Академический Документы
Профессиональный Документы
Культура Документы
ProAnpec
CURSO PREPARATRIO PARA O EXAME NACIONAL ANPEC
Alexandre Sartoris
Andreza Palma
So Paulo
2005
Probabilidade
(ANPEC 2005, 15) As lmpadas coloridas produzidas por uma fbrica so 50%
vermelhas, 30% azuis e 20% verdes. Em uma amostra de 5 lmpadas, extradas ao
acaso, encontre a probabilidade de duas serem vermelhas, duas serem verdes e uma ser
azul. Multiplique o resultado por 100.
Soluo:
Temos:
P5
P(2VM, 2V, 1A) = 0,500,500,200,200,30
P2 P2 P1
5!
P(2VM, 2V, 1A) = 0,003
2!2!1!
Soluo:
O exerccio pede a probabilidade da pea ter sido produzida pela mquina A
dado que essa pea defeituosa (P(mquina A|defeituosa)). Portanto:
P(mquina A e defeituosa )
P(mquina A|defeituosa) =
P(defeituosa )
0,50 0,03
P(mquina A|defeituosa) =
0,50 0,03 + 0,30 0,04 + 0,20 0,05
0,015
P(mquina A|defeituosa) = 0,40
0,015 + 0,012 + 0,01
Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao valor de 40.
Nota: Observe que para a resoluo desse exerccio, utilizamos o teorema de Bayes, j
que a P(mquina|defeituosa) dada por:
P(mquina A) P(defeituo sa | mquina A)
P(mquina A) P(defeituo sa | mquina A) + P ( mquinaB ) P(defeituo sa | mquina B) + P ( mquinaC ) P(defeituo sa | mquina C)
P( Bi ) P( A | Bi )
= P ( Bi | A) = k
P( B
j =1
j ) P( A | B j )
FALSA
FALSA
(3) Se B1, B2 ,........., Bk representam uma partio de um espao amostral S, ento para
P( Bi ) P( A | Bi )
A S tem-se que P ( Bi | A) = k , i = 1, 2 ,........ k .
j =1
P( B j ) P( A | B j )
Resposta:
A afirmativa acima refere-se exatamente ao Teorema de Bayes (veja Questo ANPEC
2003, 12).
VERDADEIRA
Resposta:
Os eventos A e B apenas sero independentes se P(A|B) = 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)
FALSA
(1) Sabendo-se que algum optou por procurar emprego, a probabilidade de ser homem
64%.
Resposta:
Podemos rapidamente obter essa probabilidade:
16
P(ser homem|optou procurar emprego) = = 0,64 = 64%
25
Porm, para os que preferirem um caminho mais longo:
16
P(ser homem e procurar emprego) 52
P(ser homem|optou procurar emprego) = = =
P(procurar emprego) 25
52
16
= 0,64 = 64%
25
VERDADEIRA
(4)Entre os formandos que pretendem continuar estudando, 1/3 mulher que pretende
fazer mestrado em economia.
Resposta:
Temos 27 formandos que pretendem continuar estudando. Desses, 9 so mulheres
que pretendem fazer mestrado em economia. E sabemos que 1/3 de 27 igual a 9
1
27 = 9 . Portanto, entre os formandos que pretendem continuar estudando,
3
realmente 1/3 mulher que pretende fazer mestrado em economia.
VERDADEIRA
(1) Para dois eventos quaisquer A e B, Prob (A) = Prob (ABc) + Prob (AB), em
que Bc o complemento de B.
Resposta:
A probabilidade de A ocorrer corresponde regio cinza do diagrama de Venn
abaixo:
Portanto, temos que:
P(A) = P(A Bc) +P(A B)
VERDADEIRA
(2) Sejam dois eventos A e B, em que Prob (A) = 1/2 e Prob (B) = 1/3. Se A e B so
eventos mutuamente exclusivos, ento Prob (BAc) igual a 1/6.
Resposta:
1
Se os dois eventos so mutuamente exclusivos, ento Prob (BAc) = P(B) = como
3
mostra o diagrama de Venn abaixo:
FALSA
(3) Sejam os eventos A, B e C, tais que Prob (ABC) = Prob(A). Prob(B). Prob(C).
Pode-se ento afirmar que estes eventos so independentes.
Resposta:
Vejamos, atravs do seguinte exemplo, que essa implicao no vlida.
Nota: Exemplo retirado de Sartoris (2003, p. 15-16)
P(AB) P(A)P(B)
P(BC) P(B)P(C)
P(AC) P(A)P(C)
(ANPEC 1999, 15) Com relao Teoria das Probabilidade podemos afirmar que:
(0) Sendo A e B dois eventos independentes e se P(A) = 0,5 e P(B) = 0,4, ento P(AB)
= 0,5.
Resposta:
Se A e B so independentes, ento:
P(AB) = P(A) + P(B) - P(A) P(B)
P(A B) = 0,5 + 0,4 - 0,2
P(A B) = 0,7
FALSA
(1) Sendo A e B dois eventos mutuamente exclusivos e se P(A) = 0,5 e P(B) = 0,4, ento
P(AB) = 0,5.
Resposta:
Se A e B so mutuamente exclusivos, eles no podem ocorrer juntos e, portanto,
P(A B) =0. Dessa forma:
FALSA
VERDADEIRA
(3) Um projeto para ser transformado 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 ser transformado em lei) = 0,4 0,80
P(projeto ser transformado em lei) = 0,32 = 32%
VERDADEIRA
(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:
(ANPEC 1998, 02) Considere um espao amostral com a terna (,,P), onde
o conjunto Universo, o conjunto dos possveis eventos e, P , uma medida de
probabilidade. Assim, pode-se afirmar que :
Agora, calculemos P( A B )
P( A B ) = 1 - P(A B)
3
P( A B )= 1 -
4
1
P( A B ) =
4
VERDADEIRA
(3) Se A e B so dois eventos quaisquer de , ento se P(A|B) > P(A) tem-se que
P(B|A) > P(B).
Resposta:
Temos que:
P( A B)
P(A|B) = > P(A)
P( B)
Ento:
P( A B)
> P(A)
P( B)
P ( A B) > P(A)P(B)
P( A B)
> P(B)
P( A)
P( B A)
E como P(B|A) = , temos que:
P( A)
P(B|A) > P(B)
VERDADEIRA
(2) Se a empresa escolhida ao acaso for do grupo II, a probabilidade do retorno sobre o
capital prprio estar acima da mdia 50%.
Resposta:
Podemos rapidamente obter essa probabilidade:
10
P(retorno abaixo da mdia|grupo II) = = 0,5 = 50%
20
E, como sempre existe um caminho mais longo para quem preferir:
10
P(retorno abaixo da mdia e grupo II) 150
P(retorno abaixo da mdia|grupo II) = = =
P(grupo II) 20
150
0,5
VERDADEIRA
60 30
P(empresa grupo I e empresa grupo III) = 0,08 = 8%
150 149
VERDADEIRA
FALSA
Esperana, medidas de disperso e independncia de variveis
aleatrias
(ANPEC 2005, 02) O retorno RC de uma carteira de investimentos com duas aes A
e B e um papel de renda fixa F dado por RC = a1 R A + a2 RB + a3 RF , em que a1, a2 e a3
so constantes. RA e RB so variveis aleatrias normalmente distribudas com mdia
zero, varincia 1 e covarincia 0,5 e RF uma constante igual a 0,1. Julgue as
afirmativas:
(0) A mdia do retorno da carteira ser igual a zero se, e somente se, a correlao entre
os retornos das aes A e B for nula.
Resposta:
E( RC ) = E( a1 R A + a 2 RB + a3 RF )
E( RC ) = E( a1 R A ) + E( a 2 RB ) + E( a3 RF )
E( RC ) = a1 E( R A ) + a 2 E( RB ) + a3 RF
E( RC ) =0,1 a3
Portanto, a mdia de RC ser igual a zero apenas se a3 = 0, o que no tem nada a ver
com a correlao entre o s retornos.
FALSA
Resposta:
E( RC ) =0,1 a3
FALSA
(2) Se a covarincia entre o retorno das aes A e B for 0,5, a varincia do retorno da
carteira ser Var ( RC ) = a12 + a 22 + a1 a 2 .
Resposta:
var( RC ) = var( a1 R A + a 2 RB + a3 RF )
var( RC ) = var( a1 R A + a 2 RB )
var( RC ) = a12 + a 22 + a1 a 2
VERDADEIRA
(3) O retorno RC uma varivel aleatria normalmente distribuda com mdia 0,1a3 .
Resposta:
Como j calculamos no item (0), a mdia de RC dada realmente por 0,1 a3 . E como
RC a soma de duas variveis aleatrias normalmente distribudas (RA e RB), ela
prpria ser tambm normalmente distribuda.
VERDADEIRA
Resposta:
cov( R A , RB )
R A , RB
=
var(R A ) var(RB )
0,5
R A , RB
= = 0,5
1
FALSA
(ANPEC 2004, 3) Sobre coeficiente de correlao, covarincia e independncia de
variveis aleatrias, so corretas as afirmativas:
(0)Seja ( x, y ) o coeficiente de correlao entre as variveis x e y. Se ab>0, ento
(ax,by ) = ( x, y ) ; e se ab<0, (ax, by ) = ( x, y ) .
Resposta
O coeficiente de correlao entre x e y dado por:
cov( x, y )
(x,y) =
var( x) var( y )
E o coeficiente de correlao entre ax e by ser:
cov(ax, by )
(ax,by) =
var(ax) var(by )
E pelas propriedades da varincia e da covarincia:
ab cov( x, y )
(ax,by) =
a b 2 var( x) var( y )
2
ab cov( x, y )
(ax,by) =
ab var( x) var( y )
Portanto, se ab>1, teremos (ax, by) = (x,y). E se ab<1, teremos (ax, by) = -(x,y).
VERDADEIRA
Ou seja:
VERDADEIRA
(2)Sejam A e B dois eventos independentes, com probabilidades positivas, associados a
um experimento aleatrio . Se as variveis aleatrias x e y so definidas como: x =
1, se ocorrer A e x = 0, em caso contrrio; e y = 1, se ocorrer B e y = 0, em caso
contrrio, ento ( x, y ) 0.
Resposta:
Aqui devemos calcular o coeficiente de correlao entre as variveis. E para isso
precisamos da covarincia entre elas. Lembrando que:
Temos que:
1 se A ocorrer 1 se B ocorrer
x= e y=
0 caso contrrio 0 caso contrrio
Calculemos a esperana de x e y:
E(x) = 1 P(A) + 0 P( A ) = P(A)
E(y) = 1 P(B) + 0 P( B ) = P(B)
E o produto de x e y ser:
1, se A e B ocorrerem
xy =
0, caso contrrio
Dessa forma:
E(xy) = 1 P( A B) + 0 P( A B) = P( A B)
FALSA
(3)Em relao ao quesito anterior, pode-se afirmar ainda que a covarincia entre x e y
diferente de zero.
Resposta:
Como vimos no item anterior, a covarincia entre x e y igual a zero.
FALSA
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) = 0 no implica independncia das variveis, veja questo ANPEC 1998, 10,
itens 0 e 1, em distribuio de probabilidade conjunta.
FALSA
(ANPEC 2004, 04) Um importador 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:
(0)Convertendo-se o valor das compras para reais, o preo mdio dos produtos
adquiridos ser de R$ 45,00.
Resposta:
Se a taxa de cmbio de R$3,00, temos que o valor mdio das compras em reais ser:
E(R$3,00 preo) = R$3,00 E(preo) = R$3,00 US$15,00 = R$45,00
VERDADEIRA
VERDADEIRA
Se for adicionada uma margem de lucro fixa de R$10,00, o novo preo mdio ser:
FALSA
(3) Se a margem de lucro for de 20% sobre o preo em reais, o novo preo mdio ser
R$ 54,00 e o novo desvio-padro ser R$ 3,60.
Resposta:
Acrescentando-se uma 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 + 0,20preo) = dp(1,20preo) = |1,20|dp(preo) = |1,20| 3,00 = R$3,60
VERDADEIRA
(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 calcularmos os
valores em reais ou em dlares; o coeficiente de variao continuar sendo o mesmo.
FALSA
1
Lembre-se que o fato de adicionar uma constante no ir alterar a variabilidade da varivel; apenas ir
deslocar os seus valores para a direita (no caso de adio) ou para a esquerda (no caso de subtrao).
(ANPEC 2003, 09) Sendo Y e X duas variveis aleatrias, correto afirmar que:
Portanto, se (coeficiente de correlao entre x e y) for igual a zero (o que implica que
a covarincia tambm ser zero), a expresso acima se reduzir a:
1x
2
y y
2
1
f(x,y) = exp x
+
2 x y
2 x y
(1) Supondo-se que os retornos dos dois ativos referidos no quesito anterior sejam
independentes e que suas varincias sejam iguais a 10 e 20, respectivamente, ento a
varincia da carteira ser igual a 8,8.
Resposta:
A varincia da carteira ser dada por:
var(carteira) = var(0,4 A + 0,6B)
Se os retornos dos ativos so independentes, ento a varincia de sua soma igual
soma das varincias:
var(carteira) = var(0,4 A) + var(0,6 B)
var(carteira) = 0,42 var(A) + 0,62 var(B)
var(carteira) = 0,16 10 + 0,36 20
var(carteira) = 1,60 + 7,20
var(carteira) = 8,8
VERDADEIRA
onde = (1-).
cov(A,B) = var(A)
Portanto, para que o risco da carteira seja eliminado, basta que (2 +2 + 2) <1.
Vejamos se o coeficiente de correlao entre os ativos precisa ser negativo para que isso
ocorra. Suponha que = 0. A varincia da carteira ser dada ento por:
var(carteira) = (2 +2) var(A)
2 1 2 1
var(carteira) = var A + var B + 2 cov A, B
3 3 3 3
4 1 4
var(carteira) = var(A) + var(B) + cov(A,B)
9 9 9
4 1 4
var(carteira) = 2var(B) + var(B) + cov(A,B)
9 9 9
8 1 4
var(carteira) = var(B) + var(B) + cov(A,B)
9 9 9
4
var(carteira) = var(B) + cov(A,B) (I)
9
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.
FALSA
(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:
Para eliminar o risco da carteira, temos que a expresso entre colchetes acima deve ser
nula. Portanto:
92 - 6 + 1 = 0
1
Resolvendo essa equao do 2 grau, encontremos o valor de para . Portanto, se
3
houver uma correlao negativa perfeita entre os ativos, e a var(A) = 4var(B), a seguinte
composio eliminar completamente o risco da carteira:
1 2
Carteira = A+ B
3 3
VERDADEIRA
(ANPEC 1999, 14) Com relao as definies de Coeficiente de Correlao e de
Esperana Matemtica, pode-se afirmar que :
FALSA
cov(W , Z )
WZ =
var(W ) var(Z )
cov(aX + b, cY + d)
WZ =
var(aX + b)var(cY + d)
cov(aX , cY ) ac cov( X , Y ) ac
WZ = = = XY
var(aX ) var(cY ) ac var( X ) var(Y ) ac
VERDADEIRA
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 (0) e (1).
FALSA
VERDADEIRA
E sabemos que:
1, se A e B ocorrem
XY =
0, caso contrrio
Dessa forma:
E(XY) - E(X)E(Y) = 0
E(XY) = E(X)E(Y)
E, sabendo que E(X) = P(A), E(Y) = P(Y) e E(XY) = P(A B), temos:
P(A B) = P(A).P(B)
Portanto, A e B so independentes
VERDADEIRA
(ANPEC 1998, 1) Pode - se afirmar que:
(0) Multiplicando (ou dividindo) por um valor constante e arbitrrio, c, cada elemento
de um conjunto de nmeros, o desvio padro deste conjunto fica multiplicado (ou
dividido ) pela constante c.
Resposta
O desvio padro, quando multiplicamos cada elemento por c dado por:
dp (cX) = c dp(X)
E, analogamente, para a diviso:
X 1
dp ( ) = dp(X)
c c
VERDADEIRA
(1) No caso de dois conjuntos de n1 e n2 valores, onde s12 e s22 so, respectivamente,
suas varincias e x1 e x 2 suas mdias, a varincia combinada , s 2 , destes dois
(n1 1) s12 + (n2 1) s22
conjuntos quando, x = x1 = x 2 , igual a s =
2
.
n1 + n2 2
Resposta
A varincia ser dada por uma mdia ponderada pelos graus de liberdade nas duas
amostras:
(n 1) s12 + (n2 1) s 22 (n1 1) s12 + (n2 1) s 22
s2 = 1 =
(n1 1) + (n2 1) n1 + n2 2
VERDADEIRA
FALSA
(3) Quando uma distribuio de frequncia apresenta M 0 (Moda) > M e (Mediana) >
x (Mdia aritmtica) , ela diz-se assimtrica direita e, assimtrica esquerda, em
caso contrrio.
Resposta
O caso em que M 0 (Moda) < M e (Mediana) < x (Mdia aritmtica) est mostrado
abaixo:
FALSA
Distribuio de probabilidade discreta
(ANPEC 2003, 04) Com relao variveis aleatrias discretas correto afirmar que:
FALSA
(1) uma varivel aleatria com distribuio binomial representa o nmero de sucessos
em n experimentos de Bernoulli;
Resposta:
A distribuio binomial a generalizao da distribuio de Bernouilli. Na distribuio
de Bernouilli temos dois eventos mutuamente exclusivos (sucesso e fracasso) e apenas
um experimento. Na binomial, tambm temos apenas dois eventos mutuamente
exclusivos, mas o nmero de experimentos pode ser maior que um. como se
realizssemos n vezes um experimento de Bernouilli. Chamando de X um experimento
n
FALSA
(3) a distribuio Qui-quadrado possui mdia igual a n e varincia igual a 4n, em que n
o nmero de graus de liberdade;
Resposta:
Seja Z uma varivel normal padronizada:
x
Z= ~N(0,1)
n
Ento, Z i =1
2
i
~ n2 , ou seja, a soma de n variveis normais padronizadas ao quadrado,
segue uma distribuio Qui-quadrado com n graus de liberdade. A esperana da
distribuio Qui-quadrado ser dada ento por:
E( n2 ) = E Z i2
n
i =1
n
E( n2 ) = E (Z )
i =1
2
i
var( n2 ) = var Z i2
n
i =1
n
var( n2 ) = var(Z )
i =1
2
i
{E(Z [ ]}
n
2
var( n2 ) = i
4
) E( Z i2 )
i =1
Como j tnhamos visto antes, E( Z i2 ) = var (Z i ) = 1:
[E(Z ]
n
var( n2 ) = i
4
) 12
i =1
var( n ) = 2n
2
(4) a distribuio binomial pode ser aproximada pela distribuio de Poisson para
valores grandes de n (tamanho da amostra) e pequenos de p (probabilidade de
sucesso).
