostramos

que fi,

em uma regresso

::--..

mltipla com 3 variveis dado por:

Se o coeficiente de correlao entre as variveis for igual a I, o denominador da expresso acima ser zero (assim como de todos os outros coeficientes de inclinao) e, portanto, os parrnetros da regresso no podero ser estimados.

I
[VERDADElRAI

(2)

As equaes apresentadas

normais

de mnimos

quadrados
:=

para

o modelo
A

dado

podem
A

ser

em notao matricial como (X' Y)

(X' X)fJ e a soluo para fJ ser

fi = (X'X)-'(X'Y).
:--,

Resposta: O modelo de regresso linear pode ser escrito em notao matricial como:

Y=X/3
'-r--

Pr-mutiplicando
(X'V) = (X'X)

por X', temos:

jJ

E a soluo para /3 ser realmente:

jJ

(X'Xrl(X'Y)

-r-.)

IVERDADElRAI

(3) Quando testamos a existncia do modelo de regresso, sobre os coeficientes fJ da regresso (admitindo que passa pela origem): Hiptese nula => Hiptese alternativa => Ho': fJ2 = fJ3 H1: Todos os

fazemos as seguintes hipteses /31 :f:. O, ou seja, a regresso no O

=,--= /3k =

/3

:f:.

O, para i = 2,3,_. _, k:

Resposta:
de que todos os coeficientes de inclinao sejam iguais a zero. Porm a hiptese alternativa de que pelo menos um desses coeficientes seja diferente de zero. IFALSAI
A hiptese nula realmente

(4) Os intervalos de confiana seguinte maneira: "

dos coeficientes

da regresso

podem ser calculados

da

(J3; - t.,.Sfi, ; J3; + tn_k


A

.S

fi, )
(11

onde

fl/ =

estimativa do coeficiente fixado

fJi;

tn_k

= abcissa de uma distribuio "t" com


de intervalo; e Sfi.

- k) graus de liberdade,
A

grau de

confiana

= erro padro

esti mado de Resposta:

fli.

Sabemos que:

/,8,-0/_
Si.

,,-~,

Portanto, o intervalo de confiana para fJ, ser dado por:


(,8,

t,,_,si')

IVERDADElRAI

-r-,
-, (ANPEC 1999, 05) Foram encontrados os seguintes resultados para estimar regresso linear com duas variveis explicativaspara uma amostra de tamanho 10. LIma
+-,

---."
'"""-

"

'"

'"

~
-----.,

."

IVERDADEIRAI

(2) Caso X2,

=~-l

na equao acima, e os erros

).lI

sejam autocorrelacionados,

o estimador

de Mnimos Quadrados de a, f3t e Resposta: Se XlI


=

mantm a propriedade

de no-tendenciosidade.

Yt-/, o modelo torna-se:

.0

a + fJr,'Yll + [32 Y1-l + Ji, seja de !' ordem, temos que:

Supondo que a autocorrelao


lU, =

pJir-l + E, o modelo para Y,_!, obtemos:

Escrevendo

Y,-l = a + !3lXU-l
Das expresses

+!3lY,-l + pl-1
acima, podemos concluir que: com PI-l. com /-l,-l-

u, correlacionado
Y,-l correlacionado

E, como hiptese violada viesados IFALSAI

com /-lI, Y,_I ser tambm correlacionado com ).1,_ Portanto, a de que o erro no correlacionado com nenhuma das variveis explicativas e, dessa forma, os estimadores de MQO sero, alm de ineficientes, tambm e inconsistentes.
/-l,-! correlacionado

(3) Quando a varincia dos resduos, Var(/-l,), Mnimos Quadrados Resposta: de a, f3t e

varia' para cada t, ento os estimadores mas ineficientes,

de

ainda so no tendenciosos

Nesse caso, ocorre o problema de heterocedasticidade, ou seja, a varincia dos resduos no constante, o que faz com que os estimadores de MQO sejam ineficientes. Porm a propriedade de no-tendenciosidade ainda mantida. .,-"", IVERDADEIRAI

(4) No caso da existncia de autocorrelao e heterocedasticidade dos resduos, as varincias arnostrais dos estimadores de Mnimos Quadrados de a, ~ e /32 so tendenciosas, fazendo com que os testes de hipteses destes parrnetros fiquem comprometidos.

."

Resposta:

,\"

J.o .
(ANPEC 2005, 08) Considere o modelo de equaes simultneas:

o: =
e

Cto

+ CtIP, + Ct2X, + el, (demanda)

Q;' = /30 + /31?' + e21 (oferta) Q;' = Q,' (condio de equilbrio)

Q/

Q;' so, respectivamente,


exgena

as quantidades

demandadas aleatrios,

e ofertadas do bem, X, uma com mdias zero e varincias

varivel

e el, e e21 so os termos

constantes.

So corretas as afirmativas:

(O) As equaes de demanda e oferta so exatamente identificadas. Resposta: Para que lima equao seja exatamente identificada, o nmero de variveis endgenas nela includas (G*- l ) deve ser igual ao nmero de variveis exgenas excludas dessa equao (K**). A nica varivel exgena nesse modelo X" que est includa apenas na equao da demanda. Dessa forma, temos que apenas a equao de oferta exatamente E a equao da demanda subidentificada: Demanda: {G * -1 = I ~ G * -I > K ,~* ~ equao subidentificada K** = O identificada.

' ,

'

Oferta: IFALSAI

G * -I = 1 { K * * = l ~ G * -I = K * * ~ equao exatamente identificada

(I)

Os parrnetros estruturais do modelo so consistentemente Quadrados Ord inrios.

estimados por Mnimos

Resposta: Nesse modelo, temos o problema da simultaneidade, j que as variveis preo e quantidade se determinam mutuamente. Dessa forma, a varivel endgena utilizada como varivel independente est corre/acionada com o termo de erro da equao, violando uma das hipteses bsicas do modelo de regresso linear, necessria para que os estimadores sejam no viesados e consistentes: E(xjiUj)= O (nenhuma das variveis explicativas est correlacionada com o termo de erro). Assim, os parmetros do modelo estrutural, se estimados por mnimos quadrados ordinrios, sero viesados e inconsistentes. Veja mais detalhes na questo A NPEC 2003, 8, item (O). IFALSAI

Resposta: Igualando as quantidades, obtemos a equao na forma reduzida para o preo:

Q"
I

Os t
+a1X, +ell=/3o -a2X,
- a2X[

ao +al~ a.P, (ai -

+j3I~ +e]1
+ell -ell

-/3IP,= /30 -ao


-

p
I

/31)P' = /30 = /30 - ao _


ai -

ao

+ e]1
-

el,

aI ai -

X + e2/

el/

/31

/31

ai -

/31

P,= Do+TII

X,+V,

Assim, temos que:

Do TI I
11
.'~

fio - ao
ai -

/31
/31

aI ai -

e21 -eJI
ai

-/31
Mas, vamos encontrar a equao do preo

Bom, por aqui j d para ver que a afirmativa falsa (V,), tambm a equao na forma reduzida para a quantidade. na equao da oferta, obtemos:

Substituindo

Q, = fio + /31 P, + e 21
0=/3
-I

+/3I (fio - ao
ai -

a]
ai -

/31

21 /3 r + e -e
.J I

JI

J+e

ai -

/31
-

li

0_1= /lo+/3o!3l-ao!31 a I - /31


O
-I

!3la]
aI
-

X +f3le21 -fJlell
I

+e
21

J31

aI
-

/lI
l

Ct,/3o - Ct0/31 _ /3,Ct] X + ale]1 a I - J31 Ct I - /31 I aI

/3lel fil

0,= n,+n ..X,+lI',


ern que:

'\.

rr,
-

:=

a/3o - ao/31
-ai -

/31

'._-

TI.:= _ /3la2 .' ai -/31


w:=
I

cz,e , -/3e I _, I
ai

I1

_/3,
_e21 -ell
:=

Assim, a afirmativa ento falsa pois v,

-=--"ai -/3,

IFALSAI

(3) As estimativas dos parrnetros da forma reduzida Minimos Quadrados Ordinrios, so consistentes.

descritos

no quesito anterior,

por

Resposta:
Nas equaes na forma reduzida, o problema da simultaneidade foi eliminado e, portanto, os parmetros podem ser estimados consistentemente por mnimos quadrados ordinrios, j que nenhuma hiptese do modelo de regresso linear est sendo violada. IVERDADEIRAI

I
da forma reduzida, so
.-----

(4) Os parmetros das equaes estruturais, obtidos dos parmetros estimados por Mnimos Quadrados Ordinrios.

Resposta:
Note que a equao da demanda subidentificada. Portanto, os parrnetros estruturais dessa equao, obtidos dos parmetros da forma reduzida, no podero ser estimados por mnimos quadrados ordinrios. IFALSAI

(ANPEC 2004, 07) So corretas as afirmativas.

Em modelos de equaes simultneas:

(O) o problema da identificao precede o da estimao.


Resposta:
'~

Em um modelo de equaes simultneas, devemos antes de estimar o modelo, verificar se as equaes esto identificadas (ou seja, se possvel estimar os parmetros do modelo estrutural a partir das equaes na forma reduzida). Caso no estejam, no ser possvel obter estimativas consistentes do modelo.

!VERDADEIRAI

(I) se a condio de ordem for satisfeita, a condio de postotambm Resposta:

ser satisfeita.

-.-

.............

.. -..-....

Sabemos que a condio de ordem necessria, porm no suficiente para a identiticao. dada pela condio de posto. E se a "satisfao" da condio de ordem implicasse a "satisfao" da condio de posto, no precisaramos verificar se ambas ocorrem. A condio de ordem consiste em verificar' se h informao suficiente, ou seja, variveis exgenas excludas de cada uma das equaes, para que possamos diferenciar as equaes do modelo; a condio de posto consiste em verificar se os parmetros dessas variveis realmente existem, ou seja, se so diferentes de zero. IFALSAI

A condio suficiente

(2) os estimadores de rrurnmos quadrados indiretos estgios so no-tendenciosos e consistentes.


-~

e os de mnimos quadrados

de dois

Resposta: Os estimadores de mnimos quadrados indiretos e de dois estgios so tendenciosos, porm consistentes. H que se notar que, em geral, em modelos de equaes simultneas no possvel obter estimadores no-tendenciosos. IFALSAI

--.....

(3) se lima equao exatamente identificada, os mtodos de mnimos quadrados e de dois estgios produzem resu Itados idnticos.

indiretos

---

Resposta: O mtodo dos mnimos quadrados indiretos (MOI) consiste em estimar os parrnetros da forma reduzida por MOO e ento encontrar os parmetros da forma estrutural substituindo nela os parrnetros estimados. O mtodo dos mnimos quadrados em dois estgios consiste em estimar as equaes na forma reduzida por MOO e ento calcular os valores estimados das variveis endgenas e utilizar essas estimativas no lugar elas variveis endgenas propriamente ditas para estimar o modelo estrutural por MQO. Se a equao for exatamente identificada, o mtodo dos mnimos quadrados indiretos ser igual ao M02E. j que estaremos faze ndo exatamente a mesma coisa (s que de forma diferenre) .

"'"

IVERDADEIRAI -----: (4) o mtodo exatamente Resposta: O mtodo dos rrunrrnos quadrados indiretos s se aplica a equaes exatamente identificadas. Se uma equao for superidentificada, este mtodo ir produzir estimativas diferentes para o mesmo parrnetro, pois teremos mais de uma equao para cada coeficiente. O mtodo que se aplica tanto a equaes exatamente identificadas quanto a superidentificadas o dos mnimos quadrados em dois estgios, lembrando que no primeiro caso, as estimativas de MQI e de MQ2E sero idnticas. IFALSAI de rmrurnos quadrados indiretos pode ser aplicado identificadas quanto a equaes superidentificadas, tanto a equaes

-'o

--

(ANPEC 2003, 8) Considere o modelo de equaes simultneas: Q;' = ai + fJ.?' + li" (demanda)

Q;' = a, + fi,?, + u" Q;' =Q;"


em que:
QjlJ

(oferta)

a quantidade

demandada,

Q;) a quantidade ofertada, P,

preo, e

Uli

U2i

so termos aleatrios.

correto

afirmar que:

(O) o estimador de rrururnos quadrados ordinrios aplicado a cada uma das equaes consistente e no-tendencioso; Resposta: . Em ambas as equaes, temos como varivel explicativa uma varivel endgena (preo), ou seja, uma varivel que tambm determinada pelo modelo (quantidade determina o preo que por sua vez determina a quantidade). Quando isso acontece, o erro est correlacionado com a varivel explicativa, o que viola uma das hipteses bsicas do modelo de regresso linear, necessria para que os estimadores sejam no viesados e consistentes. Para ver intuitivamente porque isso ocorre, suponha que ocorra um choque aleatrio que diminua a quantidade produzida (uma geada, por exemplo). Esse choque far tambm com que o preo suba (j que a quantidade ofertada diminuiu), o que, por sua vez, far com que a demanda diminua (j que o preo est maior). Portanto, o preo est correlacionado com o termo de erro da regresso e, sendo assim, se aplicarmos o mtodo dos mnimos quadrados ordinrios a cada uma das equaes deste modelo, obteremos estimadores tendenciosos e inconsistentes. IFALSAI

.'"

