Professional Documents
Culture Documents
1\ ----.'
/I'({
irrl-~ 7[;v,.1)'\
'-
(j,
e/J~I)J/\8,
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\
--""'
-~,
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,
".-
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
IA) I A)
= 30xO,003
= 0,09
chegaremos ao valor de~.
". "
(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)
"
,-,
= ------'----------
0,50x 0,03
P(mquina
A/defeituosa)
0,015
+ 0,012 + 0,01
0,015
== 0,40
Multiplicando
o resultado
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
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)
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)
J que AnS
A se AcS
e P(S) S;.l.
't
IFALSAI
(2) Se P(A)
..x,
P(S)
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
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
I B,) I B)
, I
.=
I, _,
k.
. I:P(Bj)P(A
}=I
Resposta: A afirmativa
2003, 12).
ao Teorema
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
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)
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
emprego,
a probabilidade
de ser homem
64%.
'"\
-.
Resposta:
Podemos rapidamente obter essa probabilidade: procurar emprego)
=. 25 =
P(ser hornernloptou
16
0,64
64%
~
..
um caminho
mais longo:
"-\ ...
16
P(ser hornemloptou 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
no exame de seleo
2 homens
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
0,45
2,7
==
mulheres que faro mestrado em economia: Portanto, 3,6 + 2,7 + 2,7 IVERDADEIRAI
==
9 x 0,30
2,7
continuar
estudando,
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
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
eles so dependentes,
que a
(I)
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:
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.
exclusivos,
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.
(os valores
marcados
correspondem
'"""\
0,1
0,1+
0,15 + 0, I
+ 0,05
=:
0,4
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
a Teoria
podemos
=:
afirmar que:
independentes
0,5 e P(B)
Resposta:
Se A e B so independentes, P(AuB)
ento:
P(Au
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
"-""',:
~.
P(AIB) + P(AIB) = I, onde P(AIB) dado de ocorreu o evento B. Resposta: Sabemos que:
P(A
I B)
P(A e B) P(B)
Dessa forma:
P(A
I B) + P(A I B)
=.
P(B) P(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
0,27 --:=
0,49'
~))
101' /0
IVERDADEIRAI
.>.
."
.
""
o conjunto
lima medida de
r ,ento
o evento "exatamente
na notao de conjunto
como (A
abaixo
mostra
um dos eventos
(An BnC)U(AnBnC)U(AnBnC):
..
(VERDADElRAI
r, ento
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)
-=
=
423
-+ -- P(An8)
-+ --234
1
P(An B) =
P(An B)
= -
12
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
n B)
P(A nB)
I - P(Au B)
P( A
-
n B)= 1 - =4
-, J
4
P(A nB)
IVERDADEIRAI
quaisquer
ele
r , ento
> P(B).
-;)
~)
.,.)
-.)
---.}
,,)
Resposta: Temos que: .-:..)
\ ......:.,)
P(AIB)
Ento: P(A
==
P(B)
n 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
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
0,5
= 50%
P( retorno
abaixo
da mdialgrupo
li)
:=
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
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>;
= a.R,
e a] as
RA e RIi so variveis
1 e covarincia
aleatrias
normalmente
com mdia
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.
ai
+ Q~ + Q).
dada por:
IFALSAI
entre o retorno
01
2
cio retorno da
Vart R, ) =
+ a~ + (fIO?
Resposta:
--.'
A varincia
de R; dada por:
Como
Utilizando
as propriedades
da varincia
e covarincia,
temos que:
vare Rfi)
= 1 e cov( RA ,Rfi) =
0,5:
lVERDADEIRAI
(3) o retorno
Resposta:
n;
normalmente1distribuda
com m~ia
O,la).
Como j calculamos
R; dada realmente
normalmente
".
Rc a
soma
de duas variveis
distribudas
"
entre RA e R" 0,25.
Resposta: O coeficiente
de correlao entre RA e RB dado por:
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
,---""""'.
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)
labl.J
Portanto,
==-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
p(x,y)=
O.
Note que a funo densidade de probabilidade escrita como (j que quando temos multiplicao os expoentes):
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
~'.
as esperanas
acima. Vejamos
como.
y =
+ OX P(A) + OXP(8)
P(A)
\.
I x P(B)
= P(B)
'---
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)
E se a covarincia
de correlao
tambm
p=
cov(x, v)
-----r===o==
~var(x)var(y)
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
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
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,
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$45,00 IVERDADEIRA!
em reais ser:
ser de R$ 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:
R$3,00
=-.
= 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).
"
..
aleatrias,
Resposta:
A varincia Var(Y + da soma de duas variveis quaisquer X) dada por:
+ 2cov(Y,
'"
\
IFALSAI
(I) Var(Y - X)
...
~
-r--,
Resposta:
A varincia da diferena entre duas variveis quaisquer
dada por:
-r-,
~
'<->,
_. .~
,
--,
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
.....
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
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
.
'"
'
A varincia da carteira
van'casteira)
var(0,4 A
+ 0,6B)
ento a varincia de sua soma igual .
Se os retornos
var(0,4 A)
== 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=
Se A e B tm a mesma varincia,
var(carteira)
= dvar(A)
+ ;Jvar(A)
+ 2a,Lkov(A,B)
Para
ISSO,
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 =::
~:,
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
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
== -
E, como a var(A)
var(carteira) var(carteira) var(carteira)
==
== ~
== 9var(B)
==
+ 9var(B) + 9"cov(A,B)
4
,I
var(B)
+ - cov(A,B)
9
(I)
Pr.4.H) ==
.J2var(B)var(B) var(B)
cov(A,B) ==
-.fi
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
=
clvar(A)
+ (1-a)"var(8)
+ 2a(l-a)cov(A,B)
. Substituindo:
- .jvar(A)var(B)
var(carteira)
Supondo
= c/var(A)
+ (l-cdvar(B)
+ 2a(l-a)[-.jvar(A)var(B)]
'I
temos que:
+ (I-a)1var(8)
+ 2a(1-a)[-
J4var(8)var(8) [-2var(8)]
+ (1-a)1var(8)
)
+ 2a(l-a)
)
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
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:
-,""",-
P v. ,-
~var(X)var(aX
+ b)
ia! .
)
:"J
o coeficiente
de correlao ento
entre as variveis
X e Y onde W=aX+b
e de
onde a e c so diferentes
de correlao
PIV'l =
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
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:
de correlao
zero, a covarincia
tambm
zero e,
"'\
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
e, portanto,
.
""
\\
"
..'''-....--------.
/
.l =ic
!VERDADEIRAI
eventos:
x= I
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
.--
,:.,
E~Y~= ! x P(B) + Ox
IE_ Y_ = P(B~
p(l3)
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
/VERDADEIRAI
,.
cada elemento
c dp(X)
dp(X)
.. '\
/VERDADEIRAI
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,
ponderada
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
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.
.'"
x (Mdia
r,
I
I I I
,..I " \
\,
\
/ ,,
\\
\ \ \,
\
I I
I'
/ I I
\\
\
It
\,
\
\ '''", -
....... ...
