Aula21 Daew

1
CURSO ONLINE RACIOCNIO LGICO PARA DESESPERADOS

PROFESSORES: GUILHERME NEVES E VTOR MENEZES
AULA 21 Regresso linear e anlise de regresso
I. REGRESSO LINEAR...............................................................................................................................2
1. Clculo da reta de regresso..................................................................................................................2
2. Reta de regresso passando pela origem . . ......................................................................................... 28
II. ANLISE DE VARINCIA DA REGRESSO . . .......................................................................................... 31
1. Somas de quadrados . ......................................................................................................................... 31
2. Quadrados mdios e estatstica F . . .................................................................................................... 33
3. Coeficiente de determinao. ............................................................................................................. 34
III. OUTROS EXERCCIOS . ......................................................................................................................... 45
IV. LISTA DAS QUESTES DE CONCURSO. . ............................................................................................... 50
V. GABARITO DAS QUESTES DE CONCURSO . . ....................................................................................... 62
www.pontodosconcursos.com.br
2
I. REGRESSO LINEAR
Aula passada vimos correlao linear.
Na correlao linear, estvamos interessados em ver se duas variveis X e Y tinham uma
relao linear forte ou no.
Pois bem, considerem que X e Y tenham uma relao linear forte. Ou seja, a relao entre
ambas quase uma reta. Neste caso, que reta seria essa? Qual a reta que melhor descreve a
relao linear entre X e Y?
justamente isso que a regresso linear vai nos dizer.
1. Clculo da reta de regresso

Sejam X e Y duas variveis. Um modelo de regresso linear que as relaciona da seguinte
forma:
Yi = + X i + i
Neste modelo, e so constantes e uma varivel aleatria de mdia zero.
Mas o que significa este modelo?
Para entender melhor, vamos a um exemplo. Vamos dar valores.
Exemplo I: entendendo a relao verificada na populao

Sejam X e Y duas variveis aleatrias que modelam duas caractersticas de uma populao.
Poderiam ser peso e altura dos indivduos de um pas. Ou ento lucro bruto e gastos com
propaganda de empresas de um dado setor. Ou qualquer outra coisa. Considere o seguinte
modelo de regresso:
Yi = 5 + 2 X i + i , onde tem desvio padro igual a 2.
Neste modelo, = 5 e = 2 . E uma varivel aleatria de mdia zero e desvio padro
igual a 2.
O que significa o modelo?
Para ver seu significado, vamos considerar o caso em que X igual a 1.
Quando X vale 1, o valor de Y fica:
Y = 5+2+ = 7+
Y igual a 7 mais alguma coisa.
Quando X for igual a 1, Y uma varivel aleatria que assume valores ao redor de 7. Y uma
varivel aleatria de mdia 7 e desvio padro igual a 2 ( o mesmo desvio padro da varivel
).
Simulei no Excel 40 valores para uma varivel aleatria normal de mdia 7 e desvio padro
igual a 2.
3
Quadro 1 Amostra de 40 valores de Y quando X vale 1
6,593141232 9,006039634 7,529331787 8,790447066
7,852422253 7,316731652 5,709223237 1,517279637
7,371164634 8,337094106 8,492395516 4,537325404
7,192761653 7,710131408 4,163608098 6,193114621
9,048459033 7,557574931 6,200254493 7,898396375
7,347612528 6,111238398 7,921807047 7,114042863
7,86536918 4,804578704 6,595492192 7,695790475
10,32428016 6,267005594 6,12221455 6,72314475
7,59146052 6,939884906 7,191285009 6,939555013
8,697223503 6,689966794 8,674250951 7,633455534
Podemos considerar que a populao de onde retiramos os 40 valores acima tem mdia 7 e
desvio padro igual a 2.
Ou seja, podemos considerar que existe uma populao de valores de Y correspondente a X
igual a 1. Esta populao tem mdia 7 e desvio padro igual a 2.
Quando X for igual a 2, Y fica:

Y = 5 + 2 2 + = 9 +
Agora Y igual a 9 mais alguma coisa. Esse alguma coisa a varivel aleatria , de
mdia zero e desvio padro igual a 2.
Portanto, Y uma varivel aleatria de mdia 9 e desvio padro igual a 2. Assim, quando X
for igual a 2, temos outra populao de valores Y, desta vez com mdia 9. Um exemplo de
amostra dessa segunda populao, tambm com 40 valores, seria:
Quadro 2 Amostra de 40 valores de Y quando X vale 2

6,53861127 9,678841758 10,18699647 12,04425824
6,235802132 9,645271814 7,816967558 7,710536605
6,628522819 11,58429767 7,855252513 7,904572561
8,955476207 10,5235668 10,29363849 6,979009116
12,78643385 7,361538895 9,911730171 8,295251334
9,423242246 6,951347174 8,884513449 9,189919391
8,588672066 8,72768786 12,15872381 9,237865804
9,438625799 10,71337193 8,195035187 9,452390476
3,332867904 13,24592769 9,393588155 6,613649783
7,937743916 10,38333066 9,099585603 9,034490197
O mesmo vale quando X for igual a qualquer outro valor.

Nosso modelo Yi = 5 + 2 X i + i representa simultaneamente inmeras populaes de valores
de Y. Para cada valor de X, ns temos uma populao de valores de Y de tal modo que sua
mdia igual a 5 + 2 X .
Os valores de Y variam em torno deste valor mdio graas varivel , aleatria. Podemos
pensar que Y e X guardam uma relao quase linear. A relao s no perfeitamente linear
4
devido presena dessa varivel , que representa todas as demais interferncias no valor de
Y que no so explicadas pela varivel X.
A varivel pode ser vista como o erro que se comete quando se aproxima a relao entre X
e Y por uma reta. Muitas vezes acaba sendo chamada, realmente, de erro.
Assim, se o modelo de regresso Yi = 5 + 2 X i + i representar adequadamente o conjunto
formado por todas as populaes de valores de Y, sabemos que, para cada valor de X, temos
como calcular a mdia da correspondente populao de valores de Y.
Repetindo: a relao entre X e Y praticamente uma reta. Os pares ordenados (X,Y) s no se
comportam exatamente como uma reta por causa da varivel aleatria .
Deste modo, os pares ordenados (X,Y) vo se situar em torno da reta Yi = 5 + 2 X i
Considere que X assuma apenas os valores 1, 2, 3, 4, 5. Considere ainda que o modelo

Yi = 5 + 2 X i + i (onde tem desvio padro igual a 2) descreva bem a populao de valores
de Y.
Podemos pensar que esta populao , na verdade, dividida em 5 populaes menores. Uma
para o caso em que X igual a 1. Outra para o caso em que X igual a 2. E assim por diante,
at X igual a 5.
Abaixo detalhamos as cinco populaes de valores de Y:
X = 1 Y tem mdia 7 e desvio padro igual a 2.
Ok. Ento nosso modelo representa adequadamente toda a populao (composta pelas cinco
sub-populaes acima). Ou seja, tendo acesso a toda a populao, podemos verificar que, para
cada valor de X, os valores de Y correspondentes giram em torno da reta dada por Y = 5 + 2 X .
Exemplo II: obtendo a reta de regresso, com base em uma amostra

Continuemos com o modelo de regresso do exemplo anterior. Sabemos que na populao,
verifica-se que X e Y se relacionam por:
Yi = 5 + 2 X i + i
Ou seja, os pares ordenados ( X i , Yi ) giram em torno da reta Yi = 5 + 2 X i graas varivel

aleatria i .
Entretanto, comum que no tenhamos acesso a toda a populao. Conhecemos apenas uma
amostra. Ora, se temos acesso apenas a uma amostra, como saber qual a reta que representa
adequadamente a relao existente na populao inteira?
Suponha que fizemos uma amostragem de 42 pares de valores de (X,Y), conforme tabela
abaixo:
5
Quadro 3 Amostra com 42 pares (X,Y)

Y X Y X Y X
7,063739369 2 13,00534171 3 9,94831727 3
11,95962905 5 9,82060755 2 12,55329724 4
10,86307743 2 5,144500964 1 14,78463119 5
9,717082904 3 12,88447035 5 10,67968811 3
10,06782671 2 14,46402381 4 5,624151428 3
14,90233153 4 9,778894668 3 8,989367058 2
9,246338915 2 7,114699575 2 17,07556754 5
12,38290526 4 10,05856893 3 11,80226689 3
15,98044467 3 15,58187542 5 12,87295011 4
6,626939124 2 9,415041267 2 8,836479018 3
11,73251019 3 9,513621757 2 4,243240553 1
14,69927599 4 9,472612778 3 5,20115496 1
12,31403234 4 12,09695304 3 14,88629319 5
5,7256837 2 15,04573598 4 11,74230544 3
O problema que geralmente surge na regresso linear o seguinte. No sabemos qual a reta
que representa adequadamente toda a populao. Neste exemplo que estamos trabalhando, se
conhecssemos toda a populao, saberamos que ela pode ser representada por Yi = 5 + 2 X i .
Entretanto, se no conhecermos toda a populao, no temos como saber que a reta
Yi = 5 + 2 X i representa a relao entre as variveis estudadas.
Ou ainda: no sabemos que os pares ordenados vo se situar em torno da reta Yi = 5 + 2 X i .

O que pretendemos justamente determinar qual a reta em torno da qual os pontos (X, Y)
esto situados. Isto, baseando-nos apenas na amostra do Quadro 3.
Um mtodo para encontrar a melhor reta de regresso chamado de mtodos de mnimos
quadrados. A funo de primeiro grau que pretendemos encontrar da forma:
Yi = a + bX i
Onde a uma estimativa de , b uma estimativa de e Y uma estimativa de Y .

diferena entre Y e sua estimativa, chamamos desvio. O desvio dado por:
e = Y Y
Pelo mtodo de mnimos quadrados, tentamos obter uma reta de tal modo que a soma dos
quadrados dos valores de e (desvio) seja mnima.
possvel demonstrar que os valores de a e b (estimadores de e ), obtidos a partir da
considerao de que a soma dos quadrados dos desvios seja mnima, so:
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
a = Y bX
6
Ou seja, a partir dos valores de X e Y pertencentes amostra, obtemos os valores de a e b
descritos acima. A partir deles, construmos a reta Yi = a + bX i .
Executando este procedimento no excel para a amostra do Quadro 3, obtemos:
a = 3,71
b = 2,33
O grfico abaixo representa os resultados obtidos:
Figura 1 Regresso linear entre variveis X e Y
Os pontos em azul escuro so os dados observados na amostra. So os pares ordenados

correspondentes amostra do Quadro 3. A reta laranja corresponde reta real. a reta que
representa a populao inteira. Trata-se da reta Yi = 5 + 2 X i .
S que esta reta ns no conhecemos. No conhecemos toda a populao. Estamos
procurando por uma reta que simbolize a relao entre X e Y. O ideal seria chegar realmente
na reta laranja, que representa adequadamente toda a populao.
Contudo, tendo disponvel apenas uma amostra de 42 pares (X,Y), a reta de regresso que
calculamos, de tal forma que os desvios de estimativa cometidos se comportem segundo a
condio de mnimos quadrados, foi a reta azul.
Agora, alguns comentrios adicionais, que ficaram meio que implcitos ao longo do exemplo.
O modelo de regresso linear faz algumas consideraes. So elas:
E ( i ) = 0
V ( i ) = 2
7
cov( i , j ) = 0 , para i j
Na primeira considerao, temos que o erro (varivel aleatria ) tem mdia zero. Esta
condio um pouco mais fcil de entender.
Basta imaginar a situao em que a varivel erro no tem mdia zero. Significa que j se
espera que, em mdia, se cometa um erro diferente de zero. J se sabe que a regresso tem um
vis (que pode ser positivo ou negativo). Ou seja, o modelo no est muito adequado.
melhor reformular o modelo.
A segunda considerao nos diz que a varincia do erro constante. Este fato denominado
homocedasticia. Isto foi utilizado quando dissemos que havia cinco populaes de valores de
Y (com mdias 7, 9, 11, 13 e 15). Em todas elas, o desvio padro era o mesmo (portanto, a
varincia tambm). Isto s possvel se a varivel tiver varincia constante. Ou seja, se ela
tiver sempre a mesma varincia, independente de qual o valor de X.
A terceira condio nos diz que os erros cometidos no so correlacionados.
Pergunta: Professor, preciso me preocupar com estas hipteses?