(I) no modelo acima a equao de demanda identificada,

mas a equao de oferta no ;

Resposta: Nenhuma das equaes est identificada neste modelo, j que no h nenhuma varivel exgena que nos permita identificar qualquer uma das equaes. Mais formalmente, temos que, pela condio de ordem, para que uma equao esteja identificada, necessrio que o nmero de variveis endgenas includas na equao menos um seja igual ao (ou menor que) o nmero de variveis exgenas excludas da equao, o que, claramente, no se verifica nem na oferta nem na demanda.
IFALSAI

(2) se a equao de demanda for definida por Q/) = ai + p.p; + rir; + li,;, em que Yi a renda, a equao de oferta ser identificada; Resposta: O fato de existir uma varivel exgena excluda da equao da oferta permite-nos identific-Ia. Aplicando a condio de ordem para a equao da oferta, temos que o nmero de variveis endgenas includas nesta equao menos um (O-I) igual a I. O nmero de variveis exgenas excludas da equao (K) tambm igual a 1. Portanto, como O-I = K, a equao exatamente identificada.
IVERDADEIRAI

(3) a equao de demanda ser identificada Resposta: A equao da demanda apenas poder ser na equao de oferta. Incluir uma varivel vimos no item anterior, torna a equao de !FALSAI

se for definida por Q/) = ai + j3.P; + rir; + 11 li ; identificada se incluirmos uma varivel exgena exgena na prpria equao de demanda, como oferta identificada.

(4) a varivel renda, empregada nos dois itens anteriores, uma "varivel instrumental". Resposta: Uma varivel instrumental deve possuir as seguintes caractersticas: no correlacionada com o erro, ou seja, uma varivel exgena; , correlacionada com a varivel explicativa endgena. A varivel renda atende a esses "requisitos". Como lima varivel exgena, no est correlacionada com o erro, e est correlacionada com a varivel explicativa endgena, ou seja, com o preo. Portanto, a renda uma varivel instrumental.
..;.---..,

IVERDADEIRAI

(ANPEC 2002, 11) Considere as seguintes equaes elo modelo estrutural:


--.:.-....

Equao ele Demanda:

Equao de oferta:
~)

em que no perodo t, QI a quantidade de produto; PI, o preo (endgeno) do produto; RI' a renda do consumidor; U;r, o distrbio aleatrio da equao de demanda e U2r , o distrbio aleatrio da equao de oferta. A partir destas equaes so obtidas as equaes na forma reduzida:

(O) Assim sendo,

no = Po - ao 0',\ - p\
.

.". _ 1'2 aI

P2
-Pl

Resposta: Igualando as quantidades,

obteremos a equao na forma reduzida para o preo:


.~

~=~

ao + a.P, + a-R, + u i, = /30 + /3'Pr + /32Pro' + U2r cc.P, - /3'Pr = /30 - ao + /32Pro! - a2Rr + 2t - ui, (ai - /3,) PI = /30 - ao + /32Prol - a2Rr + U21 - UII P _ ~"-a,, v, R /31 .P 1 + --'-'--"U"-U,, ,,+ a, -~, a, a, - /3, ai -~, P, = 1Lo + 1L,Rr + 1L2P,0! + vi,
1
0

-~I

Assim sendo.ora=

~,,-au,nl=_
CI.,-~,

a,

en2=

a,-~,

'/3, a,-/31

IFALSAI

(I) A condio de posto indica que a primeira e a segunda equaes so identifcadas. Resposta:

muito fcil verificar a condio de posto neste caso. A condio de posto diz que:
A matriz com os coeficientes das variveis excludas da equao deve ter posto I igual ao nmero de variveis endgenas totais menos 1. Caso isso no se verifique, a equao est subidentificada. Sabemos que o nmero de variveis endgenas totais do modelo igual a 2 (preo e quantidade). Portanto, o posto da matriz com as variveis excludas de cada equao dever st;r de ordem I ( 2 -1 = 1). A tabela abaixo nos ajudar a verificar se as equaes desse modelo satisfazem condio de posto (colocamos o nmero 1 se a varivel est includa na equao e O se est excluda):

O posto de uma matriz a ordem do maior determinante

diferente

de zero contido nessa matriz.

Equao

Qt

Demanda Oferta

1
I

Pt 1
1

RI 1

Pt-l O
I

Agora, construmos uma matriz a partir da tabela acima de acordo com O seguinte critrio: excluir a linha correspondente equao que estamos analisando e excluir as colunas correspondentes s variveis excludas da equao. Ento, verificamos se o posto desta matriz igual a 1. fcil verificar que tanto para a equao da oferta quanto para a equao da demanda a condio de posto satisfeita.

(VERDADEIRAI

(2) Se multiplicarmos a equao de demanda por (O < < I) e a equao de oferta por (IA) e som-Ias, desde que o resultado dessa soma seja diferente da equao de oferta e ~a equao de demanda, as duas sero identificadas. Resposta: Multipl icando a equao de demanda por A e a de oferta por (1- ) e somando, obtemos:

ao +1.. a, P,+ a-R, +1.. u i, (1-1..)01 = (I-)fi) + (l-) /3, P,+ (I-) /32P,-, + (l-)u't
=

Qt

Fazendo:

00 ==

O,

ao -/30 + A. /30 a.P, - p,P, + /3,P,

02 = a]R, 03 = /31Pt-' + A. /32P,-,


E, = UIi -/./],

Obteremos

a seguinte equao:

"'.-

"

Como essa equao diferente tanto da equao de oferta quanto da equao de demanda, podemos concluir que tanto a oferta quanto a demanda esto identificadas.

jVERDADEIRA!

(3)

O mtodo de rrururnos quadrados ordinrios eficientes dos parrnetros da forma estrutural.

produz

estimadores

consistentes

Resposta:

o mtodo dos mnimos quadrados ordinrios produz estimadores inconsistentes e ineficientes dos parmetros da forma estrutural, j que a hiptese de no existncia de correlao entre as variveis explicativas e o erro violada (veja tambm questo ANPEC 2003, 8, item O) IFALSAI
(4) Para verificar se qualquer equao do sistema identificvel, basta aplicar a condio de ordem. Resposta: A condio de ordem necessana para a identificao do sistema, porm no suficiente. A condio necessria e suf"ciertte dada pela condio de posto, j que para realmente estarem identificadas, os coeficientes das variveis exgenas excludas das equaes devem de fato existir, ou seja, devem ser diferentes de zero. Portanto, para verificar se qualquer equao do sistema est ou no identificada, devem ser verificadas a condio de ordem e tambm a de posto. IFALSAI

(ANPEC 2001, 08) No modelo de equaes simultneas: Q/l = a, + f3,? + r, Y + u, (demanda)


QS

\-

= a2 + A. P +

LI

(oferta)

01)
~

==os
~

!
I

---.
QS, a quantidade ofertada; P, o preo; Y, a renda;

em que: QD a quantidade
LI,

demandada;

e Uz so os componentes

aleatrios. Neste modelo:

(O) A aplicao do mtodo de mnimos quadrados ordinrios (MQO) a cada uma das equaes do sistema, desconsiderando-se a outra, fornecer estimativas no tendenciosas. Resposta: Em ambas as equaes, temos como varivel explicativa uma varivel endgena, ou seja, que tambm determ inada pelo modelo e, dessa forma, o erro de cada equao estar correlacionado com tal varivel, levando a estimativas tendenciosas e inconsistentes. (veja tambm questo ANPEC 2003,8, item O) IFALSAI (I) A equao de demanda subidentificada. Resposta: Como no h nenhuma varivelexgena excluda da equao de demanda, ser identificada. Aplicando a condio de ordem, verificaremos que: G* - I (variveis endgenas includas na equao - 1) = 1 K** (variveis exgenas excludas da equao) = O Portanto, como G*-l > K **, a equao est subidentificada.

~.

esta no pode.

IVERDADEIRAI

(2)A equao de oferta exatamente identificada. Resposta: A existncia da varivel exgena renda (Y) na equao da demanda nos perm ite identificar a equao de oferta. Aplicando a condio de ordem, verificaremos que:

G* - 1=1 K** = 1
Como G*-1 = K**, temos que a equao de oferta est exatamente [VERDADEIRAI identificada.

(3) Na equao de oferta, o estimador de MQO consistente .. Resposta: Veja item (O). IFALSAI

(4) Caso seja subidentificada, a equao de demanda no pode ser estimada. Resposta: .. ' . Nada impede (a no ser o bom senso) que estimemos uma equao subidentificada pelo mtodo dos mnimos quadrados ordinrios, ou seja, realmente possvel estim-Ia. Mas, se fizermos isso, obteremos estimativas viesadas e inconsistentes dos parmetros. Portanto, caso seja subidentificada, no poderemos consistentemente estimar a equao da demanda. IFALSAI

(ANPEC 1998, 14) Considere o seguinte conjunto de equaes simultneas:

Q=
Q=

12'1

+ A P + ri Y + fil

funo de demanda funo de oferta.

ao + fi> P + fi?-

onde Q (quantidade) e P (preos) so as variveis endgenas, Y (renda) a varivel exgena e fil, JI! ' representam os resduos. Os valores 12'1' Ct2, A, ri e /32 so os parmetros do modelo. Ento, pode -se afirmar que:
(O)

As equaes na forma reduzida so definidas como:

=
=

1!1

+ 1!2 Y +

VI

n, + n, Y + v~

"'"

~-

,-,---

v - _ f--11 ,-

f--12

/31 - /3,

Resposta: As equaes na forma reduzida colocam cada varivel endgena do modelo estrutural em funo de todas as variveis exgenas do modelo. Faamos isso para verificar se a afirmativa est correta. Primeiro, igualemos as quantidades para obtermos a equao na forma reduzida para o preo: Q=Q a, + /3,P + YI Y + u, = a2 + /32P + f--12 /3,P - /32P = a2 - a, + f--12- f--1/ ,. (/3, - /32) P = a2 - a, - Y + f--12- f--1' .

,-". -

"'-""'\.--

r, y r,

a, -a,

r, y +

f--1, - f--1,

/3, - /3, /3,- /3, Jl"3 + Jl".f Y+ V2

/3,- /3,

~--

Substituindo a equao do preo acima na equao da oferta, obteremos na forma reduzida para a quantidade: Q=a1 +~P+~ Q=a2+/32(a,-a, 0= /3,a,

a equao

+ /3,- /3,

-r,.
/3,- /3,

y+/t1-f--1')+f--12

-----------

/3,- /3,

- /3p,

/3,- /3,

+ - /3], y + /3,f--1, - /3,f--1, /3,- /3, /3,- /3,

Confrontando

os resultados obtidos com os dados peJa afirmativa, conclumos


= _

realmente

que esta verdadeira (note que f--1, - f--1,

f--1,+ f--1, =

V2)'

/3, - /3,
!VERDADElRAI

/3, - /3,

(I) As funes de demanda e oferta so identificadas. Resposta: Apenas a equao de oferta est identificada, j que h uma varivel exgena excluda desta equao. Quanto equao de demanda, no h nenhuma informao adicional na equao de oferta que nos permita distingui-Ia desta ltima. IFALSAI

(2) A estimao dos parmetros das equaes na forma reduzida por Mnimos Quadrados Ordinrios, produz estimadores consistentes.

Resposta:
O termo de erro das equaes na forma reduzida so no correlacionados com as variveis explicativas (j que todas elas so exgenas) e, portanto, a estimao dessas equaes atravs do mtodo dos mnimos quadrados ordinrios produzir estimadores consistentes.

(VERDADEIRAI
(3) Os resduos e v] so independentes.

VI

Resposta:
Note que os resduos do modelo estrutural. IFALSAI
VI

e v} so ambos combinaes

lineares de,LI1 e 1'], ou seja dos erros

Portanto, eles no podem ser independentes.

'""'\ ...

'\.

Tanto a existncia de autocorrelao quanto de heterocedasticidade nos resduos, faz com que as varincias amostrais dos estimadores de MQO sejam viesadas, invalidando os testes te F, mesmo assintoticamente. IVERDADEIRAI

------.

----....

j 1

(ANPEC

2005,

07) Com respeito

teoria das sries temporais,

so corretas as

afirmativas:

(O) Considere lima srie temporal Y, auto-regressiva de ordem I com parmetro p. No


modelo: .l't - Y,-I Resposta:
Considere o modelo original:

= hJ't_1 + li,

>

em que

ti,

um rudo branco e 6

= p -I,

se 5

for de fato igual a zero, a srie Y, ser no estacionria.


".---"--.

1'; = p 1';-1 + li,


Sabemos que, se I p I <I, a srie ser estacionria. Somando e subtraindo 1';-1 do lado direito da equao acima, temos:
;'-"-

1';

P 1';-1 +
= }~.J =

Y, - Y,-I
._--..---....

1';-1 + U, P Y,-I - Y,-I + li,


}~-I -

1'; -

(p-l)1';_1

li,

1';- Y/-1

5 1';-1 + li,

Dessa forma, se 5 = O (o que significa que p =1), a srie no ser estacionria.


Note que essa "forma alternativa" de escrever o processo utilizada para o teste de raiz unitria Dickey-Fuller, que testa a hiptese nula que = O (o que.equivale a p = I). I de

tyERDADEIRAI

(1)

Numa regresso linear simples de duas sries temporais no estacionrias de Srudent ainda vlido.

de ordem I. o teste usual

Resposta: Temos que as duas variveis so I( I). Porm, no sabemos se elas so ou no co-integradas, Se elas forem, o teste usual t de Student ser vlido. Mas, se no forem, a regresso ser espria e o teste I ser invlido. Para que as variveis sejam co-integradas, elas precisam ser integradas de mesma ordem e. alm disso, devem "caminhar juntas". Se isso ocorrer, os resduos da regresso entre elas sero estacionrios.

