Академический Документы
Профессиональный Документы
Культура Документы
Aula 04
Sumrio
1
1.2
5.2
Regresso ............................................................................................................................... 28
6.1
6.2
6.3
7.2
7.3
10.
Gabarito .............................................................................................................................. 76
11.
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima
2
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.1
Variveis Discretas
f(x,y) 0
(2)
x y f(x,y) = 1.
(3)
f(x,y) = P(X = x, Y = y)
Homens
Mulheres
4 anos
4.076.416
4.755.790
2 anos
2.437.905
3.310.086
Menos de 2 anos
172.874
311.788
Homens
Mulheres
4 anos
0,27
0,32
2 anos
0,16
0,22
Menos de 2 anos
0,01
0,02
Note que
2
f ( x , y
i
i =1 k =1
0
0,25
0,15
0,08
0,01
1
0,13
0,11
0,06
0,01
2
0,04
0,02
0,05
0,01
3
0,02
0,01
0,02
0,03
A) 0,54
B) 0,50
C) 0,49
D) 0,44
E) 0,19
Resoluo
P(N1=N2) = f(N1=0;N2=0) + f(N1=1;N2=1) + f(N1=2;N2=2) + f(N1=3;N2=3) =
0,25 + 0,11 + 0,05 + 0,03 = 0,44
GABARITO: D
1.2
Variveis Contnuas
f(x,y) 0;
4
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(5)
f ( x, y)dxdy = 1 ;
b d
(6)
P(a X b, c Y d ) = f ( x, y )dydx .
a c
A relao (5) nos diz que o volume sob a superfcie representada por f(x,y)
igual a 1. A figura abaixo mostra uma funo de densidade conjunta.
0.15
0.1
0.05
0
2
0
-2
-2
-3
-1
A equao (6) d a probabilidade do par (x,y) estar num retngulo de lados ba e d-c.
Exemplo. Seja f(x,y) = 4xy, 0 x 1, 0 y 1. Ento
1 1
][
/ 2 0 y 2 / 2 0 = 4(1 / 2 0)(1 / 2 0) = 1
0,5
0, 5
] [
0,5
0,5
2
2
4 xydxdy = 4 xdx ydy = 4 x / 2 0 y / 2 0 = 4(1 / 8 0)(1 / 8 0) = 4 / 64 = 1 / 16 .
0 0
f(x,y)
1
(1,1)
f X ( x) =
(7)
f ( x, y)dy
(8)
f Y ( y) =
f ( x, y)dx
x>0, y>0.
Ento,
f X ( x) = e x y dy =e x e y dy =e x e y
0
= e x [e + e 0 ] = e x [0 + 1] = e x , para x>0.
fY ( y) = e
x y
dx =e
dx =e y e x
1
1
1
= = =0. E
y
e
e
= e y [e + e 0 ] = e y [0 + 1] = e y , para y>0.
_______________________________________________________
Podemos obter resultados similares para variveis aleatrias discretas. Dada a
funo discreta de probabilidade conjunta f(xi,yk), as funes discretas de
probabilidade marginal so dadas por
(9)
f X ( xi ) = f ( xi , y k )
k
(10)
f Y ( y k ) = f ( xi , y k )
i
7
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Homens (X=0)
Mulheres (X=1)
2 anos
(Y=2)
0,16
0,22
Menos de 2 anos
(Y=3)
0,01
0,02
P[X = 0]
(probabilidade de o estudante escolhido
A probabilidade
aleatoriamente ser homem) igual probabilidade marginal f X (x) no ponto x
=0. Vimos que f X ( xi ) = f ( xi , y k ) . Logo,
k
P[ X = 0] = f X ( x = 0) = f ( x = 0, y k ) = f ( x = 0, y = 1) + f ( x = 0, y = 2) + f ( x = 0, y = 3)
k =1
P[ X = 1] = f X ( x = 1) = f ( x = 1, y k ) = f ( x = 1, y = 1) + f ( x = 1, y = 2) + f ( x = 1, y = 3)
k =1
P[Y = 1] = f Y ( y = 1) = f ( xi , y = 1) = f ( x = 0, y = 1) + f ( x = 1, y = 1)
i =1
P[Y = 2] = f Y ( y = 2) = f ( xi , y = 2) = f ( x = 0, y = 2) + f ( x = 1, y = 2)
i =1
P[Y = 3] = f Y ( y = 3) = f ( xi , y = 3) = f ( x = 0, y = 3) + f ( x = 1, y = 3)
i =1
X=0
X=1
fY(y)
Y=1
0,27
0,32
0,59
Y=2
0,16
0,22
0,38
Y=3
0,01
0,02
0,03
fX(x)
0,44
0,56
1
P( X = x, Y = 1)
.
P (Y = 1)
9
www.pontodosconcursos.com.br | Prof. Alexandre Lima
0
0,458
1
0,542
1
0,571
2
0,393
3
0,036
f X |Y ( xi | y k ) =
f ( xi , y k )
,
fY ( yk )
fY ( yk ) > 0
10
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(12)
f Y | X ( y k | xi ) =
f ( xi , y k )
,
f X ( xi )
f X ( xi ) > 0
f ( xi , y k ) = f X |Y ( xi | y k ) f Y ( y k ) = f Y | X ( y k | xi ) f X ( xi ) .
(14) E ( X | Y = y j ) = xi P ( X = xi | Y = y j ) .
i =1
f Y | X ( y | x) =
f XY ( x, y )
,
f X ( x)
f X ( x) > 0
f X |Y ( x | y ) =
f XY ( x, y )
,
f Y ( y)
fY ( y) > 0 .
11
www.pontodosconcursos.com.br | Prof. Alexandre Lima
fX|Y(x|y=1/2)
z=f(x,y)
1
1/2
(1,1)
podem
ser
0<x<1, 0<y<1-x.
1
y = 1-x
1 x
2(1 x y )
, 0 < x < 1 y ,
( y 1) 2
f Y | X ( y | x) =
2(1 x y )
, 0 < y < 1 x .
( x 1) 2
f X |Y ( x | y )dx =
f ( x, y ) / f Y ( y )dx =1 / fY ( y ) f ( x, y )dx = f Y ( y ) / f Y ( y ) = 1
13
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1 / x, 0 < y < x
f Y | X ( y | x) =
c.c.