Resposta: no, em concursos abertos a candidatos de todas as reas, no h maiores cobranas
sobre tais hipteses. O exerccio simplesmente diz que elas foram atendidas e pronto. Nosso
trabalho s aplicar as frmulas para achar a e b . S as mencionei porque, se a questo falar
qualquer coisa a respeito, a vocs no precisam ficar preocupados, achando que uma coisa
de outro mundo. s calcular normalmente os coeficientes a e b, e pronto.
Exemplo III visualizando os desvios

Considere o diagrama de disperso abaixo, relacionando peso e altura de um certo grupo de
indivduos.
Figura 2 Diagrama de disperso peso x altura

Considere que esta seja apenas uma amostra contendo pesos e alturas para um certo nmero
de pessoas pesquisadas. Vimos que o coeficiente de correlao indica que existe certa relao
linear para as variveis peso e altura.
Na regresso linear, estamos interessados em saber que relao essa. Encontrar a funo de
primeiro grau que representa a relao entre peso e altura.
8
Seja Y o peso. Seja X a altura.

O modelo de uma regresso linear simples :
Yi = + X i + i
Relembrando. Neste modelo, e so constantes. Assim, se o modelo fosse apenas
Yi = + X i , a teramos efetivamente uma funo de primeiro grau. A relao entre peso e
altura seria exatamente uma reta. Mas no o que acontece. A relao no exatamente uma
reta.
Estamos considerando que, alm da componente linear + X i , o valor do peso ainda
depende de uma parcela aleatria. Trata-se da varivel aleatria .
Esta varivel aleatria que responsvel pelo fato dos pontos se dispersarem em torno da
reta que representa a relao linear entre X e Y. Reta esta que ns estamos querendo
determinar. A varivel aleatria pode ser vista como um erro em torno da reta de regresso.
Suponha que a reta laranja da figura abaixo seja a reta de regresso (ou seja, a reta que
representa a relao linear existente na populao de valores (X,Y)).
Figura 3 Reta de regresso
Considere que a equao da reta de regresso seja:

Y = 100 X 106
E esta reta ns no conhecemos, pois no temos acesso a toda a populao. Ns queremos
justamente encontrar esta reta, a partir da amostra fornecida.
Vamos nos fixar na reta Y = 100 X 106
Vamos tomar o valor de altura igual a 1,86m.
9
Figura 4 Reta de regresso: destaque para X = 1,86
Vamos calcular Y para o caso em que X = 1,86 m

Y = 100 X 106
Y = 186 106 = 80
O peso correspondente 80 ( Y = 80 ). Assim, a reta de regresso passa pelo ponto (1,86; 80).
Para a nossa amostra (pontos azuis da figura acima), observe que h diversos valores de peso
para a altura igual a 1,86.
Assim, no nosso grupo de pessoas pesquisadas, h cinco com altura de 1,86m. Uma delas tem
peso 70,67 kg. A outra tem 71,01 kg (estes dois primeiros valores esto sobrepostos na figura
acima). Uma terceira tem 79,91 kg. A quarta tem 76,79 kg. E a quinta tem 83,69.
Com nosso modelo de regresso linear, queremos dizer que, para cada valor de X (altura), os
valores de Y correspondentes (peso) giram em torno da reta de regresso. Deste modo,
considerando todas as pessoas com altura 1,86 m, elas tm, em mdia, um peso de 80 kg.
Para uma dada amostra, obteremos pontos que no necessariamente ficam sobre a reta de
regresso. Eles podem perfeitamente cair fora da reta de regresso por causa de um erro
aleatrio ( ). De fato, para o exemplo acima, nenhuma das cinco pessoas com altura de 1,86
tinha peso exatamente igual a 80 kg. A reta de regresso s nos informa valores mdios, em
torno dos quais giram os valores da populao.
Dizendo de outro modo: o que a reta de regresso indica, no caso de X = 1,86 que, se
tivssemos acesso a toda a populao de pessoas com 1,86 m de altura, o peso de tais pessoas
teria mdia 80 kg e varincia igual a 2 .
Assim, quando a altura (= X) vale 1,86, os valores de peso giram em torno de 80. No caso
desta amostra, eles foram iguais a 70,67; 71,01; 79,91 76,79; 83,69. Os valores de peso esto
dispersos em torno de 80 kg.
Quando afirmamos que a varivel tem varincia constante, queremos dizer que, se
pudssemos analisar toda a populao de pessoas com altura de 1,86 m, os pesos destas
pessoas teria mdia 80 kg e varincia 2 .
10
Mudemos de ponto. A reta de regresso passa pelo ponto (1,90; 84). Ou seja, Y = 84 kg
quando X = 1,90 m.
Assim, quando X = 1,90 m, temos que os valores de Y vo girar em torno de 84 kg. Eles
estaro dispersos em torno de 84 kg, tambm com varincia 2 (pois a varincia
considerada constante). Tendo acesso toda a populao de pessoas com altura 1,90 m,
verificaramos que o peso destas pessoas tem mdia 84 kg e varincia 2 .
E assim por diante. Ou seja, para qualquer valor de X que adotarmos, os valores de Y
correspondentes tero varincia 2 e mdia dada pela reta de regresso.
O problema que, em geral, temos acesso apenas a uma amostra. No conhecemos a real reta
de regresso. No conhecemos a reta laranja da Figura 3. Neste caso, tentaremos encontrar
uma reta que, considerando apenas a amostra que temos disposio, seja a melhor estimativa
para a reta real de regresso. Para tanto, voltemos ao nosso diagrama de disperso.
Figura 5 Retas para representar a relao linear
Desenhei duas retas (uma verde e uma vermelha) que poderiam representar a relao linear
entre peso e altura. Qual delas escolher? A verde? A vermelha? Nenhuma? Ser que existe
outra reta que representa melhor a relao linear entre peso e altura?
Lembrem-se de que estamos procurando, a partir da amostra conhecida (valores dos pontos
azuis da figura acima), encontrar uma estimativa para a reta de regresso.
O mtodo que estamos estudando para encontrar a melhor reta de regresso chamado de
mtodos de mnimos quadrados. A funo de primeiro grau que pretendemos encontrar da
forma:
Yi = a + bX i
Onde a uma estimativa de , b uma estimativa de e Y uma estimativa de Y .

Suponhamos que a reta vermelha da Figura 5 seja a reta que representa melhor a relao
linear, obtida a partir do mtodo de mnimos quadrados. Ela a nossa reta calculada, a
partir da amostra.
Como obt-la? Basta pegar os valores de X e Y da amostra e calcular:
11
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
a = Y bX
Figura 6 Reta de regresso obtida por mnimos quadrados
Lembrem-se de que a reta laranja (Figura 3) a reta de regresso que ns no conhecemos e

que representa adequadamente a populao. A reta vermelha da Figura 6 a reta obtida, a
partir dos valores pesquisados (pontos azuis da mesma Figura 6), numa tentativa de aproximar
a real reta de regresso (reta laranja). Elas podem ser iguais ou no.
Vamos identificar todos os elementos a que temos nos referido. Para tanto, vamos nos
concentrar no ponto em que a altura vale 1,98 (ponto destacado, na Figura 6, com o crculo
vermelho).
Na figura abaixo, temos apenas este ponto:
Figura 7 Ponto (1,98; 97,41) e reta obtida por mnimos quadrados
12
Para a altura 1,98 m (X=1,98), o peso obtido de 97,41 kg. Este o valor de Y.
X = 1,98 Y = 97,41
Para este valor de X (1,98) nossa reta de regresso calculada (reta vermelha) indica que a
estimativa do valor de Y 92,90 kg.
Ou seja, a estimativa de Y :
Y = 92,90
diferena entre Y e sua estimativa, chamamos desvio. O desvio, neste caso, fica:
e = Y Y = 97,41 92,90 = 4,51
Pelo mtodo de mnimos quadrados, tentamos obter uma reta de tal modo que a soma dos
quadrados dos valores dos desvios seja mnima.
Repetindo: possvel demonstrar que os valores de a e b (estimadores de e ), obtidos a
partir da considerao de que a soma dos quadrados dos desvios seja mnima, so:
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
a = Y bX
Ou seja, a partir dos valores de X e Y da amostra, obtemos os valores de a e b descritos acima.
A partir deles, construmos a reta Yi = a + bX i , que a reta vermelha da Figura 6.
Exemplo IV calculando a reta de regresso

At aqui dei resultados prontos, s para que pudssemos entrar em contato com os conceitos
envolvidos na regresso. Agora vamos, de fato, fazer contas.
Para praticar, vamos calcular a reta de regresso para o caso dos quatro alunos que fizeram as
provas de fsica e matemtica (exemplo utilizado na aula anterior). Vamos considerar que
estes 4 alunos so uma amostra de um conjunto maior de estudantes que se submeteram tal
prova.
As notas desses alunos so:
Aluno Nota de matemtica Nota de fsica

(X ) (Y )
1 2 6
2 6 7
3 8 7
4 10 8
Mdia 6,5 7
Estamos supondo que a populao de notas de fsica da qual foram tiradas as notas acima
pode ser descrita segundo o seguinte modelo:
Yi = + X i + i
13
Ou seja, estamos supondo que existe uma relao entre as notas de matemtica e fsica. A
parcela um erro aleatrio. Engloba todas outras variveis (distintas da nota em
matemtica) que influenciam na nota de fsica.
A partir destes valores de notas, construmos o quadro abaixo:
Aluno X Y XX Y Y (X X ) (Y Y ) (X X ) (Y Y )
2 2
1 2 6 -4,5 -1 4,5 20,25 1

2 6 7 -0,5 0 0 0,25 0
3 8 7 1,5 0 0 2,25 0
4 10 8 3,5 1 3,5 12,25 1
TOTAL 8 35 2
Vamos calcular os coeficientes a e b .
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
8
b= 0,23
35
a = Y bX
8
a =7 6,5 5,51
35
E a reta de regresso estimada (calculada) fica:
Y = 5,51 + 0,23 X
Repare que no sabemos se esta a real reta de regresso. Mas, a partir dos valores de nossa
amostra, esta a nossa estimativa para a reta de regresso. uma reta tal que a soma dos
quadrados dos desvios mnima. Lembrando que o desvio corresponde diferena entre valor
observado ( Y ) e sua estimativa ( Y ).
A tabela abaixo mostra os valores estimados da nota de fsica, dados os valores da nota de
matemtica.
Aluno Nota de matemtica Nota de fsica Nota de fsica estimada
(X ) observada (Y ) Y ()
1 2 6 5,97
2 6 7 6,89
3 8 7 7,34
4 10 8 7,80
Plotando estes valores num grfico, ficamos com:
14
Figura 8 Reta de regresso estimada
A reta em vermelho tal que a soma dos quadrados dos desvios em relao s notas de fsica
realmente obtidas mnima. a nossa reta estimada (calculada).
O modelo de regresso :
Yi = + X i + i
Como no temos acesso populao inteira, no sabemos quais os valores de e . Temos
condies apenas de estim-los (obtendo a e b )
Com isso, a reta de regresso estimada :
Yi = a + bX i
Ou seja, a e b so estimadores para e . So estimadores no viciados. Isto porque,
obedecidas algumas condies (aquelas que indicamos anteriormente: E ( i ) = 0 ; V ( i ) = 2
e cov( i , j ) = 0 , para i j ), possvel demonstrar que:
E (b) = e
E (a) =
Nos clculos envolvidos com a regresso linear, utilizaremos algumas transformaes com
uma certa freqncia. So elas:
[(X i)( )]
X Yi Y = X i Yi n X Y
(X X ) = X
2
nX
2
i i
So as mesmas transformaes que fizemos na aula de correlao (ver quadro 1 da fl. 22 da

aula 20).
EC 1 PETROBRAS 2008/2 [CESGRANRIO]
Na estimativa de uma regresso linear, o problema da heterocedasticidade ocorre quando
(A) os dados so transversais.
15
(B) h autorrelao dos resduos.
(C) h correlao positiva entre as variveis independentes.
(D) a varincia dos erros no constante.
(E) as variveis independentes so negativas.
Resoluo.
Vimos que uma das hipteses do modelo que a varincia dos erros seja constante
(homocedasticia). Se a varincia dos erros no constante, temos a heterocedasticidade.
Gabarito: D
EC 2 BACEN 2006 [FCC]