(2)

Numa

regresso

I'isc(l de os resultados

linear mltipla de sries serem esprios.

temporais

de ordem I. mas cuintcgrveis.

no se corre o

Resposta: Dado que as sries so 1(1) e cointegrveis, a regresso entre elas ser vlida e, por isso, no se corre o risco de obter resultados esprios. !VERDADElRAI

...

(3) Numa regresso linear mltipla de serres temporais de ordem I, mas cointegrveis, os resduos da regresso so estacionrios. Resposta: Se as sries. so cointegrveis, ento os resduos da regresso entre elas sero necessariamente estacionrios. Alis, o teste de co-integrao consiste basicamente em verificar se os resduos da regresso entre variveis integradas de mesma ordem so estacionrios. IVERDADEIRAI

~.

-..,.

(4) Se uma serre temporal tiver que ser diferenciada n vezes antes de se tornar estacionria, a srie original integrada de ordem n -1. Resposta: Se uma srie temporal tiver que ser diferenciada n vezes antes de se tornar estacionria, a srie original integrada de ordem 11. Por exemplo, se a primeira diferena da srie for estacionria, ela ser integrada de ordem 1,1(1). IFALSAI (ANPEC 2004, 9) Considere a seguinte regresso entre y, e z.:
y, = oz
+LI"

em que

LI,

o erro. So corretas as afirmativas:

(O) Se y, for 1(1) e z, for 1(0), ento y, e z, so co-integradas.

Resposta: As variveis y, e z, apenas podero ser co-integradas se forem integradas de mesma ordem (veja tambm item (2) desta questo).

IFALSAI
(1) Se y, for 1(0) e z, for 1(1), ento y, e

z, so co-integradas.

Resposta:

Novamente, como as variveis no so integradas de mesma ordem, elas no podem ser


co-integradas. IFALSAI

(2) Se y, for 1(1) e ZI for 1(1), ento Resposta:

YI

e z, so co-integradas.

Para que duas variveis sejam co-integradas, necessria que sejam integradas de mesma ordem, mas, tambm, que "caminhem" juntas, sincronizadas. Se isso ocorrer, os resduos da regresso entre essas variveis sero estacionrios. Portanto, mesmo que duas variveis sejam integradas de mesma ordem, possvel que elas no sejam cointegradas. IFALSAI

(3) Se y, for 1(1), z, for 1(1) e

1/,

for 1(0), ento YI e ZI so co-integradas.

Resposta:
Nesse caso, as sries so realmente co-integradas: so integradas resduos da regresso entre elas seguem um processo estacionrio de ordem O). IVERDADElRAI de mesma ordem e os (j que 1I1 integrado

(4)Se UI for 1(0) as sries YI e z, so necessariamente

co-integradas.

Resposta:
Apenas a informao de que os resduos dessa regresso so estacionrios no nos permite concluir que estas variveis sejam co-integradas, j que elas podem ser estacionrias e, nesse caso, no haver co-integrao entre elas. IFALSAI

(ANPEC 2005, 09) So corretas as afirmativas: (O) No processo AR(I): y, :::: r/Jo+ r/JIYt-I + e" em que
mdia zero e varincia
()2,

lbl<

1 e e, um rudo branco de

a varincia

de y, ser

1 - b~ .

Resposta:
Essa questo se diz que afirmativa foi anulada pois no foi especificado
01

o subscrito

do parmetro

rjJ
~

quando a

Ir/JI< I e que a varincia seria verdadeira. Vejamos:

de y, = 1- r/J2 . Se considerarmos

que ~

var(Yl) = var(r/Jo + r/JI Y/-I + e, ) var(Yl) ::::var(r/JIYt-I + e.) var(y.) var(y,) var0-',)
= =

var (fi Y'-J)

+ vare e, )
0-2

r/J12 var(v,_,) + var(v,)


= 02

_r/JJ2

= 0-2

(1-r/J,2 )var',)

E a condio

de estacionariedade

que IrPll< 1

"\,

IANULADAI

(1) Seja a funo de autocovarincia


Yi = E[(Y'-i -1l)(Y,-;
afirmar que y . ==
J

do processo
=

-11)], em que J.l


o

E[y,]

AR(l) definido no quesito anterior a mdia do processo y,. correto

(~ + ~
I

)j

1- ~~

Resposta:
Em primeiro lugar, h que se notar que a funo de autocovarincia dada por:

Da

forma

corno

foi

dado -11)]
=

no E[(Y'_j

enunciado, - J1.)2]

rj

serra

varincia

do

processo:

y j = E((YI-j -Il)(y,-j

Com essa ressalva,

podemos

ento calcular I
\

j:

Para facilitar

o clculo,

faamos

rPo

O, medindo y, em termos de desvios da sua mdia.

Assim, temos: ri = E( y, Y,_)

ri ri ri

E[( rPlY,-I+el)Y':i] E( rPlYI-IY,) + E( eIY':i) rPl E(Y,-lY':i)


=

= =

Paraj

1:

ri = ri = ri =

rPl E(Y,-lY,-l) rPl E( Y'~I ) rPl var(y,)


'f'1
.

ri -

CJ 2

1- rPI2

Paraj=2: Y2 = rPl E(Y,-IY,-2)

= rPl

E[( rPIY,-2+e,) yf-2l

..

...-......

--/"""',.

....:-...

'-~

Generalizando:

IFALSAI
..

~ (2) O processo
~! <Ie Resposta:

AR(2),

].I,

= ~o
()2,

+ ~!YI-I

+ ~2].1t-2 + e" em que e, um rudo branco de


de segunda ordem se, e somente se,

mdia nula e varincia


~2

ser estacionrio

< I.
se, e somente se,

O processo
...

AR(2) ser estacionrio

Ir/J!+ r/Jll <1.

..-....

Vejamos:

Seja L o operador y, =: rpo

defasagem

(Ly,

= y.,

L2

= y'.2). Podemos

escrever:

+ rpl Ly, + r/J2L2 y, + e,


=:

(I -

rp! L - rp2 L2 ) y,

r/Jo + e,

A expresso estacionrio, seja, devem estacionariedade

entre parnteses acima um polinmio em L. Para que o processo seja todas as razes desse polinrnio devem ser maiores que I em mdulo, ou estar fora do crculo unitrio. Assim, uma condio suficiente de para um processo AR(2) que

Ir/J!+r/J21<1.

IFALSAI -.'"'

(3) A mdia do processo MA( I), y, = e, + 8e 1-1 , em que e, um rudo branco, igual
a zero. Resposta: Calculemos a mdia de y,: E(v,) = E(e, + (Je,.i) E(v,) = E(e,) + f) E(e'_i) E(v,) = E(e,) + fJ E(e,) Como e, urn rudo branco: E(\',)
=

IVERDADEIRAI

(4) No modelo ARMA(I,

1), y, ==~o + ~JY'-J + e, + 8el-!' em que e, um rudo branco


constante, . a mdia de y, dada por ~. . I-~ . ~

de mdia nula e varincia

~"

Resposta:
Calculemos E(y,) ==~o + a mdia de y,:
)
.-

E(,V,) ==E( ~o + ~JY'-J + e, + BeH


~J

E(y',.,) + E(el) +

\.

E(e,_,)

E(,V,) ==~o + ~, E(,V,) + E(e,) +


E(y,) - 1/;, E(,V,) == ~o (I-I/;,)E(,V,)== E(y,)== ~ I-I/;,
t/;o

E(e,)

IVERDADEIRAI

(ANPEC 2004, 10) Em relao


afirmativas: (O) No processo de Z ,sera . AR(I),

aos modelos

de sries

temporais,

so corretas

as

Z, = ~ZI-l + aI + 80,

!~! < I, e

at um rudo branco,

a mdia

o --o
I-I/;

Resposta:
Calculemos a mdia do processo:

.~'.
!,p!
< 1, o processo estacionrio.

E(Z,) = E (~Zt-I E(ll) ==E(~ZI_l) Sabemos Portanto:

+ aI + eo) + E(a,) + E(eo)

que a mdia dos' erros zero e que, como

E(Z,)

E( I/;Z,) + E( eo)

E(Z,) - E( ,pZ,) = eo (l-I/;) E(Z,) == o

E(Z,) = ~ l-I/; IVERDADEIRAI

(I) O

processo

MA( 1),

Z,= a, - a,_I,

em

que

at

um

rudo

branco,

no

estacionrio.

Resposta:
Para que uma srie seja estacionria (fracamente), sua mdia e varincia devem ser constantes ao longo do tempo e suas autocovarincias no devem depender do

tempo, mas apenas da ordem processo MA()) em questo. A mdia de Z/ igual a zero: E(Z,) = E(a, - a/.!) E(Z,) = E(o/) - E(a'_I) Como 0t um rudo branco: IE(Z!)
=

da defasagem.

Verifiquemos

se isso

ocorre

para

A varincia de Z, ser dada por:


"_o"

'"'

var(Z/) = var(a, - a,-I) Como a, um rudo branco: var(Z/) = var(a,) + var(a/) Far(Z,) E agora cov(Z/, covt Z, cov(Z" cov(Z/,
=

0-: I
= E(Z/Z/_I)
E[(a/ - a/-I)Z/-J] E(a/Z/_,) - E(a/_IZ/_I) = - E(a/_I(a/_, - alo})] = - E(a,'_J + E(0,_/a'_2)
=
=

as autocovarincias:

Z/_I) Z'_I) Z/_,) Z'_I) cov(Z/, Z/-/)

Icov(Zt, Z'_I)='.. cov(2" cov(Z/. cov(Z(, Icov(2t, 2,-2)

iJ:1
E[(a,-a/_/)Z/_2] - E(a,_/Z,_2)

= E(Z/Z/_2)
=

Z'-2)

2'-2) = E(a/Z,_2) Zt- = 01

.. -....--...

Se o leitor continuar calculando as covarincias, verificar que todas as demais tambm sero iguais a zero. Portanto, como podemos observar pelos resultados acima, as condies para que o processo seja estacionrio so satisfeitas sem a necessidade de se impor qualquer restrio sobre o coeficiente de um MA( I). Conclumos, ento, que um processo MA(I) sempre estacionrio (alis, isso no vale apenas para um ivlA( I), mas para um processo de mdia mvel de ordem q qualquer).

IFALSAI

(2) O processo Resposta:

AR(I),

ZI = O,8Z{_1 + a.; em que at um rudo branco, estacionrio.

A condio de estacionariedade para um modelo AR( I), Z, = ~Zt-I + a., dada por 1$1 < I. Como, nesse caso, o coeficiente de Zt_1 menor que I em modulo, este processo estacionrio (um choque ocorrido em dado perodo ser dissipado ao longo do tempo). IVERDADEIRAI

-.,-.,

(3) No processo AR( I), Z,

= rf;Z'_1+
()2

a, , em que at um rudo branco com Vare at ) =

-r-,

();, a varincia de Z, __ a_ I- rf;2 . Resposta: Calculemos a varincia de Z,: var(Z,) = var(~Z'_1 + a,) var(Z,) = var(~Z'_/) + var(a,) var(Z,) = ~2 vart Z) + (): var(Z,) ~2

var(Z,)

= ():

--"

(I - ~2) var(Z,) =
()'

()<~

var(Z) = -',

1-'1'

A. '

......;;

-,

IVERDADElRAI

-.;:,-;

(4) No modelo ARMA(I,I),

Z, =rf;Z'-1 +a, +lat-J,

em que at um rudo branco, a

mdia de Z, diferente de zero. Resposta: Nesse processo, a mdia de Z, igual a zero (j que no h o intercepto). Mas, para os mais desconfiados, calculemos: E(Zt) E(Z() ECZt) E C~Zt-l + a, + 80,_,) E(~Z(_l) + ECa,) + EC8a,_/) = ~ECZ(-I) + ECo,) + SECo,_/)
=
=

Como a, um rudo branco, sua mdia zero e, portanto:

--::;,.-

IFALSAI

(ANPEC 2003, 10) Considere o modelo de regresso linear

C,

=0'-0+0'-1.0

+u"

t=I, ... ,T,

.-<

em que: C, o consumo pessoal em t, Y, a renda pessoal em teu, o termo aleatrio. correto afirmar que:

(O) se C, e Y, so l( 1), ento u, ser obrigatoriamente estacionrio;


Resposta: Se C, e Y, so variveis integradas de mesma ordem, os resduos da regresso entre elas apenas sero estacionrios se elas caminharem juntas, ou seja, se forem cointegradas.

IFALSAI

(1) se o C, e 1'; so integradas,


regresso ser invlida;

mas com ordens

de integrao

diferentes,

ento

Resposta:
Como nesse caso as variveis no so estacionrias e no poder haver co-integrao entre elas (j que so integradas, mas com ordens diferentes), a regresso ser espria, ou seja, no ter validade.