0,
E (Y ) =
y. f
( y )dy .
f ( x, y ) = f Y | X ( y | x ) f X ( x ) =
1
, 0 < x <1, 0 < y < x .
x
14
www.pontodosconcursos.com.br | Prof. Alexandre Lima
70
60
50
40
30
20
10
0
1
1
0.8
0.5
0.6
0.4
0
0.2
0
fY ( y) =
y
1
1
dx = [ln x ]y = 0 ln y = ln y , 0<y<1.
x
Densidade Marginal de Y
7
-lny
0.1
0.2
0.3
0.4
0.5
y
0.6
0.7
0.8
0.9
E (Y ) = y ( ln y )dy = y ln ydy
Aplicaremos a frmula da integrao por partes:
y2
y2 1
y2
y
dy
E (Y ) = ln y
dy = ln y
2
2 0
2
2 y 0
y2
1
1
1 y2
E (Y ) = y 2 ln y ydy = y 2 ln y = y 2 ln y
0
2
2
2 0 2 2
0
Observao: o limite de y2lny quando y tende a zero pela direita (y0+) uma
indeterminao do tipo 0., ou seja,
lim y 2 ln y = 0
y 0 +
y2
ln y
1/ y
lim y ln y = lim 2 = lim
= lim = 0
y 0 +
y 0 + y
y 0+ 2 y 3
y 0 +
2
2
Ento,
E (Y ) =
1 1
1
1 ln 1 0 + 0 = = 0,25
2 2
4
Resposta: 100.E(Y) = 25
______________________________________________________
A esperana condicional de Y, dado que X=x, dada por
(17) E (Y | x) =
yf
Y|X
( y | x)dy .
Definio anloga pode ser dada para E(X|y). Observe que E(Y|x) uma
funo de x, isto , E(Y|x) = f(x), sendo denominada curva de regresso
de Y sobre x. A regresso ser vista em detalhes mais adiante.
Exemplo. Seja a densidade condicional
fY|X(y|x) = 1/x,
0<y<x.
16
x
x
1
1
1 y2
1 x2
E (Y | x) = y dy = ydy = = 0 = .
x
x0
x 2 0 x 2
2
0
x
f ( x, y ) = f X ( x ) f Y ( y ) .
x>0, y>0
so dadas por
f X ( x) = e x , para x>0 e
f Y ( y ) = e y , para y>0.
Como f(x,y) = fX(x)fY(y) = e-x.e-y = e-x-y, conclumos que X e Y so
independentes.
_______________________________________________________
f ( x1 , x2 ,..., xn ) = f X1 ( x1 ) f X 2 ( x2 )... f X n ( xn ) .
17
www.pontodosconcursos.com.br | Prof. Alexandre Lima
f X |Y ( x | y ) =
f ( x, y ) f X ( x ) f Y ( y )
=
= f X ( x) .
fY ( y)
fY ( y)
f Y | X ( y | x) =
f ( x, y ) f X ( x ) f Y ( y )
=
= fY ( y) .
f X ( x)
f X ( x)
Correlao e Covarincia
(22)
em que X = E[ X ] e Y = E[Y ] .
Se X e Y so variveis aleatrias discretas e f(xi,yj) sua funo de
probabilidade conjunta, a covarincia entre X e Y dada por
(23)
(24)
Cov( X , Y ) =
(x X )(y Y ) f ( x, y)dxdy .
(25)
s xy =
1 n
( xi x )( yi y )
n 1 i=1
19
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(26)
( X ,Y ) =
cov( X , Y )
X Y
r=
s xy
sx s y
sx =
1 n
( xi x ) 2
n 1 i=1
e sY o desvio-padro amostral de Y
(29)
sy =
1 n
( yi y ) 2 .
n 1 i =1
(30)
r=
i =1
i =1
( xi x )( yi y )
( xi x ) 2
i =1
S xy
S xx S yy
( yi y ) 2
20
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(31)
S xy = i=1 xi yi
(32)
S xx =
(33)
S yy = i =1 yi2
1
n
i =1 i
i =1
1
x
n
( x )
1
n
( y )
2
i =1 i
( x )( y )
i
i =1 i
i =1
(34)
r=
n xi yi xi yi
i
i i
2
2
2
2
n xi xi n yi yi
i i
i
i
CORRELAO NO CAUSALIDADE
Para as crianas, o tamanho do vocabulrio est correlacionado intensamente
com o tamanho do p. Entretanto, a aprendizagem de novas palavras no faz
com que o p cresa, nem o crescimento do p faz com que o vocabulrio
aumente. H um terceiro fator, a idade, que est correlacionada com o
tamanho do sapato e com o vocabulrio. As crianas mais velhas tendem a ter
um sapato maior e um vocabulrio maior, e isso resulta em uma correlao
21
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Cov( X , Y ) = ( X , Y ) = 0
e vlida a expresso
E[ XY ] = E[ X ]E[Y ]
Prova
Sejam X e Y variveis aleatrias contnuas. Prova similar pode ser dada para o
caso das variveis serem discretas (tente voc mesmo fazer aps estudar a
nossa soluo para variveis contnuas).
Primeiramente, lembre que f XY ( x, y ) = f X ( x) f Y ( y ) , pois X e Y so independentes.
Aplicando esse conceito na integral de E[XY], obtemos
22
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E[ XY ] = xyf XY ( x, y )dxdy = xf X ( x)dx yf Y ( y ) dy = E[ X ]E[Y ]
Cov( X , Y ) = E[ XY ] XY = 0
Distribuio Normal Bidimensional
A distribuio normal bivariada ou bidimensional um modelo importante para
variveis aleatrias contnuas bidimensionais.
A varivel (X,Y) tem distribuio normal bidimensional se sua densidade
conjunta for dada por
(35)
f ( x, y ) =
1
2 x y
x
1
exp
2
2
1
2(1 ) x
( x x )( y y ) y y
2
+
x
y
y
para < x < , < y < (foi usada a notao exp(x) = ex). Observe que a
densidade normal conjunta depende de cinco parmetros: X e Y (mdias), X
e Y (desvios padres) e (coeficiente de correlao entre Y e X). A figura
abaixo mostra a superfcie normal obtida para os seguintes parmetros: X =
Y = 0, X = Y = 1 e = 0,3.
23
www.pontodosconcursos.com.br | Prof. Alexandre Lima
0.15
z = f(x,y)
0.1
0.05
0
2
0
-2
-3
-1
-2
(b)
( x x ), y2 (1 2 ) e
f Y | X ( y | x) ~ N y +
x
f X |Y ( x | y ) ~ N x + x ( y y ), x2 (1 2 ) .
Logo E (Y | x) = y +
( x x ) e E( X | y) = x + x ( y y ) .
x
y
(36)
f ( x, y ) =
x 2
1 x x
2 x
y 2
1 y y
2 y
se
se
se
se
Assinale:
A) se nenhuma afirmativa estiver correta.
B) se somente as afirmativas I e III estiverem corretas.
C) se somente as afirmativas I e IV estiverem corretas.
D) se somente as afirmativas II e IV estiverem corretas.
E) se todas as afirmativas estiverem corretas.
Resoluo
Sejam X e Y variveis aleatrias. Ento a covarincia de X e Y definida como
Cov(X,Y) = E[(X-X) (Y-Y)] = E(XY) -
XY
XY.
x
(y y )
y
26
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Z = aX + bY
(38)
E[ Z ] = aE[ X ] + bE[Y ] .
A Eq. (38) nos diz que o valor esperado de uma combinao linear de
duas variveis aleatrias a combinao linear de seus respectivos
valores esperados. Essa regra pode ser generalizada para um nmero
arbitrrio de variveis aleatrias, quer elas sejam discretas ou contnuas.