Resposta:
exatamente nesse caso que a distribuio binomial pode ser aproximada pela
distribuio de Poisson (veja item (0) desta questo).
VERDADEIRA
1
E como a probabilidade de acertar o alvo de , a probabilidade de no acert-lo de
4
3
. Na tabela abaixo, calculamos essas probabilidades para os valores de n at que
4
2
P(pelo menos uma vez) seja maior que ( 0,67):
3
N P(acertar nenhuma) P(pelo menos 1 vez)
1 3 1
4 4
2 3 3 9 7
=
4 4 16 16
3 3 3 3 27 37
= ( 0,58)
4 4 4 64 64
4 3 3 3 3 81 175
= ( 0,68)
4 4 4 4 256 256
Portanto, ele deve atirar 4 vezes para que a probabilidade de acertar pelo menos uma
2
vez no alvo seja maior que .
3
(1) Uma varivel aleatria Y, definida como o nmero de repeties necessrias para a
primeira ocorrncia de A, tem distribuio Geomtrica, desde que as repeties
sejam independentes e que P(A) = p e P(AC ) = 1-p.
Resposta:
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) = (1-p)k-1p
VERDADEIRA
(2) Pode-se utilizar a distribuio Binomial para, por exemplo, calcular a probabilidade
de se encontrar k peas defeituosas em um lote de n peas selecionadas ao acaso,
sem reposio.
Resposta:
Nesse caso, deve-se utilizar a distribuio hipergeomtrica, j que no h reposio das
peas.
FALSA
(3) Se uma varivel aleatria segue uma distribuio Hipergeomtrica, sua distribuio
ser prxima da Binomial se o tamanho da populao for grande em relao ao
tamanho da amostra extrada .
Resposta:
A distribuio hipergeomtrica 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 hipergeomtrica ser prxima da distribuio
binomial. Veja tambm questo ANPEC 2003, 4, item 2.
VERDADEIRA
(ANPEC 2002, 14) Uma companhia de seguros tem 400 segurados de certo tipo. O
prmio do seguro R$ 1.000,00 por ano. Caso ocorra um sinistro a seguradora
indenizar R$ 8.000,00 a cada acidentado. Sabe-se que a probabilidade de ocorrncia
de sinistro, 0,1 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 1000 = 400.000
Chamando de x o nmero de sinistros ocorridos por ano, temos que os seus custos totais
so:
C = 8.000x + 8.000
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:
FALSA
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 + 2p(1-p)+3p(1-p)2+4p(1-p)3+
E a soma dos termos de uma progresso geomtrica infinita, com valor inicial dado por
a e razo dada por q :
a
S=
1 q
VERDADEIRA
VERDADEIRA
Distribuio de probabilidade contnua
(ANPEC 2004, 05) Uma varivel aleatria contnua x tem a sua funo densidade de
probabilidade dada pelo grfico:
K1
1 K2
So corretas as afirmativas:
base altura 1K 1
=
2 2
E a do retngulo:
VERDADEIRA
K 1 x , 0 x <1
(2) A funo densidade de probabilidade de x ser f ( x) = K1 , 1 x K 2
0, fora desses intervalos.
Resposta:
exatamente essa a f.d.p. de x. Observando o grfico, podemos ver claramente que se x
estiver entre 0 e 1, o valor de f(x) ser K1x. Se x estiver entre 1 e K2, o valor da f(x) ser
igual constante K1 (j que f(x) uma linha horizontal nesse intervalo). E fora desses
intervalos, a f(x) igual a zero. Observe que os sinais de desigualdade ou < so
equivalentes nesse caso, j que a distribuio contnua.
VERDADEIRA
K1 x 2 / 2, 0 x <1
(3) A funo de distribuio acumulada de x ser F ( x) = K1 x, 1 x < K 2
1, x K 2
Resposta:
Sabemos que:
x
F(x) = f (t )dt
x2
F(x) = K 1 xdx = K 1 +C
2
Como F(0) = 0, substituindo temos:
F(0) = C =0
F(x) = K dx = K x + C
1 1
Substituindo na segunda:
K
F(1) = K 1 + C = 1
2
K1
C= K1
2
K
C= 1
2
K x, 0 x < 1
f ( x) = 1
0, fora desse intervalo
2 + K1
K2 =
2K1
Portanto:
1
Para aqueles que no tivessem resolvido o item (1) dessa questo (ou para os que no tivessem absoluta
1
E(x) = xf ( x)dx
0
1
E(x) = 2 x 2 dx
0
1
x
3
E(x) = 2
3 0
1
E(x) = 2
3
2
E(x) =
3
FALSA
(ANPEC 2003, 03) O custo X de produo de certo bem uma varivel aleatria com
funo densidade de probabilidade
kx 2 1 x 4
f ( x) =
0 caso contrrio
f ( x)dx
1
=1
kx dx =1
2
1
4
k x 2 dx = 1
1
4
x
3
k = 1
3 1
4 1
3 3
k =1
3 3
21k = 1
1
k=
21
FALSA
E(x) = xf ( x)dx
1
4
E(x) = xkx dx
2
1
4
E(x) = k x 3 dx
1
4
x
4
E(x) = k
4 1
4 1
4 4
E(x) = k
4 4
1 255
E(x) =
21 4
E(x) 3,036
FALSA
2
1 x3
P(x < 2) =
21 3 1
1 2 3 13
P(x < 2) =
21 3 3
1 7
P(x < 2) =
21 3
1
P(x < 2) =
9
VERDADEIRA
E(x2) = x f ( x)dx
2
1
4
1 2
E(x2) = x x dx
2
1 21
1 4 4
21 1
E(x2) = x dx
1 4 5 15
E(x2) =
21 5 5
1 1023
E(x2) =
21 5
341
E(x2) = 9,743
35
FALSA
1 4 3 33
P(x > 3) =
21 3 3
1 37
P(x > 3) =
21 3
37
P(x > 3) =
63
FALSA
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 . Para isso, basta derivarmos a funo
densidade de probabilidade de X e igualar a zero, para encontrar seu ponto de mximo:
( x )2
1
2 2
f(x) = e
2 2
df ( x)
=
1
e
1 ( x )2
2 2 1
2
(x )
dx 2 2
2 2
df ( x)
=
( x )
1
e
1
2
( x )2
2
dx 2
2 2
E temos que:
df ( x)
= 0 (x-) = 0
dx
(x-) = 0
x=
VERDADEIRA
(1) Se X tem distribuio Uniforme no intervalo [0, ], >0, ento, tem que ser
igual a 4/3 para que P(X > 1) = 1/3.
Resposta:
Sabemos que a f.d.p. de uma varivel uniformemente distribuda dada por f(x) =
1 1
, que, nesse caso, equivale a (j que a = 0). Portanto, a P(X > 1) ser dada por:
a
1
P(X > 1) = dx
1
1
E para que P(X > 1) seja igual a , temos que:
3
1 1
dx
1
=
3
1 1
x =
1 3
1 1 1
1 = 3
1 1
1 =
3
1 1
=1-
3
1 2
=
3
3
=
2
3 1
Portanto, deve ser igual a para que P(X>1) seja igual a .
2 3
FALSA
FALSA
Nota: observe que o fato do sinal de desigualdade ser ( ) ou > (<) no tem
importncia, j que se trata de uma distribuio de probabilidade contnua.
VERDADEIRA
(4) A varivel aleatria Z tem distribuio Lognormal se e somente se exp (Z) tiver
distribuio Normal.
Resposta:
A varivel Z ter distribuio log-Normal se e somente se ln(Z) tiver distribuio
normal.
FALSA
xo
x0
f ( x)dx =
x0
= f (x ) f (x ) = 0
0 x
FALSA
d
(4) A funo densidade de probabilidade de X calculada por f(x) = F (x) em que,
dx
F(x) a funo de distribuio acumulada.
Resposta:
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 f(x) j foi definida no enunciado. Sendo assim, ela pode
conter pontos em que h descontinuidade em F(x). Como sabemos, se F(x) no
contnua para um ponto x0, sua derivada no existir neste ponto. Mas nada impede que
a funo f(x) seja definida, a priori, contendo estes pontos, o que no alteraria o clculo
das probabilidades atravs dela (j que a incluso ou no de um nico ponto em uma
f.d.p. contnua irrelevante para o clculo das probabilidades).
FALSA
(ANPEC 2001, 14) Seja X uma varivel aleatria contnua, com funo densidade de
1
probabilidade dada por f ( x) = , 1 X 3 . Determine o valor da mediana dessa
2
distribuio.
Soluo:
Sabemos que a mediana divide a distribuio ao meio. Chamando a mediana de m,
temos que:
3
1 m
1
P(x>m) = m 2 dx = 0,5 e P(x<m) = 2 dx = 0,5
1
Tomando a segunda das expresses acima (mas poderia ser a primeira tambm), temos:
m
1
2 dx = 0,5
1
m
1
2 x = 0,5
1
1 1
2 m 2 = 0,5
1 1 1
m= +
2 2 2
1
m= =2
1
2
Portanto, a mediana dessa distribuio igual a 2 .
cx 2 para 0< x2
f ( x) =
0 para outros valores de x
Calcule a probabilidade de (0 x 1). Arredonde o resultado e multiplique por 100.
Soluo:
Antes de calcularmos a probabilidade pedida, temos que encontrar o valor da
constante c. Portanto:
2
f ( x)dx = 1
0
cx dx = 1
2
c x 2 dx = 1
0
2
x
3
c = 1
3 0
2 0
3 3
c = 1
3 3
8
c =1
3
3
c=
8
Agora podemos calcular P (0 x 1) :
1
P (0 x 1) = f ( x)dx
0
1
3
P (0 x 1) = 8 x dx
2
31 2
8 0
P (0 x 1) = x dx
1
3 x3
P (0 x 1) =
8 3 0
3 13 0 3
P (0 x 1) =
8 3 3
1
P (0 x 1) = = 0,125
8
Arrendondando o resultado e multiplicando por 100, chegaremos ao valor de 13 .
(ANPEC 1999, 11) Podemos afirmar que:
VERDADEIRA
(1) A distribuio 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
n
(n o nmero de graus de liberdade). Quando n pequeno, o formato da
n2
distribuio t o de uma "normal" achatada, e conforme o tamanho da amostra
aumenta, a distribuio t se torna cada vez mais simtrica, ou seja, aproxima-se da
distribuio normal padronizada.
VERDADEIRA
(3) A distribuio normal apresenta dois pontos de inflexo na sua funo de densidade
de probabilidade f(x) nos pontos x = - 2. e x = + 2., onde a mdia e
o desvio padro.
Resposta:
Sabemos que os pontos de inflexo de uma funo ocorrem onde a derivada segunda
igual a zero. Na questo ANPEC 2002, 08, item(0), j calculamos a derivada primeira
da f.d.p. normal:
df ( x)
=-
( x ) 1
e
1 ( x )2
2 2
dx 2
2 2
Portanto, sua derivada segunda ser dada por:
1 12 x x 12 x 1 x
2 2
d 2 f ( x) 1
=- e e 2
dx 2 2 2 2 2 2
2
1 12 x ( x )2 12 x
2 2
d 2 f ( x) 1
=- 2e e
dx 2 2 2 4
1 (x )
2 2
d f ( x)
2
1 1 x
2
= e 2 4
dx 2
2
2
E temos que:
1 (x )
2
d 2 f ( x)
= 0 2 =0
dx 2 4
1 (x )2
=0
2
4
(x )
2 2
=0
4
(x ) = 0
2 2
(x ) = 2 2
(x ) = 2 2
x- =
x =
FALSA
f ( x)dx
0
=1
b
kdx
0
=1
[kx] =1 b
a
kb ka =1
k (b a ) = 1
1
k=
ba
FALSA
(ANPEC 1998, 05) Verifique quais das afirmaes abaixo so verdadeiras e quais so
falsas.
Z
(0) A varivel aleatria t definida como , onde Z tem distribuio
2
n 1
(n 1)
normal-padro e uma distribuio qui-quadrado com (n - 1) graus de liberdade.
2
Resposta:
O quociente entre uma varivel normal padronizada e uma varivel 2 dividida pelo seu
respectivo grau de liberdade (que nesse caso igual a n-1) uma varivel aleatria t.
VERDADEIRA
(3) A estatstica F pode ser utilizada para verificar a igualdade de duas varincias
provenientes de duas populaes quaisquer.
Resposta:
A estatstica "F" pode ser utilizada para verificar a igualdade de duas varincias
provenientes de duas populaes normalmente distribudas.
FALSA
(ANPEC 1998, 08) Seja X uma varivel aleatria com funo densidade f(x).
Portanto, a probabilidade de x ser menor que 1 certamente ser maior que 1/2.
FALSA
f ( x)dx = 1 e g ( x)dx =1
E para que f(x) + (1-)g(x) tambm seja uma f.d.p. deve-se verificar que:
f ( x) + (1 ) g ( x)dx = 1
f ( x)dx + (1 ) g ( x)dx = 1
f ( x)dx + (1 ) g ( x)dx = 1
+ (1-) = 1
+1-=1
1=1
Portanto, f(x) + (1-)g(x) tambm uma funo densidade de probabilidade da
varivel x.
VERDADEIRA
E assim sucessivamente.
P( x = k ) = c + c(1 ) + c(1 ) 2
+ c(1 ) 3 + = 1
O que a soma dos termos de uma progresso geomtrica infinita, com razo (q)
igual a (1-). E sabemos que essa soma dada por:
a
S=
1 q
=c
VERDADEIRA
(3) Se a varivel aleatria X segue uma distribuio exponencial, ento P(x >(s+t) | x >
s) = P(x > t), para quaisquer s, t > 0.
Resposta:
A probabilidade condicional dada por:
P[ x > ( s + t ) e x > s] P[ x > ( s + t )] e ( s + t )
P(x >(s+t) | x > s) = = = s = e t = P(x > t),
P( x > s) P( x > s) e
j que a probabilidade de x ser maior que s dada por:
P(x>s) = e x
s
e
x
P(x>s) =
s
e s
P(x>s) = = e s
E, analogamente, a probabilidade de x ser maior que (s+t) :
P(x>s+t) = e ( s + t )
A propriedade que P(x >(s+t) | x > s) = P(x > t) nos permite afirmar que a distribuio
exponencial "no possui memria".
VERDADEIRA
Distribuio de probabilidade conjunta
A) Contnuas
Calcule a P(Y<X). Multiplique o resultado por 48 e transcreva este produto para a folha
de resposta.
Soluo:
A probabilidade de Y ser menor que X ser dada por:
1 X
xy
P(Y<X) = x + dydx
2
0 0 3
X
xy 2
1
P(Y<X) = x 2 y + dx
0 6 0
1
x3
P(Y<X) = x + dx
3
0 6
1
x x4
4
P(Y<X) = +
4 24 0
1 1
P(Y<X) = +
4 24
7
P(Y<X) =
24
Multiplicando o resultado por 48 como pede o exerccio, chegaremos ao valor de 14:
7
48 = 7 2 =14
24
(ANPEC 2003, 14) Considere o vetor aleatrio X = (X1, X2, X3) com distribuio de
probabilidade
6 x1 x 22 x3 0 x1 1, 0 x 2 1, 0 x3 2
f X ( x1 , x 2 , x3 ) =
0 caso contrrio
Encontre a probabilidade de 0 x1 0,5 .
(Multiplique o resultado por 100).
Soluo:
O exerccio pede a probabilidade de x1 estar entre 0 e 0,5. Portanto, antes de
mais nada, precisamos encontrar a funo densidade de probabilidade marginal de x1
(que chamaremos de g(x)). Isso feito integrando em x2 e x3:
2 1
g(x) = 6 x x x dx dx
2
1 2 3 2 3
0 0
2 1
g(x) = 6 x1 x 22 x3 dx 2 dx 3
0 0
1
x
2 3
g(x) = 6 x1 x3 2 dx 3
0 3 0
1 2
g(x) = 6 x1 x3 dx3
0 3
2
1
g(x) = 6 x1 x3 dx3
0 3
2
1 x3
2
g(x) = 6 x1
3 2 0
g(x) = 2 x
( 2) 1
2
2
g(x) = 2x1
0,5
P(0 x1 0,5) = 2 x dx
0
1 1
0,5
x
2
P(0 x1 0,5) = 2 1
2 0
0,5 02
2
P(0 x1 0,5) = 2
2 2
P(0 x1 0,5) = 0,25
6 x x x dx dx dx .
2
1 2 3 2 3 1
0 0 0
(ANPEC 2002, 13) Suponha que a funo densidade de probabilidade conjunta da
varivel aleatria bidimensional (X,Y) seja uniformemente distribuda na regio de
domnio,
f ( x, y ) = k x ( x y ) 0 x 2, 0 y 2
Encontre E(X). Multiplique a resposta por 10 e transcreva somente a parte inteira do
nmero encontrado.
