(2011) Raciocínio Lógico para Traumatizados - Aula 13

Curso Online - Raciocnio Lgico-Quantitativo para Traumatizados em
Exerccios, incluindo Matemtica, Matemtica Financeira e Estatstica

Profs. Alexandre Lima e Moraes Junior
Profs. Alexandre Lima e Moraes Junior www.pontodosconcursos.com.br 1

Aula 13 - Questes Comentadas e Resolvidas

Inferncia Estatstica e Anlise de Varincia do modelo de Regresso
Linear Simples.

Caro(a) aluno(a), esta aula aborda as propriedades dos estimadores de
mnimos quadrados, a inferncia estatstica e a anlise de varincia do modelo
de Regresso Linear Simples (RLS).

(Especialista em Regulao de Aviao Civil/ANAC/2009/UnB-CESPE).
Um estudo sobre a duraco de uma operaco de carregamento mostrou haver
relaco linear na forma Y
k
= X
k
+
k
, em que Y
k
o tempo (horas) do
carregamento k; X
k
o volume total (em toneladas) do carregamento k; o
coeficiente angular; e
k
representa um erro aleatrio com mdia zero e
variancia
2
.

De uma amostra aleatria de 341 operaces de carregamento, observam-se os
seguintes resultados:
=
=
341
1 k
k k
988 Y X ;
=
=
341
1 k
2
704 . 1 X
k
;
=
=
341
1 k
682 X
k
;
=
=
341
1 k
2
681 Y
k
;
=
=
341
1 k
341 Y
k
.

Com base nessas informaces, julgue os itens a seguir.

1. O coeficiente R
2
(ou coeficiente de determinaco ou explicaco) do modelo
apresentado igual a 0,81, o que indica que 81% da variaco total do tempo
de carregamento so explicadas pelo volume total do carregamento.

Resoluo

PRELIMINARES

A Reta de Regresso

A anlise de regresso estuda a dependncia de uma varivel, chamada de
independente, em relao outras variveis, chamadas de explanatrias, com o
objetivo de estimar valores da primeira, dados os valores das segundas.

J estudamos o modelo

(1) + + = X Y ,

em que o intercepto, a declividade e denota a componente aleatria
da variao de Y ( uma varivel aleatria).

Vimos tambm que os estimadores a (do intercepto ) e b (da declividade )
so dados por

(2)
=
=
x b y a
S
S
b
xx
xy

em que

(3) ), y y )( x x ( y x
n
1
y x S
i
i
i
i i
i
i
i i i xy
= |
\
|
|
\
|
=

e

(4)

= |
\
|
=
i
2
i
i
2
i
i
2
i xx
) x x ( x
n
1
x S

Interpretao Geomtrica do Intercepto e da Declividade

O intercepto o valor estimado de y quando x = 0, e representa a
variao estimada de y quando x varia uma unidade, conforme ilustrado
pela figura abaixo .

O Coeficiente de Determinao

Os resduos
i i i
y y e = , em que
i i
bx a y + = representam as estimativas dos y
i
,
embora utilizados para avaliar a aderncia da reta ajustada de mnimos
quadrados aos pontos (x
i,
y
i
), tm o inconveniente de serem afetados pela
0
x
y

1

unidade utilizada. Para superar esse obstculo, voltaremos discusso sobre o
coeficiente de determinao R
2
visto em uma aula anterior.

Primeiramente, temos que a variao total de y dada por

(5)
2
i
i
i
2
i
i
2
i yy
) y y ( y
n
1
y S = |
\
|
=

Nosso objetivo separar a variao total de y em 2 partes: uma
explicada pela regresso e outra associada ao termo de erro (ou no
explicada pela regresso).

Considere a identidade

(6) ) y y ( ) y y ( y y
i i i i
+ = .

Elevando ambos os membros de (6) ao quadrado e somando as n observaes,
obtemos:

(7) . ) y y )( y y ( 2 ) y y ( ) y y ( ) y y (
i
i i i
i
2
i
i
2
i i
i
2
i
+ + =

Demonstra-se que o ltimo termo de (7) nulo e segue-se ento que

+ =
i
2
i
i
2
i i
i
2
i
) y y ( ) y y ( ) y y (

(8) SQT = SQE + SQR

em que:

SQT = Soma dos quadrados total = S
yy
=

i
2
i
) y y ( (ou variao total)
SQE = Soma dos quadrados dos erros =

i
2
i i
) y y ( (ou variao
residual)
SQR = Soma dos quadrados da regresso =

i
2
i
) y y ( (ou variao
explicada)

Dividindo ambos os membros de (8) por SQT, resulta

SQR
(9)
SQT SQT
SQE
1 + = .

Finalmente, definimos o coeficiente de determinao por

(10)
SQT
SQE
1
SQT
SQR
R
2
= = .

Da definio, tem-se que 0 R
2
1. O coeficiente R
2
mede a proporo ou
a porcentagem da variao total em y explicada por x dentro do
modelo de regresso. O R
2
quantifica o grau de ajuste de um conjunto de
dados reta de regresso estimada. Quanto mais prximo de 1 estiver R
2

melhor ter sido nosso trabalho para explicar a variao em y, com bx a y + = , e
maior ser a capacidade de previso de nosso modelo sobre todas as
observaes amostrais, ou seja, R
2
nos diz o quo prximos os valores
estimados (ou previstos) de Y esto de seus valores observados.

O coeficiente R
2
uma medida descritiva. , s vezes, chamado medida de
aderncia. Por si mesmo, no mede a qualidade do modelo de regresso.
No se pode julgar o mrito de um modelo com base somente no valor de seu
R
2
. Os parmetros estimados podem conter informaes teis mesmo quando
esse nmero baixo (como R
2
=0,32). Isto pode ocorrer, por exemplo, quando
aplicamos a regresso linear simples no contexto de variveis econmicas
1
.

H outras formas de apresentar R
2
. Sabemos que
i i
bx a y + = e x b a y + = .
Subtraindo a segunda equao da primeira, obtemos

) x x ( b y y
i i
=
2
i
2 2
i
) x x ( b ) y y ( = .

Fazendo o somatrio de ambos os membros da equao,

1
GUJARATI, Damodar N. Econometria Bsica, 3 Edio. So Paulo: Pearson Makron Books, 2000.

= =
i
2
i
2
i
2
i
2
i
2
i
) x x ( b ) x x ( b ) y y ( ,

obtemos,

(11)
xx
2
S b SQR = ,

logo,
(12)
yy xx
2
xy
yy
xx 2 2
S S
S
S
S
b R
|
=
|
\
|
=

Vimos que o coeficiente de correlao linear de Pearson R dado por

yy xx
xy
S S
S
R =

Ento,

(13)
2
R | R | + = .

Repare que, no ajuste perfeito, ou seja, quando todas as observaes se
encontram na reta ajustada, todos os resduos so nulos e R
2
=1, assim como
o mdulo do coeficiente de correlao linear de Pearson (veja a figura abaixo).

Regresso sem o Intercepto

Em certas situaes da vida prtica, sabemos que a reta de regresso dos
dados deve passar pela origem. Considere, por exemplo, um estudante de
engenharia eltrica que est fazendo o levantamento experimental da famosa
Lei de Ohm, dada por V = RI, em que R o valor de uma resistncia, V a
tenso aplicada em um resistor e I a corrente que atravessa o resistor. Note
que a equao V = RI passa pela origem do grfico da tenso (eixo vertical)
versus corrente (eixo horizontal). O valor da resistncia d a declividade da
reta.

A regresso sem o intercepto tambm chamada regresso sem termo
constante ou regresso que passa pela origem. Neste caso nosso modelo
passa a ser

+ = X Y

e a condio imposta passa a ser

= =
i i
2
i i
2
i i
i
2
i
) bx y ( min ) y y ( min e min

Aplicando o mtodo de mnimos quadrados, obtemo a seguinte frmula para o
estimador b (*):

(14)
=
2
i
i i
x
y x
b

(*) a prova pode ser encontrada no apndice do captulo 6 da referncia
GUJARATI, Damodar N. Econometria Bsica, 3 Edio. So Paulo: Pearson
Makron Books, 2000.

interessante comparar a frmula acima com a que se obtm quando o termo
de intercepto est includo no modelo:

= =
2
i
i i
xx
xy
) x x (
) y y )( x x (
S
S
b

A diferena entre os dois conjuntos de frmulas evidente: no modelo com
intercepto usamos somas de quadrados e produtos cruzados (isto , produtos
entre X e Y) ajustados em relao mdia.

Nota: se o exerccio no mencionar qual o modelo, sempre resolva a
questo usando o modelo com intercepto.

Voltemos resoluo da questo.

Note que a regresso passa pela origem, pois o modelo especificado

Y
k
= X
k
+
k
.

O coeficiente R
2
mede a proporo da variao total em Y (tempo em
horas do carregamento) explicada por X (volume total em toneladas
do carregamento) dentro do modelo de regresso, ou seja, R
2
dado
pela razo entre SQR e SQT:

SQT
SQR
R
2
=

No precisamos calcular o valor de R
2
para resolver o item, pois o mesmo
afirma que 81% da variaco total do tempo de carregamento so explicadas
pelo volume total do carregamento. Ora, quem explica o modelo de
regresso e no a varivel independente X. Logo o item est errado.

Determinemos o valor de R
2
. Aprendemos que a correlao linear entre Y e X,
dada por R, pode ser calculada pela frmula

yy xx
xy
S S
S
R =

( ) ( )
306
341
341 682
988
n
Y X
Y X S
k k
k k xy
=

( )
340
341
682 682
704 . 1
n
X
X S
2
k 2
xx
k
=
= =

( )
340
341
341 341
681
n
Y
Y S
2
k 2
yy
k
=
= =

Logo,

9 , 0
340
306
340 340
306
R = =
=

R
2
= 0,81

Voc percebeu a pegadinha para os desatentos? O coeficiente de
determinao , de fato, igual a 81%. Mas o problema que a definio de R
2

est errada.

GABARITO: Errado

2. A correlaco linear entre o tempo de carregamento e o volume total do
carregamento superior a 0,85.

Resoluo

O item est certo, pois vimos que R = 0,9. Calcular o R no item anterior no
foi uma perda de tempo!

GABARITO: Certo

3. Sendo y , x e
, respectivamente, a mdia dos tempos de carregamento, a

mdia dos volumes totais do carregamento e a estimativa de mnimos
quadrados do coeficiente angular do modelo, ento x
y = .

Resoluo

O modelo Y
k
= X
k
+
k
. Logo,

E(Y
k
) = E(X
k
+
k
) = E(X
k
) + E(
k
) = E(X
k
) + E(
k
) = E(X
k
), pois E(
k
) = 0.

Note que E(Y
k
) = E(X
k
)
E(X
k
). Item errado.

Nota: mais uma pegadinha da banca. Errou a questo quem confundiu a
estimativa do coeficiente angular, dada por
, com o prprio coeficiente

angular .

GABARITO: Errado

4. (TCNICO DE DEFESA AREA E CONTROLE DE TRFEGO AREO
DECEA/2009/CESGRANRIO) Uma determinada empresa resolveu estudar a
relao do ativo total (em bilhes de reais) e a receita lquida (em milhes de
reais) das 17 maiores instituies financeiras do pas. O estudo forneceu os

Estatstica de regresso
R
2
0,55
R
2
Ajustado 0,52
Erro padro 2,86
Observaes 17

Coeficientes Erro padro T valor-P
Interseo 4,5 1,43 3,1 0,007
Receita
lquida
0,1 0,02 4,3 0,001

Com base nos resultados, o intervalo de confiana de 95%, bilateral, para a
inclinao da reta, , , aproximadamente,
(A) 0,1 1,64 x 0,02
(B) 0,1 1,75 x 0,02
(C) 0,1 1,96 x 0,02
(D) 0,1 2,13 x 0,02
(E) 0,1 4,30 x 0,02

Resoluo

PRELIMINARES

Valores Esperados dos Estimadores

Seja a reta de regresso

(1) + + = X Y

em que o intercepto, a declividade e denota a componente aleatria
da variao de Y.