As seguintes regras relativas varincia so vlidas:
1.
(39)
(40)
Se X, Y e Z so independentes ou no correlacionadas
(41)
variveis
Regresso
6.1
aleatrias
podem
ser
r
= m a
r
r
em que Fi denota a i-sima fora que age num corpo, m a massa e a a
acelerao. Repare que a frmula acima no contm um termo de
perturbao ou erro aleatrio, sendo, portanto, de carter no
probabilstico, isto , determinista. Outros exemplos de relaes fsicas
deterministas so as duas leis de Kirchhoff dos circuitos eltricos (lei das
malhas e lei dos ns), as quatro equaes de Maxwell do eletromagnetismo e a
lei do gs de Boyle.
do pai (1,70 m, 1,80 m e 1,90 m). Note que a uma dada altura do pai
corresponde uma populao (distribuio) com cinco possveis estaturas para o
filho. A reta de regresso na figura (linha tracejada) sugere que a estatura
mdia do filho tende a aumentar quando aumenta a estatura do pai.
Portanto, a regresso linear permite que o valor mdio da varivel dependente
(estatura do filho) seja estimado por meio dos valores observados das
estaturas dos pais (varivel explicativa).
2.2
2.15
2.1
2.05
2
1.95
1.9
1.85
1.8
1.75
1.6
1.65
1.7
1.75
1.8
1.85
1.9
1.95
29
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Ideias Fundamentais
Aprendemos que a anlise de correlao tem como objetivo medir a
intensidade ou grau de associao linear entre duas variveis aleatrias. Por
exemplo, podemos estar interessados em determinar a correlao existente
entre o hbito de fumar e a incidncia de cncer no pulmo, entre as notas das
provas de fsica e matemtica do exame vestibular, etc. Por outro lado, na
anlise de regresso estamos interessados em estimar o valor mdio
de uma varivel aleatria (suponha Y) com base nos valores fixos de
outra varivel (admita que X seja a varivel explanatria), ou seja, o
objetivo da anlise de regresso estimar a esperana condicional de Y, dado
que X = x
E (Y | x) = yfY | X ( y | x) dy,
30
www.pontodosconcursos.com.br | Prof. Alexandre Lima
2500
3000
3500
4000
4500
i = 1, 2, ..., n
31
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E(Y|x) = + x
em que , o intercepto, representa o ponto onde a reta corta o eixo das
ordenadas, e , o coeficiente angular, representa o quanto varia a mdia de Y
para um aumento de uma unidade da varivel X. A funo E(Y|x)
chamada Funo de Regresso Populacional (FRP).
Teremos ento o problema da regresso linear simples. O termo simples
significa que apenas duas variveis esto envolvidas.
6.2
(42)
yi = E (Y | xi ) + i = + X + i ,
i = 1,2,...n
32
www.pontodosconcursos.com.br | Prof. Alexandre Lima
x1
x2
y = a + bx
ilustrado pela prxima figura). Ou seja, devemos procurar a reta para a qual
n
se consiga minimizar a soma dos quadrados dos resduos i=1 ei2 (note
que a figura usa a notao i = ei para o resduo). A idia central desse
procedimento simplesmente a de minimizar a variao residual em torno da
reta estimativa.
i2 = 0
a i
i2 = 0 .
b i
2 ( yi a bxi ) = 0 ,
i
(47)
2 xi ( yi a bxi ) = 0
i
34
www.pontodosconcursos.com.br | Prof. Alexandre Lima
=
+
y
na
b
xi
i
i =1
i =1
n
n
n
xi yi = a xi + b xi2
i =1
i =1
i =1
(48)
S xy
b=
S xx
a = y bx
(49)
1
0,5
2
0,6
3
0,9
4
0,8
5
1,2
6
1,5
7
1,7
8
2,0
xi
yi
x i yi
x 2i
y 2i
1
2
3
4
5
6
7
8
xi = 36
0,5
0,6
0,9
0,8
1,2
1,5
1,7
2,0
yi = 9,2
0,5
1,2
2,7
3,2
6,0
9,0
11,9
16,0
xi yi = 50,5
1
4
9
16
25
36
49
64
x i2 = 204
0,25
0,36
0,81
0,64
1,44
2,25
2,89
4,00
y i2 = 12,64
Vimos que
35
www.pontodosconcursos.com.br | Prof. Alexandre Lima
S xy = i=1 xi yi
n
S xx =
1
n
( x )( y )
1
x
n
2
i =1 i
i =1 i
i =1
( x )
i =1 i
S xy
b=
S xx
a = y bx
Fazendo os clculos, temos que
S xy = 50,5
36 9,2
= 9,1
8
S xx = 204
36 2
= 42
8
Logo,
9,1
b = 42 0,217
36
9,2
a = y bx =
0,217 = 0,174
8
8
y = 0,174 + 0,217 x .
Para o clculo do coeficiente de correlao, necessrio usar os valores da
coluna yi2 da Tabela dada:
1
S yy = i =1 y
n
n
2
i
( y )
i =1
9,2 2
S yy = 12,64
2,06
8
r=
S xy
S xx S yy
9,1
0,98
42 2,06
36
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.5
0.5
0
0
II.
III.
IV.
Y = + X + .
2.
E ( ) = 0
37
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E (Y ) = + x
3.
var( ) = 2 = var(Y )
4.
(ortogonalidade) (**)
cov( i , j ) = cov(Yi , Y j ) = 0
5.
a varivel x no aleatria.
6.
1
n
1
S xx = i =1 ( X i X ) = i =1 X
n
S xy = i =1 ( X i X )(Yi Y ) = i =1 X iYi
n
2
i
1
S yy = i =1 (Yi Y ) = i =1Yi
n
n
n
i =1
n
i =1
Xi
)( Y )
Xi
i =1 i
( Y )
n
i =1 i
b=
S xy
i =1
S xx
( X i X )(Yi Y )
( X i X )2
i =1
a = Y bX .
Observe que estamos usando uma notao diferente do enunciado: a
quantidade Sxy definida acima no a covarincia entre X e Y.
Podemos calcular b adaptando a frmula dada acima:
i =1
b=
( X i X )(Yi Y )
n
i=1 ( X i X ) 2
n
s xy
s x2
b=
36
= 1,2
30
25
= 2.000
= 235.000
i =1
i =1
25
25
X i = 500
2
i
= 20.000
i =1
i =1
25
X Y
i i
= 65.000
i =1
y = a + bx
Pede-se os valores de a e b, respectivamente.
40
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1
500 2
S xx = xi xi = 20000
= 10000
n i
25
i
S xy = xi yi
i
1
500 2000
= 25000
xi yi = 65000
n i
25
i
Logo,
b=
S xy
S xx
25000
= 2,5
10000
2000
500
( 2,5)
= 30
25
25
41
www.pontodosconcursos.com.br | Prof. Alexandre Lima
= 39,0
t =1
a = Y bT
Y =
1 10
39,0
Yt =
= 3,9
10 t =1
10
T =
1 + 2 + 3 + ... + 10
= 5,5
10
GABARITO: B
6.3
Coeficiente de Determinao
y i = y bx + bxi .
i =1
i =1
i =1
( y i y ) 2 = ( y bx + bxi y ) 2 = b 2 ( xi x ) 2 .