Soluo:
f ( x, y)dxdy = 1
0 0
2 2
kx( x y)dxdy = 1
0 0
2 2
k x 2 xydxdy = 1
0 0
2
x x2
2 3
k y dy = 1
0 3 2 0
2
8 4
k ydy = 1
0 3 2
2
8 y2
k y 2 = 1
3 2 0
2
8 22
k 2 2 = 1
3 2 0
16
4 k =1
3
4
k=1
3
3
k=
4
E(X) = xf ( x, y)dxdy
0 0
2 2
3
E(X) = x 4 x( x y)dxdy
0 0
322 3
4 0 0
E(X) = x x 2 ydxdy
2
3 2 x4 x3
E(X) = y dy
404 3 0
3 2 24 23
E(X) = y dy
404 3
32 8
E(X) =
40
4 ydy
3
2
3 8 y2
E(X) = 4 y
4 3 2 0
3 16
E(X) = 8
4 3
E(X) = 6 - 4
E(X) = 2
f ( x, y ) = k x ( x y ) 0 y x 2
Neste caso, a mdia ser diferente de 2 (menor!). Para encontr-la, faremos o mesmo
procedimento anterior, respeitados os novos limites de integrao. Antes de calcular
E(x), teremos que encontrar o valor da constante k:
2 2
f ( x, y)dxdy = 1
0 y
2 2
kx( x y)dxdy = 1
0 y
2 2
k ( x 2 xy )dxdy = 1
0 y
2
x x2
2 3
k y dy = 1
0 3 2 y
8 y3 y3
2
k 2 y + dy = 1
0 3 3 2
8 y3
2
k + 2 y dy = 1
0 3 6
2
8 y
4
k y + y2 = 1
3 24 0
16 16
k + 4 =1
3 24
128 + 16 96
k = 1
24
2k = 1
1
k=
2
E(X) = xf ( x, y)dxdy
0 y
2 2
1
E(X) = x 2 x( x y)dxdy
0 y
122 3
E(X) =
20 y
x x 2 ydxdy
2
1 2 x4 x3
E(X) = y dy
204 3 y
1 2
y 4
8 y4
E(X) = 4 y + dy
20 4 3 3
1 8
2
y 4
E(X) = 4 y + dy
20 3 12
2
1 4y 2
y5
E(X) = 4 y +
2 3 60 0
1 16 32
E(X) = 8 +
2 3 60
1 16 8
E(X) = 8 +
2 3 15
1 120 80 + 8
E(X) =
2 15
1 48
E(X) =
2 15
E(X) = 1,6
Multiplicando o resultado por 10, como pede o exerccio, chegaramos ao valor de 16.
B) Discreta
Y
X 1 3 5
2 0,1 0,2 0,3
4 0,2 0,1 0,1
Resposta:
Y 1 3 5 P(X)
X
2 0,1 0,2 0,3 0,6
4 0,2 0,1 0,1 0,4
P(Y) 0,3 0,3 0,4 1
Resposta:
Calculemos E(Y):
E(Y) = 1 0,3 + 3 0,3 + 5 0,4
E(Y) = 3,20
E E(Y2):
E(Y2) = 12 0,3 + 32 0,3 + 52 0,4
E(Y2) = 0,3 + 2,70 +10
E(Y2) = 13
VERDADEIRA
Resposta:
Sabemos que a covarincia entre X e Y igual mdia dos produtos menos o
produto das mdias:
cov(X,Y) = E(XY) - E(X)E(Y)
VERDADEIRA
Resposta:
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 XY , o seu valor de aproximadamente -0,344 (cuidado,
pois, em mdulo, o valor estaria correto):
cov( X , Y ) 0,56
XY = = -0,344
var( X ) var(Y ) 0,96 2,76
FALSA
FALSA
X
-1 0 1
-1 1/8 1/8 1/8
Y 0 1/8 0 1/8
1 1/8 1/8 1/8
Resposta:
Para calcularmos o coeficiente de correlao, devemos primeiro calcular a
covarincia, que dada por:
cov(X,Y) = E(XY) - E(X)E(Y)
Calculemos ento E(X) e E(Y):
3 2 3
E(X) = -1 +0 +1 = 0
8 8 8
Nota: sabendo-se que E(X) = 0, o clculo da E(Y) torna-se desnecessrio para essa
questo, j que 0 E(Y) = 0. Mas, em todo caso:
3 2 3
E(Y) = -1 +0 + 1 = 0
8 8 8
E para calcular E(XY), precisamos das probabilidades de XY:
2
P(XY = -1) =
8
4
P(XY = 0) =
8
2
P(XY = 1) =
8
Dessa forma:
2 4 2
E(XY) = -1 + 0 + 1 = 0
8 8 8
Portanto:
cov(X,Y) = 0 - 0 = 0
E, se a covarincia zero, sabemos que o coeficiente de correlao tambm ser igual a
zero:
cov(X, Y) 0
xy = = =0
var(X)var(Y) var(X)var(Y)
VERDADEIRA
Lembrando que o produto bd, no denominador, deve estar em mdulo, j que o desvio
padro nunca um nmero negativo.
FALSA
FALSA
Teorema de Tchebichev, Lei dos Grandes Nmeros e
Teorema do Limite Central
(0) Uma varivel aleatria X tem mdia zero e varincia 36. Ento, pela desigualdade
de Tchebychev, P (| X | 10) 0,36 .
Resposta:
Pela desigualdade de Tchebichev, temos que:
var( X )
P( X )
2
VERDADEIRA
(1) Pela Lei dos Grandes Nmeros a distribuio da mdia amostral de n variveis
aleatrias independentes, para n suficientemente grande, aproximadamente
Normal.
Resposta:
A Lei dos Grandes Nmeros diz que a mdia amostral 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 refere-
se ao Teorema do Limite Central.
FALSA
O que equivalente a dizer que o valor estimado do parmetro est prximo de seu
valor verdadeiro, com uma probabilidade muito elevada, quando n grande. Dessa
forma, o limite da probabilidade (plim) do valor da estimativa do parmetro ( ) menos
o seu valor verdadeiro ( ) ser maior que um nmero > 0 muito pequeno, tende a zero
quando n tende ao infinito:
[ ]
plim > = 0
Ou, ento:
[ ]
plim < = 1
Dessa forma, dizer que um parmetro consistente, significa dizer que ele converge, em
probabilidade, para o seu valor verdadeiro.
VERDADEIRA
(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:
x
p
y (x converge em probabilidade para y)
z
d
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:
x
p
x
O Teorema do Limite Central diz que medida que o tamanho da amostra aumenta, a
distribuio da mdia amostral aproxima-se da distribuio normal. Portanto, est
relacionado ao conceito de convergncia em distribuio:
x
d
N ( x , 2 n)
VERDADEIRA
FALSA
(ANPEC 2004, 12) Suponha que x1 , x 2 ,........, x32 sejam 32 variveis aleatrias
independentes, cada uma delas tendo distribuio de Poisson com = 8. Empregando o
teorema do limite central, estime a probabilidade de que a mdia amostral seja x 9 .
Use a tabela da distribuio Normal Padro anexa. Multiplique o resultado por 100 e
transcreva a parte inteira.
Soluo:
Pelo Teorema do Limite Central, sabemos que a mdia amostral, para amostras
suficientemente grandes, segue uma distribuio normal com mdia e varincia igual
2
P( x ) 1 -
n 2
Que uma das formulaes da lei dos grandes nmeros (MEYER, 1983, p. 287).
Nesse caso, a mdia amostral deve diferir da mdia populacional por menos de 0,1:
2
P( x 0,1 ) 1 -
n0,12
E como queremos estar 95% seguros, temos que:
2
1- = 0,95
n0,12
Como a varincia igual a10:
10
1- = 0,95
0,01n
10
= 1 -0,95
0,01n
10
= 0,05
0,01n
0,0005 n = 10
10
n=
0,0005
n = 20.000
Dividindo o resultado por 1.000, chegaremos ao valor de 20.
(ANPEC 2003, 11) O nmero de clientes Y que passa diariamente 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 Tchebycheff). 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.115-116):
1
P(|x-| < k) 1 -
k2
Como o valor mdio de Y 20 e seu desvio padro 2, temos:
16 < Y < 24
20 4 < Y < 20 + 4
20 22 < Y < 20 + 22
2 < Y < + 2
Ento, a probabilidade de Y estar entre 16 e 24 igual a probabilidade de Y estar 2
desvios-padro acima ou abaixo da mdia e, portanto:
1
P(|x-| < 2) 1 - = 1 - 0,25 = 0,75
22
Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao resultado de
75.
(ANPEC 2002, 06) Indique se as seguintes consideraes sobre a Lei dos Grandes
Nmeros, Desigualdade de Tchebycheff e teorema do Limite Central so verdadeiras
(V) ou falsas (F).
P(|X-| ) = 0
P(|X-| ) = 1
Ou seja, a probabilidade de |X-| ser maior que um nmero (que pode ser um
nmero bem pequeno) zero. E a probabilidade de |X-| ser menor que esse nmero
1. 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 sua mdia.
VERDADEIRA
(1) 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 amostra grande o suficiente, a
distribuio da mdia amostral dessa populao ser normalmente distruibuda,
qualquer que seja a distribuio de probabilidade da populao, ou seja, no se
restringe apenas a populaes que tenham distribuio Qui-quadrado.
FALSA
lim
n
P(| |>) = 0 ou lim
n
P(| |<) = 1
E a lei dos grandes nmeros nos diz que medida que a amostra aumenta, a mdia
amostral converge para a mdia populacional. Alis, uma das formulaes da Lei dos
Grandes Nmeros dada por:
2
P( x ) 1 -
n 2
n 1 1 P (1 P)
Var(fA) = 2 = var A = 2 var(nA) = 2 n P (1-P) =
n n n n
Aplicando a desigualdade de Tchebichev varivel aleatria fA, temos:
P(1 P)
P(|fA - P| ) 1 - n
2
P(1 P )
P(|fA - P| ) 1 -
n 2
claro que o leitor no precisaria ter feito toda essa conta para concluir que a afirmativa
falsa. Bastaria notar que o sinal de desigualdade est trocado.
FALSA
(ANPEC 2002, 15) Quantas vezes ter-se- de jogar uma moeda equilibrada de forma a
se ter pelo menos 95% de certeza de que a freqncia relativa do resultado cara fique
a menos de 0,01 da probabilidade terica , ou seja, de maneira que a amplitude do
intervalo de confiana da probabilidade terica seja 0,02? (Utilize o teorema de
Tchebycheff. Divida a resposta por 1.000 e transcreva a parte inteira do nmero
encontrado).
Soluo:
Pelo teorema de Tchebichev, temos que (veja questo ANPEC 2002, 06, item 3):
p(1 p)
P[|fA - p| < ] > 1-
n 2
p(1 p)
Portanto, para =0,01 queremos encontrar n de modo que 1- seja igual a 95%:
n 2
0,5(1 0,5)
P[|fA - 0,5|< 0,01] >1-
n 0,012
Assim:
0,5(1 0,5)
1 =0,95
n 0,012
0,5(1 0,5)
= 1 0,95
n 0,012
0,25
= 0,05
0,0001n
0,000005 n = 0,25
0,25
n=
0,000005
25 10 2
n=
5 10 6
n = 5 104
n = 50.000
(ANPEC 2001, 13) Sabe-se que certa caracterstica de uma populao tem distribuio
Qui-quadrado com 18 graus de liberdade. Tendo sido extrada uma amostra de 25
elementos desta populao, estime a probabilidade de que a mdia amostral X esteja no
intervalo 15 X 21. Use a tabela da distribuio Normal em anexo. Resposta em
percentagem, aproximando para o inteiro superior mais prximo.
Soluo:
Sabemos que a distribuio Qui-quadrado tem mdia n e varincia igual a 2n, onde n =
graus de liberdade. Portanto:
E(X) = = n = 18
var(X) = 2 = 2n = 36
Pelo Teorema do limite Central sabemos que a mdia amostral segue uma
2
distribuio normal, com mdia e varincia . Ento, podemos utilizar a
n
distribuio normal para calcular a probabilidade pedida. Padronizando os valores para
podermos consultar a tabela, temos que:
x 15 18 5
z1 = = = 3 = -2,5
6 6
n 5
x 21 18 5
z2 = = = 3 = 2,5
6 6
n 5
(ANPEC 2001, 15) Seja uma varivel aleatria X com mdia E(X) = 0 e varincia x
2
= 25. Qual o limite de probabilidade para que [X E(X)] > 10? Resposta em
percentagem.
Soluo:
Da desigualdade de Tchebichev sabemos que:
1
P(|X-| > ) < 2 E(X-)2
1
P[|X-E(X)| > 10] < X2
10 2
(0) A Lei Fraca dos Grandes Nmeros diz que: dada uma varivel aleatria com
distribuio arbitrria e mdia e varincia finitas, a mdia amostral obtida a partir
de uma amostra aleatria de tamanho n ter distribuio Normal.
Resposta:
O enunciado acima diz respeito ao Teorema do Limite Central (com a ressalva que
vlido apenas para n suficientemente grande). A Lei Fraca dos Grandes nmeros diz que
a mdia amostral converge em probabilidade para a mdia populacional medida que o
tamanho da amostra aumenta, ou seja, diz que a mdia amostral um estimador
consistente da mdia populacional.
FALSA
VERDADEIRA
var( X )
P(|X-| ) 1 -
2
P(|X-| ) =1
(1) Seja X uma varivel aleatria com mdia e varincia 2. Quando se considera o
evento complementar, uma das formas da desigualdade de Tchebycheff igual a
1
P{ X > k } 1 2 , onde k um nmero real.
k
Resposta:
Sabemos que a desigualdade de Tchebichev pode ser escrita como (veja demonstrao
em Sartoris (2003, p. 115-116)):
1
P(|X-| k)<
k2
Portanto, o evento complementar ser dado por:
1
P(|X-| < k) 1 - 2
k
FALSA
(2) Se a populao tem distribuio Normal, ento a distribuio das mdias amostrais
tambm ser Normal, independente do tamanho da amostra.
Resposta:
Se a populao for normalmente distribuda, ento sua mdia amostral tambm ser
normalmente distribuda, qualquer que seja o tamanho da amostra.
VERDADEIRA
(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 normal com mdia 500 e varincia 25.
Resposta:
Pelo Teorema do Limite Central sabemos que para amostras suficientemente
grandes, a mdia amostral segue uma distribuio normal com mdia e varincia
2 n . Portanto, nesse caso, temos que a mdia amostral ter aproximadamente uma
distribuio normal com mdia dada por:
E( X ) = 500
e varincia dada por:
2.500
var( X ) = = 25.
100
VERDADEIRA
Estimao
xe
x
E(x) = dx
0
E(x) = xe x dx
0
Utilizando o mtodo de integrao por partes (faa f (x) = x e g'(x) = e x )1, obtemos:
xe x e x
E(x) = dx
0
xe x e x
E(x) = 2
0
1
E(x) =
1
Lembre-se que: f ( x) g ' ( x)dx = f ( x) g ( x) g ( x) f ' ( x)dx
E, como sabemos, a mdia amostral um estimador no-tendencioso da mdia
populacional, j que a mdia da mdia amostral a prpria mdia populacional:
X
n
i
E( X ) = E i =1
n
1
E( X ) = E( X 1 + X 2 + X n )
n
1
E( X ) = [E( X 1 ) + E( X 2 ) + E( X n )]
n
1 1 1 1
E( X ) = + +
n
1 1
E( X ) = n
n
1
E( X ) =
x
2
E(x ) = 2
f ( x)dx
0
E(x2) = x 2 e x dx
0
Var( X ) =
n
1
Var( X ) =
n 2
f(xmnimo) = (n) e
( n ) x mnimo
1 1
Como a mdia de x dada por e a varincia igual a , temos que a esperana
2
1 1
e a varincia
de mnimo( X 1 , X 2 ,........, X n ) ser, por analogia, (faa os clculos,
n (n )2
e confira!). Calculemos ento o vis da estatstica mnimo da amostra:
FALSA
1 n 2 n 1 2
(1) O valor esperado da estatstica ( xi x ) igual a ( ) , em que 2 a
n i =1 n
varincia da populao. Ento, um estimador no-tendencioso de 2 ser
1 n 2
( xi x ) .
n 1 i =1
Resposta:
1 n 2
Sabemos que a estatstica ( xi x ) realmente um estimador viesado de , j
2
n i =1
n 1 2
que seu valor esperado dado por: , que diferente de 2 . Um estimador no
n
1 n
2
tendencioso da varincia ( xi x ) .
n 1 i =1
1 n 2
Mas, em todo o caso, calculemos o valor esperado da estatstica ( xi x ) , 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!):
1 n
E( 2 ) = E (xi x ) 2
n i =1
1 n
E( 2 ) = E[ (xi x ) 2 ]
n i =1
n n
1
E( 2 ) = E[ ( xi - )2 + 2( - x ) ( xi - ) + n( - x )2]
n i =1 i =1
n
E como ( xi) = n x , temos que:
i =1
n
1
E( 2 ) = E[ ( xi - )2 + 2n( - x )( x - ) + n( - x )2]
n i =1
Ou:
n
1
E( 2 ) = E[ ( xi - )2 2n( - x )( - x ) + n( - x )2]
n i =1
n
1
E( 2 ) = E[ ( xi - )2 2n( - x )2 + n( - x )2]
n i =1
n
1
E( 2 ) = E[ ( xi - )2 n( - x )2]
n i =1
n
1
E( 2 ) = {E[ ( xi - )2] nE( x -)2}
n i =1
1 n
E( 2 ) = [ E(xi - )2 nE( x -)2]
n i =1
E sabemos que:
E(xi - )2 = var(x) = 2 e
2
E( x -)2 = var( x ) =
n
Dessa forma:
1 2
E( 2 ) = [n2 - n ]
n n
1
E( 2 ) = [n2 - 2]
n
1 2
E( 2 ) = (n-1)
n
n -1 2
E( 2 ) = 2
n
Portanto, 2 um estimador tendencioso de 2. O estimador no tendencioso ser
dado por:
1 n 2
s2 = ( xi x )
n 1 i =1
J que:
1 n 1 1
E ( x i x ) 2 =
n
E
n 1 i =1
( xi x ) 2 =
n 1 i =1 n 1
(n-1) 2 = 2
VERDADEIRA
(2) Suponha que a varivel aleatria x seja uniformemente distribuda no intervalo [0, ],
em que um parmetro desconhecido. O estimador de mxima verossimilhana de
ser =mnimo[ x1, x 2 ,........, x n ].