Uma empresa, com finalidade de determinar a relao entre gastos anuais com propaganda
(X), em R$ 1.000,00 e o lucro bruto anual (Y), em R$ 1.000,00, optou por utilizar o modelo
linear simples Yi = + X i + i , em que Yi o valor do lucro bruto auferido no ano i 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 10 10 10
Yi = 100 ; X i = 60 ; X i Yi = 650 ; ( X i ) = 400 ; (Yi ) = 1080

2 2
i =1 i =1 i =1 i =1
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, caso
haja um gasto anual com propaganda de 80 mil reais, a previso do lucro bruto anual, em mil
reais, ser de:
a) 84
b) 102,5
c) 121
d) 128,4
e) 158
Resoluo.
As hipteses que o enunciado disse que foram obedecidas so aquelas que indicamos
anteriormente - E ( i ) = 0 ; V ( i ) = 2 e cov( i , j ) = 0 , para i j .
Para calcular a previso, precisamos encontrar os valores de a e b do modelo de regresso.
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
16
b=
(X Y ) n X Y
i i
(X ) n X
2 2
i
650 10 6 10
b=
400 10 6 2
650 600 50
b= = = 1,25
400 360 40
E o valor de a fica:
a = Y bX
100 60
a= 1,25 = 10 7,5 = 2,5
10 10
Portanto, o modelo de regresso :
Yi = a + bX i
Yi = 2,5 + 1,25 X i
Quando X i = 80 , a estimativa do lucro bruto fica:
Yi = 2,5 + 1,25 80 = 102,5

Gabarito: B.
Outra questo bem parecida:

Uma empresa, com finalidade de determinar a relao entre 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 Yi = + X i + i , em que Yi o
acrscimo nas vendas 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 10 10 10
Yi = 160 ; X i = 100 ; X i Yi = 1900 ; ( X i ) = 1200 ; (Yi ) = 3060

2 2
i =1 i =1 i =1 i =1
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 com pesquisa e
desenvolvimento, em mil reais, foi:
a) 14
b) 13,75
17
c) 13,0
d) 12,4
e) 12,0
Resoluo.
Para calcular a previso, precisamos encontrar os valores de a e b do modelo de regresso.
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
b=
(X Y ) n X Y
i i
(X ) n X
2 2
i
1.900 10 16 10 300
b= = = 1,5
1.200 10 10 2 200
E o valor de a fica:
a = Y bX
160 100
a= 1,5 = 16 15 = 1
10 10
Portanto, o modelo de regresso :
Yi = a + bX i
Yi = 1 + 1,5 X i
Quando Yi = 19 , o valor de X i :
19 = 1 + 1,5 X i
18
Xi = = 12
1,5
Gabarito: E.
EC 4 SEFAZ SP 2006 [FCC]

Em um determinado pas, deseja-se determinar a relao entre a renda disponvel (Y), em
bilhes de dlares, e o consumo (C), tambm em bilhes de dlares. Foi utilizado o modelo
linear simples C i = + Yi + i , em que Ci o consumo no ano i, Yi o valor da renda
disponvel no ano i e i o erro aleatrio com as respectivas hipteses para a regresso linear
simples, e so parmetros desconhecidos, cujas estimativas foram obtidas atravs do
mtodo dos mnimos quadrados. Para obteno desta relao considerou-se ainda as seguintes
informaes colhidas atravs da observao nos ltimos 10 anos:
18
10 10 10 10 10
C = 90 , Y = 100 , Y C = 1.100 , Y = 1.250 , C = 1.010

2 2
i i i i i i
i =1 i =1 i =1 i =1 i =1
Para o clculo do coeficiente de correlao de Pearson (r), usou-se a frmula:

cov(Y , C )
r= em que cov(Y , C ) a covarincia entre Y e C, DP(Y ) o desvio padro
DP( y ) DP(C )
de Y e DP(C ) o desvio padro de C.
Ento:
a) obtendo para um determinado ano uma previso para o consumo de 10 bilhes de dlares,
significa que a renda disponvel considerada foi de 12,5 bilhes de dlares.
b) o valor da estimativa encontrado para o parmetro igual a 0,4
c) o valor da estimativa encontrado para o parmetro igual a 10.
d) o coeficiente de explicao r2 correspondente 64%.
e) utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, em
um ano, caso a renda disponvel seja igual a 15 bilhes de dlares, o consumo ser igual a 13
bilhes de dlares.
Resoluo.
Vamos encontrar os valores de a e b.
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
b=
(X Y ) n X Y i i
(X ) n X
2 2
i
S que aqui, no lugar de X temos Y. E no lugar de Y temos C.
b=
(Y C ) nCY
i i
(Y ) nY
2 2
i
1.100 10 9 10 200
b= = = 0,8
1.250 10 10 2 250
Assim, a estimativa para o parmetro igual a 0,8. A letra B est errada.
a = Y bX
S que aqui, em vez de X temos Y e em vez de Y temos C.
a = C bY
a = 9 0,8 10 = 1
A estimativa do parmetro igual a 1. A letra C est errada.
19
Se para um determinado ano a previso de consumo for de 10 bilhes, ento a renda
considerada foi:
C = a + bY
10 = 1 + 0,8Y
Y=
(10 1) = 11,25
0,8
A letra A tambm est errada.
Caso a renda disponvel seja de 15 bilhes, o consumo ser:

C = a + bY
C = 1 + 0,8 15 = 13
A letra E est correta.
Gabarito: E.
EC 5 TCE/MG 2007 [FCC]

Um estudo realizado em uma empresa sobre a relao entre o lucro bruto anual (Y), em
milhares de reais, e os gastos anuais com propaganda (X), tambm em milhares de reais,
indica que uma boa opo a utilizao do modelo linear simples Yi = + X i + i , em que
Yi o lucro bruto no ano i, X i representa os gastos com propaganda no ano i, i o erro
aleatrio com as respectivas hipteses consideradas para a regresso linear e e so
parmetros desconhecidos. por meio do mtodo dos mnimos quadrados obteve-se o valor de
150 para a estimativa do parmetro , considerando as seguintes informaes obtidas pelas
observaes nos ltimos 10 anos:
10 10
Yi = 2.500
i =1
X
i =1
i = 400
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, caso a empresa
almeje obter em um determinado ano um lucro bruto de 450 mil reais, deve apresentar um
total de gastos com propaganda, em mil reais, de:
a) 60
b) 80
c) 120
d) 160
e) 200
Resoluo.
Podemos calcular as mdias de X e Y.
20
10
Y i
2.500
Y= i =1
= = 250
10 10
10
X i
400
X = i =1
= = 40
10 10
Sabemos que a estimativa de dada por:
a = Y bX
150 = Y b X
150 = 250 b 40 b = 2,5
A reta de regresso fica:
Yi = a + bX i
Yi = 150 + 2,5 X i
Para obter um lucro de 450 mil reais, temos:
450 = 150 + 2,5 X i X i = 120
Gabarito: C.
EC 6 SEAD/PM Santos/2005 [FCC]

Para resolver questo seguinte, considere que foi realizado um estudo em um pas com a
finalidade de se determinar a relao entre a Renda Disponvel (Y), em milhes de dlares, e o
consumo (C), tambm em milhes de dlares.
Sabe-se que foi utilizado o modelo linear simples C i = a + bYi + ei , em que Ci o consumo
no ano i, Yi a renda disponvel no ano i e ei o erro aleatrio com as respectivas hipteses
consideradas para a regresso linear simples.
Este estudo apresentou as seguintes informaes colhidas atravs da observao nos ltimos
10 anos:
10 10 10 10 10
Ci = 800 Yi = 1.000 Yi Ci = 83.600 Yi = 105.000 C = 67.240

2 2
i
i =1 i =1 i =1 i =1 i =1
A equao da reta ajustada pelo mtodo dos mnimos quadrados encontrada foi:
a) C i = 20 + 0,60 Yi
b) C i = 10 + 0,70 Yi
c) C i = 8 + 0,72 Yi
d) C i = 6 + 0,74 Yi
e) C i = 4 + 0,76 Yi
21
Resoluo.
Ns temos representado os parmetros do modelo por e . E representamos suas
estimativas por a e b .
Pois bem, neste exerccio os parmetros esto sendo chamados de a e b . Vamos chamar suas
estimativas de a e b .
Outra mudana nos nomes a que segue. Geralmente chamamos a varivel independente de X
e a dependente de Y. Aqui elas foram trocadas, respectivamente, por Y e C.
b =
[(Y Y ) (C C )]
i i
(Y Y )
2
i
b =
(Y C ) n Y C
i i
(Y ) nY
2 2
i
83.600 10 100 80
b = = 0,72
105.000 10 100 2
E com isso j d para marcar a letra C.
De todo modo, vamos encontrar a estimativa de a

a = C bY = 80 0,72 100 = 8
A reta de regresso fica:
C i = 8 + 0,72 Yi
Gabarito: C.
EC 7 MP RO 2005 [CESGRANRIO]
Considere os dados amostrais de um estudo da relao entre o nmero de anos que os
candidatos a empregos em um determinado banco comercial estudaram ingls na faculdade e
as notas obtidas em um teste de proficincia nessa lngua.
22
Com base nessas informaes, a reta de mnimos quadrados que melhor explica a relao
entre o nmero de anos de estudo e a nota do teste de ingls igual a:
(A) y = 1,33 + 3,56x
(B) y = 2,25 + 1,32x
(C) y = 6,97 + 3,56x
(D) y = 35,32 + 10,9x
(E) y = 254,56 + 13,3x
Resoluo.
Nas questes anteriores, o enunciado sempre fornecia diversos somatrios, para facilitar o
trabalho braal. Isto no aconteceu nesta questo. Ou seja, para calcular a reta de regresso,
precisaramos fazer todas as contas na mo, o que toma muito tempo.
Talvez por este motivo a questo apresente alternativas muito diferentes entre si.
Observem que, para qualquer valor de x entre 2 e 5, y no supera 10. J podemos descartar as
alternativas C, D, E, que prevem valores altos para y (muito superiores a 10), mesmo quando
x baixo.
Para se ter uma idia, considere a letra E. Se fizermos x igual a 1, y ser aproximadamente
igual a 270, algo totalmente incompatvel com a tabela fornecida.
Ficamos entre as alternativas A e B. Para escolher entre ambas, vamos trabalhar com os
valores extremos de x. Quando x igual a 2, as retas das letras A e B prevem os seguintes
valores para y:
Letra A: 8,45
Letra B: 4,89
Observem que o valor da Letra B muito mais prximo dos valores que y realmente assume,
quando x igual a 2. J d para marcar letra B.
Se voc ainda ficar em dvida, pode fazer o mesmo teste para x igual a 5. Neste caso, as
estimativas seriam:
23
Letra A: 19,13
Letra B: 8,85
Novamente, a estimativa da letra B foi bem melhor.
Gabarito: B