Usando (32) e (33) (frmulas de S xx e S yy , respectivamente) e (49) (frmula
do coeficiente b), temos
n
(51)
( y
y ) = b S xx = bS xy =
2
i =1
S xy2
S xx
( y
i =1
43
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(y
i =1
i =1
i =1
2
y i ) 2 = ( yi y + bx bxi ) 2 = [( yi y ) b( xi x )] =
= ( yi y ) 2 2b( yi y )( xi x ) + b 2 ( xi x ) 2 .
i =1
(52)
(y
y i ) 2 = S yy bS xy .
i =1
(y
Substituindo (51) e
y ) 2 = S yy em (52), obtemos
i =1
(53)
i =1
i =1
i =1
( yi y ) 2 = ( yi y i ) 2 + ( y i y ) 2 .
SQE = ( yi y i ) 2
i =1
residual) e
explicada).
variao total = variao residual +variao explicada
SQE SQR
+
SQT SQT
SQR bS xy
=
.
SQT
S yy
Substituindo b =
(57)
S xy
S xx
em (56) obtemos
S xy2
SQR S xy S xy
=
=
= R2
SQT S xx S yy S xx S yy
ou
(58)
R2 = 1
SQE
.
SQT
r2 = R2
Ou seja, o quadrado do coeficiente de correlao amostral algebricamente
igual ao coeficiente de determinao. Intuitivamente, essa relao tem
sentido: r2 est entre 0 e 1 e mede a fora da associao linear entre X e Y.
Essa interpretao no se afasta muito da de R2: a proporo da variao de Y,
em torno de sua mdia, explicada por X dentro do modelo de regresso.
Exemplo (APOFP-SP/ESAF/2009). Uma amostra aleatria simples (X1,Y1),
(X2,Y2), ..., (Xn,Yn) de duas variveis aleatrias X e Y forneceu as seguintes
quantidades:
11
( X i X ) 2 = 414
i =1
11
(Yi Y ) 2 = 359
i =1
11
(X
X )Yi = 345
i =1
S xy
SQR
=
R =
SQT S xx S yy
2
Temos que
46
www.pontodosconcursos.com.br | Prof. Alexandre Lima
11
(X
i =1
11
(Y
X ) 2 = 414 = S xx
Y ) 2 = 359 = S yy
i =1
11
11
i =1
i =1
11
11
11
11
11
11
X i Yi
i =1
i =1
i =1
i =1
i =1
i =1
11
=S XY
Logo,
R2 =
345 345
R 2 0,80
414 359
i,
10
S1 = Ci = 90
10
S 2 = Yi = 100
i =1
S 3 = Yi Ci = 1.100
i =1
10
S 4 = Yi 2 = 1.250
i =1
i =1
10
S 5 = Ci2 = 1.010
i =1
47
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(renda
disponvel)
(y
y )(ci c )
i =1
R=
Cov (Y , C )
=
DP (Y ) DP (C ) 1
n
n
n
(y
i =1
y ) 2 (ci c ) 2
S yc
S yy S cc
i =1
1
90 100
y i ci = 1.100
= 200
i i
n
10
1
2
100 2
S yy = i yi2 i yi = 1.250
= 250
n
10
A) S yc = i yi c i
48
www.pontodosconcursos.com.br | Prof. Alexandre Lima
S cc = i ci2
1
n
( c )
i i
= 1.010
90 2
= 200
10
S yc2
200 2
R =
=
= 0,8 0,64 FALSA
S yy S cc 250 200
2
B) b = =
S yc
S yy
a = = c by =
90
100
0,8
= 9 8 =1
10
10
Logo,
C = 1 + 0,8 y C = 1 + 0,8 15 = 1 + 12 = 13 (em bilhes de dlares) VERDADEIRA
tenham
distribuio
de
X
t
ti
=0
t =2
7.1
1 n t
xi
n i=1
(62) M ta =
1 n
( xi a ) t
n i=1
1 n
( xi x )t
n i =1
i =1
(64) M t =
1 k t
xi f i ,
n i=1
(65) M ta =
1 k
( xi a )t f i
n i=1
(66) mt =
1 k
( xi x ) t f i ,
n i=1
1 n
xi (basta aplicar (61) com t=1).
n i =1
n
1 n
1 n
1 n
( xi x ) = xi x = xi nx = x x = 0 .
n i=1
n i=1
n i=1
i =1
52
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1 n
( xi x ) 2 =s x2 .
n i =1
r = E[( X ) r ]
r = (x ) r f (x)
(72)
r =
(x )
f (x)dx
(73)
r = E( X r )
r = x r f (x)
(75)
r =
f (x)dx
2 = E(X 2 ) [E(X)]2 = 2 2 .
7.3
M X (t) = e tx f (x)
(78)
M X (t) =
tx
f (x)dx
A funo geratriz de momentos pode ser usada para obter todos os momentos
ordinrios de uma varivel aleatria:
Seja X uma varivel aleatria com funo geratriz de momento MX(t). Ento
(79)
E(X r ) =
d r M X (t)
dt r t = 0
n
f ( x) = p x (1 p ) n x ,
x
x = 0,1,2,..., n .
M X (t ) = [ pet + (1 p)]n .
x A B
x=0
n x
54
www.pontodosconcursos.com.br | Prof. Alexandre Lima
dM X (t )
= M X (t ) = npet [ pet + (1 p )]n 1 = npet [1 + p (et 1)]n 1
dt
d 2 M X (t )
= M X (t ) = npet [ pet + (1 p )]n 1 = npet [1 + p (et 1)]n 1
2
dt
(et) = et
Se fizermos t = 0 em M X (t ) obteremos
M X (t )
t =0
= 1 = = np
M X (t )
t =0
= 2 = E ( X 2 ) = np (1 p + np ) .
1
M X (t ) = etx
e
2
1
M X (t ) =
e
2
( x )2
2 2
2 t 2 x
2 2
dx
( x 2 2 x + 2 )
2 2
dx
55
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1
M X (t ) =
e
2
[ x 2 2 ( + t 2 ) x + 2 ]
2 2
dx
x 2 2( + t 2 ) x + 2 = [ x ( + t 2 )]2 2t 2 t 2 4
e a funo geratriz de momentos pode ser reescrita na forma
1
M X (t ) =
e
2
M X (t ) = e
t +
{[ x ( + t 2 )]2 2 t 2 t 2 4 }
2 2
2t 2
1
e
dx
[ x ( + t 2 )]2
2 2
dx
M X (t ) = e
t +
2t 2
2
1 u2
e du
2
Note que a integral na expresso acima apenas a rea total sob a densidade
normal, a qual, por definio, igual a 1. Logo,
M X (t ) = e
t +
2t 2
2
'
X
2t 2
2 t + 2
M (t) = e
''
X
t +
2t 2
2
+ ( + t ) e
2
t +
2t 2
2
Se fizermos t = 0 em M X (t ) e M X (t ) , obteremos
M X (t )
t =0
= 1 = .