Resposta:
Se a varivel uniformemente distribuda no intervalo [0, ], sabemos que a sua
funo densidade de probabilidade dada por:
1 1
f ( x) = =
0
E , obviamente, o valor mximo que x pode assumir. Sendo assim, o estimador
de mxima verossimilhana de , ou seja, aquele que d a maior chance da amostra
pertencer de fato uma populao com distribuio uniforme, , sem dvida, =
mximo[x1, x2, , xn].
FALSA
(3) Se dois intervalos de confiana que esto sendo comparados apresentam o mesmo
coeficiente de confiana, ento se deve preferir aquele que apresenta a maior amplitude.
Resposta:
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.
FALSA
FALSA
(ANPEC 2003, 02) Sejam: X1, X2, ..., Xn variveis aleatrias independentes e
n n
normalmente distribudas com mdia e varincia 2; X = n 1 X i ; e Z = Yi 2 , em
i =1 i =1
E( X ) = E(n 1 X i )
i =1
E( X ) = n E ( X 1 + X 2 + + X n )
1
E( X ) = n 1 [E( X 1 ) + E( X 2 ) + + E( X n )]
E( X ) = n 1 ( + + )
E( X ) = n 1 n
E( X ) =
Cabe notar que nesse caso, como as variveis so normalmente distribudas, alm de
ser no tendencioso, X um estimador eficiente de .
FALSA
VERDADEIRA
i =1
Resposta:
E( nX ) = nE( X ) = n
var( nX ) = n2 var( X ) = n2 = n2
n
FALSA
Yi
(4) a varivel aleatria Wi = possui distribuio F com n1 e n2 graus de liberdade, em
Z
n
que n1 = 1 e n2 = 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
quadrado (ou seja, uma varivel 2) dividida por n. Portanto, Wi possui distribuio t de
Student com n graus de liberdade. O quociente entre duas variveis aleatrias 2
distribudas independentemente e divididas por seus respectivos graus de liberdade, que
segue uma distribuio F:
/k
2
F= k
~F
/n
2 k ,n
n
Cabe notar que, o quadrado de uma varivel aleatria t de Student com n graus de
liberdade ter uma distribuio F com 1 e n graus de liberdade:
t n2 ~F1,n
Portanto, Wi 2 seguir a distribuio F com 1 e n graus de liberdade.
FALSA
(ANPEC 2002, 04) Seja X uma varivel aleatria com distribuio de probabilidade que
dependa do parmetro desconhecido , tal que E(X) = . Seja tambm x1, x2, ..., xn uma
amostra aleatria de X.
nE
- apresentam a propriedade de invarincia, ou seja, se um estimador de e g() uma
funo qualquer de , ento g( ) ser o estimador de g();
- podem ser viesadas.
Portanto, para amostras suficientemente grandes, o estimador de mxima
verossimilhana de seguir realmente a distribuio normal.
VERDADEIRA
n n
Resposta:
O estimador ser no viesado se seu valor acertar, na mdia, o valor verdadeiro do
parmetro, ou seja:
n
E( ) = E( c x ) =
i =1
i i
E( ) = E( c x )i =1
i i
Se c
i =1
i
=1, teremos que:
E( ) =
Nesse caso ento, o estimador ser realmente no-viesado.
Vejamos em que condies o estimador ter varincia mnima. Para isso, primeiro
calculemos a varincia de :
n
var( ) = var( c x )
i =1
i i
var( ) = ( c12 + c 22 + + c n2 )2
var( ) = ( nc 2 )2
i
Portanto, para que tenha varincia mnima, devemos minimizar var( ), sujeito a
n
restrio que c
i =1
i
(= nci) seja igual a 1:
minimizar ( nc i2 )2
s.a. nci -1 = 0
L = ( nc i2 )2 - (nci -1)
L
= (nci -1) = 0
L
= 22nci - n = 0
c
VERDADEIRA
1 n
(2) Se = x i um estimador no viciado de , ento 2 tambm ser um estimador
n i =1
no viciado de 2 .
Resposta :
J sabemos que (estimador da mdia amostral) um estimador no viesado da
mdia populacional, . Vejamos se 2 tambm ser um estimador no viesado de 2.
Sabemos que:
Ou seja, a varincia dada pela mdia dos quadrados menos o quadrado da mdia.
Rearranjando a expresso acima, temos que:
E( 2 ) = + 2 2
n
Dessa forma, apesar de ser um estimador no viesado de , 2 um estimador
viesado de 2 (note, porm, que assintoticamente no tendencioso).
Cabe notar que, em geral, se tivermos um estimador no tendencioso e desejarmos
obter uma estimativa para uma funo g(.) qualquer desse estimador, se empregarmos
g( ), este poder ser um estimador viesado de g(). Uma exceo ocorre quando g (.) for
uma funo linear de (veja Questo ANPEC 1999, 06, item 1).
FALSA
FALSA
(4) Se 1 e 2 so dois estimadores do parmetro em que E ( 1 ) = 1 e E ( 2 ) 2
mas Var ( 2 ) < Var ( 1 ), ento o estimador 2 deve ser prefervel a 1 .
Resposta:
Quando comparamos dois estimadores no-viesados, devemos sim preferir aquele
que tiver menor varincia. Porm, quando comparamos dois estimadores quaisquer, como
o caso (j que 2 um estimador viesado de ), devemos preferir aquele que apresentar
menor erro quadrtico mdio, que dado por:
Portanto, nesse caso, no d para saber qual estimador prefervel, j que no temos
nenhuma informao sobre o valor do vis de 2 .
FALSA
(ANPEC 2001, 03) Uma amostra de tamanho n foi selecionada de uma populao de m
elementos. Pode-se afirmar que :
FALSA
VERDADEIRA
2 1
(2) Se a populao for finita, a varincia da distribuio amostral de X (1 )
n n
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 2 N n
dado por e, portanto, var( X ) = , a varincia da mdia amostral
N 1 n N 1
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.
FALSA
(3) Se X for uma varivel aleatria qualquer a distribuio de X ser normal com mdia
e varincia n 1 .
2
Resposta:
Pelo Teorema do Limite Central, sabemos que a distribuio da mdia amostral, X ,
2
ser normal, com mdia e varincia dada por , qualquer que seja a distribuio da
n
populao, desde que a amostra seja aleatria e suficientemente grande.
FALSA
FALSA
(ANPEC 2000, 04) Seja X1, X2 , ..., Xn uma amostra aleatria da densidade
n
(X i
)2
T= i =1
n
Como nesse caso, a mdia igual a zero, temos que:
n
X
2
i
T = i =1
VERDADEIRA
X2
n
i
E(T) = E i =1
n
1 n
E(T) = E X i2
n i =1
1
E(T) = E ( X 12 + X 22 + + X n2 )
n
Note que E( X i2 ) a prpria varincia populacional, , j que:
= E(X - )2 = E(X2)
FALSA
n
(2) A varivel aleatria Z = X i2 / tem distribuio qui-quadrado com n graus de
i =1
liberdade.
Resposta:
VERDADEIRA
(3) E ( X 12 X 23 ) = 2.
Resposta:
Note que a expresso acima a esperana do produto entre uma varivel ao quadrado e
uma varivel ao cubo. Portanto, o valor da esperana no poder ser um quadrado de , que
a varincia.
FALSA
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 .
VERDADEIRA
(ANPEC 2000, 07) Seja Y uma varivel aleatria contnua com distribuio de
probabilidade f(y;), em que = (1,2 ,...,p). Considere uma amostra aleatria de Y, com
tamanho n. Com relao funo de verossimilhana L(), correto afirmar que:
n
(0) l()= ln L() = log f ( y i ; ) , em que ln o logaritmo natural.
i =1
Resposta:
A funo de verossimilhana uma funo dos parmetros e dada por:
L(;yi) = f(y1;) f(y2;) f(yn;)
VERDADEIRA
FALSA
FALSA
(3) Sendo Tn o estimador de mxima verossimilhana do parmetro escalar 1, segue-se
que Tn apresenta a seguinte propriedade:
lim n Pr(|T | ) = 0 , > 0.
n 1
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 estimadores de mxima verossimilhana na
questo ANPEC 2002, 4, item 0)
VERDADEIRA
FALSA
VERDADEIRA
(1) Sob o critrio do erro quadrado mdio, para pequenas amostras, no h supremacia de um
estimador sobre o outro.
Resposta:
O erro quadrtico mdio dado por:
EQM = var( ) + [vis( )]2
Calculemos, ento, o EQM dos estimadores p e ~ p . Para isso, primeiro calculamos o vis (se
houver) e a varincia destes estimadores. Para o estimador p temos que:
Y
E( p ) = E
n
1
E( p ) = E(Y)
n
Como a mdia de uma varivel que tem a distribuio binomial dada por n p, temos que:
1
E( p ) = n p
n
E( p ) = p
Y
Var( p ) = var
n
1
Var( p ) = 2 var(Y)
n
E como a varincia de uma varivel que tem a distribuio binomial dada por np(1-p):
1
Var( p ) = 2 np(1-p)
n
p(1 p)
Var( p ) =
n
Como p um estimador no viesado, seu erro quadrtico mdio ser igual sua varincia:
p(1 p)
EQM( p ) =
n
Y + 1
Var( ~
p ) = var
n +1
1
Var( ~
p ) = var (Y + 1)
n +1
np(1 p )
Var( ~
p)=
(n + 1)2
O erro quadrtico mdio de ~
p ser dado ento por:
EQM( ~
p ) = var( ~
p ) + [vis( ~
p )]2
np(1 p ) 1 p
2
EQM( ~
p)= +
(n + 1)2 n + 1
np(1 p ) + (1 p )
2
EQM( ~
p)=
(n + 1)2
EQM( ~
p)=
(1 p )[np + (1 p )]
(n + 1)2
Temos ento que:
EQM ( p ) n 2 + 2n + 1 n 2 + 2n + 1
= 2 = >1
EQM ( ~
p) n n+n n2
Ou ainda, se p = 0:
EQM ( p )
=0<1
EQM ( ~
p)
Sendo assim, h, sim, supremacia de um estimador sobre o outro para pequenas amostras.
FALSA
(2) O vis do estimador ~p dado por [(1 p ) (1 + n )] .
Resposta:
O vis de ~ p ser dado por:
vis( p ) = E( ~
~ p)-p
np + 1
vis( ~
p)= -p
n +1
np + 1 (n + 1) p
vis( ~
p)=
n +1
np + 1 np p
vis( ~
p)=
n +1
1 p
vis( ~
p)=
n +1
VERDADEIRA
(ANPEC 1999, 06) Com base na teoria da estimao, pode-se fazer as seguintes
afirmaes :
(0) De acordo com o critrio de eficincia, medido pela comparao entre as varincias dos
estimadores, a mdia amostral X prefervel a primeira observao X 1 como
estimador da mdia populacional, supondo-se que 2 seja a varincia da populao.
Resposta:
E( X ) =
E(X1) =
J a varincia:
2
Var( X ) =
n
2
Var(X1) =
Portanto, pelo critrio de eficincia relativa, temos que a mdia amostral prefervel
primeira observao, j que sua varincia ser menor que a varincia de X1 para todo n > 1.
VERDADEIRA
(1) Seja um estimador no-viciado de . Se g( ) uma funo do parmetro , ento
E[g( )] g[E( )] com a igualdade ocorrendo somente quando g( ) for uma funo
linear.
Resposta:
Na questo ANPEC 2002, 04, item (2), mostramos que, em geral, E[g( )] g[E( )].
Mostraremos agora, que E[g( )] = g[E( )] quando g( ) for uma funo linear.
Considere a seguinte funo linear de :
g() = a + b.
VERDADEIRA
1
(2) A funo densidade de probabilidade da varivel aleatria x dada por f ( x) = para
0 x e 0 para outros valores. Assim sendo, considerando-se uma amostra aleatria
de tamanho n , x1 , x2 , x3 , xn , o estimador de Mxima Verossimilhana de ser
igual ao Mnimo de x1 , x2 , x3 , xn .
Resposta:
1
Se a f.d.p. de x dada por f(x) = , sabemos que x uniformemente distribuda e
que o parmetro o valor mximo que x pode assumir. Portanto, o estimador de mxima
verossimilhana para , 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 x1,
x2,x3, ., xn.
FALSA
n
(x
n
(x i
x) 2
i x)2
(3) Dado que as varincias das estatsticas S 1 = i =1
2 i =1
e S2 = so,
n 1 n
n
(x i x)2
2 4 2 4 n 1 2 S2 = i =1
respectivamente , iguais a e ( ) , ento n mais
n 1 n 1 n
n
(x
i =1
i x)2
preciso do que S =
2
n embora seja uma estatstica viciada.
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: "(...) ento S2 mais preciso
que S 12 , embora seja uma estatstica viciada", a afirmativa seria verdadeira. Vejamos:
Sabemos que S 12 uma estatstica viesada da varincia populacional, enquanto S1 no
(veja questo 08/2004, item 1).Calculemos, ento, as suas varincias.
2 4
var( S 12 ) =
n 1
2 4 n 1
2
2
var(S ) =
n 1 n
ANULADA
(2) Seja X uma varivel aleatria normalmente distribuda com mdia e varincia 2.
Sejam x1 e x2 duas observaes de uma amostra aleatria de tamanho 2. Podemos
3x + 2 x 2
afirmar que ~ = 1 um estimador tendencioso de .
5
Resposta:
Um estimador no tendencioso quando seu valor mdio igual a seu valor verdadeiro, ou
seja, E( ~ ) = . Vejamos se isso vlido para o estimador ~ :
3x + 2 x2
E( ~ ) = E 1
5
3x 2x
E( ~ ) = E 1 + E 2
5 5
3 2
E( ~ ) = E(x1) + E(x2)
5 5
3 2
E( ~ ) = +
5 5
E( ~ ) =
Portanto, ~ um estimador no-tendencioso de .
VERDADEIRA
lim
n
[
P = 1 ]
Dessa forma, as afirmaes so realmente equivalentes.
VERDADEIRA
(1) Se x uma varivel aleatria com E(X) = e varincia 2 , ento a mdia amostral, X ,
ser um estimador consistente da mdia populacional .
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
amostral um estimador no viesado da mdia populacional. Vejamos ento o que acontece
com a varincia medida que o tamanho da amostra aumenta:
lim n var( X ) = lim n
2
=0
n
Portanto, a mdia amostral um estimador consistente da mdia populacional.
VERDADEIRA
n
(x
i =1
i x)2
(2) A estatstica, S 2 = , baseada em uma amostra aleatria x 1 , x 2 ,x 3 ,....,x n
n
um estimador no tendencioso da varincia populacional.
Resposta:
n
(x i
x)2
O estimador no tendencioso da varincia dado por i =1
(veja questoANPEC
n 1
2004, 08, item 1).
FALSA
n
(x
i =1
i x)2
(3) A estatstica, S 2 = , baseada em uma amostra aleatria x 1 , x 2 ,x 3 ,....,x n
n
um estimador inconsistente da varincia populacional.
Resposta:
Vimos que o estimador no viesado da varincia populacional dado por
n
(x i
x)2
i =1
. Mas, apesar de ser viesado, S2 um estimador consistente da varincia
n 1
populacional, j que medida que o tamanho da amostra aumenta, no faz diferena dividir
por n ou por n 1.
FALSA
Intervalo de confiana e testes de hipteses
O que equivalente a:
H0: o estoque provm da empresa A
H1: o estoque provm da empresa B
x
=z
n
170 169
=1
10
100
z=1
Resposta:
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:
Calculemos ento a rea da regio cinza da figura acima:
170 171
=1
10
100
FALSA
(2) A regra de deciso, ao nvel de significncia de 5%, ser: se a durao mdia for
maior que 170,64 horas, as lmpadas foram fabricadas pela empresa B; do
contrrio, pela empresa A.
Resposta:
x 169
= 1,64
10
100
x = 1,64
R.A. = ]- , 170,64]
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 II, para o nvel de significncia de 5%, 0,70.
170,64 171
= 0,36
10
100
FALSA
(4) Para este teste de hiptese, a funo poder do teste crescente com a mdia , 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 no 0, ou seja,
maior que 0, o teste torna-se mais poderoso quanto mais distante o valor verdadeiro
da mdia for do valor hipottico 0. Portanto, quanto maior for a mdia verdadeira ,
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 .
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 II, j
que se os valores amostrais estiverem nessa regio, a hiptese nula, que sabemos ser
falsa, ser aceita. medida que aumenta, a regio cinza da figura aumenta e,
conseqentemente, o poder do teste diminui. Dessa forma, a funo potncia do teste
crescente com a mdia .
VERDADEIRA
FALSA
Resposta:
X
= tc
s
n
s
X = tc
n
s s
X + tc , X tc
n n
Resposta:
X + z ,X z
n n
VERDADEIRA
(3) Num teste de hiptese: H 0 : = 0 contra H a : 0 , se o intervalo de confiana
estimado para a mdia no contiver o valor de 0 , ento deve-se aceitar a
hiptese de que = 0 .
Resposta:
Se o intervalo de confiana para a mdia no contiver o valor que est sendo testado,
ento a hiptese nula dever ser rejeitada. Note que o intervalo de confiana construdo
corresponde regio de aceitao do teste (rea mais escura da figura abaixo). Assim,
se 0 no estiver neste intervalo, a hiptese nula dever ser rejeitada.
FALSA
FALSA
(ANPEC 2004, 2) Sejam X1, X2, ..., Xn variveis aleatrias independentes e
normalmente distribudas com mdia e varincia 2. Em relao ao teste de hiptese
da mdia H 0 : = 0 contra H a : < 0 , so corretas as afirmativas:
(0) Se o p-valor do teste for menor que o nvel de significncia, , a hiptese H 0 deve
ser rejeitada.