IVERDADEIRAI

(2) se C, e Yi so I( I), ento o teste ADF aplicado


-"" --~

identificar

a presena

de co-integrao

aos resduos entre as variveis;

da regresso

poder

Resposta:
Se as variveis so integradas de mesma ordem, h a possibilidade de que elas sejam cointegradas, ou seja, que caminhem no mesmo passo. Se esse for o caso, os resduos da regresso entre essas variveis sero estacionrios. Como o teste ADF verifica a presena de raiz unitria em uma srie, ou seja, testa a hiptese nula de no estacionariedade, podemos utiliz-Io nos resduos da regresso para verificar se as sries so co-integradas. E exatamente isso que faz o teste de Engle-Granger. H que se fazer a ressalva, porm, de que, como os resduos dessa regresso so obtidos atravs de valores estimados dos parmetros da regresso co-integrante, aumenta-se a incerteza e, portanto, devem ser utilizados valores crticos diferentes dos utilizados para o teste

._:-..,

ADF. IVERDADEIRAI

(3) se C, e }~ so 1(1), mas os resduos


variveis;
";...-..",

so

1(0), ento

h co-integrao

entre

as

Resposta:
Nesse caso, todos os "requisitos" para que duas variveis sejam co-integradas foram satisfeitos: as variveis so integradas de mesma ordem e caminham juntas (j que os resduos da regresso entre elas so estacionrios).

IVERDADEIRAI

_""

(4) se C e }~ so l( 1) e os resduos invlida. Resposta: Se as variveis so I( I). a primeira portanto, a regresso de tJ.C, em

tambm

so I( I), ento a regresso

de

6.

C, em

6.

YI

6.}~

diferena de cada uma delas ser estacionria e. ser vlida. Note que, nesse caso, apesar das ordem, elas no so co-integradas. j que os

----.

variveis

serem

integradas

de mesma

..-"'"

\.

resduos da regresso ordem 1.

entre elas no sero estacionrios,

pois tambm

so integrados

de

IFALSAI

(ANPEC 2003, 15) Considere o modelo ARMA(l, I) definido por: y, = 0,5YH - 0,2cI-I + c" t = I, ... ,T,

,em que a varincia de c" igual a 1. Encontre a varincia de Y,


(Multiplique resposta). Soluo: A varincia desse processo - 0,2E'.1 ser dada por: o resultado final por

10. Marque

somente

a parte

inteira

na folha

de

var(y,) = var(0,5y,.,

+ Et)

Pelas propriedades da varincia, sabemos que a varincia da soma igual ai soma das varincias, desde que as variveis sejam independentes. E nesse caso, isso no ocorre. Para ver porque, escrevamos o modelo para yi.]: y..,
=

0,5 Y'.2 - 0,2E'.2

+ Et_1

Como podemos observar, as variveis e so claramente correlacionadas. Portanto, a covarincia entre elas deve ser includa no clculo da varincia do processo. Dessa forma, teremos que a varincia ser dada por: var(y,)
= =

y,.,

e,_,

var(0,5y,.,-

0,2Et.1

+ E,)
0,2Et.l)

var(j)

var(0,5y,_/) + var(0,2Et_l) + varfs.) - 2cov(0,5y,./,

var(y,) = 0,25 var(y,) var(y,) - 0,25 var(y,) 0,75 var(y,)

+ 0,04var(c,,) + varts.) - 0,2 cov(y,." Et_!}


=

0,04var(Et)

+ varfs.) - 0,2 cov(Y,./, Et.l)

0,04var(EI)

+ var(Et} - 0,2 cov(y,./, Et-l)

Como var(E,) 0,75 var(y,)


=

I: (I)

0,04 + 1 - 0,2 covtj El.l)

Calculemos

agora a cov(y,_/, Et-l):

cov(y,./, Et.') = E(y,./EI.') - E(y,./)E(EI.l) Como a mdia dos erros igual a z,ero: cov(y,./, Et.') = E(}',./Et.l) {;ov(y,./, c,t.') = E[(0,5 )".2 - 0,2EI.2 + cl.,)Et_'] cov(}',./, EI.') = E(0,5Y'2Et.')

- E(0,2Et.2EI.') + EU'~I) ( II )

Substituindo

( 11) em ( I ), teremos:

0,75 var(YI) = 0,04

+ I - 0,2

COV(yI'

tI_I)

0,75 var(ya = 1,04 - 0,2 x I 0,75 var (YI) = 0,84


var

(y) ,

= --

0,84

0,75

I 12 ' apenas a parte inteira, como pede o

Multiplicando o resultado por 10 e considerando exerccio, chegaremos o resultado final de [!].

">->,

(ANPEC 2002, 12) Em relao aos modelos de Sries de Tempo pode-se afirmar:
(O) No modelo Autoregressivo rudo branco,
O

de ordem

J, Z, = rjJZH +

li,

+ f)o,

I~I < I ,em

que

li,

um

parmetro

80 a mdia do processo.

Resposta:
A mdia do processo E(Z,)
=

dada por:

E(~Zt_l+

li,

+ 80)

E(Z,) = E(~ZI_I) + E(u,) + E(80) Como o processo estacionrio e a mdia dos erros zero, temos que:

E(Zl) = ~E(ZI)

+ E(8o)

(I-~) E(ZI) = 80 E(ZI)


= ~

J -

rjJ

!FALSAI

(1) O

modelo misto Autoregressivo-Mdias representado pela expresso Z, = rjJZ, + 111 um rudo branco.

eu,_,

Mveis, em que

ARMA( I, I), pode rjJ e so parrnetros

ser e li,

Resposta:
O modelo ARMA (1,1) dado por: Z,
=

rjJZr-' +

21, - f)u,_I_

IFALSAI

(2) Se um processo estocstico possui uma tendncia determinstica. y/= fJ, + fJ! I + li" ento este dito no-estacionrio e sua no-estac ionariedade pode ser detectada por UIll teste para raiz unitria.

Resposta:

\.

o processo estocstico seria no estacionrio se possusse uma tendncia aleatria. Note que o prprio teste de Dickey-Fuller considera a possibilidade de uma srie possuir tendncia deterrninstica (J'fom1Ulao para a regresso auxiliar do teste), caso em que a varivel pode ser estacionria em tomo da tendncia.
IFALSAI

(3) Em uma regresso com duas serres temporais, se estas so 1(1), 01,1 seja, no estacionrias, mas so co-integradas, pode-se empregar a estatstica t de Student para testar a significncia dos coeficientes da regresso.

Resposta:
De fato, se a regresso feita entre variveis que so co-integradas, os procedimentos usuais de testes de hipteses so vlidos e, portanto, a significncia dos coeficientes da regresso pode ser testada utilizando-se a estatstica t de Student. . IVERDADElRAI

(3) O teste de Engle-Granger

para co-integrao entre trs variveis consiste em utilizar a estatstica e a tabela de valores crticos Dickey-Fuller nos resduos de uma regresso entre estas variveis.
--""_.

Resposta:
Apesar do teste de Engle-Granger para c9-integrao ser um teste de Dickey-Fuller aplicado aos resduos da regresso entre as variveis, a tabela de valores crticos de Dickey-Fuller no adequada, j que os resduos foram obtidos de parmetros que foram estimados e, portanto, a incerteza aumenta. Para o teste de Engle-Granger devese, ento, utilizar-se outros valores crticos. IFALSAI

-"""',.

(ANPEC 2001, 10) Seja o processo

auto-regressivo:
+Et

-"

. Yt =~IYt-l

Pode-se afirmar que:

(O)

O processo

estacionrio

para

~ 1< 1.

Resposta:
Para que o processo seja estacionrio, sua mdia e varincia devem ser constantes ao longo do tempo e suas autocovarincias devem depender apenas da ordem da defasagem e no do tempo. A varincia do processo acima dada por: var(v) = -\)1 l-q5'
(J'

Portanto, para que esse processo seja estacionrio isso no ocorrer, a varincia ser infinita. IFALSAI

deve-se

verificar

que

I~I<1, j

que se

....--,

(1) Se ~ I = I, o processo

dito um caminho

aleatrio

(random walk) .

Resposta:
Se ~ I

1, teremos:

que , por definio, Se o modelo


YI =

um caminho

aleatrio. teramos um caminho aleatrio com drift:

tivesse o intercepto,

e + YI-I

+ Et

IVERDADEIRAI

(2)

o estimador

de mnimos

quadrados

ordinrios

do parmetro

~ I no tendencioso.

Resposta:

O estimador de MQO do parmetro $1 ser no viesado quando 1$1/<1. O estimador de MQO, neste caso, ser uma estimativa da correlao entre YI e YI_I e, portanto, mesmo na mdia, no poder ser igual se este for o verdadeiro valor de $1 (ou mesmo se for
muito prximo). O enunciado no dizia se
~I

era menor do que I, portanto

h que se

fazer esta ressalva. tvERDADElRAI


(com a ressalva

acima!')

...

~
(3) A estatstica Resposta: t-Student pode ser usada para testar a presena de raiz unitria.

-~

Se a varivel ser viesada raiz unitria, forma que a Fuller).

no estacionria, sua varincia ser infinita e, dessa forma, a estatstica t e no seguir a distribuio t de Student. Portanto, para testar a presena de devemos utilizar a estatstica r, que na realidade calculada da mesma estatstica t, s que com valores crticos prprios (tabelados por Dickey e

IFALSAI

(4)0

processo

pode ser escrito I e 6. y [= Y I


-

em uma forma YH

alternativa

como

l\ YI

I_I

+ E I em

que

o = qlI -

Resposta: Considere o modelo original:

Subtraindo

e somando

)'1-1,

obtemos:

",.'

~. '\ ..

YI - YI-I = ~I YI.I

- YI-l

+ CI

--\'

l\Y,=(~I16)',=

I)YI.I +CI

8y,,+f:1 8 = (~I - I) de escrever o processo nula que 8 utilizada


=

onde

Note que essa "forma alternativa" unitria de Dickey-Fuller, IVERDADEIRAI

que testa a hiptese

para o teste de raiz a


~I

(o que equivale

1)

observaes C, = C,
=

(ANPEC 2001, 11) Um economettista estimou uma funo consumo usando anuais da renda pessoaldisponfvel e consumo, a partir do modelo:

25

/31 + /3zy, + li" em que:


consumo em

t; Y,

renda pessoal disponvel

em

t; u, = erro aleatrio

Os resu Itados indicaram parmetros significativos a 5%, coeficiente de determinao de 0,94 e d de Durbin- Watson 0,5421. Com base nesses nmeros, o econometrista fez o teste de Dickey-Fuller aumentado (ADF) para as sries de renda e de consumo, obtendo estimativas de r menores que os valores crticos de r tabelados, a 1%, 5% e 10%. Conseqentemente,
'O

econometrista:

(O) Aceitou a hiptese nula do teste ADF, concluindo


so no-estac ionrias; Resposta:

que as sries de renda e consumo

O teste ADF (Dickey-FulJer aumentado) testa a hiptese nula de raiz unitria. Portanto, se os valores obtidos para a estatstica t so menores que os valores tabelados (em mdulo), no se pode rejeita,' a hiptese nula de existncia de raiz unitria (noestacionariedade) nas sries das variveis. IVERDADEfRAI

(1) Concluiu que os testes t e F no so vlidos.


Resposta: Como as variveis so no estacionrias, a regresso pode ser espria e, assim, os testes no seriam vlidos. Mas elas podem ser co-integradas e, desta forma, a regresso seria vlida.

IFALSAI

(2) Concluiu Resposta:

que o teste t no vlido.

---r-,

--'"

Note que, nesse caso, mesmo que as variveis sejam co-integradas e a regresso tenha ento validade, temos o problema de autocorrelaonos resduos, j que a estatstica de Durbin-Watson de 0,5421 (prxima de zero). E, quando temos o problema de autocorrelao, a estatstica t ser viesada, invalidando os testes de hipteses, mesmo assintoticamente. Mas cabe uma pergunta: se h autocorrelao, o teste F tambm no fica invalidado? A tem uma sutileza: para alguns tipos de autocorrelao (por exemplo, se for um processo ARei ), demonstra-se que a estimao por MQO (quase) to eficiente quanto a estimao corrigi da {por mnimos quadrados generalizados). Da no se poder concluir que o teste F seja, necessariamente, invlido. (veja Judge et.al., p.281)

..-r-,

!yERDDElRA!

'--;.--.".

(3) Concluiu

que a regresso

estimada

espria.

Resposta:
Como j salientamos no item (l), para concluir que a regresso estimada espria, o econometrista deveria verificar se as variveis so ou no co-integradas, pois se forem, a regresso no ser espria. IFALSAI

(4) Necessita Resposta:

fazer mais outros testes para verificar

se a regresso

estimada

espria.

Realmente, como leitor j deve estar se. cansando de ler, para verificar espria, o econometrista necessita realizar um teste de co-integrao.

se a regresso

tyERDADE1fV\1

I
--"
(ANPEC 2000, 15, ) Considere
Y, em que, por t seja muito distante um processo
SI-

AR( I)
0"\

= ~ YI_1 + SI, hiptese, I~I< I, a no


da origem.

NID(O,

1,2, ...T, Considere Yo fixo e que

ser que seja dito o contrrio.

-"

--,",

(O) A condio incondicionais

I~I<

I necessarra para que o processo independentes do tempo.

apresente

mdia e varincia

Resposta:
A condio I~I< 1 necessria para que o processo mdia e varincia constantes e covarincia dependente no do tempo. Se ~
=

seja estacionrio, ou seja, tenha apenas da ordem da defasagem e

I, teremos

que:

Y1 --r-,

YI-1 + Ei
aleatrios:

Ou seja, YI ser lima soma de choques

y{ = ~t 6:

-v->,

'\'

",-.-

Portanto, o valor esperado de YI ser dado por:

,'E(Yt) = E(tl + t2 + '" +Et)


':

E(Y,)

= t

E(t)

Dessa forma, se ~ = I, a mdia do processo ser dependente do tempo (note que nesse caso particular, E(Y,) = O). E a varincia var(Y,) var(Yt) var(YI)
= = =

ser: )

vare!>,
'.1 ;

var (EI + E2 + ... +EI)

ta2

\-

De fato, se ~ =1, a varincia do processo tambm ser dependente do tempo. IVERDADElRAI


(I) A mdia incondicional do processo zero.