Aprendemos que os estimadores a (do intercepto ) e b (da declividade so
dados por

(2)
=
=
x b y a
S
S
b
xx
xy

em que

(3) ) y y )( x x ( y x
n
1
y x S
i
i
i
i i
i
i
i i i xy
= |
\
|
|
\
|
=

e

(4)

= |
\
|
=
i
2
i
i
2
i
i
2
i xx
) x x ( x
n
1
x S

Pode-se demonstrar que os estimadores a e b de (2) tm valores esperados
dados por

(5)
=
=
) b ( E
) a ( E

(*) As demonstraes no so elementares e tampouco sero cobradas em
prova. Assim, preferimos omitir as demonstraes.

Logo os estimadores de e , a e b (s vezes denotados por e
), so
justos (ou no viesados ou no tendenciosos), pois suas mdias so iguais
aos verdadeiros valores dos parmetros. Isso quer dizer que se
coletarmos vrias amostras de iguais tamanhos, e aplicarmos as equaes de
(2), os valores mdios das estimativas encontradas de a e b tendero a e ,
respectivamente.

O resultado acima verdadeiro somente quando so vlidos os seguintes
pressupostos para o modelo:

1. O valor de y para cada valor de x dado por

+ + = X Y .

2. O valor mdio do erro aleatrio nulo

0 ) ( E =

pois admitimos que

x ) Y ( E + =

3. A varincia do erro aleatrio igual varincia de Y

) Y var( ) var(
2
= =

4. A covarincia entre qualquer par de erros aleatrios
i
e
j
nula

0 ) Y , Y cov( ) , cov(
j i j i
= =

5. A varivel X no aleatria.

6. A varivel tm distribuio normal com mdia nula e varincia
2

~ ) , 0 ( N
2

se Y tem distribuio normal e vice-versa.

O pressuposto 6, da normalidade dos erros, no necessrio para as equaes
(5), mas importante para o estudo da inferncia sobre o modelo de
regresso.


Varincias e Covarincias dos Estimadores

Por definio, temos que

Var(a) = E [a E [a]]
2
= E [a ]
2
,

Var(b) = E [b E [b]]
2
= E [b ]
2
,

Cov(a,b) = E [(a )(b )].

Sendo
2
a varincia do erro aleatrio do modelo, pode-se demonstrar que
(vide nota anterior)

(6)
xx
2
S
) b var(

= ,

em que
=
2
i xx
) x x ( S ,

(7)
|
|
\
|
=

xx
2
i 2
nS
x
) a var( ,

(8) |
|
\
|
=
xx
2
S
x
) b , a ( Cov .

Como o termo
xx
2
S / aparece em (6), (7) e (8), podemos reescrever (7) e (8)
como

n
x
) b var( ) a var(
2
i
=

e

) b var( x ) b , a ( Cov =

respectivamente.

Do exposto, percebe-se que:

Quanto maior a varincia do termo de erro (dada por
2
) maiores
sero as varincias de a e b e a covarincia entre eles.
Quanto mais concentrados os valores de x estiverem em torno de
sua mdia x , menor ser o valor de S
xx
(lembre que
=
2
i xx
) x x ( S ) e
maiores sero as varincias de a e b e a covarincia entre eles. Isso
pode ser visto graficamente na prxima figura.
O sinal da covarincia ) b , a ( Cov oposto ao sinal de x . Note que o
grfico da reta ajustada passa pelo ponto das mdias ) y , x ( . Assim, ainda
na figura, mantendo-se fixo o ponto ) y , x ( , um aumento em b diminui o
intercepto a da reta ajustada.

Distribuies Amostrais

Sob a hiptese da normalidade dos erros, a e b tambm so distribudos
normalmente

(9) |
|
\
|
xx
2
S
, N ~ b

(10)
|
|
\
|

n
x
) b var( , N ~ a
2
i

(11)
xx
2
S
x ) b , a ( Cov

= (repetida por convenincia)

Falta-nos agora apenas definir um estimador para a varincia do erro aleatrio
2
. Prova-se, e apelamos mais uma vez para a sua f nos seus professores,
que

2 n
e
2
i 2
=

um estimador no tendencioso de
2
, ou seja,
2 2
) ( E = , em que
i i i i i
bx a y y y e = =

(*).

(*) O 2 que subtrado do denominador o nmero de parmetros de
regresso ) , ( no modelo, e essa subtrao torna o estimador
2
no
tendencioso.

Intervalos de Confiana

A partir deste ponto, abandonaremos a notao e para os parmetros do
modelo + + = X Y de RLS e adotaremos em seus lugares
1
e
2
,
respectivamente. A razo disso que empregaremos o termo daqui para
frente para designar o nvel de significncia do teste, como logo veremos.

O modelo de RLS fica ento na forma

(12) + + = X Y
2 1
.

Note que
1
e
2
denotaro as estimativas de
1
e
2
, respectivamente.

Se os pressupostos do modelo (12) se verificam, inclusive o da normalidade
dos erros, pode-se provar que

(13)
2 n
2 2
t
s
=

)

segue distribuio t de Student com n2 graus de liberdade, em que

xx
2 2
S / s
2
=

a varincia amostral de
2
(lembre que
2
denota a varincia amostral dos
resduos do modelo).

O nmero de graus de liberdade (GL) o nmero de observaes subtrado do
nmero de parmetros do modelo. No modelo de RLS com intercepto, GL = n-
2.

Da tabela auxiliar da t de Student encontramos valores crticos t
c
tais que
= 1 } t t t { P
c c
. Segue-se que =

1 } t s / )
( t { P
c 2 c
2
)
, e, rearranjando a
inequao anterior, obtemos

(14) = +

1 } s t s t { P
2 2
c 2 2 c 2
) )
) )


Seja o modelo de RLS + + = X Y
2 1
, em que a inclinao da reta
2
o
mencionado pelo enunciado, X a varivel independente (ativo) e Y a
varivel dependente (receita lquida).

Pede-se o intervalo de confiana (IC) de
2
. Vimos ele dado por

02 , 0 30 , 4 1 , 0 s t
2
c 2
=

)
)
opo correta (E), certo? ERRADO! Voc caiu numa
pegadinha da banca.

O valor T da tabela a estatstica de teste da Hiptese nula H
o
:
2
=0.

O IC dado por
2
s t
c 2

)
)
, onde t
c
o valor crtico de t extrado da tabela
auxiliar t de Student.

No modelo de RLS, para n=17 observaes, temos n2 = 15 graus de
liberdade (GL). Para o IC bilateral 95% de confiana e 15 GL, t
c
=2,131 2,13.
Como 1 , 0
2
=
)
e 02 , 0 s
2
=
)
, temos que:

IC: 02 , 0 13 , 2 1 , 0 s t
2
c 2
=

)
)
.

Nota: a estatstica R
2
Ajustado definida no estudo da regresso linear
mltipla. Essa estatstica no usada na RLS. Na prova, voc teria condies
de resolver esta questo mesmo sem saber a definio de R
2
Ajustado.

GABARITO: D

5. (Analista da SUSEP/Aturia/2010/ESAF). A partir de uma amostra
aleatria (X
1
,Y
1
), (X
2
,Y
2
),..., (X
20
,Y
20
) foram obtidas as estaststicas:

mdias X = 12,5 e Y = 19, varincias amostrais
2
x
s = 30 e
2
y
s = 54 e
covarincia S
xy
= 36.

Qual a reta de regresso estimada de Y em X?

A)
i i
X 667 , 0 19 Y
+ =
B)
i i
X 2 , 1 5 , 12 Y
+ =
C)
i i
X 2 , 1 4 Y
+ =
D)
i i
X 2 , 1 19 Y
+ =
E)
i i
X 8 , 22 80 Y
+ =

Resoluo

A reta a estimar

i 2 1 i
X

Y
+ = ,

em que o parmetro
2
(estimativa da declividade) dado por

=
=

= =
n
1 i
2
i
n
1 i
i i
xx
xy
2
) X X (
) Y Y )( X X (
S
S
,

e o parmetro
1
(estimativa do intercepto) por

X
2 1
= .

Observe que estamos usando uma notao diferente do enunciado: a
quantidade
xy
S definida acima no a covarincia entre X e Y.

Podemos calcular b adaptando a frmula dada acima:

2
x
xy
n
1 i
2
i
n
1 i
i i
2
s
s
1 n
) X X (
1 n
) Y Y )( X X (
=
=
.

Ou seja,
2
pode ser calculado, de forma alternativa, pela razo entre a

covarincia amostral s
xy
(estamos usando uma notao diferente da do
enunciado, mas que est coerente com a desta aula!) e a varincia amostral
2
x
s . Logo, 2 , 1 30 / 36
2
= = e 0 , 4 5 , 12 2 , 1 19
1
= = . Deste modo, a reta de regresso
estimada de Y em X
i i
X 2 , 1 4 Y
+ = .

GABARITO: C

6. (Analista da SUSEP/Aturia/2010/ESAF). Com os dados da questo
anterior, determine o valor da estatstica F para testar a hiptese nula de que
o coeficiente angular da reta do modelo de regresso linear simples de Y em X
igual a zero.

A) 144
B) 18
C) 36
D) 72
E) 48

Resoluo

PRELIMINARES

Testes de Hipteses

A hiptese nula H
0

A hiptese nula geralmente o oposto do que queremos provar. Por
exemplo, no modelo de RLS + + = X Y
2 1
, ao calcularmos
2
estamos supondo
que existe uma relao entre as variveis X e Y. Assim, uma hiptese nula (H
0
)
usualmente adotada H
0
:
2
=0.

A hiptese alternativa H
1

A hiptese alternativa contradiz a hiptese nula. Por exemplo, quando a
hiptese nula H
0
:
2
= 0 a hiptese alternativa pode ser H
1
:
2
0 ou H
1
:
2
<0 ou ainda H
1
:
2
>0.

A preocupao de definir as hipteses do examinador, ns s teremos de
test-las. E para isso precisaremos de uma estatstica de teste.

Vimos que
2
2 2
s / )
(

segue distribuio t com n-2 graus de liberdade. Se a
hiptese nula H
0
:
2
= k, em que k uma constante, for aceita, ento
2
2 2 n
s / ) k
( t

= tambm possui distribuio t com n-2 graus de liberdade. Esta

ser a estatstica usada no teste. Ressaltamos que, na maioria dos exames, a
hiptese nula H
0
:
2
=0 e
2
2 2 n
s /
= , embora isso nem sempre ocorra.

A Regio de Rejeio

Se a estatstica
2
2 2 n
s / ) k
( t

= for muito grande em mdulo (valor absoluto),

rejeitamos H
0
. A lgica est no fato de, se
2
ficar muito distante de k,

provavelmente H
0
est errada.

Mas o quo grande tem de ser a estatstica acima para rejeitarmos H
0
em
favor de H
1
:
2
0? A resposta a essa pergunta a escolha de um nvel de
significncia . A regio de rejeio composta por valores t tais que P{t
t
c
} = P{t -t
c
} = /2, conforme ilustrado pela figura abaixo.

-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Distribuio da estatstica t, N=30
t
D
e
n
s
i
d
a
d
e
Prob = /2
t>t
c
Prob = /2
t<-t
c
P(-t
c
<t<t
c
) = 1-
NO REJEITAR H
0
REJEITAR H
0
REJEITAR H
0

Tipos de erro (reviso!)