Resposta:
Suponha que o nvel de significncia escolhido () seja de 5%, como mostra o
grfico abaixo. A regio mais escura corresponde regio de aceitao do teste (RA),
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.
Dessa forma, se o p-valor do teste, que o nvel de significncia mais baixo com
o qual podemos rejeitar a hiptese nula, estiver na regio de aceitao, no poderemos
rejeitar a hiptese nula. Mas 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.
= 5% zt = 1,645
valor-p = 3% zc = 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.
= 5% zt = 1,645
valor-p = 30% zc = 0,52
Portanto:
Se valor-p > H0 no pode ser rejeitada.
Se valor-p H0 deve ser rejeitada.
O que anlogo a:
Se o valor calculado da estatstica < valor tabelado H0 no pode ser rejeitada
Se o valor calculado da estatstica > valor tabelado H0 deve ser rejeitada
VERDADEIRA
FALSA
(3)A funo-potncia para este teste de hiptese ser uma funo decrescente da
mdia .
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 no 0, ou seja,
menor que 0, o teste torna-se mais poderoso quanto mais distante o valor verdadeiro
da mdia for do valor hipottico 0. 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 . Mas o valor que est sendo testado 0,
que maior que . 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 II. Note que quanto maior for a mdia
verdadeira, , maior ser a probabilidade de cometer o erro do tipo II, j que maior ser
a probabilidade de aceitarmos a hiptese nula que = 0 (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 II, quanto maior for este ltimo, menor ser o poder do
teste:
VERDADEIRA
(ANPEC 2004, 6) Seja X uma varivel aleatria normalmente distribuda com mdia
e varincia conhecida 2 =1, da qual se obtm a amostra aleatria X1, X2, ..., Xn (com n
observaes). correto afirmar que:
(0) A mdia amostral uma varivel aleatria normalmente distribuda com mdia e
varincia 1/n.
Resposta:
Como a populao normalmente distribuda, a mdia amostral seguir uma
2
distribuio normal com mdia e varincia dada por , qualquer que seja o tamanho
n
1
da amostra. E como 2 = 1, temos que a varincia ser .
n
VERDADEIRA
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.
ANULADA
VERDADEIRA
FALSA
VERDADEIRA
FALSA
(ANPEC 2002, 05) Indique se as seguintes consideraes sobre a teoria dos testes de
hiptese so verdadeiras (V) ou falsas (F).
(2) Num teste de hiptese bi-caudal, o valor-p (ou valor de probabilidade) igual a duas
vezes a probabilidade da regio extrema delimitada pelo valor calculado da
estatstica do teste.
Resposta:
Note que a afirmao acima vlida apenas para distribuies simtricas. Caso a
distribuio seja assimtrica, como a Qui-quadrado ou a F, devemos calcular a
probabilidade das duas regies extremas delimitadas pelo valor calculado da estatstica
do teste, j que essas duas regies no sero iguais.
FALSA
FALSA
(4) No teste de hiptese para a mdia (H0: = 0 contra Ha: 0), ao nvel de
significncia , se o intervalo de confiana com 1- de probabilidade no contiver
= 0, no se poder rejeitar H0.
Resposta:
Supondo que o nvel de significncia do teste seja , se o intervalo de confiana
de 1- no contiver = 0, 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 seja realmente igual a zero.
Considere o grfico abaixo. Se o valor que est sendo testado estiver na regio
mais escura, que a regio de aceitao, ento H0 no pode ser rejeitada. Se estiver na
regio mais clara, que a regio de rejeio, ento H0 deve ser rejeitada.
FALSA
FALSA
(2) O mais baixo nvel de significncia ao qual a hiptese nula pode ser rejeitada
3x10 3 .
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 10-3.
VERDADEIRA
VERDADEIRA
FALSA
varincia dada por , desde que a amostra seja aleatria e suficientemente grande.
n
Portanto, podemos utilizar a distribuio normal padronizada para estimarmos o
intervalo de confiana da mdia populacional, qualquer que seja a distribuio da
populao, desde que tenhamos uma amostra suficientemente grande.
FALSA
(2) Para aumentar a preciso de uma estimativa por intervalo, o pesquisador deve
aumentar o intervalo de confiana de 95% para 99%, por exemplo.
Resposta:
Para aumentar a preciso de uma estimativa por intervalo, o pesquisador deve
aumentar o tamanho da amostra. Alis, aumentar o intervalo de confiana de 95% para
99% ir diminuir a preciso da estimativa por intervalo, j que os valores crticos para
nveis de confiana maiores tambm sero maiores e, sendo assim, a margem de erro
ser maior.
FALSA
VERDADEIRA
(4) Sendo x = 14 a mdia de uma amostra aleatria de 36 elementos extrada de uma
populao normal cujo desvio padro = 2, o intervalo de confiana da mdia
populacional, a 95%, ser 14 0,55. Use a tabela da distribuio Normal em
anexo.
Resposta:
Como queremos um intervalo com 95% de confiana, temos que consultar a
tabela da distribuio normal para rea igual a 0,475, cujo valor de 1,96.
Portanto, o intervalo com 95% de confiana para a mdia populacional ser dado
por:
IC95% = [14 0,65]
FALSA
(ANPEC 2001, 07) Sobre testes de hipteses, pode-se afirmar que:
(0) O erro do tipo I consiste em rejeitar a hiptese nula quando ela verdadeira.
Resposta:
Como j vimos anteriormente, esta realmente a definio do erro do tipo I
("condenar um inocente").
VERDADEIRA
FALSA
VERDADEIRA
(3) A opo pelo teste unilateral ou bilateral decorre da expectativa terica sobre o
parmetro 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.
VERDADEIRA
(4) Um intervalo de confiana de 100(1-)% 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-lo
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.
VERDADEIRA
(ANPEC 2000, 05) Dadas as seguintes afirmativas sobre testes de hipteses, correto
dizer que:
(0) A probabilidade do erro tipo I calculada utilizando-se a estatstica de teste, para
cujo clculo presume-se que a hiptese nula falsa.
Resposta:
A probabilidade (mxima) do erro tipo I definida a priori 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).
FALSA
VERDADEIRA
(3) A aceitao de determinada hiptese nula implica que esta hiptese seja verdadeira.
Resposta:
A aceitao de determinada hiptese nula no implica que esta hiptese seja
realmente verdadeira. O que podemos dizer que, dada a informao disponvel, no
possvel contestar tal hiptese.
FALSA
(4) O poder de um teste a probabilidade de se rejeitar a hiptese nula quando esta for
falsa.
Resposta:
O poder de um teste a probabilidade de no cometer o erro do tipo II, ou seja,
rejeitar a hiptese nula quando realmente ela falsa.
VERDADEIRA
(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 urna possui iguais propores
de bolas azuis e verdes se forem retiradas entre 28 e 36 (inclusive os extremos) bolas de
uma mesma cor; rejeit-la caso contrrio. Calcule a probabilidade de se cometer um erro
do tipo I. (Multiplique o resultado por 100 e arredonde).
Soluo:
H0: p = 0,5
H1: p 0,5
E o desvio-padro:
0,25 0,5
dp ( p ) = = = 0,0625
64 8
R.A.[0,4375;0,5625]
J que:
28 36
= 0,4375 e = 0,5625
64 64
E a margem de erro, dessa forma, igual a 0,0625 (0,5 + 0,0625 = 0,5625 e 0,5 - 0,0625
= 0,4375). Isso significa que:
0,0625 = z 0,0625
0,0625
z= =1
0,0625
(ANPEC 1999, 07) O candidato X a governador 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:
(0) A afirmao do candidato X verdadeira com base num teste de hipteses, para um
nvel de significncia de 5%.
Resposta:
As hipteses nesse caso so:
H0: p = 0,45
H1: p < 0,45
p 0,45
= 1,645
0,02
p 0,45 = 1,645 0,02
p 0,45 0,033
255
E como o valor que foi encontrado na amostra (0,408 = ) no pertence regio de
625
aceitao, podemos rejeitar a hiptese nula a 5% de significncia, isto , a afirmao do
candidato X no verdadeira.
FALSA
(1) Com uma 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:
265
p = = 0,424
625
p (1 p) 0,424 0,576
var( p ) = = 0,00039
n 625
E o desvio-padro:
Dessa forma:
p p
= 1,645
dp(p)
0,424 p
= 1,645
0,02
0,424 p = 1,645 0,02
0,424 p = 0,0329
VERDADEIRA
(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:
E o desvio-padro:
dp( p ) = 0,00039 0,0004 = 0,02
Como o intervalo novamente com 90% de confiana, temos que o valor crtico
de 1,645. Portanto:
p p
= 1,645
dp(p)
0,41 p
= 1,645
0,02
0,41 p = 1,645 0,02
0,41 p = 0,0329
VERDADEIRA
(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 1%.
Resposta:
Nesse caso, as hipteses so:
H0: p = 0,42
H1: p > 0,42
p (1 p) 0,42 0,58
var( p ) = = 0,00039
n 625
E o desvio-padro:
dp( p ) = 0,00039 0,02
Portanto:
p p
= 2,33
dp(p)
p 0,42
= 2,33
0,02
p - 0,42 = 2,33 0,02
p - 0,42 = 0,0466
R.A. = ]- ; 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.
FALSA
Portanto:
x
= 1,96
n
n = 96,04
Dessa forma, o tamanho da amostra necessrio para estimarmos com uma
margem de erro de R$5,00 de 96.
(ANPEC 1999, 10) Com relao a teoria de Teste de Hipteses, pode-se afirmar que :
FALSA
(1) 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 II () e, portanto, aumentamos o poder do teste ( que dado por
1).
FALSA
VERDADEIRA
(3) A estatstica t-Student utilizada nos testes de hipteses para a mdia populacional
quando a varincia dos elementos da populao, 2 ,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.
VERDADEIRA
(ANPEC 1998, 09) Uma mquina est sendo examinada 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.
H0: P = 0,03
HA: P > 0,03
FALSA
P P
= 1,645
dp ( P )
P 0,03
= 1,645
0,0038
P 0,03 = 0,006251
P P
= 1,96
dp ( P )
0,037 P
= 1,96
0,0042
0,037 P = 1,96 0,0042
0,037 P 0,008232
VERDADEIRA
(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%, com probabilidade de 95%.
Resposta:
Para 95% de confiana, temos que:
P 0,03
= 1,645
dp( P )
0,0291
Portanto, a margem de erro ser dada 1,645 . E como ela no pode exceder
n
1%, temos que:
0,0291
1,645 = 0,01
n
0,0291 0,01
=
n 1,645
0,0291
0,00608
n
Elevando ao quadrado:
0,0291
= 0,000037
n
0,0291
n= = 786,49
0,000037
Portanto, seria necessria uma amostra com 787 peas para que o erro mximo fosse de
1%.
FALSA
Yi = 0 + 1 X 1i + 2 X 2i + ei
2
var( j ) = n
x
i =1
2
ij (1 R 2j )
2 2
onde R o R de uma regresso entre xj e todas as outras variveis independentes do
j
modelo original (incluindo o intercepto). Se R 2j for alto, isso significa que xj est
altamente correlacionada com uma ou mais variveis includas no modelo original. E
quanto mais alto for R 2j , mantendo 2 e a varincia de xj constantes, maior ser a
varincia do parmetro estimado, e menor ser a sua estatstica t. Sendo assim, tende-se
realmente a aceitar a hiptese nula de que j = 0, j que a estatstica t subestimada.
VERDADEIRA
r ji yi
j = i =1
n
r
i =1
2
ji
Vejamos:
Analogamente:
x 2i = 1 x1i + r2i
x 2i = x 2i + r2i
SQR
(
= 2 x1i y i 1 x1i 2 x 2i = 0 )
1
SQR
(
= 2 x 2i y i 1 x1i 2 x 2i = 0 )
2
Substituindo, temos:
(
2( x1i + r1i ) y i 1 x1i 2 x 2i = 0 ) ( )
2( x 2i + r2i ) y i 1 x1i 2 x 2i = 0
(
r1i y i 1 x1i = 0 ) (
r2i y i 2 x 2i = 0 )
n n
r 1i yi r 2i yi
1 = i =1
n
2 = i =1
n
r
i =1
2
1i r
i =1
2
2i
J que:
n
x ji no correlacionado com ei ( x ji ei = 0 );
i =1
n
r ji no correlacionado com x ki ( rji x ki ), com j k;
i =1
x
i =1
r =
ji ji
i =1
ji
i =1
Substituindo agora yi em 1 :
n
r ( xi1 1 1i + 2 x 2 i + ei )
1 = i =1
n
r
i =1
2
i1
n n n
1 ri1 x1i + 2 ri1 x 2i + ri1ei
1 = i =1
n
i =1 i =1
r
i =1
2
i1
n n
1 r12i r e 1i i
1 = n
i =1
+ i =1
n
r
i =1
2
i1 r
i =1
2
1i
r e 1i i
1 = 1 + i =1
n
r
i =1
2
1i
n
r1i ei
var( 1 ) = var 1 + n
i =1
i =1
r12i
n
r1i ei
var( 1 ) = var i =1n
r1i
2
i =1
r 2
1i
var( 1 ) = i =1
2
var(ei )
n
r12i
i =1
2
var( 1 ) = n
r
i =1
2
1i
n
Sabemos que r
i =1
2
1i a soma dos quadrados dos resduos (SQR) da regresso de x1 em
x 2 . Dessa forma:
SQR = SQT SQE
SQE
SQR = SQT 1
SQT
SQR = SQT 1 R12 ( )
(
SQR = x12i 1 R12 )
Onde R12 o coeficiente de determinao da regresso de x1 em x 2 . Assim:
2
var( 1 ) =
x (1 R )
n
2 2
1i 1
i =1
Generalizando:
2
var( j ) = n
x i =1
2
ij (1 R 2j )
VERDADEIRA
Yi * = Yi + i
onde i corresponde ao erro de mensurao da varivel dependente.
Yi * = 0 + 1 X 1i + 2 X 2i + ei + i
Yi * = 0 + 1 X 1i + 2 X 2i + (ei + i )
Yi * = 0 + 1 X 1i + 2 X 2i + i
O novo termo de erro i composto do erro da equao (ei) mais o erro de medida da
varivel Yi ( i ). Dessa forma, a varincia de i ser dada por:
var( i ) = var(ei) + var( i )
var( i ) = e2 + 2
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 j dada por:
2
Var( j ) = n
x
i =1
2
ij (1 R 2j )
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, 1 e 2 .
FALSA
Vejamos:
Yi = 0 + 1 X 1i + 2 X 2i + ei
Yi = 0 + 1 X 1i + i
em que:
i = ei + 2 X 2 i
0 = Y 1 X 1
E o de 1 :
x 1i yi
1 = i =1
n
x
i =1
2
1i
Calculemos primeiro E( 1 ):
n
x1i y i
E( 1 ) = E i =1n
x1i
2
i =1
n
E x1i y i
E( 1 ) = i =n1
x12i i =1
n
Calculemos ento E x1i y i :
i =1
n n
E x1i y i = E (X 1i X )(Yi Y ) = E Yi ( X 1i X 1 ) Y (X 1i X 1 )
n n
i =1 i =1 i =1 i =1
(X X 1 ) = 0:
n
Como 1i
i =1
n n
E x1i y i = E Yi (X 1i X 1 )
i =1 i =1
n n
E Yi (X 1i X 1 ) = E ( X 1i X 1 )( 0 + 1 X 1i + 2 X 2i + ei )
i =1 i =1
n
E 0 (X 1i X 1 ) + 1 (X 1i X 1 )X 1i + 2 (X 1i X 1 )X 2i + (X 1i X 1 ) ei
n n n
i =1 i =1 i =1 i =1
n
E 1 ( X 1i X 1 )X 1i + 2 ( X 1i X 1 )X 2i + ( X 1i X 1 ) ei
n n
i =1 i =1 i =1
(X X 1 )X 1i .
n
Analisemos agora o primeiro somatrio da expresso acima: 1i
i =1
(X X 1 )(X 1i X 1 + X 1 ) = (X X 1 ) + X 1 (X 1i X ) = (X 1i X 1 )
n n n n
2 2
1i 1i
i =1 i =1 i =1 i =1
Analogamente (verifique!):
(X X 1 )X 2i = (X X 1 )(X 2i X 2 )
n n
1i 1i
i =1 i =1
n n
E x1i y i = E 1 ( X 1i X 1 ) + 2 (X 1i X 1 )(X 2i X 2 ) + ( X 1i X 1 ) ei
n n
2
i =1 i =1 i =1 i =1
i =1 i =1
E, portanto:
n
E 1 (X 1i X 1 ) + 2 (X 1i X 1 )(X 2i X 2 )
n
2
E( 1 ) = i =1 n
i =1
x12i
i =1
n
x1i x 2i
E( 1 ) = 1 + 2 i =1n
x1i
2
i =1
Como Y = 0 + 1 X 1 + 2 X 2 :
n
x1i x 2i
E( 0 ) = 0 + 1 X 1 + 2 X 2 - X 1 1 + 2 i =1n
x1i
2
i =1
n
x1i x 2i
E( 0 ) = 0 + 2 X 2 X 1 n
i =1
i =1
x12i
Portanto, para que 0 seja no viesado, isto , para que E( 0 ) = 0 , deve-se verificar
n
x1i x 2i
que X 2 X 1 i =1n = 0. A no existncia de correlao entre as variveis X e X
2 3
i =1
x 2
1i
no garante que o estimador do intercepto seja no viesado. Alm disso, deve-se
verificar que X 2 seja igual a zero.