A tabela abaixo mostra as demandas que ocorreram numa determinada produo.
Com base nos conceitos de Regresso Linear Simples, quantas unidades compem a demanda
para julho?
(A) 4.000
(B) 5.000
(C) 6.000
(D) 7.000
(E) 8.000
Resoluo.
Outra questo que no forneceu somatrios. A vantagem agora que os nmeros envolvidos
so pequenos (isto no evita o trabalho braal, mas pelo menos deixa as contas um pouquinho
mais tranqilas).
Vamos dar nmeros para os meses do ano (1 para janeiro, 2 para fevereiro, e assim por
diante).
Para facilitar ainda mais nossos clculos, vamos indicar a demanda em mil unidades.
X Y XY
1 11 11
2 21 42
3 17 51
4 14 56
5 7 35
6 5 30
total 21 75 225
Temos:
24
X i = 21
X = 1 + 4 + 9 + 16 + 25 + 36 = 91
2
i
XY = 225
21
X = = 3,5
6
75
Y= = 12,5
6
Logo:
b=
[(X X ) (Y Y )]
i i
(X X )
2
i
b=
XY n X Y =
225 6 3,5 12,5
= 2,14
X nX 91 6 3,5 2
2 2
a = Y bX
a = 12,5 + 2,14 3,5 = 20
Deste modo, quando X = 7 , a estimativa da demanda fica:
Y = 20 2,14 7 = 5,02
Gabarito: B
EC 9 SEFAZ MG/2005 [ESAF]

Considere o modelo de regresso linear
Yi = + X i + , i = 1, 2, ..., 25
Onde os Yi representam observaes da varivel resposta Y, os X i representam observaes
da varivel exgena X, e os i so erros no correlacionados com distribuio comum normal
com mdia zero e varincia 9. Em repetidas amostras do modelo, dado X i , assinale a opo
que d a proporo esperada de observaes de Y que diferem em valor absoluto de sua
mdia por no mximo 1,5. Em sua resposta faa uso da tabela da funo de distribuio ( X )
da normal padro dada abaixo.
X (X )
0,40 0,655
0,50 0,691
1,00 0,841
1,50 0,933
a) 0,650
25
b) 0,950
c) 0,933
d) 0,382
e) 0,975
Resoluo.
Para um dado valor X i , Yi dado por:
Yi = + X i +
A esperana de Yi fica:
E (Yi ) = E ( + X i + ) = E ( ) + E (X i ) + E ( )
Como a esperana de igual a zero e os demais termos so constantes, ficamos com:
E (Yi ) = + X i
Isto equivale a dizer que a mdia de Y est justamente sobre a reta de regresso.
Para um dado valor de X i , a varincia de Yi fica:

Yi = + X i +
V (Yi ) = V ( ) + V (X i ) + V ( )
A varincia de igual a 9 (dada no exerccio). Os demais termos so constantes (varincia
zero).
V (Yi ) = V ( ) = 9
Isto equivale a dizer que a varincia de Y, para um valor de X dado, igual varincia da
varivel .
Assim, a varivel Yi gira em torno de sua mdia com varincia 9. Como o exerccio disse que
tem distribuio normal, os valores de Yi giram em torno de sua mdia segundo uma
distribuio normal de varincia 9.
Gostaramos de saber o percentual de valores de Y que est a uma distncia de, no mximo,
1,5 da mdia. Precisaramos consultar a tabela de reas da varivel normal para o valor
+ X i + 1,5.
Contudo, a tabela fornecida no exerccio s para a varivel reduzida (= padro).
Precisamos utilizar a varivel reduzida:
Yi E (Yi )
Z=

Sabemos que a varincia 9.
2 =9 =3
26
+ X i + 1,5 + X i 1,5
Z= = = 0,5
3 3
Portanto, consultamos a tabela para o valor 0,5.
Da tabela, temos que 69,10% dos valores de Z so menores ou iguais a 0,5.
Portanto, 30,90% dos valores so superiores a 0,5. Como a varivel normal tem funo
densidade de probabilidade simtrica, 30,90% dos valores so inferiores a -0,5.
Figura 9 rea verde: percentual de valores da varivel Z entre -0,5 e 0,5
Resulta que 38,2% dos valores esto entre -0,5 e 0,5.

A proporo esperada de valores de Z que distam no mximo 0,5 de sua mdia igual a
38,2%.
O mesmo se aplica aos valores de Y que lhes so correspondentes. 38,2% dos valores de Y
distam no mximo 1,5 de sua mdia.
Gabarito: D.
EC 10 TJ PAR 2009 [FCC]

Em uma determinada empresa realizado um estudo sobre a relao entre os gastos com
publicidade, em R$ 1.000,00, e o acrscimo no faturamento anual, em R$ 1.000,00. Foi
escolhido para anlise o modelo linear simples Yi = + Xi + i, sendo que Yi o acrscimo
no faturamento do ano i, Xi representa os gastos com publicidade no ano i e i o erro
aleatrio com as respectivas hipteses consideradas para a regresso linear simples ( e so
parmetros desconhecidos ). Para obteno das estimativas de e utilizou-se o mtodo dos
mnimos quadrados com base nas informaes dos ltimos 10 anos da empresa, ou seja:
10 10 10 10 10
Yi = 180 ; X i = 100 ; X iYi = 1.912 ; X i = 1.080 ; Y = 3.440

2 2
i
i =1 i =1 i =1 i =1 i =1
27
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que se a
empresa almejar um acrscimo no faturamento, em um determinado ano, de R$ 25.000,00
dever apresentar, neste perodo, um total em gastos com publicidade de
(A) R$ 20.000,00.
(B) R$ 18.000,00.
(C) R$ 17.000,00.
(D) R$ 16.000,00.
(E) R$ 15.000,00.
Resoluo:
1912 1800
b= = 1,4
1080 1000
a = 18 1,4 10 = 4
Modelo:
Y = 4 + 1,4 X
25 = 4 + 1,4 X X = 15
Gabarito: E
EC 11 MPOG 2006 [ESAF]

Com o objetivo de estimar-se o modelo Y = + X, foi retirada uma amostra com cinco
pares de observaes (X,Y), obtendo-se os seguintes resultados:
Desse modo,
a) Y = 2 2X
b) Y = 2 2X
c) Y = 2X
d) Y = 2 + 2X
e) Y = 2 + 2X
Resoluo:
28
=
(X Y ) n X Y
i i
=
140 5 3 8 140 120 20
= = =2
(X ) n X 55 5 3 2 55 45
2
2 10
i
= Y bX = 8 23 = 2
Assim, Y = + X=2+2x
Gabarito: D
2. Reta de regresso passando pela origem

H outro modelo de regresso ligeiramente diferente do que vimos at aqui, em que se faz
com que a reta passe pela origem. Este segundo modelo usado em casos excepcionais,
quando h alguma razo terica que nos indique ser esse o modelo mais adequado.
Vamos ver como ficaria este segundo modelo, por meio do exerccio a seguir.
EC 12 TCU/2008 [CESPE]
Uma agncia de desenvolvimento urbano divulgou os dados apresentados na tabela
a seguir, acerca dos nmeros de imveis ofertados (X) e vendidos (Y) em determinado
municpio, nos anos de 2005 a 2007.
Ano Nmero de imveis

Ofertados (X) Vendidos (Y)
2005 1.500 100
2006 1.750 400
2007 2.000 700
Considerando as informaes do texto, julgue o item subseqente.
A estimativa do valor do coeficiente da reta de regresso Y = X , em que Y representa o
nmero esperado de imveis vendidos para uma quantidade X de imveis ofertados,
superior a 0,23 e inferior a 0,26.
Resoluo.
Seja a a estimativa de . Seja Y a estimativa de Y . Dados os valores de X , as estimativas
de Y ficam:
Y = aX
O erro cometido na estimativa fica:
e = Y Y
e = Y aX
29
Somando os quadrados de todos os erros cometidos, num conjunto de n observaes:
e = (Y aX )
2 2
E queremos achar o valor de a que minimiza esta soma. possvel demonstrar que a
estimativa de a que minimiza a soma dos quadrados dos desvios dada por:
a=
( XY )
(X ) 2
Reta de regresso passando pela origem

Modelo: Y = X +
A estimativa de dada por:
a=
( XY )
(X ) 2
Esta a frmula que temos que usar.
Ano X Y X Y X2
2005 1.500 100 150.000 2.250.000
2006 1.750 400 700.000 3.062.500
2007 2.000 700 1.400.000 4.000.000
TOTAL 5.250 1200 2.250.000 9.312.500
a=
( XY )
(X ) 2
2.250.000
a= 0,242
9.312.500
Item correto.
EC 13 MP RONDNIA 2005 [CESGRANRIO]

No modelo de regresso Y = X + , o estimador de mnimos quadrados de :
30
Resoluo.
Aqui, o coeficiente de angular da reta de regresso est sendo chamado de (quando, no
exerccio anterior, foi chamado de ).
Trata-se de aplicao direta da frmula estudada.
Gabarito: C
EC 14 PM MANAUS 2004 [CESGRANRIO]

No modelo de regresso Y = X 2 + , o estimador de mnimos quadrados de :
a)
Yi
Xi
b)
Yi
n
c)
Xi Yi2
Xi 4
d)
Xi Yi
Xi 3
Yi
2
e)
Xi 4
Resoluo.
Questo muito semelhante anterior.
Vamos chamar X 2 de Z. A reta de regresso fica:
Y = Z +
O estimador de fica:
31
b=
(ZY )
(Z ) 2
Substituindo Z por X 2 :
b=
(X Y) 2
(X ) 4
Gabarito: C
II. ANLISE DE VARINCIA DA REGRESSO

Um teste de hipteses muito comum aquele que testa a hiptese nula de que o coeficiente
da reta de regresso nulo. Caso a hiptese nula seja verdadeira, temos que a reta de
regresso horizontal.
Relembrando o significado da reta de regresso. Para cada valor de X ns temos uma sub-
populao de valores de Y, com mdia dada pela reta de regresso e varincia 2 .
Se a reta horizontal, ento todas as sub-populaes tero a mesma mdia.
Aula passada ns vimos uma ferramenta para testar se a mdia de diferentes populaes so
iguais entre si. Esta ferramenta era a anlise de varincia.
Como testar a hiptese de ser igual a zero equivale a testar a hiptese de as varais
populaes tm a mesma mdia, ento podemos usar a anlise de varincia para isso. Vamos
ver como fica.
1. Somas de quadrados
Quando utilizamos a regresso linear, obtemos Yi , que uma estimativa para Y . A diferena
entre estas duas grandezas o desvio.
ei = Yi Yi
Rearranjando os termos:
Yi = ei + Yi
Subtraindo Y dos dois lados:

Yi Y = ei + Yi Y
Elevando ao quadrado:
(Y Y ) = (e + Y Y )
i
2
i i
2
(Y Y ) = e + (Y Y ) + 2 e (Y Y )
i
2
i
2
i
2
i i
Somando as parcelas acima para todos os valores de i:
(Y i Y ) = e + (Y Y )
2
i
2
i
2
[ (
+ 2 ei Yi Y )]
32
possvel demonstrar que [e (Y Y )] = 0 .
i i
Portanto:
(Y i Y ) = e + (Y Y )
2
i
2
i
2
E o que que temos a em cima? Temos somas de quadrados.