Sempre que aplicamos um teste de hipteses corremos o risco de errar. H
dois tipos de erro.

Erro tipo I: rejeitar H
0
sendo ela verdadeira. Neste caso, H
0
verdadeira e
=

1 } t s / ) k
( t { P
c
2
2 c
, pois
2
2
s / ) k
(

segue a distribuio t
n-2
. Assim, a
probabilidade de cometer um erro tipo I .

Erro tipo II: aceitar a hiptese H
0
sendo ela falsa. Entretanto, essa
probabilidade no pode ser calculada, pois no sabemos o verdadeiro valor do
parmetro. Mas podemos dizer que a probabilidade de um erro nvel II
aumenta medida que diminui a probabilidade de um erro nvel I, quando se
escolhe um menor nvel de significncia .

Testes unilaterais (unicaudais)

At agora estudamos os testes bilaterais ou bicaudais, que se caracterizam
pela hiptese nula H
0
:
i
=0 (i=1,2), contra a alternativa H
1
:
i
0.

Se rejeitarmos H
0
em favor da alternativa H
1
:
i
0, estaremos considerando
que
i
pode assumir qualquer valor negativo ou positivo, menos o zero.
Ocorre s vezes, pela natureza das variveis, que
i
no pode ser negativo e,
dessa forma, estabelecemos a hiptese alternativa H
1
:
i
>0. O que voc
precisa saber para a prova est explicado na sequncia.

Em um teste bilateral, a regio de rejeio composta por valores t tais que
P{t t
c
} = P{t -t
c
} = /2. Em um teste unilateral direita, a regio de
rejeio composta por valores t tais que P(tt
c
) = . Na prxima figura,
temos = 5% e t
c
= 1,697 (30 graus de liberdade).

-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Distribuio da estatstica t
t
D
e
n
s
i
d
a
d
e
Rejeitar se t > 1.697
Prob = 0.05

O restante do procedimento idntico ao j estudado.

Anlise de Varincia do Modelo de Regresso Linear Simples

Seja o modelo de RLS dado por + + = X Y
2 1
e sua reta estimativa x

y
2 1
+ = .
Vimos que SQT = SQR + SQE, ou seja,

+ =
2
i i
2
i
2
i
) y y ( ) y y ( ) y y ( .

A expresso acima a equao bsica da anlise de varincia ou ANOVA
(ANalysis Of VAriance). Veremos que a anlise de varincia pode ser usada
para testar a significncia da regresso. J aprendemos que os
componentes

2
i
) y y ( (SQR) e

2
i i
) y y ( (SQE) medem, respectivamente,
a variao em y devida reta de regresso e a variao residual deixada sem
explicao pela reta de regresso.

A ideia usar a equao da ANOVA para testar a hiptese de no haver
regresso (
2
=0). Se no h regresso,
1
y = e y
1
= (pois
y x . 0 y x
2 1
= = = ). Portanto, 0 ) y y ( ) y
( ) y y (
2 2
1
2
i
= = = (SQR
nula). Neste caso, SQT = SQE e isto quer dizer que a varincia total de Y (
y
2
)
igual a varincia residual
2
(varincia do erro aleatrio do modelo), ou
seja,
y
2
=
2
.

Vamos agora dividir os termos dos lados esquerdo e direito da equao da
ANOVA pela varincia residual
2
:

2
2
i i
2
2
i
2
2
i
) y y ( ) y y ( ) y y (

.

Observe que a diviso de SQT por
2
(lado esquerdo da expresso acima),

2
1 n
2
i 2
i 2
y y
) y y (
1
=
|
\
|

,

resulta numa varivel aleatria qui-quadrado com n-1 graus de liberdade, pois
assumimos que
y
2
=
2
(lembre que a mdia amostral y causa a subtrao de
1 grau de liberdade na estatstica).

Seguindo a mesma linha de raciocnio, temos que a estatstica

2
2 n
2
i i 2
i i 2
y y
) y y (
1
=
|
\
|

uma varivel aleatria qui-quadrado com n-2 graus de liberdade (a
diminuio de 2 graus de liberdade causada pela estimao dos parmetrods
1
e
2
).

Ainda falta analisar a estatstica
2
xx
2
2
2
2
i
S
) y y (
(lembre que
xx
2
2
S
SQR = ). A
varivel aleatria
2
normal. Sendo 0
2
= por hiptese, temos que
|
|
\
|
xx
2
2
S
, 0 N ~
. Considere a varivel normal reduzida

=
xx 2
xx
2
S
S /
0
z .

Elevando ao quadrado ambos os membros da expresso acima, obtemos,

2 2
xx
2
2
2
xx
2 2
SQR S
S /
0
=
|
|
\
|

= ,

e conclumos que a diviso de SQR por
2
resulta numa varivel aleatria qui-
quadrado com 1 grau de liberdade.

Assim, a equao

2
2
i i
2
2
i
2
2
i
) y y ( ) y y ( ) y y (

pode ser reescrita como

2
2 n
2
1
2
1 n
+ = ,

se, de fato, vlida a hiptese 0
2
= .

Aprendemos anteriormente que uma varivel resultante da soma de duas
outras variveis independentes
2
n
1
e
2
n
2
uma varivel
2
n n
2 1
+
. Uma
consequncia da propriedade de aditividade da qui-quadrado a seguinte: se
trs variveis
2
n
,
2
n
1
e
2
n
2
so tais que
2
n
=
2
n
1
+
2
n
2
, ento a condio
necessria e suficiente para que
2
n
1
e
2
n
2
sejam independentes que n = n
1
+
n
2
.

(*) o termo tcnico seria corolrio.

Conclumos que
2
1
= (SQR/
2
) e
2
2 n
= (SQE/
2
) so variveis qui-quadrado
independentes, pois o nmero de graus de liberdade de SQT/
2
n-1, caso a
premissa 0
2
= seja vlida.

Considere a estatstica F

(1)
2
xx
2
2
2
2 n
2
1
2
2
) 2 n /( SQE
1 / SQR
) 2 n /(
1 /
2 n
/ SQE
1
/ SQR
F
=

=
,

em que
2
denota a varincia residual amostral. Note que F tem 1 grau de
liberdade no numerador e n-2 graus de liberdade no denominador. Ento (1)
pode ser usada para se testar, pela ANOVA, a hiptese H
0
de no haver
regresso. O teste ser unilateral, uma vez que, sendo falsa H
0
, o numerador
tender a crescer. A varivel (1) dever ser comparada com o valor crtico
, 2 n , 1
F em que o nvel de significncia do teste de hipteses.

O teste acima descrito equivalente ao teste bilateral da hiptese nula 0
2
= ,
porque demonstra-se que o F de (1) o quadrado do t
n-2
quando 0
2
= , ou
seja, F
1,n-2
= t
2
n-2
.

Podemos resumir tudo o que foi visto neste item na tabela de ANOVA abaixo
(memorize para a prova!).

Fonte de
Variao
Soma de
Quadrados
Graus de
Liberdade
Quadrado
Mdio
F F

Regresso SQR 1 SQR/1
) 2 n /( SQE
1 / SQR

F
1,n-2,

Residual SQE n-2 SQE/(n-2)
Total SQT n-1

Pelo que foi visto at o momento, tanto faz usar t ou F no modelo de RLS. Na
verdade, F muito til para a inferncia do modelo de regresso linear
mltipla.

Nota: cuidado com a notao. Alguns autores no adotam as mesmas
abreviaturas que so usadas neste curso. Vimos que

SQR = Soma dos quadrados da regresso =

i
2
i
) y y ( (variao explicada).

Alguns autores a chamam de Soma dos Quadrados Explicada (SQE) pela
regresso.

Vimos tambm que

SQE = Soma dos quadrados dos erros =

i
2
i i
) y y ( (variao residual).

Alguns autores a chamam de Soma dos Quadrados dos Resduos (SQR).

Neste caso inverte-se a notao. Na prova, o examinador ter de explicar a
qual soma estar se referindo. Voc tem apenas de estar bem atento.


Sabemos que a estatstica F dada por

) 2 n /( SQE
SQR
F
=

80 , 820 ] 30 19 [ 44 , 1 ] s ) 1 n [( 2 , 1 S
SQR
2
x
2
xx
2
2
= = = =

026 . 1 54 19 s ) 1 n ( S SQT
2
y yy
= = = =

20 , 205 80 , 820 026 . 1 SQR SQT SQE = = =

Assim,

72
18 / 20 , 205
80 , 820
F = =

GABARITO: D

7. Ajuste o modelo linear simples
i i i
X Y + + = para os dados da tabela
abaixo e determine o resduo correspondente a X=7 e Y=15.

X 5 6 7 9 11 12
Y 20 19 15 12 12 8

A) 1,08
B) 1,42
C) -0,71
D) -1,42
E) -1,08

Resoluo

O problema pede o resduo da 3 observao, ou seja,
3 3 3
y y e = .

Estimativas de a e b:

i
x
i
y
i i
y x
2
i
x
5 20 100 25
6 19 114 36
7 15 105 49
9 12 108 81
11 12 132 121
12 8 96 144
50 x
i
=
86 y
i
=
655 y x
i i
=
456 x
2
i
=

67 , 61
6
86 50
655 y x
n
1
y x S
i i
i
i
i i i xy
=
= |
\
|
|
\
|
=

= = |
\
|
=
i
2
2
i
i
2
i xx
33 , 39
6
50
456 x
n
1
x S

= = =
=
= =
40 , 27
6
50
) 57 , 1 (
6
86
x b y a
57 , 1
33 , 39
67 , 61
S
S
b
xx
xy

Assim, a reta ajustada encontrada foi x 57 , 1 40 , 27 y = .

42 , 16 7 57 , 1 40 , 27 y
3
= =

Finalmente, 42 , 1 42 , 16 15 y y e
3 3 3
= = = .

GABARITO: D

8. Seja o modelo
i i i
X Y + + = . So dados:

60 x
i
=
1260 x
2
i
=
320 y
i
=

16000 y
2
i
=
2400 y x
i i
=

n = 10 observaes

Calcule s
2
. Dica:
xx
2
yy
S b S SQR SQT SQE = =

A) 5760
B) 720
C) 550,4
D) 688
E) 60

Resoluo

Lembre que

2 n
SQE
2 n
e
s
i
2
i
2 2
= =

5760
10
320
16000 y
n
1
y S
2
i
2
i
i
2
i yy
= = |
\
|
=

= = |
\
|
=
i
2
2
i
i
2
i xx
900
10
60
1260 x
n
1
x S

480
10
320 60
2400 y x
n
1
y x S
i i
i
i
i i i xy
=
= |
\
|
|
\
|
=

Logo,

53 , 0
900
480
S
S
b
xx
xy
= = = e

5504 900 53 , 0 5760 S b S SQR SQT SQE
2
xx
2
yy
= = = =

688
8
5504
2 n
SQE
2 n
e
s
i
2
i
2
= =


GABARITO: D

Julgue o item a seguir.

9. No modelo
i i i
X Y + + = os estimadores de mnimos quadrados de e
so os de menor varincia possvel.

Resoluo

Teorema Gauss-Markov

O teorema Gauss-Markov nos garante que, de todos os estimadores
lineares possveis no viesados para e , os estimadores de mnimos
quadrados a e b , dados por

=
=
x b y a
S
S
b
xx
xy

so os de menor varincia. Ou seja, os estimadores a e b so os Melhores
Estimadores Lineares No Viesados (MELNV).

Uma consequncia lgica do teorema que, se h estimadores de menor
varincia que a e b para e , estes ou so viesados ou so no lineares. Ns
no nos preocuparemos com o seu estudo. A demonstrao deste teorema
foge ao escopo desta aula.