Resposta: No item anterior vimos que: E(YI)


::=

E(E)

=t

x O= O

.--:-..:,--

Ou, para quem preferir:


E(Yt)
=

E(~Yt_1 + EI)

Como
E(Yt)

I~I< I e E(Et) = O, temos:


=

~E(Yt)

E(YD - $(EYI) IE(Yt)


=

IVERDADEIRAI

(2) A funo de autocorrelao deste processo diferente de zero para o "Iag" I, e igual a zero para todos os outros "Iags". Resposta: As funes de autocorrelao (FAC) e de autocorrelao parcial (FACP) nos permitem identificar o modelo a ser estimado. A tabela abaixo resume as caractersticas da FAC e da FACP para os diferentes modelos:

truncada em declinante declinante

Como temos um AR(I), a funo de autocorrelao desse processo ser declinante. E a funo de autocorrelao parcial que ser diferente de zero para a I' defasagem e igual a zero para as demais defasagens.

IFALSAI

(3) A previso
= {

dois-passos

frente dada por: E(Yt+21 Vi)

(~+I)

+ ip2yi,

em que Y,

YI , Yl ,... , Yj].
dois-passos
=

Resposta:
A previso E(Y'+2IYi)
.0

frente para Y[ dada por:

~Y[+I temos que:

'"

Como Y[+I E(YI+2IYI) !E(YI.dYt)

= ~Yi, =

~(~YD

--'"

p2y J

jFALSAI

(4) Se ~
.'\

= I,

o processo

ser no estacionrio. aleatrio e, portanto, no ser estacionrio.

Resposta:
Se ~
=

I, o processo

ser um caminho

!VERDADEIRAI

(ANPEC 1999, 1) Com relao aos modelos Auto - Regressivoj


Misto, pode-se afirmar que: E(a,)=O, E( a{~)=
O'~

Mdia - Mvel e

(O) No modelo AR( I), Z, = rp Zi., + ai, onde t


:;t S ,

e bCov( a., a, )

O se

a varincia

de Z{ finita qualquer

que seja o valor de rj;. for estacionrio.

Resposta: A varincia de Zi apenas ser finita se I)! < I, ou seja, se o processo Sabemos que a varincia ser dada por: var(ZI) = var (~Zlol var(Zi) == (fvar(Zto') var(Z,) == var(Z() var(Zi) - <jl2var(Zt)
0"

. '"

+ ai) + vart a.) ~2var(Z() + u,~


= 0"

==

.'

(I - (/J') Portanto, se lipl = I, a varincia de Z, ser infinita.

IFALSA!

....-...".

(I)No

modelo

MA(I),Z,';jL+

a,-

(Ja'_I, onde
=

E(a,)=O
o

para

todo [ e

E(a,2)

u: ,ento E(Z,) = jL e Var(Z,)

(I + (J2)U:

Resposta: Calculemos o valor esperado de Z{: E(ZI) = E(J-L + aI - 8at_l) E(ZI) = J-L + E(at) - 8E(at_l) Ic~m)o EJal) = 0, temos que: E ZI = E a varincia:
---,

IVERDADEIRAI

,"-

(2) O processo ARMA(p,q) (Auto-Regressivo Mdia-Mvel) pode ser escrito na forma (P(L)Z, =0(L)a" onde (J)(L)=1-~IL-~2L2 - .... -~pLP e
= 1 - (J,L - (J2L2o o o o

I 0(L)
i

-B'IL'f

so, respectivamente,
n

os operadores auto-regressivo
~-

e de mdia-mvel de ordem p e q onde, L Z, Resposta:


O processo ARMA (p, q) dado por:

= Z'_n

Fazendo uso do operador defasagem L, podemos escrev-Ia da seguinte forma: ZI = ~I L ZI + ~2L2Zt + +$pUZI + a, - 81Lal - 82L2al 8qL qat Zt - $1 LZI - <bL2Zt - - ~pUZt = at - 81L~ - 82L2at - ... - 8qLqat (1-~IL-~2L2_ ... -~pLP)Zt=(I-eIL-e2L2_ ... -eqLq)at
o -

(J)(L)Z,

= 0(L)a,

'.
~
.-.

onde: <'D(L) =(1 - ~I L - $2L2 - ... - $pU)


0(L)=

(I - 81L - 82L2

- ..

8qLq)

(3) Se o processo gerador de dados pode ser escrito como (1- L)Z,

= jL

ar'

ento a

raiz de sua equao caracterstica ser diferente de um. Resposta:

Sua raiz caracterstica ser diferente de 1 apenas se (I-L) oj: O. O fato do processo gerador de dados poder ser escrito da forma mencionada no nos diz nada a respeito do valor da raiz de sua equao caracterstica. IFALSAI

(ANPEC 1999, 2) Uma srie temporal mensal de trs anos, de janeiro de 1995 a dezembro de 1997, para o preo do produto agrcola Y, apresentou a seguinte tendncia linear Y = 3 + 0,25X. Estime o preo do produto Y para o ms de janeiro de 1998, sabendo que as variaes sazonais calculadas com base num modelo aditivo para os trs anos considerados foram:

Ms Varia

Jun

o sazonal

3,85

Soluo:
De janeiro de 1995 a dezembro de 1997, temos 36 observaes. 1998 estaremos no 37 ms. Ento:
-. -"">,

Portanto,

em janeiro

de

= 3 + 0,25 x 37 = 3 + 9,25 = 12,25

E como a variao sazonal para janeiro de -1,25, temos que:


12,25-1,25
=

1I Y em janeiro de 1998 , portanto~

O preo do produto
.

[jJJ.
Mdia - Mvel e

_~ (ANPEC 1998, 15) Com relao aos modelos Auto - Regressivo,


M isto, pode - se afirmar que:

(O) No modelo branco,

Z,

rjJ Z'_I + a, + 8aH + 80

onde

~) urna constante

e a, um

rudo

a mdia do processo

ser igual a zero se ~, =0.

Resposta: Sabemos que a mdia desse processo item (O)): E(Z() = ~ l-rjJ Portanto, se 80 IVERDADEIRAI
=

ser dada por (confira

Questo

ANPEC

2004,

10,

O, a mdia do processo

ser igual a zero.

..

'"

-......,

(I) No modelo

Auto-Regressivo

de ordem
~IZH

p, +0"

Z, =

+ rjJ:Z,_:+ .... +rjJI'Z,_,.

""
..

..-..,

-"

...

",-.
se I-~, Resposta: A condio de estacionariedade dada por:
~1-"""-~/J

= O, o modelo no ser estacionrio.


...--,.

rP' + rP2 + ... +rPP

Ou, equivalentemente: I -r/J, - rP2 - ... - ~P = O Portanto, se I -rP' ser estacionrio. /VERDADEIRAI

r/12 - ... - r/1p

O, a raiz do ,Polinmio ser igual a I e o modelo no

(2) O processo ARMA(p,q) (Auto-Regressivo Mdia-Mvel) ser estacionrio e invertvel, se todas as razes dos operadores Auto - Regressivo e de Mdia Mvel carem dentro do crculo unitrio. Resposta: Considere um modelo AR(I):
Y,= ~Y'_I

+ Et

Uti lizando o operador defasagem (L), podemos escrever: Y,=$LYt+E, (1- $L) Y,
= Et

E (I-$L) um polinrnio em L, e sua raiz ser dada por:


1 - ~L
=

L= ~

rP

E, como sabemos, para que o modelo seja estacionrio, deve-se verificar que se

1$1 <I.

Mas

1~1<1,

ento

~ > I. Portanto, para que o modelo seja estacionrio,

a raiz do

,.

pol innimo do operador auto-regressivo deve ser maior que I. E, como a condio de invertibilidade de um modelo MA(q) a contrapartida da condio de estacionariedade de um AR(p), temos que para que modelo ARMA(p,q) seja estacionrio e invertvel, as razes dos operadores auto-regressivo e de mdia mvel devem ser maiores que 1, ou seja, devem cair FORA do crculo unitrio.

Abaixo apresentamos aos leitores o crculo unitrio:

imaginrio
,

-----..,

"

'-'""""'

"
-I

.1

real
./

-li

"~

._-..-....

Portanto, dizer que a raiz do polnmio deve cair fora do crculo unitrio. IFALSAI
.-.-.--....

deve ser maior que 1, equivale

a dizer que ela

(3) Se no modelo Auto-Regressivo de ordem 1, ZI = pZI_1 + ai' onde ai um rudo branco, o verdadeiro valor de p igual a um, ento ZI = ai + al-l + al_~ +.,...+a" desde que Zo = O, Resposta: . e Zo = 0, temos que:

--~

Se p

= I

---~

-."------ ..............
-.-~

Z, = Z{J + a, = a I Z2 = Z, + a2 = ai + a: Z3 = Z] + 03 = ai + a] + a3 Z-I = Z3 + a; = o, + o] + 03 + a,
E assim sucessivamente. Z=a,+o",+ , .. a, Generalizando, temos que:

---~

. Portanto, se p for igual a I, o processo poder ser descrito como uma soma de choques, j que um choque ocorrido em determinado perodo t no ser dissipado. IVERDADEIRAI

"-'"

rr-:

'-r---.

"
\ ~

~:l . ..)
...

.----.

\~:
(ANPEC 2005, 1) A respeito de nmeros-ndice, correto afnnar:

(O) O ndice de quantidade de Fisher a raiz quadrada do produto dos ndices de quantidade de Laspeyres e dePaasche. Resposta:
O ndice de Fisher a mdia geomtrica

dos ndices de Laspeyres e de Paasche. Portanto, o ndice de quantidade de Fisher ser dado por:

--,...
I_i=",-I __ X ;=1

tp~q~ tp:q~
;=1 ;:::::.1

!VERDADElRAI

(1) O ndice de preo de Laspeyres a mdia aritmtica de relativos de preos ponderados pela participao do dispndio com cada bem na poca atual. Resposta:
O ndice de preos de Laspeyres realmente pode ser escrito como a mdia aritmtica de

_.

"

relativos de preos, porm, estes so ponderados pela participao do dispndio com cada bem na poca base. Vejamos. Sabemos que o ndice de preos de Laspeyres dado por: L=

-,-i~-,-I __

Desmernbrando, temos: L = PI qo + PI qo + ... + PI qo


I 1 2 2 n n

!p~q~
i~1

L=

Ip~q~
;=1 ;=1
i=1

Multiplicando e dividindo cada termo da equao acima por p~:

,.-..,\

1
.,.....-..,\

L=~x P~

Poqo
/I

>

+ PI- X
>

r::
/I

>

>

li

)'

,,-,Poqo
i=1

P~

Ip~q~
i=1

PI, + ...+-x " Po

p~q~ " Ip~q~


j=1

Fazendo.
i=1

(que

representa

a participao

do bem

no oramento

no

perodo

inicial),

podemos

escrever:

'"
li

----.

L = '" ; L E: i i=1 Po

wo

Portanto, o ndice de preos de Laspeyres uma mdia aritmtica de relativos de preos, ponderada pela participao que cada bem representa no oramento na poca inicial (base ).

IFALSAI

(2) O ndice
ponderados Resposta:

de preo de Paasche a mdia aritmtica pelo valor de cada bem na poca base.

de relativos

de preos

O ndice de Paasche

dado por:

.-.:i_=I'-- __
li

Ip~q;
i=1

Que podemos I p=--.~\

escrever-como:

i=1

Desmembrando,

temos:

.. ,.---."

p = --------------'-

Poql

+ Poql
11

Ip;q;
;=1

Multiplicando e dividindo cada termo por p=


I
~I~~'~I~I~~~~~~~~~~~~~~-

p;,

obtemos:
.-:..~--.

Es. X
I

p,q,
n

+ p~
2

P12q,2
n

+ ... +

p;

p;'q;'

r,

Ip;q:
;=1

PI

Ip;q;
;=1

p,n Ip:q;
;=1

Fazendo

wiI
i=1

(que representa

a participao

no oramento

do bem

no

perodo atual), temos: P


= --,-----,---------

. Po
-I

I X)VI

PI

Po +2 PI

:1

WI

Po" + ... + -n 'x PI

11

WI

\.

P=---~I

I P~ XW:
i=1

11

PI

-r-v

Assim, o ndice de preos de Paasche a mdia harmnica de relativos de preos ponderados pela participao que cada bem representa no oramento na poca atual.
IFALSAI

(3) Os ndices de Laspeyrese Paasche atendem ao critrio de reverso do tempo.


Resposta:

Para atender ao critrio de reverso no tempo, deve-se verificar que: 101 X 110

=1

Ou seja, se calcularmos o ndice do perodo 1 em relao ao perodo O e encontrarmos um aumento de preos, teramos que encontrar uma diminuio dos preos da mesma magnitude ao calcularmos o ndice do perodo O em relao ao perodo 1. Vejamos se os ndices de Laspeyres e Paasche atendem a esse critrio:

~'

...