Cada uma destas parcelas recebe um nome especial:
(Y )
2
i Y soma de quadrados total (S.Q.Total)
e soma de quadrados dos resduos (S.Q.Resduos)

2
i
(Y Y )
2
i soma de quadrados do modelo de regresso (S.Q.Regresso) corresponde
Soma de quadrado de tratamentos, vista na aula passada.
Portanto:
SQTotal = SQ Re gressao + SQ Re siduos
possvel demonstrar que:
SQ Re gressao = b X X Y Y [( )( )]
Onde b a estimativa do coeficiente angular da reta de regresso.
Resumo das somas de quadrados

SQ Re gressao = b X X Y Y [( )( )]
Vamos calcular cada um destes valores para aqueles 4 alunos que fizeram as provas de fsica
e matemtica.
Aluno Nota de matemtica Nota de fsica
(X ) (Y )
1 2 6
2 6 7
3 8 7
4 10 8
Mdia 6,5 7
Nesta aula fizemos o modelo de regresso linear para, a partir das notas de matemtica,
estimar as notas de fsica. O resultado foi:
33
Aluno Nota de matemtica Nota de fsica Nota de fsica estimada

(X ) (Y ) ()
Y
1 2 6 5,97
2 6 7 6,89
3 8 7 7,34
4 10 8 7,80
A partir dos valores acima, podemos montar o quadro abaixo:

Nota de fsica Nota de fsica estimada e 2 = Y Y ( ) 2
(Y Y )
2
(Y Y )
2
(Y ) ()
Y
6 5,97 0,0009 1,0609 1
7 6,89 0,0121 0,0121 0
7 7,34 0,1156 0,1156 0
8 7,80 0,04 0,64 1
TOTAL 0,1686 1,8286 2
Da ltima linha da tabela, temos:

SQTotal = 2
SQ Re gressao = 1,8286
SQ Re siduos = 0,1686
Note que:
(Yi Y ) = e + (Y Y )
2
i
2
i
2
Ou ainda:
Na verdade, substituindo os valores, obtemos:
2 = 1,9972
A diferena se deve aos arredondamentos (os valores apresentados para as notas de fsica
estimada esto arredondados).
2. Quadrados mdios e estatstica F

A anlise de varincia, aplicada reta de regresso, serve para testar a hiptese de que
igual a zero.
Vimos que, para cada valor de X, ns temos uma populao de valores de Y que gira em torno
da reta de regresso. Caso a reta seja horizontal, todas as populaes de valores de Y giraro
em torno do mesmo valor. Todas elas tero a mesma mdia.
Logo, as somas de quadrados de desvios, acima definidas, podem ser usadas para testar a
hiptese de que o coeficiente igual a zero.
34
A hiptese nula ( = 0 ) nada mais que supor que a reta de regresso horizontal. Ou seja,
a hiptese de que todas as sub-populaes de Y provm, na verdade, de uma nica populao
(ou seja, apresentam mesma mdia e mesma varincia). E vimos na aula passada que a anlise
de varincia pode ser utilizada justamente para isso. Basta calcular a estatstica F, com base
nos quadrados mdios.
No caso da regresso linear, temos:
(Y ) 2
i Y SQTotal n 1 graus de liberdade
e SQ Re siduos n 2 graus de liberdade

2
i
(Y Y )
2
i SQ Re gressao 1 grau de liberdade
E os quadrados mdios ficam assim.

SQTotal
Quadrado mdio total: QMTotal =
n 1
SQ Re siduos
Quadrado mdio dos desvios: QM Re siduos =
n2
SQ Re gressao
Quadrado mdio do modelo de regresso: QM Re gresso =
1
Para o caso dos alunos que fizeram as provas de fsica e matemtica, temos:
2 2
QMTotal = =
4 1 3
0,1686
QM Re siduos = = 0,0843
42
1,8286
QM Re gressao = = 1,8286
1
E a estatstica F fica:
QM Re gressao 1,8286
F _ teste = = = 21,71
QM Re siduos 0,0842
3. Coeficiente de determinao
As somas de quadrados servem para definir uma grandeza conhecida como coeficiente de
determinao da regresso linear.
Ele dado por:
SQ Re gressao
r2 =
SQTotal
35
Esta grandeza, no caso do modelo Yi = + X i + i , igual ao quadrado do coeficiente de
correlao linear, estudado na aula 20.
Se a soma dos quadrados dos resduos for pequena, de tal forma que r 2 se aproxime de 1, isto
significa que as diferenas entre os valores observados ( Yi ) e a mdia ( Y ) so quase
totalmente explicados pela reta de regresso.
Se a soma dos quadrados dos resduos for grande, de tal forma que r 2 se aproxime de zero,
isto significa que a reta de regresso pouco explica sobre as diferenas entre os valores
observados e a mdia. Ou seja, perca de tempo ficar calculando reta de regresso se ela um
estimador ruim.
Como o coeficiente de correlao (r) assume valores entre -1 e 1, ento o coeficiente de
determinao (r2) assume valores entre 0 e 1.

10 10 10 10
Yi = 100 ; X i = 60 ; X i Yi = 650 ; ( X i ) = 400 ; (Yi ) = 1080

2 2
i =1 i =1 i =1 i =1
Montando o quadro de anlise de varincia, tem-se que:

a) a variao explicada, fonte de variao devido regresso, apresenta um valor igual a 80;
b) dividindo a variao residual pela variao total, obtemos o correspondente coeficiente de
determinao;
c) o valor da estatstica F necessria para o teste da existncia de regresso igual ao
coeficiente da diviso da variao explicada pela variao residual
d) a variao residual apresenta um valor igual a 17,5
e) a variao total apresenta um valor igual a 62,5.
[Observao: considere que voc j sabe que os coeficientes a e b so dados por: a = 2,5 ;
b = 1,25 , conforme clculos do EC 2]
Resoluo.
Em vez de utilizar o termo soma de quadrados, a questo est utilizando variao. Assim,
fazendo a correspondncia dos termos da questo com aqueles que ns vimos:
- Soma de quadrados total: variao total
- Soma de quadrados dos resduos: variao residual
36
- Soma de quadrados da regresso: variao explicada (ou seja, a parte da variao total que
explicada pelo modelo de regresso).
A variao total fica:
(
SQTotal = Yi Y )2
Utilizando a transformao que vimos:
SQTotal = Yi Y( ) = Y
2
i
2
nY
2
SQTotal = 1.080 10 10 2 = 80
Portanto a letra E est errada.
A variao explicada (=variao do modelo = Soma de Quadrados da Regresso) fica:
[(
SQ Re gressao = b X X Y Y )( )]
Utilizando as transformaes vistas:
S Re gressao = b ( ( XY ) n X Y )
S Re gressao = b ( ( XY ) n X Y )
SQ Re gressao = 1,25 (650 10 6 10 ) = 1,25 50 = 62,5

Deste modo, a letra A est errada.
A varincia residual (=Soma de Quadrados de Resduos) igual a:

SQ Re siduos = SQTotal SQ Re gresso = 80 62,5 = 17,5
E a letra D est correta.
Vamos checar a alternativa B.

Vimos que:
SQ Re gressao
r2 =
SQTotal
SQ Re siduos
A letra B pretende dizer que r 2 = , o que est errado.
SQTotal
Por fim, vejamos a letra C. A estatstica F dada por:
QM Re gressao SQ Re gressao / 1
F _ teste = =
QM Re siduos SQ Re siduos /( n 2)
SQ Re gressao
A alternativa C est errada, pois afirma que a estatstica F dada por ,
SQ Re siduos
ignorando as divises pelos graus de liberdade.
37
Gabarito: D.
EC 16 SEAD/PM SANTOS 2005 [FCC]

10 anos:
10 10 10 10 10
Ci = 800 Yi = 1.000 Yi Ci = 83.600 Yi = 105.000 C = 67.240

2 2
i
i =1 i =1 i =1 i =1 i =1
O coeficiente de correlao r de Pearson entre as variveis Y e C obtido pela frmula:

cov(C , Y )
r= em que:
DP(Y ) DP(C )
Cov(C,Y) a covarincia entre C e Y;
DP(Y) o desvio padro de Y
DP(C) o desvio padro de C.
Tem-se que o valor do correspondente de determinao r 2 igual a:
a) 60%
b) 72%
c) 76%
d) 80%
e) 90%
Resoluo:
Ns temos representado os parmetros do modelo por e . E representamos suas
estimativas por a e b .
Pois bem, neste exerccio os parmetros esto sendo chamados de a e b . Vamos chamar suas
estimativas de a e b .
SQTotal = C i C ( ) 2
(C ) nC
n
2 2
= i
i =1
Portanto:
38
(C ) nC
n
2
SQTotal = = 67.240 10 80 2 = 3.240
2
i
i =1
SQ Re gressao = b ( (YC ) n Y C )
SQ Re gressao = b (83.600 10 100 80)
L no EC 6 ns vimos que b = 0,72

Logo:
SQ Re gressao = 0,72 (83.600 10 100 80 ) = 2.592
Por fim, chegamos a:
SQ Re gressao
r2 =
SQTotal
2.592
r2 = = 0,80
3.240
Gabarito: D
EC 17 TCE RO 2005 [CESGRANRIO]

Avaliaes de terrenos baseiam-se, geralmente, em modelos de regresso linear nos quais o
preo de venda uma funo de algumas variveis tais como o tamanho do terreno, suas
condies e localizao. Uma amostra de terrenos comercializados no ltimo ms coletou
dados sobre o preo da venda, em R$ 1 000,00, o tamanho do terreno, em m2, e a distncia ao
centro da cidade, em km. Primeiramente obteve-se o modelo com apenas a varivel tamanho
do terreno, X1, como explicativa do preo de venda. Os principais quantitativos relativos a
esse modelo foram calculados como:
Considerando o quadro acima, os valores de X, Y e Z, respectivamente, so:

(A) 2826, 121 e 3,65E-07
39
(B) 2178, 121 e 0,77
(C) 2178, 36 e 0,77
(D) 648, 36 e 60,5
(E) 32,4, 18 e 34,1
Resoluo.
O quadrado mdio dos resduos igual a 36 (dado no enunciado).
SQ Re siduos
QM Re siduos = = 36
18
SQ Re siduos = 18 36 = 648
Logo:
X = 648
Com isso j podemos marcar a letra D.
O quadrado mdio dos resduos 36 (dado no enunciado). Portanto, Y = 36.
A soma de quadrados total de 2826 (dado enunciado). Portanto, a soma de quadrados da
regresso :
SQ Re gressao = SQTotal SQ Re siduos
SQ Re gressao = 2826 648 = 2178
A estatstica F fica:
QM Re gressao SQ Re gressao / 1 2178
F _ teste = = = = 60,5
QM Re siduos 36 36
Gabarito: D
EC 18 CAPES 2008 [CESGRANRIO]
O Coeficiente de Correlao Linear de Pearson entre os desempenhos de determinados alunos

em duas avaliaes nacionais igual a 0,844. Nesse caso, conclui-se que a proporo da
variabilidade nos resultados de uma das avaliaes explicada pela relao linear entre elas
40
(A) 15,6%
(B) 39,4%
(C) 71,2%
(D) 84,4%
(E) 91,8%
Resoluo.
O coeficiente de determinao o quadrado do coeficiente de correlao.
r 2 = 0,844 2 = 0,712
Gabarito: C
EC 19 INEP 2008 [CESGRANRIO ADAPTADA]

Utilizando-se do Mtodo dos Mnimos Quadrados, a seguinte reta de regresso foi estimada
para o desempenho de um conjunto de candidatos em determinado exame de proficincia, em
funo do nmero mdio de horas de estudo, por dia, para preparao antes da prova:
Yestt = 249 + 2,02 X
Considerando o modelo ajustado conclui-se que o(a)
(A) coeficiente de correlao entre as variveis prximo de 1.
(B) coeficiente de determinao de 100%.
(C) coeficiente de correlao prximo de zero.
(D) relao entre X e Y no linear.
(E) variao de uma unidade em X acarreta a variao em Y de 2,02.
Resoluo.
No temos informaes para calcular nem o coeficiente de correlao nem o coeficiente de
determinao (j descartamos as letras A, B e C). Tambm no temos informaes que nos
permitam concluir se a relao ou no linear (descartamos a letra D).
Observando a reta de regresso, temos que a variao de uma unidade em X acarreta a
variao de 2,02 no valor estimado de Y. Por esse motivo, a alternativa E foi apontada como
correta.
Bom, eu tenho l minhas dvidas. S podemos afirmar isso: que o valor estimado de Y varia
2,02. Mas, quanto aos valores de Y efetivamente observados, a ns no temos como garantir
nada. Por isso, acho que a alternativa E tambm estaria errada. Se vocs acharem algum erro
na minha resoluo, por favor me avisem.
Gabarito: E (na minha opinio, todas as alternativas esto erradas)
41
EC 20 PETROBRAS 2008 [CESGRANRIO]
Um modelo de regresso linear simples de Y em X, com uma varivel explicativa e o termo
constante, foi estimado com 32 observaes, gerando um r2 de 0,25. No teste de validade do
modelo, o F-calculado ou F-observado igual a
(A) 10
(B) 11
(C) 12
(D) 13
(E) 14
Resoluo.
SQ Re gressao
r2 =
SQTotal
SQ Re gressao
0,25 =
SQTotal
SQ Re gressao = SQtotal 0,25
Lembrando que:
Logo:
SQ Re siduos = 0,75 SQTotal
QM Re gressao SQ Re gressao / 1 0,25 SQtotal