56
www.pontodosconcursos.com.br | Prof. Alexandre Lima
M X (t )
t =0
= 2 = 2 + 2
var( X ) = 2 2 = 2 + 2 2 = 2 .
Propriedades das Funes Geratrizes de Momentos
A seguir esto listadas, sem as respectivas demonstraes, algumas
propriedades importantes das funes geradoras de momentos que podero
ser cobradas na prova.
(1) Unicidade: a funo geratriz de momentos de uma varivel aleatria
nica
quando ela existe; logo, se tivermos duas variveis aleatrias X e Y
com funes geratrizes de momentos MX(t) e MY(t), respectivamente, ento, se
MX(t) = MY(t), isto quer dizer que X e Y tem a mesma distribuio de
probabilidades.
(2) Seja a uma constante e X uma varivel aleatria. Ento vale
MX+a(t) = eatMX(t).
(3) Seja a uma constante e X uma varivel aleatria. vlida a relao
MaX(t) =MX(at).
(4) Sejam a e b constantes (b 0) e X uma varivel aleatria. Ento
t
M ( X + a ) / b (t ) = e at / b M X .
b
e x
,
x!
x = 0,1,2,...
57
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yn
n! = e
n =0
Sendo assim
M X (t) = e e
tx
x!
x=0
= e
x =0
t
t
( e t ) x (e t ) x
=e
= e e e = e ( e 1) .
x!
x!
x=0
M Y (t ) = M X 1 (t ) M X 2 (t ) = e1 ( e 1) e2 ( e 1) = e( 1 + 2 )(e
t
1)
M X (t )
t =0
= 2 = E ( X 2 )
M X (t ) = ( + 1) (1 t ) 2 ( ) = ( + 1)(1 t ) 2
M X (t ) = ( 2) ( + 1) (1 t ) 3 ( ) = 2 ( + 1)( + 2)(1 t ) 3
Com =1 M X (t )
t =0
= 2 2 3 (1 0) 4 = 6 2 .
GABARITO: D
59
www.pontodosconcursos.com.br | Prof. Alexandre Lima
f(x,y)0,
b d
- Distribuies marginais:
f ( x, y)dy e
(x ) = f (x , y ) e
f X ( x) =
fX
f ( x, y )dx
) = f (x , y
fY ( y) =
fY ( yk
- Distribuies condicionais:
a) Variveis Discretas:
f X |Y ( xi | y k ) =
f ( xi , y k )
f ( xi , y k )
e f Y | X ( y k | xi ) =
fY ( yk )
f X ( xi )
f ( xi , y k ) = f X |Y ( xi | y k ) f Y ( y k ) = f Y | X ( y k | xi ) f X ( xi )
n
E ( X | Y = y j ) = xi P ( X = xi | Y = y j )
i =1
k
E (Y | X = xi ) = y j P (Y = y j | X = xi )
j =1
b) Variveis Contnuas:
f X |Y ( x | y ) =
f ( x, y )
f ( x, y )
e f Y | X ( y | x) =
fY ( y)
f X ( x)
f ( x, y ) = f X |Y ( x | y ) f Y ( y ) = f Y | X ( y | x) f X ( x)
E ( X | y ) = xf X |Y ( x | y )dx
E (Y | x) = yf Y | X ( y | x)dy
f ( x, y ) = f X ( x ) f Y ( y )
f X |Y ( x | y ) = f X ( x)
f Y | X ( y | x) = f Y ( y )
Cov( X , Y ) =
1 n
( xi x )( yi y )
n 1 i=1
- Correlao: ( X , Y ) =
Cov( X , Y )
X Y
, -11.
s xy
sx s y
ou
1 n
( xi x ) 2 (desvio padro amostral de X)
n 1 i=1
sy =
1 n
( yi y ) 2 (desvio padro amostral de Y)
n 1 i =1
S xy
S xx S yy
S xy = xi yi xi yi
n i i
i
61
www.pontodosconcursos.com.br | Prof. Alexandre Lima
S xx = xi xi
n i
i
S yy = yi yi
n i
i
S xy
s xy
2
x
S xx s
a = y bx = mdia de Y menos (declividade x mdia de X)
SQT = SQE + SQR
n
residual) e
n
explicada).
62
www.pontodosconcursos.com.br | Prof. Alexandre Lima
r = x r f (x)
r =
f ( x)dx
M X (t ) = etx f ( x)dx
E( X r ) =
d r M X (t )
dt r
t =0
63
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Exerccios de Fixao
Em
relao
aos
modelos
de
64
www.pontodosconcursos.com.br | Prof. Alexandre Lima
II.
III.
Cov(X,Y) a covarincia de X e Y.
A)
[Y ( X )]
i=1
n
B)
i=1
C)
[Y ( X )]
i=1
D)
[Y
Yi 2 ]
( X i ) 2 ]
i=1
E)
[Y X ]
[Y
i=1
2
4
6
1
1/8
1/4
1/8
Y
3
1/24
1/4
1/24
9
1/12
0
1/12
A) X e Y no so independentes.
B) X e Y so independentes.
C) X e Y so correlacionadas.
D) X e Y tm distribuio conjuntamente normal.
E) X e Y tm distribuies marginais normais.
(Inditas) O enunciado a seguir refere-se s questes de nmeros 12
e 13.
Considere as variveis aleatrias independentes X 1 , X 2 ,..., X n . Suponha que
essas n variveis possuam a mesma distribuio de probabilidades com mdia
e varincia 2 . Seja
n
X=
1
X .
n i=1 i
B) 2
C)
D) 2 / .
E) 0
13. Podemos afirmar que a varincia de X
A) / 2
B) 2 / n
C) n 2
D) 2 /
E) 0
14. (BACEN - rea 3/FCC/2006) Uma empresa, com a finalidade de
determinar a relao entre os gastos anuais com propaganda (X), em R$ 1
000,00, e o lucro bruto anual (Y), em R$1.000,00, optou por utilizar o modelo
linear simples Yi = + X i + i , em que Yi o valor do lucro bruto auferido no
ano i, X i o valor gasto com propaganda no ano i e i o erro aleatrio com as
67
www.pontodosconcursos.com.br | Prof. Alexandre Lima
10
= 100
i=1
referentes
10
X Y
= 60
i i
i=1
10
informaes
= 650
i=1
10
X 2i = 400
i=1
i=1
2
i
= 1.080
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, temse que, caso haja um gasto anual com propaganda de 80 mil reais, a previso
A) 84
B) 102,5
C) 121
D) 128,4
E) 158
15. (INDITA) Considere os dados da questo 14. O coeficiente de correlao
de
A) 0
B) 2,5
C) 1,25
D) 0,88
E) 0,63
68
www.pontodosconcursos.com.br | Prof. Alexandre Lima
X
Y
Z
X
1,000
0,800
0,000
1,000
-0,500
1,000
a2 = 10a1 ;
II.
b2 = b1 + 100;
III.