Os estimadores de mnimos quadrados da RLS so os de menor varincia
possvel dentre os no tendenciosos. o que assegura o Teorema de
Gauss-Markov. Podem existir estimadores lineares tendenciosos cujas
varincias sejam menores que os do modelo de RLS.

GABARITO: Errado

(Analista BACEN - rea 4/2006/FCC) Considere as informaes a seguir
para resolver as questes de nmeros 10 e 11.

Uma empresa, com a finalidade de determinar a relao entre os gastos anuais
em pesquisa e desenvolvimento (X), em milhares de reais, e o acrscimo anual
nas vendas (Y), tambm em milhares de reais, optou por utilizar o modelo
linear simples
i i i
X Y + + = , em que Y
i
o acrscimo nas vendas no ano i, X
i

o valor gasto em pesquisa e desenvolvimento no ano i e
i
o erro aleatrio
com as respectivas hipteses consideradas para a regresso linear simples( e
so parmetros desconhecidos). Considerou para o estudo as seguintes
informaes referentes s observaes nos ltimos 10 anos da empresa:

=
=
10
1 i
Y
i
160

=
=
10
1 i
X
i
100

=
=
10
1 i
i i
900 . 1 Y X

=
=
10
1 i
2
i
200 . 1 X
=
=
10
1 i
2
i
060 . 3 Y

10. Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados,
obteve-se, para um determinado gasto em pesquisa e desenvolvimento, uma
previso de acrscimo nas vendas no valor de 19 mil reais. O valor que se
considerou para o gasto em pesquisa e desenvolvimento, em mil reais, foi

A) 14,0
B) 13,75
C) 13,0
D) 12,4
E) 12,0

Resoluo

= = |
\
|
=
i
2
2
i
i
2
i xx
200
10
100
1200 x
n
1
x S

300
10
100 160
1900 y x
n
1
y x S
i i
i
i
i i i xy
=
= |
\
|
|
\
|
=

Logo

5 , 1
200
300
S
S
b
xx
xy
= = =
1
10
100
) 5 , 1 (
10
160
x b y a = = =

Assim, encontramos a reta ajustada x 5 , 1 1 y + = .

Do enunciado, 19 y = (lembrar que a unidade R$1.000)

x 5 , 1 1 19 + =

x = 12

Logo, o valor que se considerou para o gasto em pesquisa e desenvolvimento
foi de R$ 12.000,00.

GABARITO: E

11. Montando o quadro de anlise de varincia, tem-se que

A) a variao residual apresenta um valor igual a 100.
B) o valor da estatstica F necessria para o teste de existncia da regresso
igual a nove.
C) o valor do correspondente coeficiente de determinao (R
2
) igual a 90%.
D) a variao total apresenta um valor igual a 550.
E) a variao explicada, fonte de variao devido regresso, apresenta um
valor igual a 500.

Resoluo

500
10
160
3060 y
n
1
y S SQT
2
i
2
i
i
2
i yy
= = |
\
|
= =

450 200 5 , 1 S b SQR
2
xx
2
= = =

% 90 9 , 0
500
450
SQT
SQR
R
2
= = = =

GABARITO: C

(Analista BACEN 2001/ESAF) As questes 12 e 13 dizem respeito ao
enunciado seguinte.

A Cia. Delta presta servio de manuteno a uma marca de microcomputador.
O gerente da Cia. Delta est interessado em estudar a associao existente
entre o tempo (y) em minutos gasto em um atendimento e o nmero (x) de
micros atendidos.

Neste contexto anota as realizaes
t
y e
t
x dessas variveis em 16 chamadas
de servio. O gerente postula o modelo linear
t t t
X Y + + = , t=1...16, onde
e so parmetros desconhecidos e os
t
so erros no correlacionados com
mdia zero e varincia constante
2
. Os resultados obtidos com o ajuste pelo
mtodo de quadrados mnimos para esse modelo so apresentados a seguir.

Parmetro Estimativa Desvio-padro

-2,3 2,6

14,7 0,5
2

20 -

Sabe-se que
=
t
2
t
000 . 14 ) m y ( , onde m o tempo mdio das 16 chamadas.

12. Assinale a opo que d o valor do coeficiente de determinao do modelo
linear.

A) 0,98
B) 0,90
C) 0,88
D) 0,28
E) 0,20

Resoluo

A questo pede o coeficiente de determinao R
2
.

Sendo m a mdia,

= =
i
2
i
000 . 14 ) y y ( SQT

280 14 20 SQE 20
14
SQE
2 n
e
s
i
2
i
2 2
= = = =
= =

Ento

98 , 0
000 . 14
280
1
SQT
SQE
1
SQT
SQR
R
2
= = = =

GABARITO: A

13. Assinale a opo que d a estimativa do aumento esperado no tempo de
atendimento decorrente do aumento de uma unidade no nmero de micros
atendidos.

A) 17,0
B) 12,4
C) -2,3
D) 0,2
E) 14,7

Resoluo

O enunciado cita a interpretao geomtrica de para o caso apresentado. De
acordo com a tabela do enunciado, o valor de 14,7.

GABARITO: E

14. No

ajuste do modelo linear simples
i i i
X Y + + = so dados:

196 x
i
=

160 y
i
=

3318 y x
i i
=

a = -11,5 n = 28 observaes

Calcule
2
i
x .

A) 2198
B) 2265,5
C) 2450
D) 3318
E) 893,5

Resoluo

46 , 2 b
28
196
b 5 , 11
28
160
x b a y = + = + =

2198
28
160 196
3318 y x
n
1
y x S
i i
i
i
i i i xy
=
= |
\
|
|
\
|
=

5 , 893
46 , 2
198 . 2
b
S
S
S
S
b
xy
xx
xx
xy
= = = =

Mas

= = |
\
|
=
i
2
i
i
2
2
i
i
2
i
i
2
i xx
5 , 2265 x
28
196
x 5 , 893 x
n
1
x S

GABARITO: B


15. Sejam dados a tabela abaixo e o modelo Y = X +

X 10 12 14 16 18
Y 8 11 13 15 19

A estimativa de mnimos quadrados de maior que um.

Resoluo

A questo utiliza o modelo de regresso sem intercepto.

=
i
2
i
020 . 1 x

=
i
i i
976 y x

965 , 0
020 . 1
976
x
y x
b
i
2
i
i
i i
= = =

GABARITO: Errado

(Analista BACEN 1997/CESPE) Para as questes de 16 a 20, utilize as
informaes a seguir.

O gerente do setor de compras de uma organizao bancria deseja estudar
um modelo de predio do tempo gasto para o processamento de faturas
relativas importao de equipamentos eletrnicos. Durante trinta dias, foram
coletados dados relativos ao tempo de processamento das faturas (em horas)
e o nmero de faturas processadas. Considerando tratar-se de uma relao
linear, cuja varivel dependente o TEMPO, os dados foram processados e os
resultados preliminares so apresentados nas tabelas a seguir.

ANLISE DE VARINCIA

Fontes

Graus de
Liberdade

Soma de
Quadrado

Quadrado
Mdio

Valor F

Prob > f

Modelo 1 25,94382

25,94382

232,220

0,0001

Erro

28 3,12818

0,11172

Total

29 29,07200

R Quadrado (Coeficiente de
determinao)

C.V. ( Coeficiente de Variao )

0,8924 16,38464


ESTIMATIVAS DOS PARMETROS

Varivel

Graus de
Liberdade

Estimativas

Erro
Padro

T

Prob
>|T|

INTERCEPTO

1 0,402375

0,12358250

3,256

0,0030

FATURAS

1 0,012607

0,00082729

15,239

0,0001

Representando por Y
i
o tempo gasto e por X
i
o nmero de faturas processadas
no dia i, julgue os itens de 16 a 20.

16. O modelo estimado igual a E(Y
i
) = 0,402375 + 0,012607X
i
+
i
, em que
E(Y
i
) representa o tempo mdio e
i
representa o resduo estimado para o i-
simo dia.

Resoluo

O modelo estimado E(Y
i
) = 0,402375 + 0,012607X
i
, lembrando que E(
i
) =
0.

GABARITO: Errado

17. O resultado obtido indica que a cada aumento de uma fatura processada
corresponde um aumento de 0,012607 no tempo esperado estimado.

Resoluo

Segue direto de E (Y
i
) = 0,402375 + 0,012607X
i
.

GABARITO: Certo

18. Para o modelo proposto, o teste de adequabilidade do modelo
equivalente a testar H
o
:
1
= 0 contra H
a
:
1
0, em que
1
o parmetro
associado varivel que indica o nmero de faturas processadas a cada dia.

Resoluo

Deve-se testar se h regresso, ou seja, se H
o
:
1
= 0 contra H
a
:
1
0, em
que
1
o parmetro associado varivel que indica o nmero de faturas
processadas a cada dia. Afirmao correta.

GABARITO: Certo

19. Para que o analista rejeite a hiptese nula H
o
: INTERCEPTO = 0, o nvel de
significncia usado deve ser inferior a 0,003.

Resoluo

Lembrando da regra prtica:

Se p , rejeitamos H
0

Se p > , no rejeitamos H
0

Do enunciado, valor p = 0,003. Assim, para rejeitarmos H
0
tem de ser
superior a 0,003.

GABARITO: Errado

20. Aproximadamente 16,38% da variao no tempo de processamento so
explicados pela variao no nmero de faturas processadas.

Resoluo

Porcentagem da variao explicada pelo modelo = R
2
= 89,24%

GABARITO: Errado

21. So dados para o modelo + + = X Y

36 x
i
=

162 x
2
i
=

0 y
i
=

270 y x
i i
=

50 , 13
2
= 12 n =

Determine a estatstica t para testar a hiptese H
0
: = 0

A) 10
B) 15
C) 20
D) 23,57
E) 28,48

Resoluo

270
12
0 36
270 y x
n
1
y x S
i i
i
i
i i i xy
=
= |
\
|
|
\
|
=


= = |
\
|
=
i
2
2
i
i
2
i xx
54
12
36
162 x
n
1
x S
5
54
270
S
S
b
xx
xy
= = =
25 , 0
54
50 , 13
S
s
xx
2
2
b
= =
=

Lembrando que

10
25 , 0
0 5
t
s
k b
t
10
b
2 n
=

GABARITO: A

Julgue os prximos itens com base no enunciado abaixo.

Seja o modelo estimado
i i
x 2 90 y = , em que a varincia amostral do intercepto
22, a varincia amostral da declividade 0,06. Foram coletadas 7
observaes.

22. O intervalo de confiana de 90% para a declividade ) 51 , 1 ; 49 , 2 (

Resoluo

Cada cauda da distribuio t com n2 = 5 GL deve ter 5% de rea.
Consultando a tabela auxiliar, achamos t
c
= 2,015.

) 506 , 1 ; 494 , 2 ( IC 494 , 0 2 06 , 0 015 , 2 2 s t b : IC
b c
= = = .

GABARITO: Certo

23. Considere o teste de hipteses H
0
: 100 = contra H
1
: 100 a um nvel de
significncia de 5%. Ento deve-se rejeitar H
0
.

Resoluo

A estatstica do teste

13 , 2
22
100 90
s
k a
t
a
2 n
=

Para acharmos t
c
, repare que para um nvel de significncia de 5% tem de
haver 2,5% em cada cauda. Como GL =5, achamos os valores crticos de
571 , 2 . Como a estatstica teste encontra-se entre esses dois valores, no
podemos rejeitar a hiptese nula H
0
.

GABARITO: Errado.