~
11

Ip;q~
LIII xL/fI

" I; ; Poql
X

==

i=1
11

;=1
/I

=Fl

Ip~q~
i=1
_ ..

LP;q;
i=1

~
PrJ/ XPIIJ =

" y; ; ...... Plql


;=1
/I

L;Poqo
/J

i=1

=FI

Ip~q:
i=1

Ip:q~
i=1

"

Dessa forma, os ndices de Laspeyres tempo.

e Paasche

no atendem

ao critrio

de reverso

no

IFALSAl

".~

(4) A diferena entre os ndices, de Laspeyres e Paasche est na forma como os relativos so ponderados. Resposta: A diferena entre os ndices de Laspeyres e Paasche est na forma como os preos so ponderados: o ndice de Laspeyres utiliza as quantidades iniciais e o ndice de Paasche as quantidades finais.

~i-';;

!p:q~
...

L.p;q;
P
=
-,,;='-'..1 __

/I

L == _'=-'.1__

............

Como vimos nos itens (1) e (2) dessa questo, esses ndices podem ser escritos como mdias ponderadas de relativos de preos: o ndice de Laspeyres como uma mdia aritmtica de relativos ponderados pela participao no oramento de cada bem na poca base e o de Paasche como uma mdia harmnica de relativos ponderados pela participao de cada bem na poca atual. ~p; "

--~

L==L-:xw~ ;=1 Po

p== ---n
1=1

~_o L..,

pi
i

xw'

.
1

PI

IVERDADEIRAl """"",
(ANPEC 2004, 01) Dadas as seguintes informaes:

..............

\.,C
..
~~,

correto afirmar que o valor dos ndices especificados duas decimais) :


(O) Laspeyres de preo: 1,64.

abaixo,

para o perodo t = I (use

Resposta:

O ndice de preos de Laspeyres dado por:


L= L-

'.
~
..

" p'q" 32 = -= 128 LP"q" 25 "

IFALSAI

(I) Paasche de preo: 1,17.

, -"\

....

Resposta:
O ndice de preos de Paasche dado por:

LP'q' ~p"q'

48 == 1.17
4\ .'
.'-\ ...

IVERDADEIRAI

(2) Laspeyres

de quantidade:

1,28.
.--('

Resposta:

O ndiie de quant,~d~de de Laspeyres


'L
q

dado por:

~p"q"

Lp

~
25

1 64 '

IF-A-LS-AI

(3) Paasche de quantidade:

1,20.

~,.

Resposta:
O ndice de Paasche de quantidade p =
q

dado por:
~'.

LP'q' LP'qU

= 48 = 1 50

32

'

'-IF A-L-S-AI

(4) Um ndice de valor que satisfaa

ao critrio de decomposio

de causas:

1,50.
~\

Resposta:
Sabemos que o ndice de valor :

01 -

-=---

I p'q'
LP"q"

=- =
2S

48

1 92 '
deve-se

--.;:

verificar

Para atender ao critrio de decomposio das causas (circularidade), V01 x V 12 = V 02. Vejamos se isso vale para o ndice de valor:

~-

Portanto, este ndice satisfaz vimos, igual a 1,92. IFALSAI

ao critrio

de decomposio

das causas

e, como

(ANPEC 2003,
:--'"\

01) Com relao aos nmeros

ndice, correto afirmar que: dos ndices de Paasche geomtrica dos e Laspeyres. de Paasche e

(O) o ndice de Fisher uma mdia harmnica Resposta: O ndice de Fisher uma mdia Laspeyres:

ndices

F= .JLxP IFALSA!

(I) o ndice de preos de Laspeyres uma mdia harmnica de relativos de preos ponderados pelo valor dos bens no perodo base. Resposta: O ndice de preos de Laspeyres uma mdia aritmtica de relativos de preos ponderados no pelo valor dos bens, mas pela proporo que cada produto representa a ' no oramento no perodo base (li' ): p' L = '\' L..-x p" IFALSA!

11

li'

(2) o ndice de preos de Paasche lima mdia aritmtica de relativos de preos ponderados pelo valor dos bens no perodo atual; Resposta: O ndice de Paasche uma mdia harmnica de relativos de preos ponderados pela proporo que cada produto representa no oramento no perodo atual (li''), e no pelo valor dos bens:
""",

= ---::---

)' Lxw'
"-' p'
IFALSA!

(3) embora
."""

...

--....

os ndices de l.aspeyres e de Paasche decomposio das causas, o produto cruzado de Paasche de quantidade satisfaz:

no
UIl1

satisfaam ao critrio da Laspeyres de preo por um

._~

Resposta: O produto cruzado de um ndice de preo de Laspeyres por um ndice de quantidade de Paasche igual ao ndice de valor: ~
...

Para atender ao critrio de-decomposio das causas (circularidade), devemos ter que V01 x VI] = V02 _ Vejamos se isso vlido para o ndice de valor:

Portanto, o produto' cruzado de um Laspeyres de preo por um Paasche de quantidade (ou seja, um ndice de valor) satisfaz ao critrio de decomposio das causas. /VERDADEIRAI

nd ice de Paasche de preos pode ser calculado pela diviso de um ndice de valor por um ndice Laspeyres de quantidade. Resposta: Dividindo um ndice de _valor por um ndice de Laspeyres de quantidade, obtemos o ndice de preos d Paasche:
O

(4)

-7-

L
q

LP'q' LPlq"

'\.

/VERDADElRAI

(ANPEC

2002,

02) Em relao a ndices e deflacionamento

de preos correto
\.

afirmar:

(O) Os ndices de preos de Laspeyres e de Paasche geram, em geral, resultados


diferentes quando utilizados para avaliar a variao do nvel dos preos de um conjunto de produtos, mas ambos atendem condio de reverso no tempo. Resposta: Apesar de ser verdade que os ndices de preos de Laspeyres e de Paasche produzem, em geral, resultados diferentes, ambos no atendem ao critrio de reverso no tempo, j que:

IFALSAI

--> .. -- ..

ndice de preos com ano base em 1992 assume os valores 195= 300 e 196 = 400 em 1995 e 1996, respectivamente, ento um produto com preo corrente de R$ 10,00 em 1996, tem preo de R$ 7,50, em moeda de 1995. Resposta: Como queremos saber o preo de um produto que custava R$I 0,00 em 1996 em moeda de 1995, basta deflacionarmos (ou seja, multiplicarmos pelo ndice de 1995 e dividirmos pelo ndice de 1996) para obtermos: 300 IOx-=750 400 IVERDADEIRAI

(1) Se um determinado

'

(2) Multiplicando-se

~~ '\

Laspeyres, Resposta:

um ndice de preos de Laspeyres por um ndice de quantidades obtm-se um ndice relativo de valor das vendas (l(V1IVo)).

de

Multiplicando um ndice de Laspeyres de preos, obtemos: ~'\

de quantidades

por um ndice de Laspeyres

o que, sem dvida, no um ndice relativo de valor.


IFALSAI

..

_-,..-...

.....

....-.....,

(3) Se os preos dos automveis aumentam 0, I% no ICVO-3SM(ndice de Custo de aumento de 1,2% no ICV 10-20SM, ento famlias tpicas com renda entre 10-20 tpicas com renda entre O a 3 SM. Resposta:

em 20% e isso se reflete em um aumento de Vida de ~ a 3 salrios mnimos) e em um o peso dos automveis nas despesas dos SM. 12 vezes maior do que nas famlias

Se todos os outros preos permaneceram constantes, ento a variao no ndice de custo de vida ser dada por (considerando o ndice de preos de Laspeyres):

'''.
~ICV

= ~px

w"

Como houve um aumento de 20% nos preos dos automveis que significou aumento de 0,1% no ICVO-3SM e um aumento de 1,2% no ICV 10-]051\,1, temos que:

um

.. ",

6ICVO_lSM 0,001
li

Apx

W~_>.\M

'

=
_

0,20

W~.)SM

W (I.)SM -

0,001 _

,20 =

0,005
. o

- 0,5 Yo

6ICVIO_20SM
0,012
o

Apx

W 10-20.<;1/

= 0,20W~lI.2l1SM
_

WIO_10SM -

0,012 .: _ o 020 - 0,06 - 6Yo ,


---\.,

Dessa forma, o peso dos automveis nas despesas das famlias com renda entre 10-20 SM 12 vezes maior que das famlias com O a 3 salrios mnimos, j que 12 x 0.5% = 6%. IVERDADElRAI (4) Para calcular o ndice de preos dePaasche para uma srie de anos requer-se menos informao do que para calcular o ndice de Laspeyres. Resposta: Para calcular o ndice de preos de Paasche requer-se bem mais informao do que para calcular o ndice de Laspeyres, j que se utiliza as quantidades atuais para o clculo em cada ano. Dessa forma, alm de informaes anuais dos preos dos produtos, deve-se tambm pesquisar as quantidades anuais consumidas dos produtos, o que no uma tarefa fcil. J o ndice de Laspeyres necessita apenas de informaes atualizadas dos preos, j que utiliza como ponderao as quantidades iniciais. IFALSAI
""'\"

--.:.'.

(ANPEC 2001, 02) Em relao a ndices de preos, correto afirmar: (O)Os ndices de Laspeyres e Paasche permitem comparar o custo de aquisio de uma cesta de mercadorias no perodo t, com o custo de aquisio dessa mesma cesta de mercadorias no perodo base. Resposta: exatamente para isso que so usados os ndices de preos: para comparao custo de aquisio de cestas' de mercadorias em dois perodos, e, tanto o ndice Laspeyres quanto o de Paasche cumprem essa tarefa, com a diferena que o ndice Laspeyres utiliza a cesta de mercadorias do perodo base, enquanto o de Paasche, a perodo atual. IVERDADEIRAI do de de do

(I)

O ndice de Laspeyres

subestima

a variao

do preo

entre

dois

momentos

enquanto Resposta:

o ndice de Paasche superestima.

Sabemos que, em geral, o ndice de preos de Laspeyres maior que o ndice de preos de Paasche. Portanto, em geral, o ndice de preos de Laspeyres superestima a variao do preo entre dois perodos enquanto o ndice de preos de Paasche subestima. IFALSAI

(2)
-~

O ndice

de Fischer

dado pela mdia

harmnica das causas.

dos ndices

de Laspeyres

Paasche e obedece Resposta:


-_ .........

ao critrio da decomposio

o
Paasche

ndice de Fisher dado pela mdia (F

geomtrica

dos ndices

de Laspeyres das causas

= .J L x P)
j que:

e no

obedece

ao critrio

de decomposio

(circularidade),

IPi'q;'
F xF
L11 11

Ip:q;
x ",:1 x

'IPi'q;'IPi'q;
;:1

=.JL

!lI

xP

01

x.JL

11

xP n

/"1

;~I

Ip,"q,"

I.p:'q;

L,p,'q:

L,Pi'q,'

IFALSAI

(3) Se o preo de determinado produto teve acrescrrno de 16% e provocou crescimento do ndice de custo de vida de 0,4%, ento esse produto representa 2,5% das despesas da famlia tpica objeto da pesquisa de oramentos familiares. Resposta: Mantendo todos os outros preos constantes e considerando o ndice de preos de Laspeyres, temos que a variao no ndice de custo de vida ser dada por:

i1ICV = i1p x w"


O,,"",

Portamo:

0,004
w ..

0,16w" ,

0,004 ::: -::: O 025 ::: 2 5%

0,16'

IVERDADEIRAI
-'~

(4) Tomando o ano zero como base, foram observados ano I: ndice do PIB nominal = 120; ndice de quantidade ento concluir foi de 50%. Resposta: que a taxa de inflao no perodo, medida

os seguintes de Laspeyres

valores para o = 80. Pode-se do PIB,

pelo deflator

implcito

r--

Aqui temos que calcular o valor do deflator implcito do PI B. E, para isso, foram fornecidos os valores do ndice do PIB nominal e do ndice de quantidade de Laspeyres, que so dados por:
\.

L
q

LpOq'

= 80

2.p"q"

o deflator
real:

implcito

do PIBdado

pelo quociente

entre o PIB nominal

e o PIS

\.

D=-----

PIB nominal
PIB real

\-

PIB nominal = quantidades atuais a preos correntes. PIB real = quantidades atuais a preos do ano-base Dividindo o numerador e o denominador por

2.p"q" ,obtemos:

ndice PIB nominal ndice de quantidade de Laspeyres

\.

120
80

15
'

Portanto,

houve uma variao

de 50% nos preos medida

pelo deflator

implcito

do PIB.

IVERDADEIRAI

para os anos de 1994 e 1999, dados sobre preos e quantidades vendidas de 6 diferentes produtos cornercializados por certa companhia. Calcule a variao percentual dos preos dos produtos da companhia neste perodo, utilizando o ndice de Paasche. hipotticos

(ANPEC 2000, 2) A tabela abaixo apresenta,

1994
Tipo duto de pro

1999
Quantidade Vendida Preo Quantidade Vendida

I
1

Preo 5

A
B

C
D

2
.,
J

""
Soluo:
Para calcularmos

I I
I

1 2

80 100 200 600 300 100

20 6
5
4

2
.,
J

100 1000 200 500 200 200

ndice

de

preos

de

Paasche,

precisamos

primeiro

calcular

LP""'q"'"
.'"", \

e LP""'q"'"

, o que feito na tabela abaixo:


Pl994X QI999 PI999X 01999

Tipo de produto

A
B C D

E F Soma:
Dessa forma, temos que: p=

500 7.000 400 1.500 200 400 10.000

2.000 6.000 1.000 2.000 400 600 12.000

L p"'"

q"'" p"'"ql'''''

= 12.000 = 1 ?O
10.000 ,-

'.