R22 = R12 .
Assinale:
A) se somente a afirmativa I for verdadeira.
B) se somente as afirmativas I e II forem verdadeiras.
C) se somente as afirmativas I e III forem verdadeiras.
D) se somente as afirmativas II e II forem verdadeiras.
E) se todas as afirmativas forem verdadeiras.
18. (Indita) Seja a funo densidade de probabilidade f ( x) = 2 x para 0 x 1
e f ( x) = 0 para os demais valores de x. Suponha que X1 e X2 sejam variveis
aleatrias independentes, cada uma delas com a funo densidade de
69
www.pontodosconcursos.com.br | Prof. Alexandre Lima
22
22
22
= 440
(X
= 286
22
(Y Y )
i
X ) 2 = 850 ,
i=1
i=1
i=1
22
= 1.690
i=1
(X
X )(Yi Y ) = 1.105
i=1
A) Yi = 13 + 0,65X i
B) Y = 13 +1,3X
i
C) Yi = 20 + 0,65X i
D) Y = 20 + 2X
i
E) Yi = 13 +1,3X i
20. (Fiscal de Rendas do Municpio do RJ/ESAF/2010) Com os dados da
questo anterior, calcule o valor mais prximo do coeficiente de determinao
R2 da regresso linear de X em Y.
A) 0,65
B) 0,81
C) 0,85
D) 0,91
E) 0,88
21. (IBGE/Cesgranrio/2010) Ajustou-se um modelo de regresso linear
simples a dados provenientes de alguns experimentos executados por um
fabricante de concreto, com o objetivo de determinar de que forma e em que
70
www.pontodosconcursos.com.br | Prof. Alexandre Lima
SQR = Yi Y
i =1
SQE = Yi Yi
= 5.275,2
i =1
) = 366,6
2
B) 0,064
C) 0,5
D) 0,94
E) 14,38
22. (IBGE/Cesgranrio/2010/Adaptada) Dentre os itens abaixo, identifique
as premissas bsicas para o modelo de regresso.
I.
II.
D) 0 e 75/2.
E) 0 e 25/2.
24. (ICMS-RJ/FGV/2011) A tabela abaixo mostra os valores de duas
variveis, X e Y.
X
4
4
3
2
Y
4,5
5
5
5,5
Sabe-se que
X = 13
Y = 20
XY = 64
X = 45
( X ) = 169
2
X1 , X 2 , X3 ,..., X N
variveis
72
www.pontodosconcursos.com.br | Prof. Alexandre Lima
73
www.pontodosconcursos.com.br | Prof. Alexandre Lima
74
www.pontodosconcursos.com.br | Prof. Alexandre Lima
75
www.pontodosconcursos.com.br | Prof. Alexandre Lima
10. Gabarito
1E
2E
3E
4C
5E
6C
7C
8A
9B
10 E
11 A
12 C
13 B
14 B
15 D
16 C
17 C
18 D
19 E
20 C
21 D
22 A
23 D
24 C
25 D
26 D
27 A
28 A
29 E
76
www.pontodosconcursos.com.br | Prof. Alexandre Lima
0.15
0.1
0.05
0
2
0
-2
y
-3
-2
-1
Essa integral dupla pode ser interpretada como o volume sob a superfcie
f(x,y) ao longo da regio R.
77
www.pontodosconcursos.com.br | Prof. Alexandre Lima
P(VG|NMT) + P(NVG|NMT) = 1
O item errado, pois
78
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E (Y | X ) = 1 + 2 X = 15 + 5 X
A estimativa da inclinao 2 dada pela frmula:
2 = r
Y
X
2 = 5 = r
Y
X = r Y
5
X
Conclui-se que correto afirmar que o desvio padro dos valores de X ser
proporcional a 1/5 do desvio padro dos valores de Y (o coeficiente de
proporcionalidade o coeficiente de correlao).
GABARITO: C
(ANAC/Cespe-UnB/2012/Adaptada)
regresso, julgue os prximos itens.
Em
relao
aos
modelos
de
Resoluo
preciso esclarecer o significado do termo "linear".
Linearidade nas Variveis
O primeiro significado de linearidade que a esperana condicional de Y dado
x uma funo linear de x, como por exemplo, no modelo
E(Y|x) = + x
em que a curva de regresso em funo de x uma reta.
Linearidade nos Parmetros
A segunda interpretao de linearidade que a esperana condicional de Y
dado x uma funo linear dos parmetros e ; isso pode ou no ser linear
na varivel X. Nesta interpretao,
E(Y|x) = + .exp(x)
um modelo de regresso linear simples.
De acordo com a segunda interpretao, o modelo de regresso Yi = 0 +
1exp(Xi) + i, i ~ N(0, 2) um modelo linear simples nos parmetros. Item
certo.
GABARITO: C
5. O grfico abaixo mostra o consumo de combustvel de aviao (em gales)
por milha nutica voada e o ajuste de uma reta a todos os pontos mostrados
via regresso linear. Sabendo-se que uma primeira regresso linear foi
realizada utilizando-se apenas os pontos com preenchimento e que a incluso
do ponto sem preenchimento levou a um considervel deslocamento dessa
reta, ento correto afirmar que esse ponto denomina-se ponto de inflexo.
80
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Resoluo
A literatura no reconhece a existncia dessa terminologia chamada "ponto de
inflexo" na regresso linear. Item errado. Sem maiores comentrios.
GABARITO: E
(ANAC/Cespe-UnB/2012/Adaptada) A respeito de modelos de regresso e
coeficientes de correlao, julgue os itens que se seguem.
6. A esperana condicional E(Y|X = k) = 0 + 1k3 +2 cos(k) representa um
modelo de regresso linear mltipla.
Resoluo
Um modelo de regresso que contenha mais de um regressor denominado
modelo de Regresso Linear Mltipla (RLM).
Por exemplo, suponha que a quantidade demandada (varivel dependente Y)
de um produto dependa do preo do produto (regressor X2) e da renda do
comprador (regressor X3). Um modelo de RLM que pode descrever essa relao
GABARITO: C
7. Em um modelo linear simples, se o coeficiente de determinao for 0,81, o
desvio padro da varivel resposta for 1/3 do desvio padro da varivel
explicativa e a inclinao da reta de regresso for negativa, o coeficiente
estimado de inclinao dessa reta ser -0,30.
Resoluo
Dados: R2 = 0,81, Y = X/3, b = -0,3 (coeficiente estimado de inclinao da
reta de regresso).
Sabemos que R2 = r2. Ento, | r |= R 2 = 0,81 = 0,9 .
r=
s xy
sx s y
s xy
sx s x / 3
3s xy
s x2
3 | s xy |
0,9 =
| s xy |
2
x
s x2
3 | s xy |
s x2
=| b |= 0,3
(lembre da frmula b =
s xy
s x2
II.
III.
Cov(X,Y) a covarincia de X e Y.