_--.~.
x (Mdia
aritmtica) abaixo:
... -
..-....., ..
...--....
"""
...
"">, ....
/ iI
r>:\
..
/ i /I
l
\...
\
,/
\I
\
\
I
I
,
! I
\
J
\
\ I
,,/ /
\\
\
\
/
----_.---,-_ ....
direita
e a segunda,
esquerda.
Portanto,
IFALSAI
I I I I
."
~'
---, .
(ANPEC 2003, 04) Com relao
(O) se XI, .'" Bernoulli
variveis
aleatrias
discretas
.x~,so
variveis
distribudas
= I: X/
i=1
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)
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
os valores
1 'e O,
IX;
representa
experimentos
de Bernouilli.
IVERDADEIRAI
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
(3) a distribuio
!Z,'
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,') ,.,
=
a varincia
de uma
Qui-quadrado:
t,
Z,' )
..
'"'
t var(Z,')
1=/
-".'
Como j tnhamos
(Z,)
= I:
i=1
normal
padronizada,
isto , o quarto
momento
em
normal padronizada,
igual a 3. Portanto:
".
;=1 ;=1
,::
,
-"">,
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)
E como a probabilidade
a probabilidade
de no acert-lo de
11
de
2.. 4
Na tabela
abaixo
'.
essas probabilidades
para os valores
at que
(== 0,67):
N
1 2 3
P(acertar
-
nenhuma)
... .J
.J - X -=--
...
4 ... .J
...
J
...
J
-x-x-=-
16 3 27 ...
-)
16
4
.r>
...
J
...
J
...
J
64
-x-x-x-=-4 4 4 4
81
256
Portanto,
,"-
(ANPEC 2002,
(O) Uma varivel
de probabilidade binomial
de parrnetro
".,-~
repeties,
aproxima-se
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>
aleatria
Y, definida
como o nmero
de repeties desde
necessrias
para a
ocorrncia
de A, tem distribuio
Geomtrica,
que as repeties'
sejam independentes
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
calcular
a probabilidade ao acaso.
k peas defeituosas
'"
..
,-
,.
Resposta: Nesse caso, deve-se peas. IFALSAI utilizar a distribuio hipergeomtrica,j ~ que no h reposio das ...--,'.
aleatria
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! _
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'
,.
...--,.
de seguros
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
'\.
ocorridos
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:
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,
-~
_ .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)
=
..
6,6~%; .
I].
..
(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 + 2p(l-p)+3p(l-pi+4p(l-p)3+
S=
_(f_
-r-,
-t-;.
''''''''':".'
E(X)
P l-(l-p)
+ p(l-p)
l-(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 ....
-<:
de no mximo
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
(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,
= 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)
.{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
--., ,
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:
""""-
..
,.
-
C =0
"\
..
F(x)
K ~
I
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
acumulada
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
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
- ... <,
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
=
--\.-
-----,
, -
k fx'dx=
,""",
'\.-
1,04;
a esperana de x:
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
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']-
"">, ..
--~
."
li[21 3-3
-x21 1 7 3
1']
-r>.
(3) a varincia
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']
---
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
3,036,
----....,
8/9.
Resposta:
A probabilidade
J
P(x>3)=
ff(x)dx
~-,
'"
--'\
-;
, I
=
,21
f-x'dx
-,
=
21
-r-,
,...--"
I 37 -x21 3 63
37 =-
---.,
"
"
de probabilidade
Normah
de
"
"
=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'
:;
(x-u)
E quando x
1(,)
=
u, a f.d.p. de x ser:
\.'
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
~.:
a-a
rr
a ,a
P(X> I) ==
f-dx
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
%
_
(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.
de probabilidade f(x)
= e:'
=O
RefPosta:
A funo densidade de probabilidade distribuio acumulada. Portanto:
a derivada
de sua funo de
fi(x)---
'!
dF(x) dx
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
Z tem distribuio
Lognormal
se e somente
""
".
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
Resposta:
Se a varivel aleatria contnua, devem ser contnuos tambm. IVERDADEIRAI
x.
necessariamente
(l)A probabilidade
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/
de probabilidade
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
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).
aleatria
contnua,
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)
h-c/x
,-
0,5
Tomando
a segunda
das expresses
tambm),
temos:
'"I hdx
,"'"
0,5
[~.\r
[_.1
0,5
m -~] .2 1
'
-Jn=
-+-
2
I
111= -
2
I
=2
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
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~l)
ff(x)dx
P(O::;x::;I)=
f -,'cdx 8
I , li
"3
3 8
P(O ~
3 x ~ I) = -
[XJ]"
3
li
--.....
'-
.~.;
~ ..
'
Arrendondando
------ ..
"'
....
\\jl!
(~}J
., ~
Hl~}~
fi\')
(jl{~'
(J'
\ ~~ 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
=_
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;'
a f.d.p. da distribuio
= ji
+aex
IFALSAI
aleatria
uniforme -
com a seguinte
funo
de densidade
de
..
f(x)
ento k= b - a . . Resposta: Se X tem a distribuio basta lembrarmos
= {~
uniforme.
. - .
ento k
= _1_" b-a
, fl(x)dx
=
I
[Ia:]::=
fkdx "
kb-ka=1
"
'\
~ ~
r->;
"
<">,
-------
"
"
05) Verifique
aleatria
"t" definida
como
z
XI~i_l)
<;
normal-padro Resposta:
I uma
distribuio
qui-quadrado
-.,
~
-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
-"
"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,
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
a igualdade
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,
=
~ 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
=
... :
= c(l-P)'"
=
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
a s=l-L)
-=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>
s] P[x> (s + t)] _ e-a, " _ _'"_ P( "::' ~---'---~--e x> P(x>s) e-"
I.
) '
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)
=
"' ;----,
,.'
--..
<">,
----
~.
\
-">,
..
-r'<,
"'\
"
'""'\
""\.
"
5A) Contnuas
da
f(x,y)
='
) xy x-+O 3
0<x<leO<y<2
caso contrrio por 48 e transcreva este produto para a folha
"-------.."
Multiplique
o resultado
Soluo:
A probabilidade
IX
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)
= -
[G!J:
7 -x48=7x2=14 24
(ANPEC 2003,
probabilidade
14) Considere
o vetor aleatrio
de
f,:C\"x".\,) . _.
Encontre a probabilidade o resultado
..
. _ {6X X:X) 1
o s x,
S:;1,O::;x~
::;12
caso contrrio
(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
Nota: obviamente,
lI_j~1
calculado
J J J6x,x~x,dx,dx,dx,.
'\
~\
~
-r-,
~
------'\
que a funo densidade de probabilidade (X,Y) seja uniformemente distribuda 0:>;x:>;2, 0:>;y:>;2 somente
conjunta na regio
da de
~ -----,
-'\
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
->,
"" '"""",
->,
_,""""
'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
~
-'\
E(X)
5 J-ifCx,y)dxdy
li 11
..-...., ~,
E(X)
nX~X(x"" 4
y)dxdy
3 E(X) = -: 4
'""""
~
.........,
~ X
'li
x'
.r '
"
]- I
"
c\'
E(X)
= -=-
...'-fI'
] dv
~
..-....,
-r-,
~ ,""'
/\
3'
3 = -
-,-..,
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 .'