F _ teste = = = = 10
QM Re siduos SQ Re siduos /(32 2) 0,75 SQTotal / 30
Gabarito: A
EC 21 BNDES 2008/2 [CESGRANRIO questo adaptada]

Um experimento foi realizado com o objetivo de estimar o preo de uma ao, dado o seu
valor patrimonial, ambos em reais.
Uma amostra de aes negociadas recentemente forneceu dados sobre o preo e o valor
patrimonial por ao. Aplicou-se o modelo de regresso linear simples Y = + X + .
Alguns resultados da tabela da anlise da varincia, obtida a partir dos dados dessa amostra,
esto apresentados a seguir.
42
Julgue os itens abaixo:
I O coeficiente de determinao mostra que o modelo proposto explica aproximadamente
63% da variabilidade total.
II O valor da estatstica Fcalculado 100, e a concluso do teste que a varivel valor
patrimonial significativa, isto , deve-se rejeitar a hiptese nula H 0 : = 0 .
Resoluo.
Primeiro item.
SQ Re gressao = QM Re gressao / 1
SQ Re gressao = 56.000
O coeficiente de determinao fica:
SQ Re gressao 56.000
r2 = = = 0,63
SQTotal 88.480
Portanto, 63% da variao explicada pela reta de regresso. Ou seja, o modelo de regresso
explica 63% da variabilidade total. O primeiro item est certo.
Segundo item.
SQ Re siduos = SQTotal SQ Re gressao
SQ Re siduos = 88.480 56.000 = 32.480
QM Re gressao SQ Re gressao / 1 56.000
F _ teste = = = = 100
QM Re siduos SQ Re siduos /(60 2) 32.480 / 58
O segundo item tambm est certo.
Gabarito: Certo, certo
Embora esta informao no tenha sido necessria para resolver a questo, vamos falar sobre
o Fsig, que aparece na tabela.
O valor de Fsig nada mais que o valor descritivo do teste de hipteses para = 0 . Ou seja,
a probabilidade de uma varivel com distribuio F, com 1 grau de liberdade no numerador
e 58 no denominador, assumir valores maiores que 100 (que a estatstica teste).
EC 22 SEFAZ SP 2009 [ESAF]

Uma amostra aleatria simples (X1, Y1), (X2, Y2), ..., (Xn, Yn) de duas variveis aleatrias X e Y
forneceu as seguintes quantidades:
(X )
n
2
i X = 414
i =1
(Y )
n
2
i Y = 359
i =1
43
(X )
n
i X Yi = 345
i =1
Calcule o valor mais prximo do coeficiente de determinao da regresso linear de Y em X.
a) 0,88
b) 0,92
c) 0,85
d) 0,80
e) 0,83
Resoluo:
No caso do modelo usual de regresso linear, o coeficiente de determinao igual ao
quadrado do coeficiente de correlao.
Aqui a questo explora outra igualdade envolvendo somatrios.
O numerador da frmula do coeficiente de correlao :
[(X ) ( )]
n
i X Yi Y
i =1
Fazendo a multiplicao, ficamos com:
[(X ) ( ) ]
n
i X Yi X i X Y
i =1
Separando o somatrio da diferena em diferena de somatrios:
[( ) ] [( ) ]
n n
= X i X Yi X i X Y
i =1 i =1
A mdia de Y constante e pode sair do somatrio:
[( ) ] [( )]
n n
= X i X Yi Y X i X
i =1 i =1
A soma dos desvios em relao mdia de X igual a zero:
[( ) ]
n
= X i X Yi Y 0
i =1
[( ) ]
n
= X i X Yi
i =1
Logo, outra frmula para o coeficiente de correlao seria:
[(X ) ]
n
i X (Yi )
r= i =1
(X ) (Y Y )
n n
2 2
i X i
i =1 i =1
E, para esta frmula, o enunciado j deu todas as contas prontas:
44
345
r=
414 359
Elevando o coeficiente ao quadrado:
345 345
r2 =
414 359
Fazendo a primeira diviso, temos:
345
r 2 = 0,83
359
O 0,83 est sendo multiplicado por um nmero menor que 1. Toda vez que multiplicamos
um nmero por outro que seja menor que 1, o nmero original diminui. Logo, a resposta
procurada ser menor que 0,83. A nica opo a letra D.
Gabarito: D
EC 23 FUNASA 2009 [CESGRANRIO]

O estatstico de uma indstria de produtos dermatolgicos deseja estudar a relao existente
entre a satisfao do cliente (Y), em uma escala de 0 a 100, a sua idade (X1), em anos, e o
nvel de ansiedade (X2), em ndice. Para isso, foram selecionados 46 pacientes. Primeiramente
estudou-se a relao entre a satisfao do paciente e a sua idade.
a) Considerando o modelo de regresso Y = b0 + b1 X 1 + , determine os valores de A e B da
tabela da ANOVA.
Resoluo.
QM Re gressao A
F _ calculado = = A = 67 36 = 2412
QM Re siduos 67
SQTotal SQ Re gressao = SQ Re siduos
5363 2412 = B
B = 2951
Obs: para esta questo, aberta, no consta o gabarito oficial no site da banca. Se vocs
acharem algum erro na minha resoluo, s falar.
45
III. OUTROS EXERCCIOS
Na sequencia, trago exerccios de assuntos que so pouco cobrados. Creio que a probabilidade
de serem exigidos em prova pequena. Por este motivo, veremos, de passagem, como
resolv-los, sem adentrar muito na teoria.
O teste de hiptese de que a correlao linear entre Y e X1 nula apresentou um valor

descritivo (p-value) de 0,480.
Conclui-se, ento, que
I - a hiptese que = 0 para qualquer nvel de significncia menor do que 0,480 no deve ser
rejeitada;
II - o coeficiente de determinao menor do que 4,0%;
III - com 48,0% de confiana afirma-se que a relao entre Y e X1 existe, mas no linear;
IV- a varivel Y no deve ser expressa como uma funo linear da varivel X1.
So corretas APENAS as afirmaes
(A) I e II
(B) III e IV
(C) I, II e III
(D) I, III e IV
(E) II, III e IV
Resoluo.
46
Considere que estamos estudando se existe relao linear entre duas variveis X e Y.
Queremos saber se o coeficiente de correlao entre elas prximo de zero, ou se tem mdulo
prximo de 1. Queremos estimar a reta de regresso ( Y = + X + ).
Uma dada amostra, contendo n pares ordenados para as variveis X e Y, vai fornecer certos
valores para o coeficiente de correlao e para as estimativas a e b para os parmetros e .
Se pensarmos em todas as amostras possveis, ento os valores de r , a e b so variveis
aleatrias. Sendo variveis aleatrias, eles possuem uma certa mdia e um certo desvio
padro. Possuem uma certa funo densidade de probabilidade.
Ora, se r, a e b so variveis aleatrias, podemos fazer tudo o que estudamos anteriormente:
realizar teste de hipteses, determinar intervalos de confiana, determinar o tamanho que deve
ter a amostra para conseguir um certo erro mximo etc.
Nesta questo, especificamente, pretende-se realizar um teste de hipteses para o coeficiente
de correlao (que est sendo chamado de ). Geralmente, quando nos referimos ao
coeficiente de correlao da populao, usamos . Quando nos referimos ao coeficiente de
correlao da amostra, usamos r.
A hiptese nula :
H0 : = 0
Ou seja, a hiptese nula indica que no h relao linear entre as duas variveis.
No veremos, com detalhes, como fazer este teste. No veremos como calcular a estatstica
teste, nem como determinar o valor crtico, nem qual a distribuio do coeficiente de
correlao amostral (r). Isto porque esse tipo de questo no muito comum. Para esta
questo em especial, nem era preciso saber nada disso.
Por qu?
Porque a questo deu o p-valor. Para decidir se devemos rejeitar a hiptese nula ou no, basta
comparar o p-valor com o nvel de significncia.
Se o p-valor maior que o nvel de significncia, aceitamos a hiptese nula.
Se o p-valor menor que o nvel de significncia, rejeitamos a hiptese nula.
O primeiro item afirma que, se o nvel de significncia for menor que o p-valor, ento no
rejeitamos a hiptese nula, o que est correto.
Segundo item.
O coeficiente de determinao igual ao quadrado do coeficiente de correlao.
0,059 2 = 0,003
De fato, este nmero menor que 4%.
Terceiro item.
Nada podemos afirmar sobre existir ou no relaes no-lineares. Na minha opinio, o item
est errado. No gabarito oficial definitivo, ele foi dado como certo.
47
Quarto item.
A deciso sobre expressar uma varivel como funo linear da outra est relacionada com o
nvel de confiana que se pretende adotar. Qualquer deciso baseada em dados amostrais
sempre estar sujeita a erro.
Gabarito: C (na minha opinio, seria letra A. Se algum achar algum erro na minha soluo,
por favor me avise).
EC 25 BACEN 2002 [ESAF].

Observaes ( X i , Yi ) de duas variveis econmicas satisfazem o modelo linear
Yi = + X i + i onde os X i so constantes, e so os parmetros desconhecidos e os i
so erros normais no diretamente observveis, no correlacionados com mdia nula e mesma
varincia 2 . Deseja-se testar a hiptese H0: 0 contra a hiptese alternativa HA: < 0 .
O mtodo de mnimos quadrados aplicado em uma amostra de tamanho 18 produziu o modelo
ajustado:
Y = 2 2,12 X
Sendo o desvio padro do coeficiente b estimado em 1. Assinale a opo que d o valor
probabilstico (p-valor) do teste de hiptese H0 contra a hiptese HA. Use a tabela da funo
de distribuio da varivel t de Student dada a seguir.
Graus de X F(X)
liberdade
15 1,341 0,900
15 1,753 0,950
15 2,131 0,975
16 1,337 0,900
16 1,746 0,950
16 2,120 0,975
17 1,333 0,900
17 1,740 0,950
17 2,110 0,975
18 1,330 0,900
18 1,734 0,950
18 2,101 0,975
a) 0.533
b) 0.440
c) 0.630
d) 0.438
e) 0.300
Resoluo.
48
O teste mais comum sobre o valor de consiste na hiptese de que =0. Caso rejeitemos
esta hiptese nula, conclumos que h regresso de X sobre Y. Este procedimento serve para
verificarmos a qualidade do modelo de regresso.
J vimos um modo de fazer isso. Foi por meio da anlise de varincia da regresso, utilizando
a relao entre o quadrado mdio da regresso e o quadrado mdio dos resduos.
Pois bem, existe outra forma de faz-lo.
Para o teste de , tambm podemos utilizar a distribuio T, com n 2 graus de liberdade.
A questo no pediu para fazermos o teste completo. Precisamos apenas calcular o p-valor.
Estudamos o p-valor na aula 19. Vimos que a probabilidade de obtermos valores to
extremos quanto a estatstica teste. A estatstica teste que estudamos naquela aula, quando no
se conhece a varincia do parmetro, foi:
X
t _ teste =
sX
No numerador temos a estimativa ( X ) e o parmetro ( ) . No denominador o desvio padro