FALSA
(ANPEC 2005, 11) dada a seguinte funo de produo para determinada indstria:
ln(Yi ) = 0 + 1 ln( Li ) + 2 ln( K i ) + u i ,
em que Y o valor adicionado por firma (em reais), L o trabalho empregado, K o
valor do capital (em reais) e u o termo aleatrio. Uma amostra aleatria de 27
observaes leva s seguintes estimativas:
R 2 = 0,76
So corretas as afirmativas:
(0) Se Y passasse a ser medido em mil reais, somente o valor estimado do intercepto da
regresso seria alterado.
Resposta:
onde = 0 ln(1000).
VERDADEIRA
A forma R2 do teste F dada por (veja questo ANPEC 2002, 10, item (3)):
R 2 /(k 1) 0,76 1
F= = = 76
(1 R ) /(n k ) 0,24 24
2
Consultando a tabela da distribuio F com 1 grau de liberdade no numerador e 24 no
denominador, encontramos que: F1,24 = 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.
FALSA
0,3856 2
~t24
0,0854
2 = [0,3856 t 24 0,0854]
FALSA
(3) Os valores estimados permitem concluir que, para aquela indstria, a produtividade
marginal do trabalho menor que a produtividade mdia do mesmo fator.
Resposta:
Y
PMgL = = 0,6022 Li 0,3978 K i0,3856
L
E a produtividade mdia do trabalho:
VERDADEIRA
(4) Qualquer outra forma funcional que leve a um R2 maior que 0,76 ser prefervel
utilizada.
Resposta:
FALSA
x y i i
1 = i =1
n
x
i =1
2
i
onde:
xi = (Xi X )
yi = (Yi Y )
Dessa forma:
n
x y * * w x w y2 i 1 i
* = = i =1
x
1 *2 n
(w x )
2
2 i
i =1
Como w1 e w2 so constantes:
n
w1 w2 xi y i
1* = i =1
n
w22 xi2
i =1
n
w1 xi y i
1* = i =1
n
w2 xi2
i =1
w1
1* = 1
w2
0 = Y 1 X
Dessa forma:
0* = Y * 1* X *
w
0* = w1Y 1 1 w2 X
w2
0* = w1Y w1 1 X
0* = w1 (Y 1 X )
0* = w1 0
FALSA
SQR
ei2
2 = = i =1
n2 n2
Dessa forma:
n
e *2
i
*2 = i =1
n2
(w e ) 1 i
2
*2 = i =1
n2
n
w12 ei2
*2 = i =1
n2
*2 = w12 2
VERDADEIRA
E de 1* :
*2
Var( )=
*
1 n
x
i =1
*2
i
(w x )
2
2 1
i =1
2
w
Var( )= 1
*
1
var(1 )
w2
X i
2
Var( 0 ) = 2 i =1
n
n xi2
i =1
E a varincia de 0* :
n
X *2
i
Var( 0* ) = *2 i =1
n
n xi*2
i =1
Substituindo:
n
(w 2 Xi )
2
Var( 0* ) = w12 2 i =1
n
n (w 2 x i )
2
i =1
Assim, as varincias dos estimadores dos parmetros do primeiro modelo apenas sero
maiores do que as do segundo se w1 < 1 e w1 < w2.
FALSA
SQR
e 2
i
R2 = 1 = 1 i =1
n
SQT
y
i =1
2
E do segundo:
n n
(w1ei )2 e 2
i
R*2 = 1 i =1
n
=1 i =1
n
= R2
(w y ) y
2 2
1
i =1 i =1
VERDADEIRA
Resposta:
VERDADEIRA
(ANPEC 2005, 14) Considere o seguinte modelo para a populao: Y = 2 + 4X 5Z +
u, em que u o termo aleatrio e E (u | X , Z ) = E (u ) = 0 . A partir de uma amostra de n
indivduos, estimaram-se os parmetros deste modelo, tendo, todavia, sido omitida a
varivel Z. Ou seja, o modelo estimado foi: Yi = 0 + 1 X i . Suponha ainda que, para
amostra em questo, tenham sido obtidos os seguintes resultados:
n
(Z i Z )( X i X )
1 n 1 n
i =1
n
= 0,7 , em que X = i
n i =1
X e Z = Zi .
n i =1
(X
i =1
i X )2
( )
Calcule E 1 | X . Multiplique o resultado por 10.
Soluo:
n
xi y i
E( 1 ) = E i =1n
xi
2
i =1
Y = 2 + 4 X i 5Z i
i
Y = 2 + 4 X 5Z
y i = 4 xi 5 z i
Substituindo yi em E( 1 ), teremos:
n
xi (4 xi 5 z i )
E( 1 ) = E i =1 n
i =1
x 2
i
n
4 xi2 5 z i xi
E( 1 ) = E i =1 n
i =1
xi2
n 2 n
xi z i xi
E( 1 ) = E 4 n
i =1
5 n
i = 1
xi
2
xi2
i =1 i =1
(Z i Z )(X i X )
n
E( 1 ) = E 4 5 i =1 n
(X i X )2
i =1
n
(Z i Z )( X i X )
Como i =1
n
= 0,7 , temos:
(X
i =1
i X) 2
E( 1 ) = E (4 5 0,7 )
E( 1 ) = 4 3,5
E( 1 ) = 0,5
FALSA
(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 R2 = 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, precisamos calcular a estatstica F. E
como nos foi fornecido o R2 dessa regresso, deveremos utilizar a forma R2 da
estatstica F, que dada por (veja questo ANPEC 2002, 10, item (3)):
R 2 /(k 1) 0,90 / 5
F= = = 90
(1 R ) /(n k ) 0,10 / 50
2
Portanto, o valor da estatstica do teste a ser empregado de 90. E com esse valor,
podemos concluir que a regresso estatisticamente significante.
(ANPEC 2003, 06) Considere o modelo de regresso linear mltipla para dados
seccionais
y i = 0 + 1 x1i + 2 x 2 i + + k x ki + u i , i = 1, , n.
FALSA
(ANPEC 2003, 7) O mtodo dos mnimos quadrados ordinrios foi empregado para
estimar o modelo de regresso abaixo, cujo objetivo explicar as variaes de renda
entre 526 indivduos:
log(renda) = 0,417 0,297 sexo + 0,080 educ + 0,029 exper 0,00058 exper 2 + u,
( 0 , 099 ) ( 0 , 036 ) ( 0 , 007 ) ( 0 , 005 ) ( 0 , 00010 )
R = 0,441, n = 526,
2
em que sexo uma varivel dicotmica (valor 1, 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
( sbi i = 0,.,..
,1 .,4) . Com base nos resultados acima, correto afirmar:
0,297
t= = = 8,25
s 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.
FALSA
FALSA
(3) a significncia conjunta das variveis educ e exper no pode ser medida por meio da
estatstica t. Para isto, o teste F deve ser utilizado;
Resposta:
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.
VERDADEIRA
(4)o modelo incapaz de captar diferenas nos retornos da educao entre homens e
mulheres.
Resposta:
Note que o modelo inclui uma varivel dummy de 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 deveria
ser includa no modelo:
log(renda) = + 1sexo + 2 educ + 3 exper + 4 exper2 + 5sexo educ +
Sendo assim, o retorno da educao seria dado por:
educ + sexo educ
2 5
Se o indivduo for homem, o retorno ser 2 + 5 educ, e se for mulher ser 2 educ.
Dessa forma, conseguiremos captar diferenas nos retornos da educao entre homens e
mulheres.
VERDADEIRA
(ANPEC 2002, 9) Pode-se afirmar sobre o modelo de regresso linear clssico yt= 1
+ 2 xt + ut
(0) 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:
1 = y t 2 xt
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 no possui essa propriedade.
FALSA
(1) 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 vis no estimador 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.
FALSA
(3) Quanto maior for a variao da varivel explicativa, maior ser a preciso com que
o coeficiente angular pode ser estimado.
Resposta:
Suponhamos o caso extremo em que no haja variao da varivel explicativa, ou
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 mostra o grfico abaixo.
Y8
7
6
5
4
3
2
1
0 X
0 1 2 3 4
Para que possamos explicar a variao de Y, a varivel explicativa deve variar (!), e
quanto maior for a sua variao, com mais preciso poderemos estimar o coeficiente
angular.
VERDADEIRA
(4) Se R2 (coeficiente de determinao) for zero, ento a melhor previso para um valor
de y sua mdia amostral.
Resposta:
Se o R2 igual a zero, ento a SQE = 0, ou seja, y 2
= 2 x 2 = 0. Portanto, 2 =0.
= y
1
E:
y = 1 + 0x2 = 1 = y
Sendo assim, se R2 for igual a zero, a melhor previso para y ser a sua prpria mdia
amostral.
VERDADEIRA
(ANPEC 2002, 10) correto afirmar a respeito do modelo de regresso linear clssico
multivariado: Y = X + , com n observaes e k > 2 variveis explicativas, incluindo-
se o intercepto.
(0) Os coeficientes de inclinao no se alteram quando se modificam as unidades de
medida de Y e X multiplicando-os por uma constante, por exemplo, transformando-
se seus valores de reais para dlares.
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 Y e X por c:
Note que, nesse caso, os parmetros estimados no sero alterados (se dividirmos
todos por c, retornaremos ao modelo original).
VERDADEIRA
(1) Se o modelo for estimado com apenas k-1 variveis explicativas (mas mantendo o
intercepto), os coeficientes 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
ANPEC 2004, 11, itens 3 e 4).
VERDADEIRA
(3) Para testar a hiptese conjunta de que 2 = 3 = ... = k = 0 , pode-se utilizar o teste
R 2 (k 1)
F ; ( k 1), ( n k ) = , em que R2 o coeficiente de determinao do
[(1 R )(n k )]
2
modelo.
Resposta:
Podemos sim utilizar o teste F para testar essa hiptese. Mas vejamos se essa "forma
R2" da estatstica F est correta.
SQR
R2 = 1 -
SQT
(ANPEC 2001, 9) A partir de uma amostra de n elementos, foi estimada uma regresso
linear simples, pelo mtodo de mnimos quadrados, obtendo-se os resultados:
Yt = + 1 X t 0
R 12 = K1
A seguir, a mesma regresso foi estimada sabendo-se que a reta de regresso da
populao passa pela origem das coordenadas (termo constante = 0), obtendo-se os
resultados:
Yt = 2 X t
R 22 = K 2
Pode-se afirmar que:
(0) 1 = 2
Resposta:
O estimador de mnimos quadrados do coeficiente de inclinao de uma regresso com
intercepto dado por:
n
(X t
X )(Yt Y )
=
1
t =1
n
(Y
t =1
t
Y )2
XY
=
2
t =1
n
Y
t =1
2
FALSA
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 desvio-
padro ser menor. Note, porm, que se o intercepto no estiver realmente ausente do
modelo, as estimativas obtidas sero viesadas.
VERDADEIRA
Y 2
E o R2 da primeira regresso :
K1 = R =2 (X X )
2
1
2
(Y Y )
2
K2
=
Y 2
( X X )
2
K1 2
1
(Y Y )
2
A diviso ser maior que 1 apenas se o numerador for maior que 1. Sabemos que
X 2 ( X X ) 2 . Isso poderia nos levar a concluir que a afirmativa est correta.
Porm, note que os valores de das duas regresses no so iguais, e no podemos
saber qual maior. Portanto, nada se pode afirmar sobre a razo entre essas duas
medidas.
FALSA
(4) A soma dos resduos de mnimos quadrados de ambas equaes estimadas zero.
Resposta:
Consideremos primeiro o modelo com intercepto:
Yt = + 1 X t + t
minimizar 2 = minimizar (Y X )
2
Note que o termo entre parnteses so os prprios resduos da regresso. Utilizando (I),
temos que:
-2 = 0
Dessa forma:
= 0
Portanto, quando o intercepto estiver includo no modelo, a soma dos resduos ser igual
a zero.
-2 ( X ) = 0
( X ) = 0
Portanto, quando o intercepto no est includo no modelo, a soma dos resduos no
ser igual a zero.
FALSA
FALSA
VERDADEIRA
x y i i
=
2
i =1
n
xi =1
2
i
xi
Fazendo c = n
, temos que (assumindo que xi seja fixo e que, portanto, possamos
x
i =1
2
i
=
2 c y
i =1
i i
VERDADEIRA
(ANPEC 2000, 06) Seja o modelo de regresso linear clssico com duas variveis
explicativas X2 e X3: Yi= 1 + 2 X2i + 3 X3i + ui . correto afirmar que:
Resposta:
Quando a correlao entre X2 e X3 for igual a zero, o estimador 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 = 1 + 2X2 + 3X3 +
O mtodo dos MQO consiste em minimizar a soma dos quadrados dos resduos:
minimizar 2 = (y x 2 3 x3 )
2
2
2
3
=- 2x (y 3 2
x 2 3 x3 ) = 0
= - x3 y + 2 x 2 x3 + 3 x32 = 0
= 2 x 2 x3 + 3 x32 = x3 y (II)
x x + x
2 2 3 3
2
3
= x y 3
3
2
2
2
2 2 3 3
2
2
=
x y x x x y x
2 2 3 3
2
2
3
( x x ) x x 2 3
2
2
3 x
x
=
x y x x
2 3 2 3
x
2 2
2
Substituindo 3 , temos:
=
x y x y x x x y x x x
2 2 2 3 3
2
2 2 3
2
x ( x x ) x x
2
2 x 2 3
2
2
2 2
3
2
2
x y + x y ( x x ) + x y x x x
2
2
x [( x x ) x x ]
2 2 2 3 3 2 2 3
=
x
2 2 2
2 2 2
2 2 2 3 2 3
x y ( x x ) + x y x x x y ( x x ) + x y x x x
2 2
2 2 2
x [( x x ) x x ]
2 2 3 2 2 3 2 2 3 3 2 2 3
2
= 2
2
2 2
2 2 3 2 3
=
x y x + x y x x
2
2
3 3 2 3
2
( x x ) x x 2 3
2
2
2
2
3
=
x x x
2
2
2
2
2
3
x x
2 2 2
1
2 3
x x x
x
2
3
=
x y x x y x x
2
2
3 3 2 3
x x (1 )
2 2 2 2
2 3 23
Se 23 (coeficiente de correlao entre X2 e X3) = 0 a expresso acima torna-se:
x y x x y x x = x y x y x x
2
=
2 3 3 2 3 2 2 3
x x x x x
2 2 2 2 3 2 2
2 3 2 2 3
Analisemos a expresso
x x . Elevando o numerador ao quadrado, temos que:
2 3
x x 2
2
2
3
( x x ) [ ( X X )( X X )] = cov( X , X ) =
2 2 2
2 3 2 2 3 3
= 2 3 2
x x ( X X ) ( X X ) var( X ) var( X )
2 2 2 2 23
2 3 2 2 3 3 2 3
Portanto, 2 ser:
x y = ( X X )(Y Y )
2 2 2
= estimador do coeficiente de inclinao de uma
x (X X )
2
2 2 2
2
regresso simples.
VERDADEIRA
(1) Mesmo que a correlao entre X2 e X3 seja igual unidade, pode-se estimar 2 +
c3, em que c uma constante conhecida.
Resposta:
Quando a correlao entre as variveis X2 e X3 for igual a 1, temos o problema de
multicolinearidade perfeita e o modelo no poder ser estimado (veja a expresso
para 2 no item anterior).
Porm, faamos X3 = cX2. Nesse caso, o modelo torna-se:
Yi = 1 + 2X2i + 3(cX2) + ui
Yi = 1 + (2 + c3)X2i + ui
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.
VERDADEIRA
(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 (ui ).
Resposta:
A hiptese de normalidade do erro no necessria para que se garanta a eficincia
dos estimadores 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).
FALSA
(ANPEC 2000, 10) O seguinte modelo de regresso foi estimado utilizando-se dados
trimestrais entre 1979 e 1998, inclusive:
^
Yi = 2.20 + 0.104 X2i
A soma total explicada foi 100,5. Quando esta equao foi re-estimada, adicionando-se
trs dummies 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 sazonalidade
significativa. Calcule a estatstica de teste adequada.
Soluo:
Temos que:
Modelo I (com 1 varivel explicativa):
SQE = 100,5
SQR = 34
SQT = 134,5
n = 80
SQRR SQNR 34 20
m 3 14 75
F= = = =17,5
SQRNR 20 3 20
nk 80 5
Considerando apenas a parte inteira do resultado acima, chegaremos ao valor de 17.
(0) Variando-se o preo em 1%, a quantidade demandada variar 102%, ceteris paribus.
Resposta:
Como temos um modelo log-log, ou seja, um modelo no qual todas as variveis esto em
logaritmo, 2 nos d a variao relativa no preo dada uma variao relativa na quantidade:
%Q
2 =
% P
Se o preo variar em 1%:
%Q
2 =
1%
%Q = 2
Portanto, variando-se o preo em 1%, a quantidade demandada variar em 2%.
FALSA
(1) Ignorando-se o termo aleatrio, se o preo ultrapassar determinado limite, ser possvel
obter quantidades demandadas negativas.
Resposta:
Note que no existe ln de nmero negativo e, portanto, ser impossvel obter quantidades
demandadas negativas.
FALSA
(2) Se mudarmos as unidades de Q e P para dlares americanos, ento a estimativa de 2
na nova equao ser igual a sua estimativa obtida na equao em Reais.
Resposta:
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 0).
VERDADEIRA
(ANPEC 1999, 4) Seja o seguinte modelo de regresso linear mltipla na forma matricial:
Y = X . + ,
onde as dimenses das matrizes e dos vetores envolvidos so: Y => (n 1); X => (n k);
=> (k 1); e => (n 1).
FALSA
(1) Outro pressuposto bsico : nenhuma das variveis independentes deve estar
perfeitamente correlacionada com qualquer outra varivel independente ou 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
impossvel. Na questo ANPEC 2000, 06, item 0, mostramos que 2 em uma regresso
mltipla com 3 variveis dado por:
=
x y x x y x x
2
2
3 3 2 3
x x (1 )
2 2 2 2
2 3 23
VERDADEIRA
(2) As equaes normais de mnimos quadrados para o modelo dado podem ser
apresentadas em notao matricial como ( X 'Y ) = ( X ' X ) e a soluo para ser
= ( X ' X ) 1 ( X ' Y ) .