]' 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
E(X) = ffxf(x,y)dxdy
\I .
E(X)
"
I Ix-x(x-
y)dxdy
".. 2
E(X)
= -
E(X)
= ~
2
E(X)
= -
2
E(X) = -
2"
E(X) = -
.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
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
P(X)
2 4
PCY)
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
Resposta: Sabemos que a varincia igual mdia dos quadrados menos o quadrado da mdia: var(Y)
= E(y2) _ [E(y)]2
+ 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
menos o
= 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
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"
-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
--~
....-,:.:..
.. -,
a distribuio
de probabilidade
conjunta
de (X,Y), de .
-1 Y
O
I
X O . 1/8 O 1/8
I 1/8
1/8 1/8
~/o
~.lt
de correlao,
Px!"
Para calcularmos o coeficiente covarincia, que dada por: cov(X, Y) Calculemos E(X)
== =
de correlao,
devemos
prImeiro
calcular
~, "
-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
8
E para calcular
')
E(XY), precisamos z:
P(XY
= -1) =
8
P(XY
=
O)
= ~
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
PZII'
= ---------
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
..
= 10:
"6
IVERDADEIRAI
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
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 '
(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:
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
Normal
Padro
anexa.
Multiplique
o resultado
por 100 e
do Limite Central,
sabemos
grandes,
da populao.
= 8, sabemos
possuem
distribuio
de Poisson
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
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'
pclX-
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
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 -
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:
1
=
. '.
1 - 0,25
= 0,75
o resultado
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
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-l-ll s c) ~ 1-
var(X)
, ..
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
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
fA.
= -'/ ,
n
onde:
ns; = nmero
11
= nmero total de experimentos. aleatria com distribuio Dessa forma, temos que:
XI1XP
binomial,
com mdia
dada
u = E(~)=
n
2
~E(nA) = ~ n n
(
= P
Var(fA)=cr , Aplicando
=var
n -' n
I )
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
""',
Binomial
com parmetros
20 e P =
P{X::; a}
::::!
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
terica
da probabilidade
do nmero
encontrado). Soluo: Pelo teorerna de Tchebichev, temos que (veja questo ANPEC 2002,06, item 3):
Portanto, para
E =0,01
queremos
encontrar
n de modo que 1-
E'
Ass im:
1
-~
0,5(1-
0,5)
nO,OI'
0,95
""""
0.:25
..-,.....:..
= __0':.....2_5_
0,000005
n=--5 x 10-<'
25 xl 0-'
n n
[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
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
/'
P( 15 :; X :; 21)
==
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
em
de Tchebichev
sabemos que:
E(X)
== 1-1 e E ==
acima torna-se:
u;
10] < 0,01 x25 10] < 0,25 para que IX - E(X)I > 10 de no mximo ~5%1
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) .
enunciados.
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
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,
a mdia e
x-e .
J;;
IFALSAI
(2)
Se X), X2,
... ,
2
X,
so
variveis
aleatrias
independentes, de n,
com
distribuio
rn (X
Resposta:
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
de Tchebycheff
e ao Teorema
Central
aleatria
O, ento p{IX -
fil se}
igual a zero,
estar concentrada
Resposta:
Sabemos, pela desigualdade var(X)
f.-
P(IX-~ll 5:E) ~ 1 -
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
(52.
-,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
IFALSAI
(2) Se a populao tem distribuio Normal, ento a distribuio tambm ser Normal, independente do tamanho da amostra.
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
dada por:
= --=
var(X) IVERDADEIRAI
2.500 100
25.
(ANPEC
de parrnetros populacionais,
que
= ~e-Jlx,x
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
--
--
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,
obtemos:
= ,B
'-fi
,B
+-
fJ
fJ
-fJ
r-e
-Ik
dt
)]'"
E(x') = fi [ - x~"
+ ~ ( - ~.
-:;)1
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,,):
, ....
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
...
;..:....
.~. ' 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
--.
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)
(nfiY ,
,
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 ~( 6.
l1i=l
Xi -
(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
( -1;' 6 Xi 11 i=l
x)
:;;\2.
l.
CT- ,
, Ja .. no
que seu
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!):
I,
E( (J'- ) = - E[ L../Y,
~?
~
i='
_, -~t] (u):
11
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 sabemos que:
--.
,)
E( X _~t)2
= vare x) = ~
n
(}2
--.;.
, E( ()-
J )
n - I? = --crn
*- ()-
(j-.2 um estimador
tendencioso
de
()2.
O estimador
no tendencioso
ser
= --
L(Xi -x)
i=1
17
-2
".
n-I
J que:
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
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
com distribuio
uniforme,
, sem dvida,
/3=
x i,
"',
x,,].
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
Normal
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) -] ,
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.
2003,
02)
Sejam:
XI,' Xl,
~t
aleatrias
==
/1-1
independentes
n ;
distribudas
com mdia
IX
;=1
e Z
I~2 , em
i=1
1': ==o--I(X-,Li).
(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,)
)=
== 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
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
aleatria
normalmente
distribuda
a};
==
l1E(X)
==
11J.1
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
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
~
:
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
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
I e, = 1 , Alm do
do
mais,
e ter
para todo i.
na mdia,
o valor verdadeiro
EC) = ECIe,x, ) = 8
1=1
=
=
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.
varC) var()
var(~.>,xi
c.: var(xn)
c,' cr + c: cr + .:.
< cr
2
= ( nc'
)a2
Portanto,
mnima,
devemos
minimizar
restrio que
minimizar
(nc/ )cr2
=
s.a. nc, -I
o Lagrangiano
L
=
t nc' )cr" -
(nc, -1)
nc.= I
C, == -
n
\VERDADEIRAI
(2) Se 8
"
=-
I n
'2
n i=1
no viciado de 82. Resposta: J sabemos que 8 (estimador mdia populacional, 8. Vejamos se Sabemos que: .
, , ,
) -
no viesado da
var(8)
= E(8
Ou seja, a varincia dada pela mdia dos quadrados Rearranjando a expresso acima, temos que:
E(8')=
11
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
distribuda
. Bento
,
11+1 = -11
X2,
... , X"
J' no
Resposta: Como a distribuio " a Ieatona consistente convergir IFALSAI X po d'e assumir. de
uniforme, Portanto,
sabemos que
B-
n + 1 maxtmo ,. [ = --
' um es tiima d or x; J e
a, j
n+l -n
(4) Se
so dois estimadores
do parmetro
..
8 em que E
( = el
l )
r<
e E
-:t-
e]
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]-
prefervel,
j que no temos
informao
2.
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
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
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
-....::......
,ln _
qualquer, a distribuio
de
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.
no tendencioso, ou seja:
(ANPEC Norrnalt.)
2000, e seja
.. "
X, uma amostra
afirmar que:
aleatria
da densidade
(EMV) de
e.