24. (AFTE-RO/FCC/2010) Considere que as vendas anuais, em milhes de
reais, de um produto so estimadas por meio do modelo
t t
t y + + = , t = 1,
2, 3, ... em que
t
y representa o valor das vendas no ano t 1999 + , e so
parmetros desconhecidos e
t
o erro aleatrio com as respectivas hipteses
consideradas para o modelo de regresso linear simples. Com base nas
informaes anuais de 2000 at 2009 e utilizando o mtodo dos mnimos
quadrados obteve-se a estimativa para como sendo igual a 1,4. A mdia
aritmtica dos valores de
t
y de 2000 at 2009 apresentou um valor igual a
3,6. O valor de ) y y (
t 1 t

+
para 0 t > , considerando a funo encontrada pelo
mtodo dos mnimos quadrados, uma constante igual a

A) 0,55
B) 0,50
C) 0,40
D) 0,36
E) 0,30

Resoluo

Dados:

4 , 1 = , 6 , 3 y = ;
modelo de RLS:
t t
t y + + = reta estimativa: t
y
t
+ = .

Notas:

o tempo t a varivel independente do modelo;
De acordo com a notao usada nesta aula, a = e b
= .

Deseja-se obter
t 1 t
y y
+
.

Observe que o valor de ) y y (
t 1 t

+
para 0 t > , considerando a funo encontrada
pelo mtodo dos mnimos quadrados dado por

= + + = + + + =
+

t
] t
[ )] 1 t (
[ y y
t 1 t

pois ) 1 t (
y
1 t
+ + =
+
e t
y
t
+ = .

Sendo assim, basta determinar a estimativa
. Lembre que

t
y =

em que 4 , 1 = , 6 , 3 y = e

5 , 5 10 / 55
10
10 9 8 7 6 5 4 3 2 1
t = =
+ + + + + + + + +
=

Logo,

5 , 5
6 , 3 4 , 1 = 40 , 0 5 / 5 / 2 , 2
= =

GABARITO: C

(Analista de Estatstica/MPU/Cespe/2010) A figura acima corresponde a
um diagrama de disperso entre a varivel y (gasto percentual com sade) e x
(renda bruta familiar, em R$ mil), obtida com base em uma amostra de 10
famlias. Com respeito ao ajuste de um modelo de regresso linear simples na
forma + + = b ax y , em que o erro aleatrio e a e b so os coeficientes do
modelo, foram obtidos os seguintes resultados.

coeficientes estimativa erro padro razo t Pr(>t)
b 7,7 0,178 43,3 8,94 x 10
-11
a -0,2 0,025 -8,0 5,11 x 10
-5

erro padro dos resduos = 0,25 (com 8 graus de liberdade)
R
2
= 0,88
R
2
ajustado = 0,87

Com base nessas informaes, julgue os itens seguintes.

25. Considerando que 1<x<10, correto inferir que, a cada mil reais
adicionais na renda bruta familiar, o gasto com sade reduzido em R$
200,00.

Resoluo

Primeiramente, note que o modelo de RLS est escrito na forma

y = ax + b +

em que b denota o intercepto e a a declividade. Neste curso, temos adotado
a notao inversa, onde b denota a declividade e a o intercepto. Portanto,
no se confunda!

Lembremos da interpretao geomtrica do modelo de RLS:

- o intercepto igual ao valor estimado de y quando x = 0; a declividade
representa a variao estimada de y quando x varia uma unidade,
conforme ilustrado pela figura abaixo. Logo, a cada mil reais adicionais na
renda bruta familiar (que representa a variao de x em uma unidade), o
gasto com sade (varivel y) reduzido em 0,2%, pois o sinal da declividade
negativo (a correlao negativa conforme ilustrado pelo grfico do
enunciado). O item est errado, porque a reduo do gasto com sade em
termos percentuais e no em valores monetrios.

GABARITO: Errado

26. O coeficiente de correlao entre gastos com sade e renda foi inferior a
8 , 0 .

Resoluo

88 , 0 R
2
= 938 , 0 88 , 0 | R | =

0

x
y

1

Como o grfico do enunciado mostra que a correlao negativa (pois o sinal
da declividade negativo), ento temos que

8 , 0 938 , 0 R < = item certo

GABARITO: Certo

27. correto inferir que o modelo possui boa qualidade de ajuste com base no
valor em percentual do coeficiente de explicao do modelo, que foi igual a
88%.

Resoluo

O coeficiente de determinao ou explicao do modelo dado por

SQT
SQE
1
SQT
SQR
R
2
= =

Da definio, tem-se que 0 R
2
1. O coeficiente R
2
mede a proporo ou
a porcentagem da variao total em y explicada por x dentro do
modelo de regresso. O coeficiente R
2
nos diz o quo prximos os valores
estimados (ou previstos) de y esto de seus valores observados.

O coeficiente R
2
no mede a qualidade do modelo de regresso, ou seja,
no correto inferir que o modelo possui uma boa qualidade de ajuste
com base no valor de R
2
item errado.

GABARITO: Errado

28. O teste-F para anlise de varincia do modelo apresentou p-valor inferior a
5 x 10
-5
.

Resoluo

Seja o modelo de RLS y =
1
+
2
x + . Dois testes de significncia podem
ser usados para testar se uma relao de regresso significativa (ou
seja, para testar se a Hiptese Nula H
0
:
2
= 0 verdadeira) a saber, o Teste
t e o Teste F.

A estatstica de teste do Teste t definida por

2
2
s
=

ou (em Portugus)

t = estimativa da declividade desvio padro da estimativa da
declividade

Note que a varivel de teste t possui n 2 graus de liberdade.

A estatstica de teste do Teste F definida por

2 n / SQE
SQR
F
=

ou (em Portugus)

F = Soma de Quadrados da Regresso (Soma de Quadrados
Residual (n-2))

O enunciado forneceu os p-valores para o Teste t. Portanto, no faz sentido a
afirmao O teste-F para anlise de varincia do modelo apresentou p-valor
inferior a 5 x 10
-5
. Item errado.

Nota: com somente uma varivel independente (como o caso da RLS), o
Teste F fornecer a mesma concluso que o Teste t, ou seja, se o Teste t
indicar que
2
0 e, portanto, uma relao significativa, o Teste F tambm
indicar uma relao significativa. Contudo, com mais de uma varivel
independente (como na Regresso Linear Mltipla), somente o Teste F pode
ser usado para testar uma relao significativa global.

GABARITO: Errado

29. A varincia amostral da varivel regressora x inferior a 10.

Resoluo

Esta assertiva um chute, pois os dados necessrios para se chegar a tal
concluso no foram fornecidos pelo enunciado.

GABARITO: Errado

Questes Extras

30. (AFTE-RO/FCC/2010) Em uma cidade realizado um levantamento
referente aos valores recolhidos de determinado tributo estadual no perodo de
um ms. Analisando os documentos de arrecadao, detectou-se 6 nveis de
valores conforme consta no eixo horizontal do grfico abaixo, em que as
colunas representam as quantidades de recolhimentos correspondentes.


Com relao s medidas de posio deste levantamento tem-se que o valor da

A) mdia aritmtica igual ao valor da mediana.
B) mdia aritmtica supera o valor da moda em R$ 125,00.
C) moda supera o valor da mediana em R$ 500,00.
D) mediana supera o valor da mdia aritmtica em R$ 25,00.
E) mdia aritmtica igual a metade da soma da mediana e a moda.

Resoluo

Pode-se montar a tabela abaixo a partir dos dados do enunciado.

Valores (R$) f
i
p
i
p
i
Valor x p
i

500 30 30/200 = 15% 15% 75
1.000 50 50/200 = 25% 40% 250
1.500 60 60/200 = 30% 70% 450
2.000 30 30/200 = 15% 85% 300
2.500 20 20/200 = 10% 95% 250
3.000 10 10/200 = 5% 100% 150
Soma 200 100%

A moda o valor mais frequente, ou seja, 1.500.

A mediana do rol dos dados da questo o valor central (se o nmero de
elementos do rol mpar) ou a mdia aritmtica dos dois valores centrais
(se o nmero de elementos do rol par). Logo, a mediana 1.500, pois o
valor 1.500 ocupa a posio central.

Clculo da mdia aritmtica:

) 05 , 0 000 . 3 ( ) 10 , 0 500 . 2 ( ) 15 , 0 000 . 2 ( ) 30 , 0 500 . 1 ( ) 25 , 0 000 . 1 ( ) 15 , 0 500 ( x + + + + + =
475 . 1 150 250 300 450 250 75 x = + + + + + =

mdia = 1.475 mediana supera o valor da mdia aritmtica em R$ 25,00

GABARITO: D

31. (AFTE-RO/FCC/2010) A mdia aritmtica de todos os salrios dos
funcionrios em uma repartio pblica igual a R$ 1.600,00. Os salrios dos
funcionrios do sexo masculino apresentam um desvio padro de R$ 90,00
com um coeficiente de variao igual a 5%. Os salrios dos funcionrios do
sexo feminino apresentam um desvio padro de R$ 60,00 com um coeficiente
de variao igual a 4%. Escolhendo aleatoriamente um funcionrio desta
repartio, a probabilidade dele ser do sexo feminino igual a

A) 1/2
B) 1/3
C) 3/4
D) 3/5
E) 2/3

Resoluo

Seja N
h
o nmero de homens e N
m
o nmero de mulheres na repartio.
Ento, escolhendo-se aleatoriamente um funcionrio, a probabilidade dele ser
do sexo feminino dada por

N
m
/(N
m
+ N
h
) = p
m

A mdia aritmtica de todos os salrios dos funcionrios 1.600 e
corrresponde mdia combinada, cuja frmula

600 . 1
N N
M N H N
X
m h
m h
m h
=
+
+
=
+

em que H denota o salrio mdio dos homens e M denota o salrio mdio das
mulheres.

Dados fornecidos:

CV(h) = 5%
S
h
= R$ 90,00
CV(m) = 4%
S
m
= R$ 60,00

Sabemos que

05 , 0
H
S
) h ( CV
h
= =
Ento

H 05 , 0 S
h
= H 05 , 0 90 = 800 . 1 05 , 0 / 90 H = = reais

Analogamente,

M 04 , 0 S
m
= M 04 , 0 60 = 500 . 1 04 , 0 / 60 M = = reais

Voltemos frmula da mdia combinada:

600 . 1
N N
M N H N
m h
m h
=
+
+
600 . 1
N N
M N
N N
H N
m h
m
m h
h
=
+
+
+

Substituindo os valores de H e M na equao acima, obtemos

600 . 1
N N
N 500 . 1
N N
N 800 . 1
m h
m
m h
h
=
+
+
+

mas

h
m h
h
p
N N
N
=
+
proporo de homens
e
m
m h
m
p
N N
N
=
+
proporo de mulheres

Ento

600 . 1 p 500 . 1 p 800 . 1
m h
= +

Observe que a mdia combinada est mais prxima da mdia das mulheres
( 500 . 1 M = ). Logo, a proporo de mulheres necessariamente superior
proporo de homens. Isto nos permite eliminar as alternativas A e B.

Vamos testar as demais opes.

Alternativa C: 4 / 3 p
m
= e 4 / 1 4 / 3 1 p
h
= =

600 . 1 575 . 1 125 . 1 450 ) 4 / 3 500 . 1 ( ) 4 / 1 800 . 1 ( = + = +

C falsa.

Alternativa D: 5 / 3 p
m
= e 5 / 2 5 / 3 1 p
h
= =

600 . 1 620 . 1 900 720 ) 5 / 3 500 . 1 ( ) 5 / 2 800 . 1 ( = + = +

D falsa.

Alternativa E: 3 / 2 p
m
= e 3 / 1 3 / 2 1 p
h
= =

600 . 1 000 . 1 600 ) 3 / 2 500 . 1 ( ) 3 / 1 800 . 1 ( = + = +

E verdadeira.