-...
Portanto, a variao perodo foi de ~. percentual dos preos do produto dessa companhia

I
nesse

(ANPEC 1999, 3) Com base na teoria dos Nmeros

ndices, pode-se

afirmar

que:

(O) Os ndices de Laspeyres de preos e de quantidades podem ser obtidos ponderandose, respectivamente, os ndices simples relativos de preos e de quantidades aos diferentes bens pelos valores no perodo base. Resposta: O ndice simples
----....

relativo de preos dado por (ndice agregativo

simples):

LP.'
[=-',,-"-

~p, '"'"
1":1

.,

Ponderando pelo valor da participao relativa (11';'), obteremos o ndice de preos de Laspeyres:

de cada bem no perodo

base

L,p;
L=
-"-'-XlV"
~

z:.

11

J o ndice simples

relativo de quantidades

dado por:

Ponderando

pelos preos, obteremos

o ndice de quantidade

de Laspeyres:

,.,
IVERDADEIRAI

(1) Em relao ao ndice de Laspeyres e de Paasche, os de Fisher possuem duas vantagens: observam a propriedade de reverso no tempo, e O ndice de preos vezes o de quantidade igual ao ndice de valor. Resposta: Sabemos que o ndice de Fisher dado pela mdia geomtrica dos ndices de Laspeyres e Paasche

F=JL;P o critrio
de reversibilidade implica a seguinte condio:

Para atender

a este critrio,

teramos

que:

Portanto,

o ndice de Fisher atende ao critrio de reversibilidade.

"'~

Vejamos
.. .....-...,

agora se ele tem a propriedade

de que o ndice de preos vezes o de quantidade

igual ao ndice de valor:

..

-"

ndice de valor

Portanto,

esta propriedade

tambm satisfeita

pelo ndice de Fisher.

(VERDADEIRAI

.--------

(2) O ndice de preos de Laspeyres


Paasche, pois para o primeiro, varivel na poca atual.

, em geral, maior do que o ndice de preos de a ponderao fixa na poca base e para o segundo

Resposta:

Em geral, o ndice de preos de Laspeyres realmente maior que o de Paasche. Cabe notar que o ndice de preos de Laspeyres ser maior que o de Paasche quando o coeficiente de correlao entre preo e quantidade .. for negativo, situao que mais comum (um aumento no preo provoca uma diminuio na quantidade). Porm, bem possvel que o coeficiente de correlao entre preo e quantidade seja positivo e, nesse caso, o ndice de preos de Paasche ser maior que o de Laspeyres.

!VERDADEIRAI

(3) Os ndices de Fisher, definidos como a mdia geomtrica dos ndices de Laspeyres de Paasche, so sempre maiores do que estes dois ltimos.

Resposta:
.... ;----.,

O ndice de Fisher, sendo uma mdia geomtrica estar sempre entre estes dois, nunca ser maior. IFALSAI

dos ndices de Laspeyres

e de Paasche,

(ANPEC 1998, 12) Com base na equao da Renda Nacional (Y= C dados a seguir, calcule a Renda Nacional em 1996, a preos constantes

+ J + X - M) e nos
de 1990.

"'"

RENDA NACIONAL A PREOS CORRENTES (em milhes de unidades monetrias) COM PON ENTES Consumo Investimento Expo/1ao ( C) ( J) ( .X")

1990 15,0 5,0 2,0

1996 20,0 8.4

3.0

1,0
21,0

1,8 29,6

DEFLATORES (Base: 1990 = 100) NDICES 1996 Custo de Vida Investimento Exportaes Importaes Soluo: Note que o exerccio fornece os valores nominais (tanto da renda quanto de cada um de seus componentes). Portanto, teremos que deflacionar cada um dos componentes da renda, utilizando seus respectivos deflatores (fornecidos na segunda tabela). O quadro abaixo mostra o clculo realizado e os valores deflacionados: 125 105 ISO 180

.--\

..

Consumo (C) Investimento ( I) Exportao (X) Importao (M)

20,0 8,4 3,0 1,8

20x 100 125 8 4x 100 , 105 3x100 150

16 8 2

I 8x 100 , 180

Com esses valores deflacionados, podemos agora facilmente obter o valor da renda nacional em 1996 a preos de 1990: Y=C+r+X-M Y=16+8+2-1

Iy =251

'"

--~

(ANPEC 2005, 3) So corretas as afirmativas: (O) Se X uma varivel aleatria com distribuio

normal de mdia

~l

varincia

()2,

- Z = entao

(X - u)'
? ()-

segue uma diistnibui uiao X - com I grau d e Iib I er d a d e,


_?

Resposta: Sabemos que a soma de n variveis


c_._ ""'.

aleatrias

normais padronizadas

ao quadrado

segue normal

a distribuio padronizada

X com n graus ao quadrado,

de liberdade,

E como Z uma varivel X2 com 1 grau de liberdade.

segue a distribuio

IVERDADEIRAI

(1) Se XI, ,.., Xn so variveis


-~

aleatrias ento Z =

identicamente

distribudas

com distribuio Poisson.

Bernoulli

com parmetrop,

IX;
;=1

segue uma distribuio

.. "",

Resposta: Como Z a soma de n variveis de Bernouilli, seguir a distribuio binomial. Cabe lembrar, porm, que quando n grande e p pequeno, a distribuio binornial pode ser aproximada pela distribuio de Poisson. Mas esseno o caso! IFALSAI

.,
....

,
(2) Se X uma varivel aleatria com distribuio t com n graus de liberdade, Z = X2 segue uma distribuio F com I e n graus de liberdade. Resposta: ento

Uma varivel aleatria com distribuio t de Student e n graus de Iiberdade, quadrado, segue realmente a distribuio F com I e n graus de liberdade. Vejamos. Sabemos que:

ao

/.t .- .

Ji/

.......,

Elevando ao quadrado,

temos que:

(x- -,u
01

{X--,uf
\

...

Note que o numerador da expresso acima uma varivel normal padronizada ao quadrado e, portanto, segue a distribuio qui-quadrado com I grau de liberdade. E no denominador, ternos tambm uma varivel aleatria que segue a distribuio quiquadrado com n graus de liberdade. Dessa forma:

(X--,u)'

IVERDADElRAI

(3) Se X uma varivel Resposta:

aleatria

Poisson com mdia

}", ento a varincia

de

X ,,1," .

A distribuio de Poisson o limite da distribuio binomial, quando n (o tamanho da amostra) tende ao infinito e p (probabilidade de ocorrncia de sucesso) tende a zero, de modo que np permanea constante. Portanto, a mdia e a varincia de uma varivel aleatria X com distribuio de Poisson sero dadas respectivamente por: E(X) np Var(X) = np(l-p) = np =

Dessa forma: IE(X)


=

var(X)

AI
........,

IFALSAI

Se a varivel X = lnY segue uma distribuio normal, ento Y segue uma distribuio lognormal. Resposta: Uma varivel aleatria tem distribuio lognormal se seu logaritmo seguir uma distribuio normal. Dessa forma, se a varivel X = InY normalmente distribuda, (4) ento Y = eX realmente seguir a distribuio lognormal. Note apenas para valores positivos. E como grande parte das variveis apenas valores positivos, a distribuio lognormal muito utilizada Sabemos que a f.d.p. da distribuio normal dada por: que ln(.) definido econmicas assume em economia.

1 F(x)
=

Jx-}~)'

2.,--

.J2 J((T 2
Aplicando o teorema 4.5.1 (Sartoris, 2003, p. 104), temos:

u(x)

= =

e'

vlYJ
v'(y)

lny
y

= ..!.

Assim,

a f.d.p. de uma distribuio


(10 )'-.11)'

lognormal

dada por:

/(y) =

20-'

y.J2T(T2
!VERDADEIRAI

(ANPEC 2005, 13) Seja XI' X:2' X


da varivel densidade . X, que segue

J'

, X 64

uma amostra aleatria exponencial,

independente com funo

distribuio

de

probabilidade

f(x)
Usando o teorema probabilidade (Multiplique

= 2e -1x,

para x > O e, zero fora desse intervalo .


normal, anexa, calcule a

'--'"

central

do limite e a tabela da distribuio

de que a mdia amosfral o resultado por 100). '

seja maior que ou igual a 0,5.

Soluo:
Pelo Teorema do normal Limite com Central, mdia JL sabemos que a mdia

, a:

amostral

X segue

uma

distribuio suficientemente varivel:

e varincia consultar

grande.

Para podermos

, desde que a amostra seja n a tabela, precisamos padronizar a

~---'.~
(T

Ix - Jil
Fn

NeO, I)

Para tanto, precisamos' encontrar a mdia e a varinc ia da varivel aleatria X. Sabemos que a mdia e a varincia de uma distribuio exponencial so dadas, respectivamente. por (veja questo ANPEC 2004,8. item (O: . I E(X) == - == 0,5
.... ""

fJ

",

..

var(X)

= -=

(32

E o desvio-padro: dp(X)
=

-J4 = 2

Dessa forma, temos que: 10,5 - 0,51 = O 00 2 '

-!64
Portanto, P( X ;::: 0,5)
=

P(z;:::O)= 0,5.

,I

0,50

--/
M uItiplicando o resultado por 100, como pede o exerccio, chegaremos ao valor de ~.
(ANPEC 2000, 03) Dados os seguintes enunciados envolvendo variveis aleatrias,

correto afirmar que:

(O) Se Y" = a + by2 e X* = c + dX2, em que a, b, c, d so constantes reais, (b.d) E(X) = E(Y)=O, ento correlao (Y*, X*) = correlao (Y,X). Resposta:

O,

O coeficiente de correlao uma medida de dependncia LlNEAR entre as variveis. Portanto, no se pode afirmar que o coeficiente de correlao entre (Y,X) ser igual ao de (Y*, X*), que no so funes lineares de Y e X.

Por exemplo, se W zero, isto , E(X) = O.

X2, e X uma varivel

com distribuio

uniforme

de mdia

f(x)

~
'o~

000"
.. x

o
o,~

A covarincia

entre W e X ser dada por

cov(X, W) = E(WX) - E(X)E(W) cov(X, W) = E(X3)


-

E(X)E(X~)
=

possvel verificar que E(X3)


cov(X,W) Portanto,
=

0- OxE(X2) =

0, ento:

o coeficiente

de correlao

ser zero, ainda que a relao entre We X seja

exata - porm, no linear.

IFALSAI

(I) Se (Y,X) possuem uma distribuio Normal bivariada, ento, E(YIX) = a + b Y, em que a e b dependem dos momentos de Y e X.

segue-se

que

Resposta:
E(YIX) chamada de regresso de Y em X. De fato, possvel mostrar que, se X e Y tm distribuio normal bivariada E(YIX) = a + bX, a e 9 constantes (e no a + bY). Independente disso, E(YIX), isto , a esperana de Y dado X ser funo de X, nunca de Y. IFALSAI

--~

"~

(2) Se X - Normal(O, I) ento Y= eX tem distribuio Resposta:

lognormal

com

E(Y)=el;~,

Sabemos que se X segue uma distribuio normal e Y = eX (ou seja, InX = V). ento Y realmente seguir uma distribuio log-normal e sua mdia ser dada por:

.'\..

"'

..

Corno nesse caso, X segue a distribuio normal padronizada, zero e varincia igual ai, ternos que a mdia de Y ser:
t1'~ I I

ou seja, com mdia

E(Y)

= e", =

e""

= e'

IVERDADEIRAI

(3) Se

(X,Y) possuem

densidade

conjunta

f(x,y)

= ~2

e'$

Y, ~

>0,

e O ~ x ~ y, ento

E(X)= I/~. Resposta:


Antes de calcularmos a esperana de X, devemos (g("\:), o que feito integrando em Y: encontrar a f.d.p. marginal de X

g(.x)

ff(x,y)dy
.r
z

g(.') =

f~'e-'"
.r

dy

g(x)

~ r/J' e -~dy

g(x)

= ~,[ - ;-~ ]~

g(x) =

(,[ e~I']

Portanto:

E(x)

fxg(x)dx
x

E(x) =

f-'(~e-I'dx
a integral acima, devemos
e'!frr;

Para calcular Faamos

utilizar o mtodo de integrao

por partes.

f(x) = x e g'(x) =

Temos que:

I ff(x)g'(x)dx
Portanto:

= f(x)g(x)

- fg(x)f'(x)dx

"

E(x) == ~ ff(x)g'(x)dx

E(x) == ~ x(-)
[

-e
~

-;h

~ -e -I, - f-dx o ~

"

E(x) == ~ [ --,-+ - fe-"dx


lfJ ~
n

xe

-j,

I"

<

fl

E(x)== ~

--+~

xe -r.,

I (~

-~

: )]
u

E(x) == ~ ----, xe-" [ ~ E(x) ==

e-"]"
~"

~[~J,]
o mesmo resultado seria obtido se tivssemos calculado E(x) ==

I E(x) == ~

Nota: obviamente,
...