~,
,.
da varincia
de uma distribuio
normal
!(X,
...:c;=,,-' ----
-pr
n Como nesse caso, a mdia igual a zero, temos que: T ~ ' = .:. ....:...'-n
fx'
IVERDADEIRAI
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~)
IE(T)
= 81
IFf\LSAI
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
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'
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
-~
Resposta:
A funo de verossimilhana L(8;Yj) = j(y,;8)x j(y.?;8) x Tomando o logaritmo
.. , x
e dada por:
temos:
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, ~
no uma funo densidade de probabilidade e, matemticas associadas uma f.d.p.; por exemplo,
fL(B;x)dB;t:
IFALSAI
(2) Uma condio necessana satisfazer que a matriz mximo, seja negativa
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
~= g(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
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
==
de Y do
de mxima
verossimilhana
do erro quadrado
mdio,
para pequenas
amostras,
no h supremacia
de um
EQM
= var()
+ [vis()f
Calculemos,
p e p.
o vis (se
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)
= ~ xnxp
n
Var(j)) Var(p);=
Var(p)
np(l-p)
Var(p)=
p(l-p)
n
Como
rI/TI
EQMCJ;)
p(l- p)
1'1
n+1
1'1+
I)
p:
E(Y) + I = ---'--'-I
np + I - --Tp 11 + I
Portanto,
um estimador
viesado de p (confira
Sua
Var(
p ) = var(
Y + n+I
I)
~.
.,
Vare
p) = var[_I_(y
11+1
I)]
Pelas propriedades
Vare
p)
(_1_)'
/1
var(Y)
+1
o erro
quadrtico mdio de
= =
var(p)
+ [vis(p)f
(1n+1
Y
p)'
p ) = np(1 -
p) + (I - P
EQM(p)=
(I-p)[np+(!-p)] (n+ Iy
EQM(p) EQM(p)
p(l-p) n
(n+lr (1-p)[np-(I-p)]
p(I1+1r n1p-n+n
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
IFALSAI
---.,
dado por
[(1 - p)/(l
+ n)].
. I
Resposta: O vis de
vis(p)=E(p)-p
vles
" (~) p
np + I - p = -n+1
=
., (~)
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
de eficincia, amostral
medido
entre as observao
varincias
XI
dos como
prefervel
populacional,
supondo-se
da populao.
Resposta:
Chamando o estimador que utiliza a primeira
I
I
observao
para
estimar
a mdia
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
f), ento
(\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
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
= g[E( B)].
= -a para
de a ser
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.
= ~, 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
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
= --
? _CJ
n-j
vart S") = --
, Za ' (n -I)'
X --
n-j
o estimador do parmetro
e:
(O)
do estimador
e.
se
for um estimador
varC)
+ [vis()f
no-tendencioso de
um estimador
e,
= var( ).
(I) Um estirnador
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
---" ---------
de
u.
ento no tendencioso.
,
-
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
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>
11 ~
um
00,
estimador equivalente
p{l - ai SE}
de
= 1 para todo
limVar(a)
o
O
a afirmao
= ae
n ~ co,
e.
medida que o tamanho ou seja, da amostra
=
Resposta:
Um estimador aumenta, ~~n} var()
dito consistente
e a varincia
quando,
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-.
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
a mdia amostra!
um estimador
jVERDADEIRAI
.... ,.-....".
-\
-) "\
---)
""
-:f)2
,
--o)
.x 3 , .... .x
-""\
11
Resposta:
-, o
estirnador no tendencioso da varincia
dado por ...;.'-'-."---n-I
(veja questoANPEC
IFALSAI
n
L(X;-5:)2
(3) A estatstica, S2
==
;=1
.x 3 , ... .x ,
por
LCx,
-,--,----
"
-ir
o
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:
,
"'
--
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 \
Calculemos
'"
'"
1170-17" 10
-r-,
~ ~
,,/I 00
Dessa forma, P( erro tipo 11) = P{ x < 170) = P(z< I) =0,1587 IFALSAI
-r.
Resposta:
COI11
5% de significncia,
temos que:
..
--
Ix -}LI
(J
1.64
.
Fn
IX-1691 10 .)100
1,64
Ix - fll=
1,64
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
Calculemos
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
IVERDADEIRA)
(ANPEC 2005, 06) Seja XpX2,X), LImapopulao normal com mdia (O) A probabilidade
-
J-L
de a mdia populacional,
0'-
J-L,
confiana [X -1,96
I'X -..jn
o-
Resposta:
(J" -
[X -1,96
"n
"X
+ 1,96 ,]
(J"
mdia populacional
"n
realmente
um intervalo
para a
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
---
[..'Y- te .}-;;,X
+ te
fn]'
padro da amostra,
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
ser ento:
Como queremos
95% de confiana,
'"
\'
",'
"
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
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)
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
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,
-.
-....--...
",r--..
IFALSAI
(4) Se a amostra
normal, a amostra
aleatria
XI'X2,X), um intervalo
,X"
no
provm
de
lima
distribuio
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
,
"\... '
"
(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.
Portanto: Se valor-p
>
S
CL ~
Se valor-p
\.
~"
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-
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-.
..
= 50
0-
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
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
com a mdia
~l.
!V ERDADEIRAI
(4) Se a hiptese decrescente alternativa fosse
seria
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
_.
, temos
n IVERDADEIRAI
l ( />.
1~,ri;l.~ l
I
.v --'
r 11 JC~'1.:-:V..~
il~tervalo de confiana
\{:j-l,96/,J,;,X
+1,96/,J,;] '
conter a
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
de o intervalo de 95%.
de confiana
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
-. =<,
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,
(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
--.;
<:
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
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
de regresso
linear
utiliza-se
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
menor t
distribuio
-;--.
de Student,
que utilizamos
significncia
IVERDADEIRAI
de um teste de hiptese
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
.~
<: -..
consideraes
.--"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.
\'
(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:
---\::
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,
.J (\-~
l"~-i(_(:./ ..
simtricas.
Caso a a
(
calcular da estatstica
t}<)&.
das dU'lu.e-gies
IFALSAj
(M"'';'
O,JW'
I
IJ
,
\Q~
'VF-~;.
il,;,P'-'
'hol
I
_~-f populacional
'x:
a de
(3) No
se pode
realizar
pois
do teste,
que segue
uma distribuio
com n -I graus
(n tamanho
no simtrica.
possvel
sim realizar
testes
de hipteses
populacional;
alis
A diferena
mostra
a distribuio quanto
com
5 graus
de
liberdade.
Se
para a varincia,
teremos
que encontrar
os valores
no so iguais
'_.~
para distribuies
r>.
._~
/
'----
:.--.....
'"
1.15
11,07
.; ...........
IFALSAI
"
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
("-)
"--'"
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.
"'-'"
o grfico
abaixo.
estiver
na regio
Se estiver na
---,:-.
,,~.
.---.;;-
-.
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)
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.
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
ao qual a hiptese
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:
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
seja aleatria
c suficientemente para
grande. o
podemos
utilizar
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
~'-
por
o intervalo
de confiana
[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
2, o intervalo
de confiana
populacional,
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.