GABARITO: E

32. (AFTE-RO/FCC/2010) Os valores dos salrios dos empregados de
determinado ramo de atividade apresentam uma distribuio normal com
mdia R$ 2.000,00 e varincia igual a 62.500 (R$)
2
. Considere os valores das
probabilidades P(0 Z z) para a distribuio normal padro:

Z 0,25 0,52 0,84 1,28
P(0 Z z) 0,10 0,20 0,30 0,40

Ento, a porcentagem dos empregados que ganham salrios inferiores a R$
1.790,00 ou salrios superiores a R$ 2.320,00 igual a

A) 30%
B) 40%
C) 50%
D) 60%
E) 70%

Resoluo

Varivel aleatria normal padro:

=
X
Z

Dados:

= 2.000
= (62.500)
1/2
= 250

Pede-se:

- a porcentagem dos empregados que ganham salrios inferiores a R$
1.790,00 ou salrios superiores a R$ 2.320,00, ou seja,

P(X < 1.790) + P(X > 2.320)

Mas

( ) ( ) ( ) 20 , 0 84 , 0 Z 0 P 5 , 0 84 , 0 Z P 84 , 0 Z P
250
2000 790 . 1
Z P ) 790 . 1 X ( P = < = > = < =
|
\
|
< = <

( ) ( ) 10 . 0 28 , 1 Z 0 P 5 , 0 28 , 1 Z P
250
2000 320 . 2
Z P ) 320 . 2 X ( P = < = > =
|
\
|
> = >

Finalmente,

P(X < 1.790) + P(X > 2.320) = 0,20 + 0,10 = 0,30 = 30%

GABARITO: A

33. (AFTE-RO/FCC/2010) Em uma pesquisa realizada numa grande regio,
apurou-se que 90% dos habitantes eram favorveis implantao de uma
indstria. O tamanho da amostra desta pesquisa foi de 1.600 e considerou-se
normal a distribuio amostral da frequncia relativa dos habitantes da regio
a favor desta implantao. O intervalo de confiana de 95,5% encontrado para
a proporo foi igual a [88,5% ; 91,5%]. Caso o tamanho da amostra tivesse
sido de 2.500 e apurando-se a mesma proporo anterior, tem-se que a
amplitude do intervalo de 95,5% seria de

A) 1,2%
B) 2,4%
C) 3,6%
D) 4,8%
E) 6,4%

Resoluo

Seja p a proporo populacional a ser estimada a partir de uma amostra de
tamanho n. Aprendemos que a frequncia relativa amostral p tem
distribuio binomial com mdia p e varincia p(1p)/n. A
semiamplitude do intervalo de confiana para p dada por

= z
/2
.

em que 1 denota o nvel de confiana e o desvio padro da
distribuio binomial.

Dados:

90 , 0 p =
600 . 1 n =
955 , 0 % 5 , 95 1 = =
% 5 , 1 %) 5 , 88 % 0 , 90 ( %) 90 % 5 , 91 ( = = = (semiamplitude do intervalo de
confiana)

Pede-se a nova amplitude 2 do intervalo de 95,5% caso o tamanho da
amostra tivesse sido n = 2.500 (apurando-se a mesma proporo amostral):

|
|
\
|
=

' n
) p 1 ( p
z 2 ' 2
2 /

100
z 2 , 1
50
z 6 , 0
50
3 , 0
z 2
500 . 2
09 , 0
z 2
500 . 2
1 , 0 9 , 0
z 2
500 . 2
) 9 , 0 1 ( 9 , 0
z 2 ' 2
2 / 2 /
2 / 2 / 2 / 2 /

= = = =
|
\
|
=
|
\
|
=

O valor de z
/2
ser determinado a partir dos resultados obtidos com a primeira
amostragem (n = 1.600, = 1,5%):

40
3 , 0
z
600 . 1
09 , 0
z
600 . 1
) 1 , 0 1 ( 9 , 0
z
n
) p 1 ( p
z
100
5 , 1
2 / 2 / 2 / 2 /
= =
|
\
|
=
|
\
|
= =

2
30
60
3 , 0 100
40 5 , 1
z
40
3 , 0
z
100
5 , 1
2 / 2 /
= =
= =

Portanto,

% 4 , 2
100
2 2 , 1
100
z 2 , 1
' 2
2 /
=
= =

GABARITO: B

Abraos e at a prxima aula.

Bons estudos!

Moraes Junior
moraesjunior@pontodosconcursos.com.br

Alexandre Lima
ablima@ablima.pro.br

Questes Comentadas e Resolvidas Nesta Aula

(Especialista em Regulao de Aviao Civil/ANAC/2009/UnB-CESPE).
Um estudo sobre a duraco de uma operaco de carregamento mostrou haver
relaco linear na forma Y
k
= X
k
+
k
, em que Y
k
o tempo (horas) do
carregamento k; X
k
o volume total (em toneladas) do carregamento k; o
coeficiente angular; e
k
representa um erro aleatrio com mdia zero e
variancia
2
.

De uma amostra aleatria de 341 operaces de carregamento, observam-se os
=
=
341
1 k
k k
988 Y X ;
=
=
341
1 k
2
704 . 1 X
k
;
=
=
341
1 k
682 X
k
;
=
=
341
1 k
2
681 Y
k
;
=
=
341
1 k
341 Y
k
.

Com base nessas informaces, julgue os itens a seguir.

1. O coeficiente R
2
(ou coeficiente de determinaco ou explicaco) do modelo
apresentado igual a 0,81, o que indica que 81% da variaco total do tempo
de carregamento so explicadas pelo volume total do carregamento.

2. A correlaco linear entre o tempo de carregamento e o volume total do
carregamento superior a 0,85.

3. Sendo y , x e
, respectivamente, a mdia dos tempos de carregamento, a

mdia dos volumes totais do carregamento e a estimativa de mnimos
quadrados do coeficiente angular do modelo, ento x
y = .

4. (TCNICO DE DEFESA AREA E CONTROLE DE TRFEGO AREO
DECEA/2009/CESGRANRIO) Uma determinada empresa resolveu estudar a
relao do ativo total (em bilhes de reais) e a receita lquida (em milhes de
reais) das 17 maiores instituies financeiras do pas. O estudo forneceu os

Estatstica de regresso
R
2
0,55
R
2
Ajustado 0,52
Erro padro 2,86
Observaes 17


Coeficientes Erro padro T valor-P
Interseo 4,5 1,43 3,1 0,007
Receita
lquida
0,1 0,02 4,3 0,001

Com base nos resultados, o intervalo de confiana de 95%, bilateral, para a
inclinao da reta, , , aproximadamente,
(A) 0,1 1,64 x 0,02
(B) 0,1 1,75 x 0,02
(C) 0,1 1,96 x 0,02
(D) 0,1 2,13 x 0,02
(E) 0,1 4,30 x 0,02

5. (Analista da SUSEP/Aturia/2010/ESAF). A partir de uma amostra
aleatria (X
1
,Y
1
), (X
2
,Y
2
),..., (X
20
,Y
20
) foram obtidas as estaststicas:

mdias X = 12,5 e Y = 19, varincias amostrais
2
x
s = 30 e
2
y
s = 54 e
covarincia S
xy
= 36.

Qual a reta de regresso estimada de Y em X?

A)
i i
X 667 , 0 19 Y
+ =
B)
i i
X 2 , 1 5 , 12 Y
+ =
C)
i i
X 2 , 1 4 Y
+ =
D)
i i
X 2 , 1 19 Y
+ =
E)
i i
X 8 , 22 80 Y
+ =

6. (Analista da SUSEP/Aturia/2010/ESAF). Com os dados da questo
anterior, determine o valor da estatstica F para testar a hiptese nula de que
o coeficiente angular da reta do modelo de regresso linear simples de Y em X
igual a zero.

A) 144
B) 18
C) 36
D) 72
E) 48

7. Ajuste o modelo linear simples
i i i
X Y + + = para os dados da tabela
abaixo e determine o resduo correspondente a X=7 e Y=15.

X 5 6 7 9 11 12
Y 20 19 15 12 12 8

A) 1,08
B) 1,42
C) -0,71
D) -1,42
E) -1,08

8. Seja o modelo
i i i
X Y + + = . So dados:

60 x
i
=
1260 x
2
i
=
320 y
i
=

16000 y
2
i
=
2400 y x
i i
=

n = 10 observaes

Calcule s
2
. Dica:
xx
2
yy
S b S SQR SQT SQE = =

A) 5760
B) 720
C) 550,4
D) 688
E) 60


9. No modelo
i i i
X Y + + = os estimadores de mnimos quadrados de e
so os de menor varincia possvel.

(Analista BACEN - rea 4/2006/FCC) Considere as informaes a seguir
para resolver as questes de nmeros 10 e 11.

Uma empresa, com a finalidade de determinar a relao entre os gastos anuais
em pesquisa e desenvolvimento (X), em milhares de reais, e o acrscimo anual
nas vendas (Y), tambm em milhares de reais, optou por utilizar o modelo
linear simples
i i i
X Y + + = , em que Y
i
o acrscimo nas vendas no ano i, X
i

o valor gasto em pesquisa e desenvolvimento no ano i e
i
o erro aleatrio
com as respectivas hipteses consideradas para a regresso linear simples( e
so parmetros desconhecidos). Considerou para o estudo as seguintes
informaes referentes s observaes nos ltimos 10 anos da empresa:

=
=
10
1 i
Y
i
160

=
=
10
1 i
X
i
100

=
=
10
1 i
i i
900 . 1 Y X

=
=
10
1 i
2
i
200 . 1 X
=
=
10
1 i
2
i
060 . 3 Y

10. Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados,
obteve-se, para um determinado gasto em pesquisa e desenvolvimento, uma
previso de acrscimo nas vendas no valor de 19 mil reais. O valor que se
considerou para o gasto em pesquisa e desenvolvimento, em mil reais, foi

A) 14,0
B) 13,75
C) 13,0
D) 12,4
E) 12,0

11. Montando o quadro de anlise de varincia, tem-se que

A) a variao residual apresenta um valor igual a 100.
B) o valor da estatstica F necessria para o teste de existncia da regresso
igual a nove.
C) o valor do correspondente coeficiente de determinao (R
2
) igual a 90%.
D) a variao total apresenta um valor igual a 550.
E) a variao explicada, fonte de variao devido regresso, apresenta um
valor igual a 500.

(Analista BACEN 2001/ESAF) As questes 12 e 13 dizem respeito ao
enunciado seguinte.

A Cia. Delta presta servio de manuteno a uma marca de microcomputador.
O gerente da Cia. Delta est interessado em estudar a associao existente
entre o tempo (y) em minutos gasto em um atendimento e o nmero (x) de
micros atendidos.

Neste contexto anota as realizaes
t
y e
t
x dessas variveis em 16 chamadas
de servio. O gerente postula o modelo linear
t t t
X Y + + = , t=1...16, onde
e so parmetros desconhecidos e os
t
so erros no correlacionados com
mdia zero e varincia constante
2
. Os resultados obtidos com o ajuste pelo
mtodo de quadrados mnimos para esse modelo so apresentados a seguir.

Parmetro Estimativa Desvio-padro

-2,3 2,6

14,7 0,5
2

20 -

Sabe-se que
=
t
2
t
000 . 14 ) m y ( , onde m o tempo mdio das 16 chamadas.

12. Assinale a opo que d o valor do coeficiente de determinao do modelo
linear.

A) 0,98
B) 0,90
C) 0,88
D) 0,28
E) 0,20

13. Assinale a opo que d a estimativa do aumento esperado no tempo de
atendimento decorrente do aumento de uma unidade no nmero de micros
atendidos.