da estimativa.
Aqui a mesma coisa. S muda que b a estimativa. E o parmetro estimado .
A estatstica teste fica:
b
t _ teste =
sb
O valor de que se pretende testar 0. O valor de b obtido foi -2,120 (fornecido no
enunciado).
A varincia de b 1 (fornecido no enunciado). Portanto:
2,120 0
t _ teste = = 2,120
1
Consultando a tabela para o valor 2,120 (e 16 graus de liberdade), obtemos 97,5%.
Portanto, 97,5% dos valores de t so menores ou iguais a 2,120.
Ou seja, 2,5% so maiores que 2,120.
Devido simetria da densidade de t, 2,5% so menores que -2,120.
Portanto, a probabilidade de obtermos valores to extremos quanto a estatstica teste (ou seja,
valores menores ou iguais -2,120) de 2,5%.
Gabarito: C.
Desta questo guarde que, para testar a hiptese sobre o valor de , utilize a distribuio T
com n 2 graus de liberdade.
49
EC 26 INEP 2008 [CESGRANRIO]
Em um modelo de regresso linear simples, um intervalo de confiana de 95,0% obtido para o
coeficiente angular foi (0,24 ; 1,68). Com esse resultado s se pode concluir que
(A) o intercepto igual a zero.
(B) o coeficiente angular negativo.
(C) a relao entre as variveis no linear.
(D) a varivel dependente assume valores negativos.
(E) no existe relao linear entre as duas variveis.
Resoluo.
Utilizando-se a distribuio T com n 2 graus de liberdade tambm possvel determinar
intervalos de confiana para .
A questo j forneceu o intervalo de confiana pronto. J sabemos que, com confiana de
95%, est entre 0,24 e 1,68. Observem que um intervalo que contempla valores prximos
de zero (tanto negativos quanto positivos). Valores positivos para indicam relao direta.
Valores negativos para indicam relao inversa. Ora, se a amostra no capaz nem de nos
dar uma maior segurana quanto ao sinal de (se positivo ou negativo), isso um forte sinal
de que no existe relao linear entre as variveis estudadas. Por isso, a alternativa E est
correta.
Vejamos os erros das demais alternativas.
A letra A fala em intercepto. Intercepto nada mais que o ponto em que a reta de regresso
corta o eixo y. Seria o valor de . Saber apenas o intervalo de confiana para no ajuda
em nada na determinao do valor de .
A alternativa B afirma que o coeficiente angular negativo. Como j dissemos, no temos
segurana nem quanto ao sinal de .
A afirmativa C nos diz que a relao entre as variveis no linear. Bom, caso seja
realmente zero, isso significa que no h relao linear. Mas no significa que exista outro
tipo de relao (como quadrtica, exponencial, logartmica etc).
A afirmativa D diz que a varivel dependente assume apenas valores negativos. No h
qualquer informao sobre os valores assumidos pelas variveis em questo (seja a
dependente ou independente).
Gabarito: E
Encerramos aqui nosso curso. Ufa, foram 21 aulas em que abordamos muita coisa, muita
coisa mesmo. Esperamos que este curso tenha sido til, que possa ter ajudado na preparao
desta matria to grande e to pesada que os editais insistem em chamar de raciocnio
lgico (quando, na verdade, estatstica mais matemtica financeira mais matemtica bsica
mais lgica).
Bons estudos!
Guilherme e Vtor.
50
IV. LISTA DAS QUESTES DE CONCURSO

Na estimativa de uma regresso linear, o problema da heterocedasticidade ocorre quando
(A) os dados so transversais.
(B) h autorrelao dos resduos.
(C) h correlao positiva entre as variveis independentes.
(D) a varincia dos erros no constante.
(E) as variveis independentes so negativas.

10 10 10 10
Yi = 100 ; X i = 60 ; X i Yi = 650 ; ( X i ) = 400 ; (Yi ) = 1080

2 2
i =1 i =1 i =1 i =1
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, caso
haja um gasto anual com propaganda de 80 mil reais, a previso do lucro bruto anual, em mil
reais, ser de:
a) 84
b) 102,5
c) 121
d) 128,4
e) 158

Uma empresa, com finalidade de determinar a relao entre 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 Yi = + X i + i , em que Yi o
acrscimo nas vendas 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 10 10 10
Yi = 160 ; X i = 100 ; X i Yi = 1900 ; ( X i ) = 1200 ; (Yi ) = 3060

2 2
i =1 i =1 i =1 i =1
51
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 com pesquisa e
desenvolvimento, em mil reais, foi:
a) 14
b) 13,75
c) 13,0
d) 12,4
e) 12,0
EC 4 SEFAZ SP 2006 [FCC]
Em um determinado pas, deseja-se determinar a relao entre a renda disponvel (Y), em
bilhes de dlares, e o consumo (C), tambm em bilhes de dlares. Foi utilizado o modelo
linear simples C i = + Yi + i , em que Ci o consumo no ano i, Yi o valor da renda
disponvel no ano i e i o erro aleatrio com as respectivas hipteses para a regresso linear
simples, e so parmetros desconhecidos, cujas estimativas foram obtidas atravs do
mtodo dos mnimos quadrados. Para obteno desta relao considerou-se ainda as seguintes
informaes colhidas atravs da observao nos ltimos 10 anos:
10 10 10 10 10
Ci = 90 , Yi = 100 , Yi Ci = 1.100 , Yi = 1.250 , C = 1.010

2 2
i
i =1 i =1 i =1 i =1 i =1
Para o clculo do coeficiente de correlao de Pearson (r), usou-se a frmula:

cov(Y , C )
r= em que cov(Y , C ) a covarincia entre Y e C, DP(Y ) o desvio padro
DP( y ) DP(C )
de Y e DP(C ) o desvio padro de C.
Ento:
a) obtendo para um determinado ano uma previso para o consumo de 10 bilhes de dlares,
significa que a renda disponvel considerada foi de 12,5 bilhes de dlares.
b) o valor da estimativa encontrado para o parmetro igual a 0,4
c) o valor da estimativa encontrado para o parmetro igual a 10.
d) o coeficiente de explicao r2 correspondente 64%.
e) utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, em
um ano, caso a renda disponvel seja igual a 15 bilhes de dlares, o consumo ser igual a 13
bilhes de dlares.
EC 5 TCE/MG 2007 [FCC]
Um estudo realizado em uma empresa sobre a relao entre o lucro bruto anual (Y), em
milhares de reais, e os gastos anuais com propaganda (X), tambm em milhares de reais,
indica que uma boa opo a utilizao do modelo linear simples Yi = + X i + i , em que
Yi o lucro bruto no ano i, X i representa os gastos com propaganda no ano i, i o erro
aleatrio com as respectivas hipteses consideradas para a regresso linear e e so
parmetros desconhecidos. por meio do mtodo dos mnimos quadrados obteve-se o valor de
52
150 para a estimativa do parmetro , considerando as seguintes informaes obtidas pelas
observaes nos ltimos 10 anos:
10 10
Yi = 2.500
i =1
X
i =1
i = 400
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, caso a empresa
almeje obter em um determinado ano um lucro bruto de 450 mil reais, deve apresentar um
total de gastos com propaganda, em mil reais, de:
a) 60
b) 80
c) 120
d) 160
e) 200
EC 6 SEAD/PM Santos/2005 [FCC]
10 anos:
10 10 10 10 10
Ci = 800 Yi = 1.000 Yi Ci = 83.600 Yi = 105.000 C = 67.240

2 2
i
i =1 i =1 i =1 i =1 i =1
A equao da reta ajustada pelo mtodo dos mnimos quadrados encontrada foi:
a) C i = 20 + 0,60 Yi
b) C i = 10 + 0,70 Yi
c) C i = 8 + 0,72 Yi
d) C i = 6 + 0,74 Yi
e) C i = 4 + 0,76 Yi
EC 7 MP RO 2005 [CESGRANRIO]
Considere os dados amostrais de um estudo da relao entre o nmero de anos que os
candidatos a empregos em um determinado banco comercial estudaram ingls na faculdade e
as notas obtidas em um teste de proficincia nessa lngua.
53
Com base nessas informaes, a reta de mnimos quadrados que melhor explica a relao
entre o nmero de anos de estudo e a nota do teste de ingls igual a:
(A) y = 1,33 + 3,56x
(B) y = 2,25 + 1,32x
(C) y = 6,97 + 3,56x
(D) y = 35,32 + 10,9x
(E) y = 254,56 + 13,3x

A tabela abaixo mostra as demandas que ocorreram numa determinada produo.
Com base nos conceitos de Regresso Linear Simples, quantas unidades compem a demanda
para julho?
(A) 4.000
(B) 5.000
(C) 6.000
(D) 7.000
(E) 8.000
54
EC 9 SEFAZ MG/2005 [ESAF]
Considere o modelo de regresso linear
Yi = + X i + , i = 1, 2, ..., 25
Onde os Yi representam observaes da varivel resposta Y, os X i representam observaes
da varivel exgena X, e os i so erros no correlacionados com distribuio comum normal
com mdia zero e varincia 9. Em repetidas amostras do modelo, dado X i , assinale a opo
que d a proporo esperada de observaes de Y que diferem em valor absoluto de sua
mdia por no mximo 1,5. Em sua resposta faa uso da tabela da funo de distribuio ( X )
da normal padro dada abaixo.
X (X )
0,40 0,655
0,50 0,691
1,00 0,841
1,50 0,933
a) 0,650
b) 0,950
c) 0,933
d) 0,382
e) 0,975
EC 10 TJ PAR 2009 [FCC]
Em uma determinada empresa realizado um estudo sobre a relao entre os gastos com
publicidade, em R$ 1.000,00, e o acrscimo no faturamento anual, em R$ 1.000,00. Foi
escolhido para anlise o modelo linear simples Yi = + Xi + i, sendo que Yi o acrscimo
no faturamento do ano i, Xi representa os gastos com publicidade no ano i e i o erro
aleatrio com as respectivas hipteses consideradas para a regresso linear simples ( e so
parmetros desconhecidos ). Para obteno das estimativas de e utilizou-se o mtodo dos
mnimos quadrados com base nas informaes dos ltimos 10 anos da empresa, ou seja:
10 10 10 10 10
Yi = 180 ; X i = 100 ; X iYi = 1.912 ; X i = 1.080 ; Y = 3.440

2 2
i
i =1 i =1 i =1 i =1 i =1
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que se a
empresa almejar um acrscimo no faturamento, em um determinado ano, de R$ 25.000,00
dever apresentar, neste perodo, um total em gastos com publicidade de
(A) R$ 20.000,00.
(B) R$ 18.000,00.
(C) R$ 17.000,00.
(D) R$ 16.000,00.
(E) R$ 15.000,00.
55
EC 11 MPOG 2006 [ESAF]
Com o objetivo de estimar-se o modelo Y = + X, foi retirada uma amostra com cinco
pares de observaes (X,Y), obtendo-se os seguintes resultados:
Desse modo,
a) Y = 2 2X
b) Y = 2 2X
c) Y = 2X
d) Y = 2 + 2X
e) Y = 2 + 2X
EC 12 TCU/2008 [CESPE]
Uma agncia de desenvolvimento urbano divulgou os dados apresentados na tabela
a seguir, acerca dos nmeros de imveis ofertados (X) e vendidos (Y) em determinado
municpio, nos anos de 2005 a 2007.
Ano Nmero de imveis

Ofertados (X) Vendidos (Y)
2005 1.500 100
2006 1.750 400
2007 2.000 700
Considerando as informaes do texto, julgue o item subseqente.
A estimativa do valor do coeficiente da reta de regresso Y = X , em que Y representa o
nmero esperado de imveis vendidos para uma quantidade X de imveis ofertados,
superior a 0,23 e inferior a 0,26.
EC 13 MP RONDNIA 2005 [CESGRANRIO]
No modelo de regresso Y = X + , o estimador de mnimos quadrados de :
56
EC 14 PM MANAUS 2004 [CESGRANRIO]
No modelo de regresso Y = X 2 + , o estimador de mnimos quadrados de :
a)
Yi
Xi
b)
Yi
n
c)
Xi Yi 2
Xi 4
d)
Xi Yi
Xi 3
Yi
2
e)
Xi 4

10 10 10 10
Y = 100 ; X = 60 ; X Yi = 650 ; (X ) = 400 ; (Y ) = 1080

2 2
i i i i i
i =1 i =1 i =1 i =1
Montando o quadro de anlise de varincia, tem-se que:

a) a variao explicada, fonte de variao devido regresso, apresenta um valor igual a 80;
b) dividindo a variao residual pela variao total, obtemos o correspondente coeficiente de
determinao;
c) o valor da estatstica F necessria para o teste da existncia de regresso igual ao
coeficiente da diviso da variao explicada pela variao residual
d) a variao residual apresenta um valor igual a 17,5
e) a variao total apresenta um valor igual a 62,5.
[Observao: considere que voc j sabe que os coeficientes a e b so dados por: a = 2,5 ;
b = 1,25 , conforme clculos do EC 2]
EC 16 SEAD/PM SANTOS 2005 [FCC]
57
10 anos:
10 10 10 10 10
Ci = 800 Yi = 1.000 Yi Ci = 83.600 Yi = 105.000 C = 67.240