-_.
'"\
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
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:
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
afirmativas
correto
para
'"
(O) A probabilidade
cujo clculo
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).
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
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
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
-"\.
de se rejeitar a hiptese
-"\.
O poder de um teste a probabilidade de no cometer rejeitar a hiptese nula quando realmente ela falsa.
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:
= pCl n
p)
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
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
--~
Total 625 concluir que: com base num teste de hipteses, para um
Com as informaes
dadas, podemos
--,----"
'""'
As hipteses nesse caso so:
"
--;'"
-,,-\'.,
,"""",,--o
~.
45%
-"','
A varincia vare
da proporo
amostralser
dada por:
p)
=:
(I -
i)
-n
dp(
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
na amostra
O 408 (O,
255) 625
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
'
ser ento: pX(I-p)=
A varincia var(p)=
-""
n
E o desvio-padro:
..-..
.-...,
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 -
---.!
,"""".
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:
~.
Vare p' )
p x (1 - p)
n
E o desvio-padro:
dp(
p)
.)0,00039
== .)0,Q004
Ir - pl = I 645
dp(p) ,
~.
1,410,02
pl
1,645
10,41 10,41-
pl = 1,645 xO,02
pl = 0,0329
= 38%
ser dado ento por:
.--..,
-"'.
== 44%
o intervalo
lC90% =
!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
= rx(l-p)
n
= O,42xO,58
625
~,.J
0000""9
== 0,02
Ir - pl = 233
dp(p) ,
"---'-= 2,33
0,02
Ir - 0,421
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
j;;
~
-=)
49
J;;
j;;
.j;
49 5 = 9,8
=
Elevando
ao quadrado
(.rn)'
n
=
= (10)2
96,04
Dessa forma, o tamanho da amostra necessrio para estimarmos
,Li
com uma
margem
pode-se
que;
n, :o :f- f)o'
rejeitar
n,
quando
valor crtico,
C1-<Ji' determinado
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.
IVERDADEIRAI
(3) A estatstica
t-Student
utilizada
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
Ho: P Resposta:
As hipteses
= 0,03
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:
( 74)
= 2000
-.
....
~
--
~ '" '" ~
..--., ~,
Como queremos
5% de significncia,
0,45
da proporo
amostra 1ser:
P x (1- P) = -~_..:..
"
"
n
E o desvio-padro:
dp(
.)0,0000145
== 0,0038
Dessa forma:
--A-
Ip-pl
1,645
dp(P)
Ip-O,03I
0,0038
1,645
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
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.
\.
= PX(I-') n
desvio-padro:
P)=
~O,OOOO 18 = 0,0042 ~ ~
= 1,96
..
dp(
--, dp(P)
Ip-pl
..
-(".
10,037- pl
0,0042 10,037-
1,96
intervalo
!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
que o desvio-padro
da varincia.
Portanto:
0,03xO,97
n
P ortanto, a margem
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)%
conteriam
o verdadeiro
parrnetro
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
~ ,.'
- - ..
._'.
"
"
\.
,
,"-.
,.
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
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
p.96):
'\
var(jJj)
-n-----
u"
Ixt
i=1
onde
RJ
entre
do est E
intercepto).
original.
R~, mantendo
estimado,
(J2
e a varincia
ser a
a aceitar a hiptese
nula de que
[J J-
IVERDADEIRAI
Considere
em relao mdia:
Y;
PI XI;
+ P2 X2i + ei
de inclinao) pode ser escrito como:
o coeficiente
n
)'rv
~-'I;I
da seguinte
forma:
Xli Xli
= =
J'IX2i + rli
Xli
+ rli
Analogamente:
X2i = ~IXli
+ /
\,
xji
que no correlacionada
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
= O);
), comj
;;=
k;
IX/i;
;=1
I(~j;
;=1
+rji)Pji=
IPi~ .
;':::1
'-:';:"
/3,=
L~,(/3,X'i
~i=~'
n
+ /31X2i
+e
i)
Lr~~
;=1
_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
dos resduos
de x, em
SQR SQR
= =
(1-
-'\'
SQE) SQT
RI")
de determinao da regresso de
XI
"
em x2 Assim:
vare /31)
= -----
i>~(J- R12)
,
(j-
"":
Generalizando:
tvar(/lJ')
= ----I
n
Ix~(1-R5)
;=1
com R J variveis
coeficiente
de
Xi
em relao
a todas as outras
explicativas
....:.;; ...
(I)
Se os erros Quadrados
so autocorrelacionados, Ordinrios
ainda
assim
os estimadores
de Mnimos
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
reduzem
as varincias
dos estimadores
de
de J31 e fi2'
Resposta:
Se h erros de medida da varivel dependente
y;'= Y;+Ei
onde Ei corresponde ao erro de mensurao da varivel dependente.
com a varivel
Y;' ser:
+ fi,X'i
+ fi2X2i + ei + Ei
+ Jli
do erro da equao
)li
o novo
varivel vare JL; ) vare
rI
11.)
da
+ 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
X2,
para
expl icar
~I
avari
vel e
J~.
coeficientes
~o e
tendenciosa
se e somente
se, a varivel
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,
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
o estimador
de mnimos
quadrados
ordinrios
de
/30
dado por:
E o de /31:
/3, =
" LXliYi
...;...;=...;...1 __ /I
LXI~
;=1
representam
as variveis
centradas.
E( /lI):
E( /31)
E( /31 )
---,-I~:,I_--,LXI~
;=1
E(tXliYi)
."
Como
I(X'i -XI)
;=1
O:
-;:..-..",.
.;-....
-,
Analisemos agora o pnrnerro somatrio da expresso acima:
Somando e subtraindo
XI'
obtemos:
f(X'i
i=1
+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)
----.)
"\
.: \
:'
E, portanto:
"'"
'
Como /32
=F O,
p,
XI
e X2 sejam no correlacionados.
E(Po)
E(
E(Y -
P,X,)
Po ) == E( Y) - X, E( p, )
"
/Jo seja
= /30'
deve-se verificar
que
[x, - X, ~,x"x,,]=
"1\
x,
~,
;=1
X,2
. ..,
.
no garante que o estimador do intercepto seja no viesado. Alm disso, deve-se verificar que
!FALSAI
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
In(K1)
+ u,
+ In( Y;)
C/..
= Po +
In(Y,) = onde
C/..
lil(1 000).
~ ,.
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)
::F
O,
= -.....---'-----'---
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
de~2
for 0,0854, de
o intervalo
de confiana de capital
a 95% ser
Y de um aumento
I% no estoque
Ip2 dp(fJ2)
fJ21
-
"-------:-~~
1,3856 - /321
'------'-t24
0,0854
(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
=
r;
LO.6022 X K'
0,3856
o logaritmo
X
acima, temos:
x L~6022
K;0.J856)
InCY;)= In(y)+
A produtividade trabalho:
marginal
do trabalho
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
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
O segundo
modelo
: 1-';'
p~ + p,'X;
+ ej',
em que: Y,'
= w,Y"
x,
w}.X, e w, e w2 so constantes
de Mnimos
(O) Os estimadores
Quadrados
p~ e 13,' .