Resposta:
(X'Y) = (X'X)
A hiptese nula realmente 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.
FALSA
estimado de i .
Resposta:
Sabemos que:
| i 0 |
~ t nk
s i
Portanto, o intervalo de confiana para i ser dado por:
( t s )
i nk i
VERDADEIRA
(ANPEC 1999, 05) Foram encontrados os seguintes resultados para estimar uma
regresso linear com duas variveis explicativas para uma amostra de tamanho 10.
Variveis Coeficiente Desvio Estatstica p-valor
preditoras padro t
Constante 223,3 254,8 0,88 0,410
X1 -1,26 0,8263 -1,52 0,172
X2 -1,03 3,213 -0,32 0,752
VERDADEIRA
(1) A um nvel de significncia 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 tambm, j que os valores-p
para todos os coeficientes ultrapassam 0,01.
VERDADEIRA
(2) O coeficiente de determinao indica que 81,2% da variao amostral de Y podem ser
atribudos as variaes de X1 e X2.
Resposta:
Como o valor do R2 de 81,2%, sabemos que 81,2% da variao amostral de Y explicada
por variaes em X1 e X2.
VERDADEIRA
(4) Os valores tericos das estatsticas t utilizadas para testar os coeficientes das
variveis explicativas devem ser calculados para 7 graus de liberdade.
Resposta:
Como temos 10 observaes e 3 coeficientes desconhecidos, os graus de liberdade sero
realmente 7.
VERDADEIRA
(3) Quando a varincia dos resduos, Var( t ) , varia para cada t , ento os estimadores de
Mnimos Quadrados de , 1 e 2 ainda so no tendenciosos mas ineficientes.
Resposta:
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.
VERDADEIRA
varivel exgena e e1t e e2t so os termos aleatrios, com mdias zero e varincias
constantes. So corretas as afirmativas:
G * 1 = 1
Oferta: G * 1 = K * * equao exatamente identificada
K * * = 1
FALSA
0 0
0 = ;
1 1
2
1 = ;
1 1
e2t e1t
t = .
1 1
Bom, por aqui j d para ver que a afirmativa falsa ( t ). Mas, vamos encontrar
tambm a equao na forma reduzida para a quantidade. Substituindo a equao do preo
na equao da oferta, obtemos:
Qt = 0 + 1 Pt + e2t
0 2 e e1t
Qt = 0 + 1 0 X t + 2t + e2t
1 1 1 1 1 1
0 1 e 1e1t
Qt = 0 + 0 1 1 2 X t + 1 2t + e2 t
1 1 1 1 1 1
0 1 e 1e1t
Qt = 1 0 1 2 X t + 1 2t
1 1 1 1 1 1
Qt = 2 + 3 X t + wt
em que:
1 0 0 1
2 =
1 1
3= 1 2
1 1
e 1e1t
wt = 1 2t
1 1
e2t e1t
Assim, a afirmativa ento falsa pois t = .
1 1
FALSA
(3) As estimativas dos parmetros da forma reduzida descritos no quesito anterior, por
Mnimos Quadrados Ordinrios, so consistentes.
Resposta:
VERDADEIRA
(4) Os parmetros das equaes estruturais, obtidos dos parmetros da forma reduzida, so
estimados por Mnimos Quadrados Ordinrios.
Resposta:
Note que a equao da demanda subidentificada. Portanto, os parmetros estruturais dessa
equao, obtidos dos parmetros da forma reduzida, no podero ser estimados por
mnimos quadrados ordinrios.
FALSA
(ANPEC 2004, 07) So corretas as afirmativas. Em modelos de equaes simultneas:
(1) se a condio de ordem for satisfeita, a condio de posto tambm ser satisfeita.
Resposta:
Sabemos que a condio de ordem necessria, porm no suficiente para a identificao.
A condio suficiente 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.
FALSA
(4) o mtodo de mnimos quadrados indiretos pode ser aplicado tanto a equaes
exatamente identificadas quanto a equaes superidentificadas.
Resposta:
O mtodo dos mnimos quadrados indiretos s se aplica a equaes exatamente
identificadas. Se uma equao for superidentificada, este mtodo ir produzir estimativas
diferentes para o mesmo parmetro, 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.
FALSA
em que: QiD a quantidade demandada, QiS a quantidade ofertada, Pi o preo, e u1i e u2i
so termos aleatrios. correto afirmar que:
(0) o estimador de mnimos 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.
FALSA
(2) se a equao de demanda for definida por QiD = 1 + ' Pi + 1Yi + u1i , 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-la. Aplicando a condio de ordem para a equao da oferta, temos que o nmero
de variveis endgenas includas nesta equao menos um (G-1) igual a 1. O nmero de
variveis exgenas excludas da equao (K) tambm igual a 1. Portanto, como G-1 = K,
a equao exatamente identificada.
VERDADEIRA
(3) a equao de demanda ser identificada se for definida por QiD = 1 + ' Pi + 1Yi + u1i ;
Resposta:
A equao da demanda apenas poder ser identificada se incluirmos uma varivel exgena
na equao de oferta. Incluir uma varivel exgena na prpria equao de demanda, como
vimos no item anterior, torna a equao de oferta identificada.
FALSA
(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 uma 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.
VERDADEIRA
0 2 2
(0) Assim sendo, 0 = 0 , 1 = e 2 = .
1 1 1 1 1 1
Resposta:
Igualando as quantidades, obteremos a equao na forma reduzida para o preo:
Qt = Qt
0 + 1Pt + 2Rt + u1t = 0 + 1Pt + 2Pt-1 + u2t
1Pt - 1Pt = 0 - 0 + 2Pt-1 - 2Rt + u2t - u1t
(1 - 1) Pt = 0 - 0 + 2Pt-1 - 2Rt + u2t - u1t
0 2 2 u u 1t
Pt = 0 - Rt + Pt-1 + 2 t
1 1 1 1 1 1 1 1
Pt = 0 +1Rt + 2Pt-1 + 1t
0 0 2 2
Assim sendo, 0 = , 1 = - e 2 =
1 1 1 1 1 1
FALSA
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 posto1
igual ao nmero de variveis endgenas totais menos 1. Caso isso no se verifique, a
equao est subidentificada.
1
O posto de uma matriz a ordem do maior determinante diferente de zero contido nessa matriz.
Equao Qt Pt Rt Pt-1
Demanda 1 1 1 0
Oferta 1 1 0 1
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.
VERDADEIRA
(2) Se multiplicarmos a equao de demanda por (0 < < 1) e a equao de oferta por (1-
) e som-las, desde que o resultado dessa soma seja diferente da equao de oferta e da
equao de demanda, as duas sero identificadas.
Resposta:
Multiplicando a equao de demanda por e a de oferta por (1- ) e somando, obtemos:
Fazendo:
0 = 0 -0 + 0
1 = 1Pt - 1Pt + 1Pt
2 = 2Rt
3 = 2Pt-1 + 2Pt-1
t = u1t -u2t
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.
VERDADEIRA
(4) Para verificar se qualquer equao do sistema identificvel, basta aplicar a condio
de ordem.
Resposta:
A condio de ordem necessria para a identificao do sistema, porm no
suficiente. A condio necessria e suficiente 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.
FALSA
(0) 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 determinada 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 0)
FALSA
G* - 1 = 1
K** = 1
Como G*-1 = K**, temos que a equao de oferta est exatamente identificada.
VERDADEIRA
Q = 1 + 1 P + 1Y + 1 : funo de demanda
Q = 2 + 2 P + 2 : funo de oferta
Q=Q
1 + 1P + 1Y + 1 = 2 + 2P + 2
1P - 2P = 2 - 1 - 1Y + 2 - 1
(1 - 2) P = 2 - 1 - 1Y + 2 - 1
1 1 1
P= 2 + Y+ 2
1 2 1 2 1 2
P = 3 + 4 Y+ 2
(ANPEC 2005, 07) Com respeito teoria das sries temporais, so corretas as
afirmativas:
(0) Considere uma srie temporal Yt auto-regressiva de ordem 1 com parmetro . No
modelo: Yt Yt 1 = Yt 1 + u t , em que ut um rudo branco e = 1 , se
for de fato igual a zero, a srie Yt ser no estacionria.
Resposta:
Considere o modelo original:
Yt = Yt-1 + ut
Note que essa "forma alternativa" de escrever o processo utilizada para o teste de raiz unitria de
Dickey-Fuller, que testa a hiptese nula que = 0 (o que equivale a = 1).
VERDADEIRA
(1) Numa regresso linear simples de duas sries temporais no estacionrias de ordem 1, o teste usual t
de Student ainda vlido.
Resposta:
Temos que as duas variveis so I(1). 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 t 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.
FALSA
(2) Numa regresso linear mltipla de sries temporais de ordem 1, mas cointegrveis, no se corre o
risco de os resultados serem esprios.
Resposta:
Dado que as sries so I(1) e cointegrveis, a regresso entre elas ser vlida e, por isso,
no se corre o risco de obter resultados esprios.
VERDADEIRA
VERDADEIRA
(4) Se uma srie 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 n. Por exemplo, se a primeira diferena da srie for
estacionria, ela ser integrada de ordem 1, I(1).
FALSA
Essa questo foi anulada pois no foi especificado o subscrito do parmetro quando
2
se diz que < 1 e que a varincia de y t = . Se considerarmos que 1 , a
1 2
afirmativa seria verdadeira. Vejamos:
var(yt) = var( 0 + 1 y t 1 + et )
var(yt) = var(1 y t 1 + et )
var(yt) = var (1 y t 1 ) + var( et )
var(yt) = 12 var(yt-1) + 2
var(yt) 12 var(yt) = 2
(1- 12 )var(yt) = 2
2
var(yt) =
1 12
j = E[( y t - )( y t j - )]
j = E[( y t - )( y t j - )]
Para j = 1:
1 = 1 E(yt-1yt-1)
1 = 1 E( y t21 )
1 = 1 var(yt)
1 2
1 =
1 12
Para j = 2:
2 = 1 E(yt-1yt-2)
2 = 1 E[( 1 yt-2+et) yt-2]
2 = 12 E( y t2 2 )
2 = 12 var(yt)
12 2
2=
1 12
Generalizando:
1j 2
j=
1 12
FALSA
y t = 0 + 1 y t 1 + 2 y t 2 + et
y t = 0 + 1 Ly t + 2 L2 y t + et
(1 L L ) y =
1 2
2
t 0 + et
FALSA
VERDADEIRA
(4) No modelo ARMA(1,1), y t = 0 + 1 y t 1 + et + et 1 , em que et um rudo branco
0
de mdia nula e varincia constante, a mdia de y t dada por .
1 1
Resposta:
Calculemos a mdia de yt:
E(yt) = E( 0 + 1 y t 1 + et + et 1 )
E(yt) = 0 + 1 E(yt-1) + E(et) + E(et-1)
E(yt) = 0 + 1 E(yt) + E(et) + E(et)
E(yt) - 1 E(yt) = 0
(1- 1 )E(yt) = 0
0
E(yt) =
1 1
VERDADEIRA
Sabemos que a mdia dos erros zero e que, como < 1 , o processo estacionrio.
Portanto:
E(Zt) = E(Zt) + E(0)
E(Zt) - E(Zt) = 0
(1-) E(Zt) = 0
E(Zt) = 0
VERDADEIRA
E agora as autocovarincias:
cov(Zt, Zt-1) = E(ZtZt-1)
cov(Zt, Zt-1) = E[(at - at-1)Zt-1]
cov(Zt, Zt-1) = E(atZt-1) - E(at-1Zt-1)
cov(Zt, Zt-1) = - E[at-1(at-1 - at-2)]
cov(Zt, Zt-1) = - E( a t21 ) + E(at-1at-2)
cov(Zt, Zt-1) = - a2
A condio de estacionariedade para um modelo AR(1), Zt = Zt-1 + at, dada por || <
1. Como, nesse caso, o coeficiente de Zt-1 menor que 1 em mdulo, este processo
estacionrio (um choque ocorrido em dado perodo ser dissipado ao longo do tempo).
VERDADEIRA
(3) No processo AR(1), Zt = Zt 1 + at , em que a t um rudo branco com Var( a t ) =
a2
a2 , a varincia de Zt .
12
Resposta:
Calculemos a varincia de Zt:
var(Zt) = var(Zt-1 + at)
var(Zt) = var(Zt-1) + var(at)
var(Zt) = 2 var(Zt) + a2
var(Zt) - 2 var(Zt) = a2
(1 - 2) var(Zt) = a2
2
var(Zt) = a
1 2
VERDADEIRA
E(Zt) = E(Zt)
(1-) E(Zt) = 0
E(Zt) = 0
FALSA
(2) se Ct e Yt so I(1), ento o teste ADF aplicado aos resduos da regresso poder
identificar a presena de co-integrao entre as variveis;
Resposta:
Se as variveis so integradas de mesma ordem, h a possibilidade de que elas sejam co-
integradas, 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-lo 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.
VERDADEIRA
Como var(t) = 1:
0,75 var(yt) = 0,04 + 1 - 0,2 cov(yt, t-1) (I)
(ANPEC 2002, 12) Em relao aos modelos de Sries de Tempo pode-se afirmar:
1
FALSA
(3) Em uma regresso com duas sries temporais, se estas so I(1), ou 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.
VERDADEIRA
(3) O teste de Engle-Granger para co-integrao entre trs variveis consiste em utilizar
a estatstica e a tabela de valores crticos Dickey-Fuller nos resduos de uma
regresso entre estas variveis.
Resposta:
Apesar do teste de Engle-Granger para co-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 deve-
se, ento, utilizar-se outros valores crticos.
FALSA
var(yt) =
1 2
Portanto, para que esse processo seja estacionrio deve-se verificar que || <1, j que se
isso no ocorrer, a varincia ser infinita.
FALSA
(1) Se 1 = 1, o processo dito um caminho aleatrio (random walk).
Resposta:
Se 1 = 1, teremos:
yt = yt-1 + t,
que , por definio, um caminho aleatrio.
Se o modelo tivesse o intercepto, teramos um caminho aleatrio com drift:
yt = + yt-1 + t
VERDADEIRA
Resposta:
O estimador de MQO do parmetro 1 ser no viesado quando |1|<1. O estimador de
MQO, neste caso, ser uma estimativa da correlao entre yt e yt-1 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 1 era menor do que 1, portanto h que se
fazer esta ressalva.
VERDADEIRA
(com a ressalva acima!!)
(3) A estatstica t-Student pode ser usada para testar a presena de raiz unitria.
Resposta:
Se a varivel no estacionria, sua varincia ser infinita e, dessa forma, a estatstica t
ser viesada e no seguir a distribuio t de Student. Portanto, para testar a presena de
raiz unitria, devemos utilizar a estatstica , que na realidade calculada da mesma
forma que a estatstica t, s que com valores crticos prprios (tabelados por Dickey e
Fuller).
FALSA
que = 1 1 e y t = y t y t 1 .
Resposta:
Considere o modelo original:
y t = 1 y t 1 + t
Subtraindo e somando yt-1, obtemos:
yt = 1yt-1 + t + yt-1 - yt-1
yt - yt-1 = 1 yt-1 - yt-1 + t
y t = (1 - 1) yt-1 + t
y t = y t 1 + t
onde = (1 - 1)
Note que essa "forma alternativa" de escrever o processo utilizada para o teste de raiz
unitria de Dickey-Fuller, que testa a hiptese nula que = 0 (o que equivale a 1 = 1)
VERDADEIRA
(0) Aceitou a hiptese nula do teste ADF, concluindo que as sries de renda e consumo
so no-estacionrias;
Resposta:
O teste ADF (Dickey-Fuller aumentado) testa a hiptese nula de raiz unitria. Portanto,
se os valores obtidos para a estatstica so menores que os valores tabelados (em
mdulo), no se pode rejeitar a hiptese nula de existncia de raiz unitria (no-
estacionariedade) nas sries das variveis.
VERDADEIRA
(4) Necessita fazer mais outros testes para verificar se a regresso estimada espria.
Resposta:
Realmente, como leitor j deve estar se cansando de ler, para verificar se a regresso
espria, o econometrista necessita realizar um teste de co-integrao.
VERDADEIRA
(0) A condio || < 1 necessria para que o processo apresente mdia e varincia
incondicionais independentes do tempo.
Resposta:
A condio || < 1 necessria para que o processo seja estacionrio, ou seja, tenha
mdia e varincia constantes e covarincia dependente apenas da ordem da defasagem e
no do tempo.
Se = 1, teremos que:
Yt = Yt-1 + t
Yt = t
Portanto, o valor esperado de Yt ser dado por:
E(Yt) = E( t )
Dessa forma, se = 1, a mdia do processo ser dependente do tempo (note que nesse
caso particular, E(Yt) = 0).
E a varincia ser:
n
var(Yt) = var( t )
t =1
VERDADEIRA
FALSA
(3) A previso dois-passos frente dada por: E(Yt+2| Yt) = ( +1) + 2Yt , em que Yt
= { Y1 , Y2 ,..., Yt}.
Resposta:
A previso dois-passos frente para Yt dada por:
E(Yt+2|Yt) = Yt+1
Como Yt+1 = Yt, temos que:
E(Yt+2|Yt) = (Yt)
E(Yt+2|Yt) = 2Yt
FALSA
(ANPEC 1999, 1) Com relao aos modelos Auto - Regressivo, Mdia - Mvel e
Misto, pode-se afirmar que :
var(Zt) = a
(1 2 )
E a varincia:
var(Zt) = var( + at - at-1)
var(Zt) = var(at) + 2 var(at)
var(Zt) = (1 + 2)var(at)
var(Zt) = (1 + 2) a2
VERDADEIRA
onde:
(L) =(1 - 1L - 2L2 - ... - pLp)
(L) = (1 - 1L - 2L2 - ... - qLq)
(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 + 0,25.X. 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:
Soluo:
De janeiro de 1995 a dezembro de 1997, temos 36 observaes. Portanto, em janeiro de
1998 estaremos no 37 ms. Ento:
Y = 3 + 0,25 37
Y = 3 + 9,25 = 12,25
12,25-1,25 = 11
(ANPEC 1998, 15) Com relao aos modelos Auto - Regressivo, Mdia - Mvel e
Misto, pode - se afirmar que :
1
Portanto, se 0 = 0, a mdia do processo ser igual a zero.