A)
[Y ( X )]
i
i =1
83
www.pontodosconcursos.com.br | Prof. Alexandre Lima
B)
[Y X ]
i
i =1
n
C)
[Y ( X )]
i
i =1
n
D)
[Y
2
Yi ]
( X i ) 2 ]
i =1
n
E)
[Y
i =1
Resoluo
A questo forneceu todas as informaes necessrias para a resoluo.
Pelo Mtodo dos Mnimos Quadrados temos que minimizar a soma dos
quadrados das diferenas entre os valores de Yi e as respectivas estimativas Y i
, por meio da reta de regresso. Logo teramos:
[Y Y ] = [Y ( + X )] = [Y X ]
n
i =1
i =1
i =1
2
4
6
1
1/8
1/4
1/8
Y
3
1/24
1/4
1/24
9
1/12
0
1/12
D) 12
E) 0
Resoluo
A covarincia entre as variveis aleatrias discretas X e Y dada pela
expresso
Cov( X , Y ) = [ xi X ][ y j Y ] f ( xi , y j ) .
i
dada por
g X ( xi ) = f ( xi , y j ) . Logo
j
1 1
1 1
1
1 1
g X ( x = 2) = g X ( x = 6) = +
+ = e g X ( x = 4) = + + 0 = .
8 24 12 4
2
4 4
1
1
1
E[ X ] = X = 2 + 4 + 6 = 4
4
2
4
E[Y ] = yhY ( y j ) , em que hY(y) a funo de probabilidade marginal de Y, dada
j
por
hY ( y j ) = f ( xi , y j ) . Logo
i
1 1 1 1
1 1 1 1
1
1 1
hY ( y = 1) = + + = , hY ( y = 3) =
+ +
= e hY ( y = 9) = + 0 + = .
8 4 8 2
24 4 24 3
12
12 6
1
1
1
E[Y ] = Y = 1 + 3 + 9 = 3
2
3
6
Agora j podemos calcular a covarincia, pois temos os valores de X e Y .
Sendo assim,
Cov(X,Y ) = [x i X ][y j Y ] f (x i , y j ) =
i
= (2 4) (1 3) 1 / 8 + (2 4) (3 3) 1 / 24 + (2 4) (9 3) 1 / 12 +
85
+ (4 4) (1 3) 1 / 4 + (4 4) (3 3) 1 / 4 + (4 4) (9 3) 0 +
+ (6 4) (1 3) 1 / 8 + (6 4) (3 3) 1 / 24 + (6 4) (9 3) 1 / 12 =
Cov( X , Y ) = 1 / 2 + 0 1 + 0 + 0 + 0 1 / 2 + 0 + 1 = 0
Logo, X e Y so variveis no correlacionadas.
Voc tambm chegaria ao mesmo resultado se usasse a frmula equivalente
Cov( X , Y ) = E[ XY ] XY
Confirme voc mesmo que E[ XY ] = 12 . Portanto,
Cov( X , Y ) = 12 4 3 = 0
GABARITO: E
11. Assinale a alternativa correta.
A) X e Y no so independentes.
B) X e Y so independentes.
C) X e Y so correlacionadas.
D) X e Y tm distribuio conjuntamente normal.
E) X e Y tm distribuies marginais normais.
Resoluo
Anlise das alternativas:
(A) Se X e Y so independentes, deve valer
f ( xi , y j ) = g X ( xi ) hY ( y j ) para quaisquer valores de X e Y.
f XY (2,3) =
1
1 1 1
g X (2) hY (3) = =
24
4 3 12
X=
1
X .
n i =1 i
B) 2
C)
D) 2 / .
E) 0
Resoluo
1
1
E[X ] = E (X1 + X 2 + ...+ X n ) = (E[X1 ] + E[X 2 ] + ...+ E[X n ])
n
n
1
n
= ( + + ...+ ) =
=
n
n
GABARITO: C
D) 2 /
E) 0
Resoluo
1
1
1
2
var(X ) = var (X1 + X 2 + ...+ X n ) = 2 var(X1)+ var(X 2 )+ ...+ var(X n ) = 2 n 2 =
n
n
n
n
x=
1
x .
n i =1 i
n
1
As questes 12 e 13 mostram que o estimador X = X i no viesado (
n i =1
GABARITO: B
10
= 100
i =1
referentes
10
X Y
= 60
i i
i =1
10
informaes
= 650
i =1
10
X 2i = 400
i =1
i =1
2
i
= 1.080
88
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, temse que, caso haja um gasto anual com propaganda de 80 mil reais, a previso
do lucro bruto anual, em mil reais, ser de
A) 84
B) 102,5
C) 121
D) 128,4
E) 158
Resoluo
1
S xy = xi yi xi yi ,
n i i
i
1
S xx = xi xi
n i
i
S xy
b=
S xx
a = y bx
Fazendo os clculos, temos que
S xy = 650
60 100
= 50
10
S xx = 400
60 2
= 40
10
Logo,
50
= 1,25
b=
40
60
100
a = y bx =
1,25
= 10 7,5 = 2,5
10
10
89
www.pontodosconcursos.com.br | Prof. Alexandre Lima
GABARITO: B
r=
S xy
S xx S yy
2
S yy
r=
100 2
1
= y i y i = 1.080
= 80
10
n i
i
50
0,88
40 80
GABARITO: D
16. (ICMS-RJ/FGV/2008) Sejam X, Y e Z trs variveis com correlaes de
Pearson expressas pela matriz abaixo:
X
Y
Z
X
1,000
0,800
0,000
1,000
-0,500
1,000
a2 = 10a1 ;
II.
b2 = b1 + 100;
III.
R22 = R12 .
Assinale:
A) se somente a afirmativa I for verdadeira.
B) se somente as afirmativas I e II forem verdadeiras.
C) se somente as afirmativas I e III forem verdadeiras.
D) se somente as afirmativas II e II forem verdadeiras.
E) se todas as afirmativas forem verdadeiras.
Resoluo
s xy
sx s y
e que r2 = R2.