Resposta: Sabemos que o estimador de mnimos quadrados ordinrios do coeficiente de inclinao
13,
dado por:
/)
/J, =
...:..;:'=,,--'
--
Ix:
;=,
Dessa forma:
~~ ~)
~)
.---;;)
,)
--.,:1
n
<) .
:~
LWzX,.w,y,.
;=1
;~1
Como
\VI
W2
so constantes:
11
W,IX"Yi
;==1
""\'.
",,"
J30
Dessa forma:
/J~ = Y - A}(
" = w Y - [2.'i)J3" J3o, .,
w2
wZ
X
~,.,
J30
J3,
no so iguais
J3~ e J3,'.
IFALSAI
e; e -
a varincia estimada de
ento
Resposta:
_.
Sabemos
que a varincia
dos resduos
dada por:
'2 O"
_ ------
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 )=-,;
-.~=
\1'1252.
Substituindo:
---\.,
Vare PI)=
~.
( )
_I
li'
'
W1
var(PI)
/30
dada por:
-c-..
E a varincia de
n
jJ~:
2
Vare jJ;
) = 5'2
L X,.'
--,-i....:=I __
" nLx
i=1
i'
"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 vare
/3, ) <vare
A)
/3~ )
/3, ) >var(
A)
/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
_'"
(3)
Os coeficientes
de determinao
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
no afeta as propriedades
dos
de Mnimos
Ordinrios
dos parmetros.
Resposta:
... ,......".,.
..
_---..,
de
IVERDADEIRAI
~,.'
o seguinte e E(u
Y==2 + 4X - 5Z +
de n a sido omitida
I X,
= O.
indivduos, varivel
os parmetros estimado
deste
modelo,
tendo,
, + lx;.
n
amostra em questo,
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
~ = 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
'"'
"~
-"
/I
X)
=
0,7, temos:
2:(X,
j=)
/I
_X)2
.~
'-,
'",
.-,
.",
i = 1, ... ,n.
de
==
=
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 x.,;
Xli'
' Xki)
=a
Z ,
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
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
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
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
i=
I, ... , n.
-'"\ -.
(J"',
i=
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
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*.
de Z em X, que chamaremos
- f Z*
dos resduos da
i regresso
ser ento:
"
l'rl
~l'l
( ,-
Z*) ( -
f f
= '. -
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
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 \
=F
0,
i == 1, ...
,11
os estirnadores
de mnimos
quadrados
ordinrios
da
+ ... + fJ,x"
+ u"
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
(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
"
(O) a regresso
significante
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.
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
Seduc
de escolaridade aumenta a renda de LIma mulher em
(3) a significncia
estatstica
..
conjunta
das variveis
f.
------
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)
=
~.'
~:
/3:
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
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
.. -------
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,
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::::.- .
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'
- = 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.
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
'-
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
de que Y2
= Y = ... = Y = O, pode-se
3 k
utilizar o teste do
F ,
0',0-11.(,,-4)
,=
~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)
SQE SQT
1 _ SQR
SQT
- SQR
(1 - R2)SQT=
R'SQT/(k-I)
(1 - R' )SQT /(n - k)
F
~,I-I".-Il
= ---'-'--~-
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
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
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:
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
-\'"
"
fJ
-"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
;-.-':::".,
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 :
P,'IX'
p,2
IY'
"i
(X - X)'
2)Y
A diviso
-Y)'
ser maior
que
I apenas poderia de
se o numerador
for maior
que
I. Sabemos
que
que a afirmativa
est correta.
Porm,
/J
Portanto,
nada se pode
de mnimos
quadrados
de ambas equaes
estimadas
zero.
Resposta:
_ .."\
Consideremos
primeiro
I I
f
Y=cc+fJX+& r
Sabemos
que o mtodo
dos mnimos
quadrados
ordinrios
Oll
consiste seja:
em encontrar
/3,
que minimizem
dos resduos,
minimizar
If'
minirnizar
I(Y
-- /J,X)'
Pelas condies
--=7-
a)' i'
=-2IcY--fJ,X)=0
A
(I)
A
A-
'
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
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
""'
so os prprios
resduos
da regresso.
Portanto:
--...,.--'
LU/X)
=O
no est includo
no modelo,
no
Conclumos, ento, que apenas a soma dos ordinrios da primeira regresso igual a zero. IFALSAI
resduos
de
mnimos
quadrados
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
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
lt,
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--.
Var(fij!
Xj) =
(J
necessana
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
de mnimos
quadrados Yi.
de
~I
~2
podem
ser escritos
como
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' ;........;
,
que
Xi
possamos
--,...:..".
/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
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),
--"';:",
,.
Y -
o mtodo
minimizar
I>:' I(y=
j],x, -
/3,x}
aIE'
aj],
-I 2x, (y - , - j],x.)
=-
O
=
Ix,y = /J,Ix;
O
(I)
j],X, - j],x.)
- -
,.,
_ - O
LX,y
+ jJ,Ix,x,+
+ /3~ '\' x',;= .c:
AIx: = O
'"
~"J
x Y
(11)
Ix,y = Ix,y
por
r'
+
equao
L x,x,
=
e a
por
I x;
e subtraindo
da I' ,
ft,Ix,x, + ft,Ix:
Ix,x,
Ix:
Da equao
/J,=
.
Yx; -"-J .
~ Substitu indo
ft"
temos:
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,
ft
Ix,y
,
Dividindo
Ix,y
ft,= N~.
IX]
Ix,x,
~x:~'<
"
~ /J , :::::
'\' .r. x~- " _.v'" L L#x L .1,.1 -' '\' ''\' ,( ~,) L"X-; L,x; 1- P,',
v"
Se
P"
=
==
/J
Ix,yIx: - Ix,y Ix,x, Ix,y _ "x ' Ix,x, , Ix;I-< _Ix~ c: ,} Ix::l>~
Analisemos a expresso
l:~' ,'.
x,
x,
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
==
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
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
o.
IVERDADEIRAI
.------
""
de regresso
foi estimado
utilizando-se
dados
y,
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:
""
"
"-,
"\.
""
...
'"'\ ..
= 100,5
=
=
34 134,5
n = 80
Modelo IJ (com adio de 3 variveis dummies sazonais): SQE = 114,5 SQR SQT n
=
=
=
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
[!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.
-~
o preo em I %, a quantidade
~%O
J
/3, = IJ.%P
..",
~%=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)
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:
(O) Um dos pressupostos bsicos do modelo : Os elementos com valores fixados em amostras repetidas. Resposta:
da matriz X so estocsticos
Coeficiente
__ J,J ??" "
-1,26 -1,03
==
81,2%; R2 ajustado
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
(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
Y=233J
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,
Linear Multiplo :
'.
1'; = a
onde E( JlI
)
+ ~JII
O , Vare JlI
cr/~ e XII'
de Mnimos Quadrados
de
. I' ~ e~.
Resposta: Se XII estimar o modelo. IFALSAI
para todo t
-:;t
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.