A) 17,0
B) 12,4
C) -2,3
D) 0,2
E) 14,7

14. No

ajuste do modelo linear simples
i i i
X Y + + = so dados:

196 x
i
=

160 y
i
=

3318 y x
i i
=

a = -11,5 n = 28 observaes

Calcule
2
i
x .

A) 2198
B) 2265,5
C) 2450
D) 3318
E) 893,5


15. Sejam dados a tabela abaixo e o modelo Y = X +

X 10 12 14 16 18
Y 8 11 13 15 19

A estimativa de mnimos quadrados de maior que um.

(Analista BACEN 1997/CESPE) Para as questes de 16 a 20, utilize as
informaes a seguir.

O gerente do setor de compras de uma organizao bancria deseja estudar
um modelo de predio do tempo gasto para o processamento de faturas
relativas importao de equipamentos eletrnicos. Durante trinta dias, foram
coletados dados relativos ao tempo de processamento das faturas (em horas)
e o nmero de faturas processadas. Considerando tratar-se de uma relao
linear, cuja varivel dependente o TEMPO, os dados foram processados e os
resultados preliminares so apresentados nas tabelas a seguir.

ANLISE DE VARINCIA

Fontes

Graus de
Liberdade

Soma de
Quadrado

Quadrado
Mdio

Valor F

Prob > f

Modelo 1 25,94382

25,94382

232,220

0,0001

Erro

28 3,12818

0,11172

Total

29 29,07200

R Quadrado (Coeficiente de
determinao)

C.V. ( Coeficiente de Variao )

0,8924 16,38464


ESTIMATIVAS DOS PARMETROS

Varivel

Graus de
Liberdade

Estimativas

Erro
Padro

T

Prob
>|T|

INTERCEPTO

1 0,402375

0,12358250

3,256

0,0030

FATURAS

1 0,012607

0,00082729

15,239

0,0001

Representando por Y
i
o tempo gasto e por X
i
o nmero de faturas processadas
no dia i, julgue os itens de 16 a 20.

16. O modelo estimado igual a E(Y
i
) = 0,402375 + 0,012607X
i
+
i
, em que
E(Y
i
) representa o tempo mdio e
i
representa o resduo estimado para o i-
simo dia.

17. O resultado obtido indica que a cada aumento de uma fatura processada
corresponde um aumento de 0,012607 no tempo esperado estimado.

18. Para o modelo proposto, o teste de adequabilidade do modelo
equivalente a testar H
o
:
1
= 0 contra H
a
:
1
0, em que
1
o parmetro
associado varivel que indica o nmero de faturas processadas a cada dia.

19. Para que o analista rejeite a hiptese nula H
o
: INTERCEPTO = 0, o nvel de
significncia usado deve ser inferior a 0,003.

20. Aproximadamente 16,38% da variao no tempo de processamento so
explicados pela variao no nmero de faturas processadas.

21. So dados para o modelo + + = X Y

36 x
i
=

162 x
2
i
=

0 y
i
=

270 y x
i i
=

50 , 13
2
= 12 n =

Determine a estatstica t para testar a hiptese H
0
: = 0

A) 10
B) 15
C) 20
D) 23,57
E) 28,48

Julgue os prximos itens com base no enunciado abaixo.

Seja o modelo estimado
i i
x 2 90 y = , em que a varincia amostral do intercepto
22, a varincia amostral da declividade 0,06. Foram coletadas 7
observaes.

22. O intervalo de confiana de 90% para a declividade ) 51 , 1 ; 49 , 2 (

23. Considere o teste de hipteses H
0
: 100 = contra H
1
: 100 a um nvel de
significncia de 5%. Ento deve-se rejeitar H
0
.

24. (AFTE-RO/FCC/2010) Considere que as vendas anuais, em milhes de
reais, de um produto so estimadas por meio do modelo
t t
t y + + = , t = 1,
2, 3, ... em que
t
y representa o valor das vendas no ano t 1999 + , e so
parmetros desconhecidos e
t
o erro aleatrio com as respectivas hipteses
consideradas para o modelo de regresso linear simples. Com base nas
informaes anuais de 2000 at 2009 e utilizando o mtodo dos mnimos
quadrados obteve-se a estimativa para como sendo igual a 1,4. A mdia
aritmtica dos valores de
t
y de 2000 at 2009 apresentou um valor igual a
3,6. O valor de ) y y (
t 1 t

+
para 0 t > , considerando a funo encontrada pelo
mtodo dos mnimos quadrados, uma constante igual a

A) 0,55
B) 0,50
C) 0,40
D) 0,36
E) 0,30

(Analista de Estatstica/MPU/Cespe/2010) A figura acima corresponde a
um diagrama de disperso entre a varivel y (gasto percentual com sade) e x
(renda bruta familiar, em R$ mil), obtida com base em uma amostra de 10
famlias. Com respeito ao ajuste de um modelo de regresso linear simples na
forma + + = b ax y , em que o erro aleatrio e a e b so os coeficientes do
modelo, foram obtidos os seguintes resultados.

coeficientes estimativa erro padro razo t Pr(>t)
b 7,7 0,178 43,3 8,94 x 10
-11
a -0,2 0,025 -8,0 5,11 x 10
-5

erro padro dos resduos = 0,25 (com 8 graus de liberdade)
R
2
= 0,88
R
2
ajustado = 0,87

Com base nessas informaes, julgue os itens seguintes.

25. Considerando que 1<x<10, correto inferir que, a cada mil reais
adicionais na renda bruta familiar, o gasto com sade reduzido em R$
200,00.

26. O coeficiente de correlao entre gastos com sade e renda foi inferior a
8 , 0 .

27. correto inferir que o modelo possui boa qualidade de ajuste com base no
valor em percentual do coeficiente de explicao do modelo, que foi igual a
88%.

28. O teste-F para anlise de varincia do modelo apresentou p-valor inferior a
5 x 10
-5
.

29. A varincia amostral da varivel regressora x inferior a 10.

Questes Extras

30. (AFTE-RO/FCC/2010) Em uma cidade realizado um levantamento
referente aos valores recolhidos de determinado tributo estadual no perodo de
um ms. Analisando os documentos de arrecadao, detectou-se 6 nveis de
valores conforme consta no eixo horizontal do grfico abaixo, em que as
colunas representam as quantidades de recolhimentos correspondentes.


Com relao s medidas de posio deste levantamento tem-se que o valor da

A) mdia aritmtica igual ao valor da mediana.
B) mdia aritmtica supera o valor da moda em R$ 125,00.
C) moda supera o valor da mediana em R$ 500,00.
D) mediana supera o valor da mdia aritmtica em R$ 25,00.
E) mdia aritmtica igual a metade da soma da mediana e a moda.

31. (AFTE-RO/FCC/2010) A mdia aritmtica de todos os salrios dos
funcionrios em uma repartio pblica igual a R$ 1.600,00. Os salrios dos
funcionrios do sexo masculino apresentam um desvio padro de R$ 90,00
com um coeficiente de variao igual a 5%. Os salrios dos funcionrios do
sexo feminino apresentam um desvio padro de R$ 60,00 com um coeficiente
de variao igual a 4%. Escolhendo aleatoriamente um funcionrio desta
repartio, a probabilidade dele ser do sexo feminino igual a

A) 1/2
B) 1/3
C) 3/4
D) 3/5
E) 2/3

32. (AFTE-RO/FCC/2010) Os valores dos salrios dos empregados de
determinado ramo de atividade apresentam uma distribuio normal com
mdia R$ 2.000,00 e varincia igual a 62.500 (R$)
2
. Considere os valores das
probabilidades P(0 Z z) para a distribuio normal padro:

Z 0,25 0,52 0,84 1,28
P(0 Z z) 0,10 0,20 0,30 0,40

Ento, a porcentagem dos empregados que ganham salrios inferiores a R$
1.790,00 ou salrios superiores a R$ 2.320,00 igual a

A) 30%
B) 40%
C) 50%
D) 60%
E) 70%

33. (AFTE-RO/FCC/2010) Em uma pesquisa realizada numa grande regio,
apurou-se que 90% dos habitantes eram favorveis implantao de uma
indstria. O tamanho da amostra desta pesquisa foi de 1.600 e considerou-se
normal a distribuio amostral da frequncia relativa dos habitantes da regio
a favor desta implantao. O intervalo de confiana de 95,5% encontrado para
a proporo foi igual a [88,5% ; 91,5%]. Caso o tamanho da amostra tivesse
sido de 2.500 e apurando-se a mesma proporo anterior, tem-se que a
amplitude do intervalo de 95,5% seria de

A) 1,2%
B) 2,4%
C) 3,6%
D) 4,8%
E) 6,4%

APNDICE

TABELA I
NORMAL: rea direita de Z
c

Parte
inteira e
primeira
decimal
de Z
c

Segunda decimal de Z
c

Parte
inteira e
primeira
decimal
de Z
c

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,49601 0,49202 0,48803 0,48405 0,48006 0,47608 0,47210 0,46812 0,46414 0,0
0,1 0,46017 0,45620 0,45224 0,44828 0,44433 0,44038 0,43644 0,43251 0,42858 0,42465 0,1
0,2 0,42074 0,41683 0,41294 0,40905 0,40517 0,40129 0,39743 0,39358 0,38974 0,38591 0,2
0,3 0,38209 0,37828 0,37448 0,37070 0,36693 0,36317 0,35942 0,35569 0,35197 0,34827 0,3
0,4 0,34458 0,34090 0,33724 0,33360 0,32997 0,32636 0,32276 0,31918 0,31561 0,31207 0,4
0,5 0,30854 0,30503 0,30153 0,29806 0,29460 0,29116 0,28774 0,28434 0,28096 0,27760 0,5
0,6 0,27425 0,27093 0,26763 0,26435 0,26109 0,25785 0,25463 0,25143 0,24825 0,24510 0,6
0,7 0,24196 0,23885 0,23576 0,23270 0,22965 0,22663 0,22363 0,22065 0,21770 0,21476 0,7
0,8 0,21186 0,20897 0,20611 0,20327 0,20045 0,19766 0,19489 0,19215 0,18943 0,18673 0,8
0,9 0,18406 0,18141 0,17879 0,17619 0,17361 0,17106 0,16853 0,16602 0,16354 0,16109 0,9
1,0 0,15866 0,15625 0,15386 0,15151 0,14917 0,14686 0,14457 0,14231 0,14007 0,13786 1,0
1,1 0,13567 0,13350 0,13136 0,12924 0,12714 0,12507 0,12302 0,12100 0,11900 0,11702 1,1
1,2 0,11507 0,11314 0,11123 0,10935 0,10749 0,10565 0,10383 0,10204 0,10027 0,09853 1,2
1,3 0,09680 0,09510 0,09342 0,09176 0,09012 0,08851 0,08691 0,08534 0,08379 0,08226 1,3
1,4 0,08076 0,07927 0,07780 0,07636 0,07493 0,07353 0,07215 0,07078 0,06944 0,06811 1,4
1,5 0,06681 0,06552 0,06426 0,06301 0,06178 0,06057 0,05938 0,05821 0,05705 0,05592 1,5
1,6 0,05480 0,05370 0,05262 0,05155 0,05050 0,04947 0,04846 0,04746 0,04648 0,04551 1,6
1,7 0,04457 0,04363 0,04272 0,04182 0,04093 0,04006 0,03920 0,03836 0,03754 0,03673 1,7
1,8 0,03593 0,03515 0,03438 0,03362 0,03288 0,03216 0,03144 0,03074 0,03005 0,02938 1,8
1,9 0,02872 0,02807 0,02743 0,02680 0,02619 0,02559 0,02500 0,02442 0,02385 0,02330 1,9
2,0 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831 2,0
2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426 2,1
2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,01130 0,01101 2,2
2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842 2,3
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639 2,4
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480 2,5
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357 2,6
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264 2,7
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193 2,8
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139 2,9
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100 3,0
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017 3,5
4,0 0,00003 0,00003 0,00003 0,00003 0,00003 0,00003 0,00002 0,00002 0,00002 0,00002 4,0
5,0 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 5,0