Ento,
92
www.pontodosconcursos.com.br | Prof. Alexandre Lima
r1 =
r1 =
s xy
sx s y
1
1
( xi x )( yi y )
( xi x )( yi y )
n
n
=
2
1
1
2
2
1
2
2
x
x
y
y
(
)
(
)
i
i
( xi x ) ( yi y )
n
n
n
1
( xi x )( yi y )
n
1
n
( ( x x ) )( ( y
y)2
( x x )( y y )
( ( x x ) )( ( y y ) )
)(
e
r2 =
( x x )( y E[ y ])
( ( x x ) )( ( y E[ y ]) )
,
i
,
i
r2 =
10( x
y)2
( x x )( y y )
=r
( ( x x ) )( ( y y ) )
x )( yi y )
( ( x x ) )(100( y
i
r2 =
r2 =
Substituindo
10 ( xi x )( yi y )
100 ( xi x ) 2
)( ( y
y)2
10 ( xi x )( yi y )
=
10
( ( x x ) )( ( y
2
y)2
R22 = R12
22
= 440
i =1
22
(X
= 286
i =1
22
(Y Y )
i
X ) 2 = 850 ,
i =1
22
= 1.690
i =1
(X
X )(Yi Y ) = 1.105
i =1
A) Yi = 13 + 0,65 X i
B) Y = 13 + 1,3 X
i
C) Yi = 20 + 0,65 X i
D) Yi = 20 + 2 X i
E) Y = 13 + 1,3X
i
Resoluo
Modelo de regresso linear simples:
Y = + X + ,
94
www.pontodosconcursos.com.br | Prof. Alexandre Lima
S xx
s x2
a = y bx = mdia de Y menos (declividade x mdia de X)
Dados:
22
1
1.105
(X i X )(Yi Y ) =
n i =1
n
22
1
850
(X i X ) 2 =
n i =1
n
22
1
286
- mdia de Y = Y = Yi =
= 13
n i =1
22
22
440
1
- mdia de X = X = X i =
= 20
n i =1
22
Logo,
1.105
sxy
1.105
n
1.105
b= 2 = n =
=
= 1,3
850
n
850
850
sx
n
a = y bx = 13 1,3 20 = 13 26 = 13
GABARITO: E
E) 0,88
Resoluo
Nunca podemos esquecer os conceitos fundamentais. Lembre que a
correlao entre as variveis aleatrias X e Y, denotada por (X,Y), dada
por:
( X ,Y ) =
Cov( X , Y )
XY
r=
s xy
sx s y
1 22
( X i X )(Yi Y )
n i=1
=
1 22
1 22
1
2
2
(Xi X )
(Yi Y )
n
n i =1
n i=1
22
r=
(X
X )(Yi Y )
=
i =1
22
(X
X )2
i =1
22
(Y Y )
1 22
( X i X )(Yi Y )
n i=1
22
(X
i =1
X )2
22
(Y Y )
i =1
1.105
1.105
=
= 0,92
850 1.690 29,15 41,11
i =1
r 2 = R 2 = 0,92 2 = 0,85 .
NOTA: no confunda correlao amostral r com correlao (X,Y)! A primeira
uma estimativa da segunda. A correlao um momento estatstico. S
conseguimos calcular a correlao (X,Y) quando conhecemos a distribuio
conjunta de probabilidade de X e Y, ou seja, quando sabemos quem a funo
f(X,Y).
GABARITO: C
21. (IBGE/Cesgranrio/2010) Ajustou-se um modelo de regresso linear
simples a dados provenientes de alguns experimentos executados por um
fabricante de concreto, com o objetivo de determinar de que forma e em que
96
www.pontodosconcursos.com.br | Prof. Alexandre Lima
SQR = Yi Y
= 5.275,2
i =1
SQE = Yi Yi
= 366,6
i =1
B) II e III.
C) I, III e IV.
D) I, III e V.
E) I, II, III e V.
Resoluo
Anlise dos itens:
I) Premissa verdadeira, pois parte-se do princpio de que a relao entre as
variveis independente e dependente linear.
II) Falsa. A varincia
(homocedasticidade).
dos
termos
de
erro
deve
ser
constante
X 2X2 + X3 1
1
E (Z ) = E 1
E (X1 2 X 2 + X 3 ) = {E ( X1 ) 2 E ( X 2 ) + E ( X 3 )}
=
4
4
4
98
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E(Z) =
Varincia de Z:
X 2 X2 + X3 1
Var( Z ) = Var 1
= 2 {Var( X1 ) + (2) 2 Var( X 2 ) + Var( X 3 )}
4
4
Var ( Z ) =
1
{Var ( X 1 ) + 4Var ( X 2 ) + Var( X 3 )} = 1 (100 + 400 + 100) = 600 = 75
16
16
16
2
Y
4,5
5
5
5,5
Sabe-se que
X = 13
Y = 20
X Y = 64
X = 45
( X ) = 169
2
S xy
S xx
Lembre que
S xy = XY
( X ) ( Y )
n
( X )
S xx = X
S xy = 64
S xx = 45
13 2
169 180 169 11
= 45
=
=
4
4
4
4
b=
S xy
S xx
4
4 4
4
= 4 =
=
11
4 11
11
4
GABARITO: C
25. (ICMS-RJ/FGV/2011) Para duas variveis populacionais, X e Y, o
desvio-padro de X 40, o desvio-padro de Y 20 e a covarincia entre Y e X
100. Assim, o coeficiente de correlao entre X e Y
A) 0,5.
B) 2
C) -0,25
D) -0,125
E) 0,125
Resoluo
Questo imediata. Sabemos que
100
www.pontodosconcursos.com.br | Prof. Alexandre Lima
( X ,Y ) =
cov( X , Y )
XY
( X ,Y ) =
100
1
= = 0,125
40 20
8
GABARITO: D
26. (Economista-CODEBA/FGV/2010) Sejam
aleatrias para uma amostra de tamanho N.
X 1 , X 2 , X 3 ,..., X N
variveis
X 1 + X 2 + X 3 + ... + X N
N
2
.
N
N
N
III. O valor esperado de X i , igual a E X i = N
i =1
i =1
Assinale
101
www.pontodosconcursos.com.br | Prof. Alexandre Lima
N
1
1
1
E[ X ] = E ( X 1 + X 2 + ... + X n ) = (E[ X 1 ] + E[ X 2 ] + ... + E[ X n ]) = ( + + ... + ) =
=
N
N
N
N
Alm disso,
E[ X i ] = E[NX ] = NE[X ] = N
N
i =1
102
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.65
1.7
1.75
1.8
1.85
1.9
1.95
(*) A figura acima no representa a regresso linear dos dados desta questo.
Trata-se de outro exemplo, o qual ser descrito a seguir. Considere o
experimento aleatrio hipottico ilustrado pela figura acima, em que a varivel
explicativa a estatura do pai (em metros) e a varivel dependente a
estatura do filho (em metros). Essa figura mostra trs distribuies da estatura
do filho correspondentes a valores fixos de estatura do pai (1,70 m, 1,80 m e
1,90 m). Note que a uma dada altura do pai corresponde uma populao
(distribuio) com cinco possveis estaturas para o filho. A reta de regresso
na figura (linha tracejada) sugere que a estatura mdia do filho tende a
aumentar quando aumenta a estatura do pai. Portanto, a regresso linear
permite que o valor mdio da varivel dependente (estatura do filho) seja
estimado por meio dos valores observados das estaturas dos pais (varivel
explicativa).
III O diagrama indica que
104
www.pontodosconcursos.com.br | Prof. Alexandre Lima
T = 1,30 para 13 estados (MG, PR, RJ, GO, AC, SE, PB, PE, PA, CE, AL,
MA e RN);
-1
-2
-3
-4
-3
-2
-1
2500
3000
3500
4000
4500
r=
S xy
S xx S yy
S xy = X iYi X i Yi
n i
i
i
108
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1
S xx = X X i
n i
i
2
i
1
S yy = Yi Yi
n i
i
109
www.pontodosconcursos.com.br | Prof. Alexandre Lima