..
que fi,
em uma regresso
::--..
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
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)
jJ
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
=,--= /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
dos coeficientes
da regresso
da
.S
fi, )
(11
onde
fl/ =
fJi;
tn_k
- k) graus de liberdade,
A
grau de
confiana
= erro padro
fli.
Sabemos que:
/,8,-0/_
Si.
,,-~,
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
=~-l
).lI
sejam autocorrelacionados,
o estimador
mantm a propriedade
de no-tendenciosidade.
.0
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
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
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
Q/
as quantidades
demandadas aleatrios,
varivel
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
(I)
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
Q"
I
Os t
+a1X, +ell=/3o -a2X,
- a2X[
+j3I~ +e]1
+ell -ell
p
I
ao
+ e]1
-
el,
aI ai -
X + e2/
el/
/31
/31
ai -
/31
P,= Do+TII
X,+V,
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
!3la]
aI
-
X +f3le21 -fJlell
I
+e
21
J31
aI
-
/lI
l
/3lel fil
'\.
rr,
-
:=
a/3o - ao/31
-ai -
/31
'._-
cz,e , -/3e I _, I
ai
I1
_/3,
_e21 -ell
:=
-=--"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
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
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
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)
(oferta)
a quantidade
demandada,
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
.'"
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
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:
no = Po - ao 0',\ - p\
.
.". _ 1'2 aI
P2
-Pl
~=~
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):
diferente
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,
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)
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
\-
= 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
(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
Q=
Q=
12'1
+ A P + ri Y + fil
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)
=
=
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,
~--
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,
Confrontando
realmente
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
'""'\ ...
'\.
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,
so corretas as
afirmativas:
= hJ't_1 + li,
>
em que
ti,
um rudo branco e 6
= p -I,
se 5
1';
P 1';-1 +
= }~.J =
Y, - Y,-I
._--..---....
1'; -
(p-l)1';_1
li,
1';- Y/-1
5 1';-1 + li,
tyERDADEIRAI
(1)
Numa regresso linear simples de duas sries temporais no estacionrias de Srudent ainda vlido.
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
temporais
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,
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:
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
1/,
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
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
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-',)
= =
+ vare e, )
0-2
_r/JJ2
= 0-2
(1-r/J,2 )var',)
E a condio
de estacionariedade
que IrPll< 1
"\,
IANULADAI
do processo
=
E[y,]
(~ + ~
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
podemos
ento calcular I
\
j:
Para facilitar
o clculo,
faamos
rPo
ri ri ri
= =
Paraj
1:
ri = ri = ri =
ri -
CJ 2
1- rPI2
= rPl
..
...-......
--/"""',.
....:-...
'-~
Generalizando:
IFALSAI
..
~ (2) O processo
~! <Ie Resposta:
AR(2),
].I,
= ~o
()2,
+ ~!YI-I
ser estacionrio
< I.
se, e somente se,
O processo
...
..-....
Vejamos:
defasagem
(Ly,
= y.,
L2
= y'.2). Podemos
escrever:
(I -
rp! L - rp2 L2 ) y,
r/Jo + e,
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
~"
Resposta:
Calculemos E(y,) ==~o + a mdia de y,:
)
.-
E(y',.,) + E(el) +
\.
E(e,_,)
E(e,)
IVERDADEIRAI
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( I/;Z,) + E( eo)
(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
'"'
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:
iJ:1
E[(a,-a/_/)Z/_2] - E(a,_/Z,_2)
= E(Z/Z/_2)
=
Z'-2)
.. -....--...
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
AR(I),
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
-.,-.,
= rf;Z'_1+
()2
-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
-.;:,-;
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,_/)
=
=
--::;,.-
IFALSAI
C,
=0'-0+0'-1.0
+u"
.-<
em que: C, o consumo pessoal em t, Y, a renda pessoal em teu, o termo aleatrio. correto afirmar que:
IFALSAI
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
identificar
a presena
de co-integrao
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
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
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
..-"'"
\.
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,
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..,
=
+ 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)
0,04var(Et)
0,04var(EI)
I: (I)
Calculemos
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:
+ I - 0,2
COV(yI'
tI_I)
(y) ,
= --
0,84
0,75
">->,
(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,
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)
J -
rjJ
!FALSAI
(1) O
modelo misto Autoregressivo-Mdias representado pela expresso Z, = rjJZ, + 111 um rudo branco.
eu,_,
Mveis, em que
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
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
-"""',.
auto-regressivo:
+Et
-"
. Yt =~IYt-l
(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:
um caminho
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
h que se
acima!')
...
~
(3) A estatstica Resposta: t-Student pode ser usada para testar a presena de raiz unitria.
-~
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
em uma forma YH
alternativa
como
l\ YI
I_I
+ E I em
que
o = qlI -
Subtraindo
e somando
)'1-1,
obtemos:
",.'
~. '\ ..
YI - YI-I = ~I YI.I
- YI-l
+ CI
--\'
l\Y,=(~I16)',=
I)YI.I +CI
onde
(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
t; Y,
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 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
IFALSAI
---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
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"\
NID(O,
-"
--,",
I~I<
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 ~
=
I, teremos
que:
Y1 --r-,
YI-1 + Ei
aleatrios:
y{ = ~t 6:
-v->,
'\'
",-.-
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 ;
ta2
\-
E(E)
=t
x O= O
.--:-..:,--
E(~Yt_1 + EI)
Como
E(Yt)
~E(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:
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
(~+I)
+ ip2yi,
em que Y,
YI , Yl ,... , Yj].
dois-passos
=
Resposta:
A previso E(Y'+2IYi)
.0
'"
= ~Yi, =
~(~YD
--'"
p2y J
jFALSAI
(4) Se ~
.'\
= I,
o processo
Resposta:
Se ~
=
I, o processo
ser um caminho
!VERDADEIRAI
Mdia - Mvel e
e bCov( a., a, )
O se
a varincia
de Z{ finita qualquer
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"
. '"
==
.'
IFALSA!
....-...".
(I)No
modelo
MA(I),Z,';jL+
a,-
(Ja'_I, onde
=
E(a,)=O
o
para
todo [ e
E(a,2)
(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
~-
= 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 - $1 LZI - <bL2Zt - - ~pUZt = at - 81L~ - 82L2at - ... - 8qLqat (1-~IL-~2L2_ ... -~pLP)Zt=(I-eIL-e2L2_ ... -eqLq)at
o -
(J)(L)Z,
= 0(L)a,
'.
~
.-.
(I - 81L - 82L2
- ..
8qLq)
(3) Se o processo gerador de dados pode ser escrito como (1- L)Z,
= jL
ar'
ento a
Sua raiz caracterstica ser diferente de 1 apenas se (I-L) oj: O. O fato do processo gerador de dados poder ser escrito da forma mencionada no nos diz nada a respeito do valor da raiz de sua equao caracterstica. IFALSAI
(ANPEC 1999, 2) Uma srie temporal mensal de trs anos, de janeiro de 1995 a dezembro de 1997, para o preo do produto agrcola Y, apresentou a seguinte tendncia linear Y = 3 + 0,25X. Estime o preo do produto Y para o ms de janeiro de 1998, sabendo que as variaes sazonais calculadas com base num modelo aditivo para os trs anos considerados foram:
Ms Varia
Jun
o sazonal
3,85
Soluo:
De janeiro de 1995 a dezembro de 1997, temos 36 observaes. 1998 estaremos no 37 ms. Ento:
-. -"">,
Portanto,
em janeiro
de
O preo do produto
.