J fxf(x,y)dxdy
IVERDADEIR-A.I

(ANPEC 2000, 13) Dados os seguintes


.'"----.,

enunciados

envolvendo

variveis

aleatrias,

correto afirmar

que: com mdia

(O) Se X uma varivel aleatria

11 finita e varincia

(]

I, ento

Pr(IX-111 Resposta:
Sabemos, pelo Teorema a:
<::

~ 2)?:

0.75.

de Tchebichev

(ver questo

13 de 2004) que:

P(jX - J-l1~ E) 2. 1 - 7
Nesse caso,
-,"",

==2 e

(]

== I. Portanto:

P(IX -

p! ~ 2) 2. I

I - 4

P(lX -111 ~ 2) 2. I - 0,25 P(IX - J-l! ~ 2) 2. 0.75


IVERDADEIRAI

--"

(I) E( eX) Resposta: Suponha XI X2


= ==

e'', em que E(X)

==

u.

que X assuma apenas dois valores:

I -I
.-.

A mdia de X ser dada por:


E(X)

"

I (-I)
-L

= I--l ='

2
Nesse caso, e'' ser: e"
=

eO

E E( e
E(eX)

X )

ser: e'

+ e-I
2

2,71828 + 0,37
2

1,54414 terminado esta conta. Bastaria lembrar que e um uma soma no numerador de nmeros que no so que o denominador, o que vale dizer, essa diviso X encontrado que e" = 0, temos que, nesse caso, E(e )

Note que no precisaramos ter nmero maior que 2, e como temos negativos, o numerador ser maior ser maior que I. E como tnhamos > e".

IFALSAI

(2) {E[(X-E(X))(YE(y))]}2 ~ E[X-E(X)]2 E[Y_E(y)]2, necessrios ao clculo de cada uma destas expresses Resposta:

desde que todos os momentos existam.

O primeiro termo da desigualdade acima a covarincia de X e Y ao quadrado. E o segundo termo o produto da varincia de X e da varincia de Y. Vejamos se essa desigualdade realmente vlida. cov(X, y)2 ~ var(X) var(Y) Passando o segundo termo da expresso acima para o primeiro temos que:

cov(X,Y)' --~=---.;-;;:: 1
var(X) var(Y) Alguma coisa familiar na expresso acima? O primeiro termo nada mais que o coeficiente de correlao ao quadrado de X e Y: dessa desigualdade

".
, - ( cov(X,Y)
~var(X) var(Y)

]_

P'UI -

cov(X,Y) - ~var(X) var(Y)

cov(X,Y)
x

cov(X,Y)'
var(X) var(Y)

~var(X)

var(Y)

Sabemos que o coeficiente de correlao pode assumir valores entre -1 e I. Portanto o coeficiente de correlao ao quadrado jamais ser maior que 1 (j que o valor mximo assumido ao quadrado, 11, igual a I). Assim sendo, o correto seria: {E[(X-E(X))(YE(y))]}2 ~ E[X-E(X)f E[Y-E(Y)f

[FALSAI

~.
(3) E(Var(YIX)) Resposta:
A varincia var(Y)
=

~ Var(Y).

de Y pode ser escrita como (RAMANATHAN,

1993, p.89):

E[var(YIX)] temos:
= var(Y)

+ var[E(YIX)]

Rearranjando, E[ var(YIX)]
... ,...-...".,.,

- var[E(YIX)] positivo, temos que:

E como a varincia E[var(YIX)]

um nmero sempre

:s:; var(Y)

IVERDADEIRAI
,

""

.........
,~

(4)

Se Y e X so variveis finitas, ento a varincia Var(X).

aleatrias independentes, ambas com mdia e varincia da varivel Z= V/X ser dada por Var (Z) = Var(Y) /

Resposta:
Suponha var(Z) que X seja uma constante.

= var

Y) ( -X

Nesse caso, teremos: var(Y) var(X)

= -I
X'

var(Y)

:;t. ---

Um outro exemplo seria o da distribuio t de Student, que o quociente entre lima varivel normal padronizada e uma varivel X2 dividida pelo seu respectivo grau de liberdade:

r=-, ondeU~N(OI)eV~x: V1k '


I

'

,
A

Sabemos que:
,"'"'

que a varincia

da distribuico

t de Student dada por ~.

k-2

Portanto, temos

""

'\

~.
~
..

var(t)

var Vjk

U)

= k _2:t.

k .

var(U) var(V / k)

= 2k/ k2

~.,

(ANPEC

1999, 09) Podemos afirmar que: do Limite Central podemos afirmar que se a varivel aleatriaXtem
"""

(O) Pelo Teorema

uma distribuio qualquer com mdia Jl. e varincia cl, ento a distribuio de X (mdia da amostra) aproxima-se da distribuio normal com os mesmos parmetros mdia Jl. e varincia cl, quando o tamanho da amostra aumenta.

Resposta:
Pelo Teorema do Limite Central, sabemos distribuio qualquer com mdia )..l e varincia distribuio grandes. IFALSA'
~'.

0'2,

que se uma varivel aleatria ento a sua mdia amostral


0"

tem uma ter uma

normal

com

mdia

)..l

e varinca

para

amostras

suficientemente

(1) Sejam as variveis


distribudas com podemos

aleatrias mdia afirmar


Jl.

X, (i= I, 2, ... , 10) independentes 10 e desvio


que, a medida que padro
O'
=

e normalmente

2. Ento,
para

se uma

IX,
lU

n cresce,

Y tende

distribuio

normal com mdia E(Y)

=Ie

V(Y) = 0,2.

Resposta: .

Note que Y =

f X, ,-, IX, nX_ n-"-'


-=

pode ser escrito como:

E sabemos que a varivel varincia dada por /1(1:


E(nX)
=

nX seguir

uma

distribuio

normal

com

mdia

nt: e

n E(X):=

nu
= n2 ~=
11

var(nX)

= ,lvar(X)

ncl

Portanto: E(Y) = nJl. = 10 x 10 var(Y) = nd = IOx2


=

100 20

IFALSAI

binomial tende a uma distribuio normal quando o nmero n de provas independentes de Bemoulli cresce. Resposta: Abaixo temos o histograma da distribuio binornial com p = 0,5 para diferentes valores de n:
,-

(2) Uma distribuio

---...,

n=2

n=3

n=5

n = 10

.~

Note que medida que aumentamos o tamanho da amostra (OLl seja, medida que o nmero de provas de Bernouilli aumenta), a distribuio binomial se aproxima cada vez mais d.a d.istribuio normal e, dessa formal a distribuio binomial pode ser aproximada pela distribuio normal para valores grandes de n.
--~ /VERDADEIRAI

""'

-.~
'--~

(3) Se a distribuio de probabilidade de uma varivel aleatria X conhec ida, podemos calcular sua esperana e sua varincia, se existirem. Embora a recproca no seja verdadeira, poderemos estabelecer um Iim ite superior (ou inferior) muito ti I para as probabilidades da distribuio atravs do uso da desigualdade ele Tchebycheff. Resposta: Conhecida a distribuio de probabilidade de uma varivel aleatria, podemos calcular sua esperana e varincia. Porm, dadas a esperana e a varincia ele lima d istribu io, no possvel encontrarmos sua distribuio de probabi I idade. A desigualdade de Tchebichev nos permite estabelecer limites para as probabilidades da distribuio, dadas apenas a mdia e a varincia.
IVERDADEIRAI

--.~

\.

(4) Para qualquer tamanho de amostra, a distribuio amostral de propores de uma amostra de sucessos mais dispersa quando a proporo populacional igual Y e menos dispersa quando a proporo populacional igual a zero ou a um. Resposta: Sabemos que a varivel em questo possui distribuio binornial. A sua varincia ser . dada ento por: ~~(p)
= ~x

crj;-jj

Quando a proporo var(p)=-x

populacionalfor 1 4

igual a ~ teremos: 2

...

.-.:..-.

J
2

( (--=J)
2

E quando for igual a zero: var(p) = Ox(I-O) = O E para p = J: var(p)=lx(l-I)=O Portanto, quando a proporo que quando populacional for igual a ~. 2 for igual a zero ou 1, a sua distribuio ser

menos dispersa (VERDADEIRAI

(ANPEC
marginais,

1998, 04) Com


pode-se

relao afirmar que:

s distribuies

de

probabilidade

conjunta

(O) Se a funo densidade conjunta de (X,Y), f(x,y), pode ser fatorada na forma f(x,y) = f(x).g(y) , onde f(x) e g(y) so ,respectivamente, as funes densidade de X e Y, ento as variveis aleatrias X e Y so independentes.

Resposta:
De fato, se f(x,y) = f(x).g(y), verdadeira).Isto mostrado abaixo: ento x e y so independentes (e a recproca

Se as variveis so independentes, probabilidade no condicional, ou seja:

ento

a probabilidade

condicional

igual

/xy=J(t)

f;,x = g(y)
E sabemos que a probabilidade condicional

dada por:

t.: = f(x,y)
'. Ento: g(y)

Se X e Y so independentes, ento o valor esperado de X no pode depender de Y, ou seja, o fato que Y existe no muda em nada a esperana de X, e vice-versa. Sabemos que: E(XIY)
=

X1xP(XdY)

+ X2XP(X2IY) +... + XnxP(XnIY)

Se X e Y so independentes, ento P(XdY) = P(Xj). Portanto:


E(XIY)

= XIXP(X1) + X2XP(X2) +... + XnxP(Xn) =


O mesmo vale para variveis contnuas,
r

E(X)

como vemos abaixo:

E(X)

fxf(x)d,

""
"'~

E(XIY)

Jxi..dx, de x. ser igual

ondefxy a f.d.p. condicional

Se as variveis so independentes, ento a probabilidade incondicional probabilidade condicional e, portanto.ji., = f(x). Sendo assim, temos: E(XIY)
=

Jxf(x)dx

E(X)

Isto tambm vale, analogamente, para Y: E(Y) = E(YIX). Portanto, se duas variveis so independentes, a esperana incondicional ser igual esperana condicional.

IVERDADElRAI
(3) Seja j{x) a funo de densidade ento P( -00 < X < Resposta: Sabemos que:
P(a < X < b) = [, f(x)dx
00)

1:

de probabilidade

da varivelaleatria

contnua X,

j(x)dx

I.

Fazendo

-Q

e b tender ao infinito, temos:

P(-co < X < 00) = [f(x)dx

Que, como sabemos, ou seja,

f f(x)dx
/(x)

a soma de todas as probabilidades,

e portanto deve ser igual a I,

I.

[VERDADEIRAI
..

,'"

(4) Seja

a funo de densidade

ele probabilielade de ,X' como

ela varivel aleatria


E(X)

contnua

X.

ento podemos Resposta:

definir o valor esperado

-'o

r' x.f(x).clx.

f(x,y)

= .fx;yxg(y)

Mas, se as variveis so independentes.ji.,


f(-,y)
= f(x)

= f(x).

Portanto:

xg(v)

Sendo assim, se a f.d.p. conjunta de X e Y puder ser fatorada na forma acima, as variveis necessariamente so independentes. IVERDADEIRAI

(1) Se a varivel aleatria bidimensional (X,Y) uniformemente distribuda, de acordo com a funo densidade conjunta f(x,y) = 2, para O < x < y < 1 e, O fora deste intervalo, ento E(X)= 112. Resposta: Sabemos que o valor esperado de X ser dado por:
1 ,.

E(X)

= fJxf(x,y)dxdy
11

u
.r

I .

E(X)

= f fx2dxdy

E(X) = J2JxdxdY
U

E(X) E(X)

.J2[~ IdY I
" 2I"
1

2[Y'

l.-ly ,

E(X)

= fy'dy

E(X) E(X)

= [~;

I
= E(X) e E(YIX)
=

= -

3 IFALSAI

(2) Se as variveis aleatrias X e Y so independentes, ento E(XIY) E(Y). Resposta:

....

~.

exatamente esse o valor esperado de X para uma distrib I I uiao 'contnua, como vimos no item (2) desta questo,
tyERDADEIRAI

de pro b a bilid 1 I ad e

.'\

littGU/lJft\) \

o
.')

~,(O., t/-:f'fJ/

lrv'-

ifUt..{/OV

)!cfW fCA. ' ",lAr r, t'/1'71 ri


vlAJ

CJJJJ... O
I

k
f

I'N.//Y"'A

j.v.:j .

b~ 'Y; ~

I/~rztkJ

Jtt~;p.e;tctev;)!

"\

""'.
~

'"

,."

\. "

Bibliografia
ENDERS, W. Applied Econometric Time Sedes. New York: John Wiley & Sons, 1994. . '. OREENE, W. EconometricAnalysis. Upper Saddle River: Prentice Hall, 1997.

JUDGE, G.G.; GRIFFITHS, W.E.; HILL, R.C.; LTKEPOHL, H.; LEE, r.c. Tbe Theory and Practice ofEconometrics. Nova York: John Wi1ey & Sons, 1985. MEYER, P. Probabilidade: Cientficos, 1983. aplicaes estatistica. So Paulo: Livros Tcnicos e

PINDYCK, R.; RUBINFELD, D. Econometric New York: McGraw-Hill, 1998. RAMANATHAN, 1989.
___ o

Models and Economic

Forecasts.

R. Introductory

Econometrics.

Fort Worth: The Dryden Press,

Statistical Metho~s in Ecooometrics. e Introduo

San Diego: Academic Press, 1993. So Paulo: Saraiva, 2003. A Modero Approach. United

SARTORIS, A. Estatstica

Econometria.

WOOLDRIDGE, J. M. In1troductOry Econometrics: States: Thornson South- Westem, 2003.

-r-..

You might also like