TABELA II
NORMAL: rea de 0 a Z
c

Parte
inteira e
primeira
decimal
de Z
c

Segunda decimal de Z
c

Parte
inteira e
primeira
decimal
de Z
c

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586 0,0
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535 0,1
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409 0,2
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173 0,3
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793 0,4
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240 0,5
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490 0,6
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524 0,7
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327 0,8
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891 0,9
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214 1,0
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298 1,1
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147 1,2
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774 1,3
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189 1,4
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408 1,5
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449 1,6
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327 1,7
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062 1,8
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670 1,9
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169 2,0
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574 2,1
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899 2,2
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158 2,3
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361 2,4
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520 2,5
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643 2,6
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736 2,7
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807 2,8
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861 2,9
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900 3,0
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983 3,5
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998 4,0
5,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 5,0


TABELA III
QUI-QUADRADO: VALORES Yc tais que P(Y>Yc)=p
GL 0,995 0,990 0,975 0,950 0,900 0,750 0,500 0,250 0,100 0,050 0,025 0,010 0,005 0,001
1 0,0000393 0,000157 0,000982 0,00393 0,0158 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879 10,83
2 0,0100 0,0201 0,0506 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,60 13,82
3 0,0717 0,115 0,216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,34 12,84 16,27
4 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,14 13,28 14,86 18,47
5 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,07 12,83 15,09 16,75 20,52
6 0,676 0,872 1,237 1,635 2,204 3,455 5,348 7,841 10,64 12,59 14,45 16,81 18,55 22,46
7 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9,037 12,02 14,07 16,01 18,48 20,28 24,32
8 1,344 1,646 2,180 2,733 3,490 5,071 7,344 10,22 13,36 15,51 17,53 20,09 21,95 26,12
9 1,735 2,088 2,700 3,325 4,168 5,899 8,343 11,39 14,68 16,92 19,02 21,67 23,59 27,88
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342 12,55 15,99 18,31 20,48 23,21 25,19 29,59
11 2,603 3,053 3,816 4,575 5,578 7,584 10,34 13,70 17,28 19,68 21,92 24,72 26,76 31,26
12 3,074 3,571 4,404 5,226 6,304 8,438 11,34 14,85 18,55 21,03 23,34 26,22 28,30 32,91
13 3,565 4,107 5,009 5,892 7,042 9,299 12,34 15,98 19,81 22,36 24,74 27,69 29,82 34,53
14 4,075 4,660 5,629 6,571 7,790 10,17 13,34 17,12 21,06 23,68 26,12 29,14 31,32 36,12
15 4,601 5,229 6,262 7,261 8,547 11,04 14,34 18,25 22,31 25,00 27,49 30,58 32,80 37,70
16 5,142 5,812 6,908 7,962 9,312 11,91 15,34 19,37 23,54 26,30 28,85 32,00 34,27 39,25
17 5,697 6,408 7,564 8,672 10,09 12,79 16,34 20,49 24,77 27,59 30,19 33,41 35,72 40,79
18 6,265 7,015 8,231 9,390 10,86 13,68 17,34 21,60 25,99 28,87 31,53 34,81 37,16 42,31
19 6,844 7,633 8,907 10,12 11,65 14,56 18,34 22,72 27,20 30,14 32,85 36,19 38,58 43,82
20 7,434 8,260 9,591 10,85 12,44 15,45 19,34 23,83 28,41 31,41 34,17 37,57 40,00 45,31
21 8,034 8,897 10,28 11,59 13,24 16,34 20,34 24,93 29,62 32,67 35,48 38,93 41,40 46,80
22 8,643 9,542 10,98 12,34 14,04 17,24 21,34 26,04 30,81 33,92 36,78 40,29 42,80 48,27
23 9,260 10,20 11,69 13,09 14,85 18,14 22,34 27,14 32,01 35,17 38,08 41,64 44,18 49,73
24 9,886 10,86 12,40 13,85 15,66 19,04 23,34 28,24 33,20 36,42 39,36 42,98 45,56 51,18
25 10,52 11,52 13,12 14,61 16,47 19,94 24,34 29,34 34,38 37,65 40,65 44,31 46,93 52,62
26 11,16 12,20 13,84 15,38 17,29 20,84 25,34 30,43 35,56 38,89 41,92 45,64 48,29 54,05
27 11,81 12,88 14,57 16,15 18,11 21,75 26,34 31,53 36,74 40,11 43,19 46,96 49,64 55,48
28 12,46 13,56 15,31 16,93 18,94 22,66 27,34 32,62 37,92 41,34 44,46 48,28 50,99 56,89
29 13,12 14,26 16,05 17,71 19,77 23,57 28,34 33,71 39,09 42,56 45,72 49,59 52,34 58,30
30 13,79 14,95 16,79 18,49 20,60 24,48 29,34 34,80 40,26 43,77 46,98 50,89 53,67 59,70
40 20,71 22,16 24,43 26,51 29,05 33,66 39,34 45,62 51,81 55,76 59,34 63,69 66,77 73,40
50 27,99 29,71 32,36 34,76 37,69 42,94 49,33 56,33 63,17 67,50 71,42 76,15 79,49 86,66
60 35,53 37,48 40,48 43,19 46,46 52,29 59,33 66,98 74,40 79,08 83,30 88,38 91,95 99,61
70 43,28 45,44 48,76 51,74 55,33 61,70 69,33 77,58 85,53 90,53 95,02 100,43 104,21 112,32
80 51,17 53,54 57,15 60,39 64,28 71,14 79,33 88,13 96,58 101,88 106,63 112,33 116,32 124,84
90 59,20 61,75 65,65 69,13 73,29 80,62 89,33 98,65 107,57 113,15 118,14 124,12 128,30 137,21
100 67,33 70,06 74,22 77,93 82,36 90,13 99,33 109,14 118,50 124,34 129,56 135,81 140,17 149,45

Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
a 0,100 (P(Y>y
c
) = 0,1) 23,54, ou seja, 54 , 23
16
=
2
.

TABELA IV (t de Student): valores t
c
tais que P(-t
c
< t < t
c
) = 1-p
GL 0,5 0,4 0,3 0,2 0,1 0,05 0,02 0,01 0,005 0,002 0,001
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657 127,321 318,309 636,619
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 14,089 22,327 31,599
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 7,453 10,215 12,924
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 5,598 7,173 8,610
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 4,773 5,893 6,869
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 4,317 5,208 5,959
7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 4,029 4,785 5,408
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 3,833 4,501 5,041
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 3,690 4,297 4,781
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 3,581 4,144 4,587
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 3,497 4,025 4,437
12 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 3,428 3,930 4,318
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 3,372 3,852 4,221
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 3,326 3,787 4,140
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 3,286 3,733 4,073
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 3,252 3,686 4,015
17 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,222 3,646 3,965
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,197 3,610 3,922
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,174 3,579 3,883
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,153 3,552 3,850
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,135 3,527 3,819
22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,119 3,505 3,792
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,104 3,485 3,768
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,091 3,467 3,745
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,078 3,450 3,725
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,067 3,435 3,707
27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,057 3,421 3,690
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,047 3,408 3,674
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,038 3,396 3,659
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,030 3,385 3,646
40 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 2,971 3,307 3,551
50 0,679 0,849 1,047 1,299 1,676 2,009 2,403 2,678 2,937 3,261 3,496
60 0,679 0,848 1,045 1,296 1,671 2,000 2,390 2,660 2,915 3,232 3,460
120 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 2,860 3,160 3,373
5000 0,675 0,842 1,037 1,282 1,645 1,960 2,327 2,577 2,808 3,092 3,292

Exemplo de uso da tabela t de Student: entrando-se na tabela com a probabilidade p = 0,1 e GL = 7,
lemos o valor t
7
= 1,895. Logo, P(-1,895<t
7
<1,895) = 0,9 e P(t
7
>1,895) = P(t
7
<-1,895) = 0,1/2= 0,05.

TABELA V
DISTRIBUIO F: valores fc tais que P(F>fc) = p
GL1
GL2 P(F>) 1 2 3 4 5 6 7 8 9 10
1 0,100 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9 60,2
0,050 161 199 216 225 230 234 237 239 241 242
0,025 648 799 864 900 922 937 948 957 963 969
0,010 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056
0,005 16211 19999 21615 22500 23056 23437 23715 23925 24091 24224
0,001 405284 499999 540379 562500 576405 585937 592873 598144 602284 605621
2 0,100 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39
0,050 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,37 19,38 19,40
0,025 38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4
0,010 98,5 99,0 99,2 99,2 99,3 99,3 99,4 99,4 99,4 99,4
0,005 199 199 199 199 199 199 199 199 199 199
0,001 999 999 999 999 999 999 999 999 999 999
3 0,100 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23
0,050 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
0,025 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42
0,010 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23
0,005 55,55 49,80 47,47 46,19 45,39 44,84 44,43 44,13 43,88 43,69
0,001 167,03 148,50 141,11 137,10 134,58 132,85 131,58 130,62 129,86 129,25
4 0,100 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92
0,050 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84
0,010 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55
0,005 31,33 26,28 24,26 23,15 22,46 21,97 21,62 21,35 21,14 20,97
0,001 74,14 61,25 56,18 53,44 51,71 50,53 49,66 49,00 48,47 48,05
5 0,100 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30
0,050 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62
0,010 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05
0,005 22,78 18,31 16,53 15,56 14,94 14,51 14,20 13,96 13,77 13,62
0,001 47,18 37,12 33,20 31,09 29,75 28,83 28,16 27,65 27,24 26,92
6 0,100 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94
0,050 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46
0,010 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87
0,005 18,63 14,54 12,92 12,03 11,46 11,07 10,79 10,57 10,39 10,25
0,001 35,51 27,00 23,70 21,92 20,80 20,03 19,46 19,03 18,69 18,41
7 0,100 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70
0,050 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
0,025 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76
0,010 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62
0,005 16,24 12,40 10,88 10,05 9,52 9,16 8,89 8,68 8,51 8,38
0,001 29,25 21,69 18,77 17,20 16,21 15,52 15,02 14,63 14,33 14,08

Exemplo: entrando-se na tabela com a probabilidade p = 5% =0,050, e GL
1
= GL
2
= 5, lemos o
valor f
c
= 5,05. Logo, P(F>5,05) = 5% = 0,050.

(2011) Raciocínio Lógico para Traumatizados - Aula 13

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

(2011) Raciocínio Lógico para Traumatizados - Aula 13

Încărcat de

Drepturi de autor:

Formate disponibile

Curso Online - Raciocnio Lgico-Quantitativo para Traumatizados em

Exerccios, incluindo Matemtica, Matemtica Financeira e Estatstica

, respectivamente, a mdia dos tempos de carregamento, a

, com o prprio coeficiente

(estimativa da declividade) dado por

(estimativa do intercepto) por

pode ser calculado, de forma alternativa, pela razo entre a

= tambm possui distribuio t com n-2 graus de liberdade. Esta

= , embora isso nem sempre ocorra.

= for muito grande em mdulo (valor absoluto),

ficar muito distante de k,

. Considere a varivel normal reduzida

, respectivamente, a mdia dos tempos de carregamento, a

S-ar putea să vă placă și