2 2
i
i =1 i =1 i =1 i =1 i =1
O coeficiente de correlao r de Pearson entre as variveis Y e C obtido pela frmula:

cov(C , Y )
r= em que:
DP(Y ) DP(C )
Cov(C,Y) a covarincia entre C e Y;
DP(Y) o desvio padro de Y
DP(C) o desvio padro de C.
Tem-se que o valor do correspondente de determinao r 2 igual a:
a) 60%
b) 72%
c) 76%
d) 80%
e) 90%
EC 17 TCE RO 2005 [CESGRANRIO]
Avaliaes de terrenos baseiam-se, geralmente, em modelos de regresso linear nos quais o
preo de venda uma funo de algumas variveis tais como o tamanho do terreno, suas
condies e localizao. Uma amostra de terrenos comercializados no ltimo ms coletou
dados sobre o preo da venda, em R$ 1 000,00, o tamanho do terreno, em m2, e a distncia ao
centro da cidade, em km. Primeiramente obteve-se o modelo com apenas a varivel tamanho
do terreno, X1, como explicativa do preo de venda. Os principais quantitativos relativos a
esse modelo foram calculados como:
58
Considerando o quadro acima, os valores de X, Y e Z, respectivamente, so:

(A) 2826, 121 e 3,65E-07
(B) 2178, 121 e 0,77
(C) 2178, 36 e 0,77
(D) 648, 36 e 60,5
(E) 32,4, 18 e 34,1
O Coeficiente de Correlao Linear de Pearson entre os desempenhos de determinados alunos

em duas avaliaes nacionais igual a 0,844. Nesse caso, conclui-se que a proporo da
variabilidade nos resultados de uma das avaliaes explicada pela relao linear entre elas
(A) 15,6%
(B) 39,4%
(C) 71,2%
(D) 84,4%
(E) 91,8%
EC 19 INEP 2008 [CESGRANRIO ADAPTADA]
Utilizando-se do Mtodo dos Mnimos Quadrados, a seguinte reta de regresso foi estimada
para o desempenho de um conjunto de candidatos em determinado exame de proficincia, em
funo do nmero mdio de horas de estudo, por dia, para preparao antes da prova:
Yestt = 249 + 2,02 X
59
Considerando o modelo ajustado conclui-se que o(a)
(A) coeficiente de correlao entre as variveis prximo de 1.
(B) coeficiente de determinao de 100%.
(C) coeficiente de correlao prximo de zero.
(D) relao entre X e Y no linear.
(E) variao de uma unidade em X acarreta a variao em Y de 2,02.
EC 20 PETROBRAS 2008 [CESGRANRIO]
Um modelo de regresso linear simples de Y em X, com uma varivel explicativa e o termo
constante, foi estimado com 32 observaes, gerando um r2 de 0,25. No teste de validade do
modelo, o F-calculado ou F-observado igual a
(A) 10
(B) 11
(C) 12
(D) 13
(E) 14
EC 21 BNDES 2008/2 [CESGRANRIO questo adaptada]
Um experimento foi realizado com o objetivo de estimar o preo de uma ao, dado o seu
valor patrimonial, ambos em reais.
Uma amostra de aes negociadas recentemente forneceu dados sobre o preo e o valor
patrimonial por ao. Aplicou-se o modelo de regresso linear simples Y = + X + .
Alguns resultados da tabela da anlise da varincia, obtida a partir dos dados dessa amostra,
esto apresentados a seguir.
Julgue os itens abaixo:

I O coeficiente de determinao mostra que o modelo proposto explica aproximadamente
63% da variabilidade total.
II O valor da estatstica Fcalculado 100, e a concluso do teste que a varivel valor
patrimonial significativa, isto , deve-se rejeitar a hiptese nula H 0 : = 0 .
EC 22 SEFAZ SP 2009 [ESAF]
Uma amostra aleatria simples (X1, Y1), (X2, Y2), ..., (Xn, Yn) de duas variveis aleatrias X e Y
forneceu as seguintes quantidades:
(X )
n
2
i X = 414
i =1
(Y )
n
2
i Y = 359
i =1
60
(X )
n
i X Yi = 345
i =1
Calcule o valor mais prximo do coeficiente de determinao da regresso linear de Y em X.
a) 0,88
b) 0,92
c) 0,85
d) 0,80
e) 0,83
EC 23 FUNASA 2009 [CESGRANRIO]
O estatstico de uma indstria de produtos dermatolgicos deseja estudar a relao existente
entre a satisfao do cliente (Y), em uma escala de 0 a 100, a sua idade (X1), em anos, e o
nvel de ansiedade (X2), em ndice. Para isso, foram selecionados 46 pacientes. Primeiramente
estudou-se a relao entre a satisfao do paciente e a sua idade.
a) Considerando o modelo de regresso Y = b0 + b1 X 1 + , determine os valores de A e B da
tabela da ANOVA.
61
O teste de hiptese de que a correlao linear entre Y e X1 nula apresentou um valor
descritivo (p-value) de 0,480.
Conclui-se, ento, que
I - a hiptese que = 0 para qualquer nvel de significncia menor do que 0,480 no deve ser
rejeitada;
II - o coeficiente de determinao menor do que 4,0%;
III - com 48,0% de confiana afirma-se que a relao entre Y e X1 existe, mas no linear;
IV- a varivel Y no deve ser expressa como uma funo linear da varivel X1.
So corretas APENAS as afirmaes
(A) I e II
(B) III e IV
(C) I, II e III
(D) I, III e IV
(E) II, III e IV
EC 25 BACEN 2002 [ESAF].

Observaes ( X i , Yi ) de duas variveis econmicas satisfazem o modelo linear
Yi = + X i + i onde os X i so constantes, e so os parmetros desconhecidos e os i
so erros normais no diretamente observveis, no correlacionados com mdia nula e mesma
varincia 2 . Deseja-se testar a hiptese H0: 0 contra a hiptese alternativa HA: < 0 .
O mtodo de mnimos quadrados aplicado em uma amostra de tamanho 18 produziu o modelo
ajustado:
Y = 2 2,12 X
Sendo o desvio padro do coeficiente b estimado em 1. Assinale a opo que d o valor
probabilstico (p-valor) do teste de hiptese H0 contra a hiptese HA. Use a tabela da funo
de distribuio da varivel t de Student dada a seguir.
Graus de X F(X)
liberdade
15 1,341 0,900
15 1,753 0,950
15 2,131 0,975
16 1,337 0,900
16 1,746 0,950
16 2,120 0,975
17 1,333 0,900
17 1,740 0,950
17 2,110 0,975
18 1,330 0,900
18 1,734 0,950
18 2,101 0,975
62
a) 0.533
b) 0.440
c) 0.630
d) 0.438
e) 0.300
EC 26 INEP 2008 [CESGRANRIO]
Em um modelo de regresso linear simples, um intervalo de confiana de 95,0% obtido para o
coeficiente angular foi (0,24 ; 1,68). Com esse resultado s se pode concluir que
(A) o intercepto igual a zero.
(B) o coeficiente angular negativo.
(C) a relao entre as variveis no linear.
(D) a varivel dependente assume valores negativos.
(E) no existe relao linear entre as duas variveis.
V. GABARITO DAS QUESTES DE CONCURSO

1 d 10 e 19 a
2 b 11 d 20 certo certo
3 e 12 c 21 d
4 e 13 c 22 c
5 c 14 d 23
6 c 15 d 24 c
7 b 16 d 25 c
8 b 17 c 26 e
9 d 18 e

Aula21 Daew

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula21 Daew

Enviado por

Direitos autorais:

Formatos disponíveis

1

CURSO ONLINE RACIOCNIO LGICO PARA DESESPERADOS

AULA 21 Regresso linear e anlise de regresso

1. Clculo da reta de regresso..................................................................................................................2

2. Reta de regresso passando pela origem . . ......................................................................................... 28

II. ANLISE DE VARINCIA DA REGRESSO . . .......................................................................................... 31

1. Somas de quadrados . ......................................................................................................................... 31

2. Quadrados mdios e estatstica F . . .................................................................................................... 33

3. Coeficiente de determinao. ............................................................................................................. 34

III. OUTROS EXERCCIOS . ......................................................................................................................... 45

IV. LISTA DAS QUESTES DE CONCURSO. . ............................................................................................... 50

V. GABARITO DAS QUESTES DE CONCURSO . . ....................................................................................... 62

1. Clculo da reta de regresso

Exemplo I: entendendo a relao verificada na populao

Quando X for igual a 2, Y fica:

Quadro 2 Amostra de 40 valores de Y quando X vale 2

O mesmo vale quando X for igual a qualquer outro valor.

Considere que X assuma apenas os valores 1, 2, 3, 4, 5. Considere ainda que o modelo

Exemplo II: obtendo a reta de regresso, com base em uma amostra

Ou seja, os pares ordenados ( X i , Yi ) giram em torno da reta Yi = 5 + 2 X i graas varivel

Quadro 3 Amostra com 42 pares (X,Y)

Ou ainda: no sabemos que os pares ordenados vo se situar em torno da reta Yi = 5 + 2 X i .

Onde a uma estimativa de , b uma estimativa de e Y uma estimativa de Y .

Figura 1 Regresso linear entre variveis X e Y

Os pontos em azul escuro so os dados observados na amostra. So os pares ordenados

Pergunta: Professor, preciso me preocupar com estas hipteses?

Exemplo III visualizando os desvios

Figura 2 Diagrama de disperso peso x altura

Seja Y o peso. Seja X a altura.

Figura 3 Reta de regresso

Considere que a equao da reta de regresso seja:

Figura 4 Reta de regresso: destaque para X = 1,86

Vamos calcular Y para o caso em que X = 1,86 m

Figura 5 Retas para representar a relao linear

Onde a uma estimativa de , b uma estimativa de e Y uma estimativa de Y .

Figura 6 Reta de regresso obtida por mnimos quadrados

Lembrem-se de que a reta laranja (Figura 3) a reta de regresso que ns no conhecemos e

Figura 7 Ponto (1,98; 97,41) e reta obtida por mnimos quadrados

Exemplo IV calculando a reta de regresso

Aluno Nota de matemtica Nota de fsica

1 2 6 -4,5 -1 4,5 20,25 1

Vamos calcular os coeficientes a e b .

Figura 8 Reta de regresso estimada

So as mesmas transformaes que fizemos na aula de correlao (ver quadro 1 da fl. 22 da

EC 2 BACEN 2006 [FCC]

Yi = 100 ; X i = 60 ; X i Yi = 650 ; ( X i ) = 400 ; (Yi ) = 1080

Para calcular a previso, precisamos encontrar os valores de a e b do modelo de regresso.

Quando X i = 80 , a estimativa do lucro bruto fica:

Yi = 2,5 + 1,25 80 = 102,5

Outra questo bem parecida:

EC 3 BACEN 2006 [FCC]

Yi = 160 ; X i = 100 ; X i Yi = 1900 ; ( X i ) = 1200 ; (Yi ) = 3060

EC 4 SEFAZ SP 2006 [FCC]

C = 90 , Y = 100 , Y C = 1.100 , Y = 1.250 , C = 1.010

Para o clculo do coeficiente de correlao de Pearson (r), usou-se a frmula:

S que aqui, no lugar de X temos Y. E no lugar de Y temos C.

Caso a renda disponvel seja de 15 bilhes, o consumo ser:

EC 5 TCE/MG 2007 [FCC]

EC 6 SEAD/PM Santos/2005 [FCC]

Ci = 800 Yi = 1.000 Yi Ci = 83.600 Yi = 105.000 C = 67.240

De todo modo, vamos encontrar a estimativa de a

EC 8 PETROBRAS 2008/2 [CESGRANRIO]

EC 9 SEFAZ MG/2005 [ESAF]