VERDADEIRA
Z1 = Z0 + a1 = a1
Z2 = Z1 + a2 = a1 + a2
Z3 = Z2 + a3 = a1 + a2 + a3
Z4 = Z3 + a4 = a1 + a2 + a3 + a4
Zt = at + at-1 + a1
Portanto, se for igual a 1, o processo poder ser descrito como uma soma de choques,
j que um choque ocorrido em determinado perodo t no ser dissipado.
VERDADEIRA
Nmeros ndice
n n
p0i q1i p q i i
1 1
Fq = Lq Pq = i =1
n
i =1
n
p q p q
i =1
i
0
i
0
i =1
i
1
i
0
VERDADEIRA
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:
n
p q
i =1
i
1
i
0
L= n
p q
i =1
i
0
i
0
Desmembrando, temos:
p q
i =1
i
0
i
0
p q
i =1
i
0
i
0 p q
i =1
i
0
i
0 p q
i =1
i
0
i
0
i p 0i q 0i
Fazendo w = 0 n
(que representa a participao do bem i no oramento no
p q
i =1
i
0
i
0
p0i q0i i =1
i
n
p
L= p
i =1
1
i
w0i
0
FALSA
p q
i =1
i i
1 1
P= n
p q
i =1
i i
0 1
p q
i =1
i i
1 1
Desmembrando, temos:
1
P= 1 1 2 2
p q p q p 0n q1n
n
0 1
+ n
0 1
++ n
p1i q1i
i =1
p1i q1i
i =1
p q
i =1
i i
1 1
p1i q1i
Fazendo w1i = n
(que representa a participao no oramento do bem i no
p q
i =1
i i
1 1
1
P= 1 2
p p pn
w11 +
0
1
w12 + + 0n w1n
0
2
p 1 p p1
1
1
P= n
p 0i
i =1 p1 i
w1i
FALSA
I01 I10 = 1
p1i q0i p q i i
0 1
L01L10 = i =1
n
i =1
n
1
p q
i =1
i
0
i
0 p q
i =1
i i
1 1
n n
p1i q1i p q i
0
i
0
P01P10 = i =1
n
i =1
n
1
p q p q
i =1
i i
0 1
i =1
i
1
i
0
FALSA
p q
i =1
i
1
i
0 p qi =1
i i
1 1
L= n
P= n
p q
i =1
i
0
i
0 p q
i =1
i i
0 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.
n
p1i 1
L= p0i
w0i P= n
p 0i
i =1
i =1 p1i
w1i
VERDADEIRA
L=
pq 1 0
=
32
= 1,28
p q 0 0
25
FALSA
P=
p 1 q 1 48
= 1,17
p 0 q 1 41
VERDADEIRA
Lq =
p 0 q 1 = 41 = 1,64
p 0 q 0 25
FALSA
Pq =
p 1 q 1 48
= = 1,50
p 1 q 0 32
FALSA
V01 =
p1q1
=
48
= 1,92
p q 25
0 0
pq
2 2
=
pq 2 2
= V02
p q0 0
pq
1 1
p q 0 0
(ANPEC 2003, 01) Com relao aos nmeros ndice, correto afirmar que:
(0) o ndice de Fisher uma mdia harmnica dos ndices de Paasche e Laspeyres.
Resposta:
O ndice de Fisher uma mdia geomtrica dos ndices de Paasche e
Laspeyres:
F= L P
FALSA
p1
L= p 0
w0
FALSA
1
P=
p0
p1
w1
FALSA
Lp Pq =
pq 1 0
pq 1 1
=
pq 1 1
=V
p q 0 0
pq 1 0
p q 0 0
V01 V12 =
pq 1 1
p q 2 2
=
p q 2 2
= V02
p q 0 0
pq 1 1
p q 0 0
(4) o ndice 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 de Paasche:
V Lq =
pq
1 1
p q 0 1
=
pq 1 1
= Pp
p q
0 0
p q 0 0
p q 0 1
VERDADEIRA
L01 L10 =
pq 1 0
pq 0 1
1 P01 P10 =
pq 1 1
pq 0 0
1
pq 0 0 pq 1 1 pq 0 1 pq 1 0
FALSA
(1) Se um determinado ndice de preos com ano base em 1992 assume os valores I95 =
300 e I96 = 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$10,00 em 1996 em
moeda de 1995, basta deflacionarmos (ou seja, multiplicarmos pelo ndice de 1995 e
dividirmos pelo ndice de 1996) para obtermos:
300
10 = 7,50
400
VERDADEIRA
Resposta:
Multiplicando um ndice de Laspeyres de quantidades por um ndice de Laspeyres
de preos, obtemos:
Lp Lq =
pq pq
1 0 0 1
=
pq pq
1 0 0 1
,
p q p q
0 0 0 0 ( p q ) 0 0
2
ICV = p w 0
Como houve um aumento de 20% nos preos dos automveis que significou um
aumento de 0,1% no ICV0-3SM e um aumento de 1,2% no ICV10-20SM, temos que:
ICV0-3SM = p w 003 SM
0,001 = 0,20 w 00 -3SM
0,001
w 00-3SM = = 0,005 = 0,5%
0,20
ICV10-20SM = p w 100 20 SM
0,012 = 0,20 w 100 -20SM
0,012
w 100 -20SM = = 0,06 = 6%
0,20
Dessa forma, o peso dos automveis nas despesas das famlias com renda entre
10-20 SM 12 vezes maior que das famlias com 0 a 3 salrios mnimos, j que
12 0,5% = 6%.
VERDADEIRA
(4) Para calcular o ndice de preos de Paasche 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.
FALSA
(2) O ndice de Fischer dado pela mdia harmnica dos ndices de Laspeyres e
Paasche e obedece ao critrio da decomposio das causas.
Resposta:
O ndice de Fisher dado pela mdia geomtrica dos ndices de Laspeyres e
Paasche (F = L P ) e no obedece ao critrio de decomposio das causas
(circularidade), j que:
n n n n
FALSA
ICV = p w 0
Portanto:
0,004 = 0,16w 0
0,004
w0 = = 0,025 = 2,5%
0,16
VERDADEIRA
(4) Tomando o ano zero como base, foram observados os seguintes valores para o
ano 1: ndice do PIB nominal = 120; ndice de quantidade de Laspeyres = 80. Pode-se
ento concluir que a taxa de inflao no perodo, medida pelo deflator implcito do PIB,
foi de 50%.
Resposta:
Aqui temos que calcular o valor do deflator implcito do PIB. E, para isso, foram
fornecidos os valores do ndice do PIB nominal e do ndice de quantidade de Laspeyres,
que so dados por:
IPIBn =
pq 1 1
= 120
p q 0 0
Lq =
p q 0 1
= 80
p q 0 0
O deflator implcito do PIB dado pelo quociente entre o PIB nominal e o PIB
real:
D=
PIB nominal
=
pq 1 1
PIB real p q 0 1
pq 1 1
p q 0 0
=
ndice PIB nominal
=
120
= 1,5
p q 0 1
ndice de quantidade de Laspeyres 80
p q 0 0
Portanto, houve uma variao de 50% nos preos medida pelo deflator implcito do PIB.
VERDADEIRA
(ANPEC 2000, 2) A tabela abaixo apresenta, para os anos de 1994 e 1999, dados
hipotticos sobre preos e quantidades vendidas de 6 diferentes produtos
comercializados por certa companhia. Calcule a variao percentual dos preos dos
produtos da companhia neste perodo, utilizando o ndice de Paasche.
1994 1999
Tipo de pro Preo Quantidade Preo Quantidade
duto Vendida Vendida
A 5 80 20 100
B 7 100 6 1000
C 2 200 5 200
D 3 600 4 500
E 1 300 2 200
F 2 100 3 200
Soluo:
Para calcularmos o ndice de preos de Paasche, precisamos primeiro calcular
p 1999 q 1999 e p 1994 q 1999 , o que feito na tabela abaixo:
Tipo de produto P1994 Q1999 P1999 Q1999
A 500 2.000
B 7.000 6.000
C 400 1.000
D 1.500 2.000
E 200 400
F 400 600
Soma: 10.000 12.000
P=
p 1999 q 1999
=
12.000
= 1,20
p q 1994 1999
10.000
(ANPEC 1999, 3) Com base na teoria dos Nmeros ndices, pode-se afirmar que:
Resposta:
p 1
i
I= i =1
n
p
i =1
0
i
Ponderando pelo valor da participao relativa de cada bem no perodo base
( wi ), obteremos o ndice de preos de Laspeyres:
0
p 1
i
L= i =1
n
wi0
p i =1
0
i
q 1
i
Iq = i =1
n
q
i =1
0
i
q 1
i
Lq = i =1
n
z i0
q
i =1
0
i
VERDADEIRA
F = LP
F01 F10 = 1
=
p q 1 0
i i
p q p q p q
1 1
i i
0
i
1
i
0
i
0
i
= 1 =1
p q 0
i
0
i p q p q p q
0
i
1
i
1 1
i i
1 0
i i
pq pq p q pq
1 0 1 1 0 1 1 1
( p q )
1 1
2
Fp Fq = L P Lq Pq = =
p q p q p q pq
0 0 0 1 0 0 1 0
( p q )
0 0
2
=
pq1 1
= ndice de valor
p q
0 0
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.
VERDADEIRA
(3) Os ndices de Fisher, definidos como a mdia geomtrica dos ndices de Laspeyres e
de Paasche, so sempre maiores do que estes dois ltimos.
Resposta:
O ndice de Fisher, sendo uma mdia geomtrica dos ndices de Laspeyres e de Paasche,
estar sempre entre estes dois, nunca ser maior.
FALSA
DEFLATORES
(Base: 1990 = 100)
NDICES 1996
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:
ento Z=
( X )
2
segue uma distribuio 2 com 1 grau de liberdade.
2
Resposta:
Sabemos que a soma de n variveis aleatrias normais padronizadas ao quadrado segue
a distribuio 2 com n graus de liberdade. E como Z uma varivel normal
padronizada ao quadrado, segue a distribuio 2 com 1 grau de liberdade.
VERDADEIRA
FALSA
(2) Se X uma varivel aleatria com distribuio t com n graus de liberdade, ento
Z = X 2 segue uma distribuio F com 1 e n graus de liberdade.
Resposta:
Sabemos que:
x
n
~ tn
S
(x )
2
2
n = 2
S2 nS 2
2 2
Note que o numerador da expresso acima uma varivel normal padronizada ao
quadrado e, portanto, segue a distribuio qui-quadrado com 1 grau de liberdade. E no
denominador, temos tambm uma varivel aleatria que segue a distribuio qui-
quadrado com n graus de liberdade. Dessa forma:
(x )
2
2 ~ F(1,n)
nS 2
2
VERDADEIRA
Dessa forma:
E(X) = var(X) =
FALSA
(4) 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 = lnY normalmente distribuda,
ento Y = e X realmente seguir a distribuio lognormal. Note que ln(.) definido
apenas para valores positivos. E como grande parte das variveis econmicas assume
apenas valores positivos, a distribuio lognormal muito utilizada em economia.
u(x) = e x
v(y) = lny
1
v(y) =
y
(ln y )2
1
2 2
f(y) = e
y 2 2
VERDADEIRA
X
~ N(0,1)
n
1
E(X) = = 0,5
1
var(X) = =4
2
E o desvio-padro:
dp(X) = 4=2
0,5 0,5
= 0,00
2
64
Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao valor de 50.
FALSA
(1) Se (Y,X) possuem uma distribuio Normal bivariada, ento, segue-se que
E(Y|X) = a + b Y, em que a e b dependem dos momentos de Y e X.
Resposta:
E(Y|X) chamada de regresso de Y em X. De fato, possvel mostrar que, se X e
Y tm distribuio normal bivariada E(Y|X) = a + bX, a e b constantes (e no a + bY).
Independente disso, E(Y|X), isto , a esperana de Y dado X ser funo de X, nunca de
Y.
FALSA
g(x) = f ( x, y)dy
X
g(x) = 2 e y dy
X
g(x) = 2 e y dy
x
+
e y
g(x) = 2
x
e x
g(x) = 2
g(x) = e-x
Portanto:
E(x) = xg ( x)dx
0
xe
x
E(x) = dx
0
Para calcular a integral acima, devemos utilizar o mtodo de integrao por partes.
Faamos f(x) = x e g'(x) = e-x. Temos que:
Portanto:
e x
e x
E(x) = x( ) dx
0 0
xe x 1 x
E(x) = + e dx
0 0
xe x 1 e x
E(x) = +
0
xe x e x
E(x) = 2
0
1
E(x) = 2
1
E(x) =
Nota: obviamente, o mesmo resultado seria obtido se tivssemos calculado E(x) =
y
xf ( x, y)dxdy .
0 0
VERDADEIRA
P(|X - | ) 1 -
2
Nesse caso, = 2 e 2 = 1. Portanto:
1
P(|X - | 2) 1 -
4
P(|X - | 2) 1 - 0,25
P(|X - | 2) 0,75
VERDADEIRA
(1) E( eX) e, em que E(X) = .
Resposta:
Suponha que X assuma apenas dois valores:
X1 = 1
X2 = -1
E E(ex) ser:
e 1 + e 1 2,71828 + 0,37
E(ex) = = = 1,54414
2 2
Note que no precisaramos ter terminado esta conta. Bastaria lembrar que e um
nmero maior que 2, e como temos uma soma no numerador de nmeros que no so
negativos, o numerador ser maior que o denominador, o que vale dizer, essa diviso
ser maior que 1. E como tnhamos encontrado que e = 0, temos que, nesse caso, E(ex)
> e.
FALSA
FALSA
Resposta:
Suponha que X seja uma constante. Nesse caso, teremos:
Y 1 var(Y)
var(Z) = var = 2 var(Y)
X X var(X)
U
t= onde U ~ N(0,1) e V ~ k2
V k
k
Sabemos que a varincia da distribuio t de Student dada por . Portanto, temos
k 2
que:
U k var(U ) 1 k
var(t) = var = = =
V k k 2 var(V / k ) 2k / k
2
2
FALSA
(0) Pelo Teorema do Limite Central podemos afirmar que se a varivel aleatria X tem
uma distribuio qualquer com mdia e varincia 2, ento a distribuio de X
(mdia da amostra) aproxima-se da distribuio normal com os mesmos parmetros
mdia e varincia 2, quando o tamanho da amostra aumenta.
Resposta:
Pelo Teorema do Limite Central, sabemos que se uma varivel aleatria tem uma
distribuio qualquer com mdia e varincia 2, ento a sua mdia amostral ter uma
2
X i
Y= n i =1
= nX
n
E sabemos que a varivel nX seguir uma distribuio normal com mdia n e
varincia dada por n2:
E( nX ) = n E( X ) = n
2
2
2
var( nX ) = n var( X ) = n = n2
n
Portanto:
E(Y) = n = 10 10 = 100
var(Y) = n2 = 10 2 = 20
FALSA
(2) Uma distribuio binomial tende a uma distribuio normal quando o nmero n de
provas independentes de Bernoulli cresce.
Resposta:
Abaixo temos o histograma da distribuio binomial 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 (ou seja, medida que o
nmero de provas de Bernouilli aumenta), a distribuio binomial se aproxima cada vez
mais da distribuio normal e, dessa forma, a distribuio binomial pode ser aproximada
pela distribuio normal para valores grandes de n.
VERDADEIRA
1
Quando a proporo populacional for igual a teremos:
2
1 1 1
var(p) = 1 =
2 2 4
E para p = 1:
var(p) = 1 (1-1) = 0
Portanto, quando a proporo populacional for igual a zero ou 1, a sua distribuio ser
1
menos dispersa que quando for igual a .
2
VERDADEIRA
(0) 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), ento x e y so independentes (e a recproca
verdadeira).Isto mostrado abaixo:
Se as variveis so independentes, ento a probabilidade condicional igual
probabilidade no condicional, ou seja:
fx|y = f(x)
fy|x = g(y)
f ( x, y )
fx|y =
g ( y)
Ento:
f(x,y) = fx|y g(y)
E(X) = xf ( x, y)dxdy
0 0
1 y
E(X) = x2dxdy
0 0
1 y
E(X) = 2 xdxdy
0 0
y
x
1 2
E(X) = 2 dy
0 2 0
y
1 2
E(X) = 2 dy
0 2
1
E(X) = y dy
2
1
y
3
E(X) =
3 0
1
E(X) =
3
FALSA
E(X) = xf ( x)dx
E(X|Y) =
xf x| y
dx ,
E(X|Y) =
xf ( x)dx = E(X)
Isto tambm vale, analogamente, para Y: E(Y) = E(Y|X). Portanto, se duas variveis so
independentes, a esperana incondicional ser igual esperana condicional.
VERDADEIRA
Resposta:
Sabemos que:
b
P (a < X < b) = f ( x)dx
a
Que, como sabemos, a soma de todas as probabilidades, e portanto deve ser igual a 1,
ou seja,
f ( x)dx = 1 .
VERDADEIRA
Resposta:
exatamente esse o valor esperado de X para uma distribuio de probabilidade
contnua, como vimos no item (2) desta questo.
VERDADEIRA
Bibliografia
ENDERS, W. Applied Econometric Time Series. New York: John Wiley & Sons,
1994.
JUDGE, G.G.; GRIFFITHS, W.E.; HILL, R.C.; LTKEPOHL, H.; LEE, T.C. The
Theory and Practice of Econometrics. Nova York: John Wiley & Sons, 1985.