[jJJ.
Mdia - Mvel e
Z,
onde
~) urna constante
e a, um
rudo
a mdia do processo
Resposta: Sabemos que a mdia desse processo item (O)): E(Z() = ~ l-rjJ Portanto, se 80 IVERDADEIRAI
=
Questo
ANPEC
2004,
10,
O, a mdia do processo
..
'"
-......,
(I) No modelo
Auto-Regressivo
de ordem
~IZH
p, +0"
Z, =
""
..
..-..,
-"
...
",-.
se I-~, Resposta: A condio de estacionariedade dada por:
~1-"""-~/J
Ou, equivalentemente: I -r/J, - rP2 - ... - ~P = O Portanto, se I -rP' ser estacionrio. /VERDADEIRAI
(2) O processo ARMA(p,q) (Auto-Regressivo Mdia-Mvel) ser estacionrio e invertvel, se todas as razes dos operadores Auto - Regressivo e de Mdia Mvel carem dentro do crculo unitrio. Resposta: Considere um modelo AR(I):
Y,= ~Y'_I
+ Et
Uti lizando o operador defasagem (L), podemos escrever: Y,=$LYt+E, (1- $L) Y,
= Et
L= ~
rP
E, como sabemos, para que o modelo seja estacionrio, deve-se verificar que se
1$1 <I.
Mas
1~1<1,
ento
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.
imaginrio
,
-----..,
"
'-'""""'
"
-I
.1
real
./
-li
"~
._-..-....
Portanto, dizer que a raiz do polnmio deve cair fora do crculo unitrio. IFALSAI
.-.-.--....
(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 __
!p~q~
i~1
L=
Ip~q~
;=1 ;=1
i=1
,.-..,\
1
.,.....-..,\
L=~x P~
Poqo
/I
>
+ PI- X
>
r::
/I
>
>
li
)'
,,-,Poqo
i=1
P~
Ip~q~
i=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
escrever-como:
i=1
Desmembrando,
temos:
.. ,.---."
p = --------------'-
Poql
+ Poql
11
Ip;q;
;=1
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
. Po
-I
I X)VI
PI
Po +2 PI
:1
WI
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
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 =
L;Poqo
/J
i=1
=FI
Ip~q:
i=1
Ip:q~
i=1
"
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
..
~~,
abaixo,
Resposta:
'.
~
..
IFALSAI
, -"\
....
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:
dado por:
~p"q"
Lp
~
25
1 64 '
IF-A-LS-AI
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
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:
~-
ao critrio
de decomposio
das causas
e, como
(ANPEC 2003,
:--'"\
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
._~
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,
de preos correto
\.
afirmar:
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
de quantidades
..
_-,..-...
.....
....-.....,
(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 -
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:
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
dos ndices
de Laspeyres
ao critrio da decomposio
o
Paasche
geomtrica
dos ndices
= .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:
Portamo:
0,004
w ..
0,16w" ,
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
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
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:
\.
120
80
15
'
Portanto,
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
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
20 6
5
4
2
.,
J
ndice
de
preos
de
Paasche,
precisamos
primeiro
calcular
LP""'q"'"
.'"", \
e LP""'q"'"
Tipo de produto
A
B C D
E F Soma:
Dessa forma, temos que: p=
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
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
----....
simples):
LP.'
[=-',,-"-
~p, '"'"
1":1
.,
Ponderando pelo valor da participao relativa (11';'), obteremos o ndice de preos de Laspeyres:
base
L,p;
L=
-"-'-XlV"
~
z:.
11
J o ndice simples
relativo de quantidades
dado por:
Ponderando
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,
"'~
Vejamos
.. .....-...,
..
-"
ndice de valor
Portanto,
esta propriedade
tambm satisfeita
(VERDADEIRAI
.--------
, 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
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")
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
.--\
..
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)'
? ()-
aleatrias
normais padronizadas
ao quadrado
segue normal
a distribuio padronizada
de liberdade,
segue a distribuio
IVERDADEIRAI
aleatrias ento Z =
identicamente
distribudas
Bernoulli
com parmetrop,
IX;
;=1
.. "",
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
aleatria
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 =
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,
lognormal
dada por:
/(y) =
20-'
y.J2T(T2
!VERDADEIRAI
J'
, X 64
distribuio
de
probabilidade
f(x)
Usando o teorema probabilidade (Multiplique
= 2e -1x,
'--'"
central
Soluo:
Pelo Teorema do normal Limite com Central, mdia JL sabemos que a mdia
, a:
amostral
X segue
uma
e varincia consultar
grande.
Para podermos
~---'.~
(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
-!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,
(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.
com distribuio
uniforme
de mdia
f(x)
~
'o~
000"
.. x
o
o,~
A covarincia
E(X)E(X~)
=
0- OxE(X2) =
0, ento:
o coeficiente
de correlao
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
--~
"~
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
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
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;
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 ~
"
xe
-j,
I"
<
fl
E(x)== ~
--+~
xe -r.,
I (~
-~
: )]
u
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
enunciados
envolvendo
variveis
aleatrias,
correto afirmar
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
--"
==
u.
I -I
.-.
"
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:
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)
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).
1993, p.89):
E[var(YIX)] temos:
= var(Y)
+ var[E(YIX)]
Rearranjando, E[ var(YIX)]
... ,...-...".,.,
um nmero sempre
:s:; var(Y)
IVERDADEIRAI
,
""
.........
,~
(4)
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
= -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:
'
,
A
Sabemos que:
,"'"'
que a varincia
da distribuico
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
"""
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,
normal
com
mdia
)..l
e varinca
para
amostras
suficientemente
e normalmente
2. Ento,
para
se uma
IX,
lU
n cresce,
Y tende
distribuio
=Ie
V(Y) = 0,2.
Resposta: .
Note que Y =
nX seguir
uma
distribuio
normal
com
mdia
nt: e
n E(X):=
nu
= n2 ~=
11
var(nX)
= ,lvar(X)
ncl
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:
,-
---...,
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
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
(ANPEC
marginais,
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
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)
E(X)
E(X)
fxf(x)d,
""
"'~
E(XIY)
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
f f(x)dx
/(x)
I.
[VERDADEIRAI
..
,'"
(4) Seja
a funo de densidade
contnua
X.
-'o
r' x.f(x).clx.
f(x,y)
= .fx;yxg(y)
= 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
....
~.
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
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
Forecasts.
R. Introductory
Econometrics.
San Diego: Academic Press, 1993. So Paulo: Saraiva, 2003. A Modero Approach. United
SARTORIS, A. Estatstica
Econometria.
-r-..