EXERCÍCIOS DE MODELOS LINEARES (PROVA 1)

1) Seja y = um vetor de variáveis aleatórias tal que = e =

a) Encontre o valor esperado e a variância de .

b) Se , e encontre e .

2) Seja , com e = .

a) Encontre a distribuição conjunta de , e .

b) Encontre a distribuição conjunta de , e .

3) Sejam e vetores de variáveis aleatórias e sejam e vetores de constantes.

Mostre que = .

4) Se são variáveis aleatórias independentes com =e ( = , = 1, , ,

mostre que é um estimador não viesado de .

5) Suponha que =( )’ um vetor aleatório com distribuição em que

a) Obtenha a distribuição condicional de ( | )?

b) Obtenha a distribuição condicional de ( | = 2, = 0)
c) Obtenha a distribuição conjunta condicional de , .

6) Se são variáveis aleatórias com = , ( = , = 1,, e ,

encontre .

7) Seja o modelo de regressão linear simples , =1, , , com = 0, =

e = 0. Encontre os estimadores de mínimos quadrados de e e mostre que
= 0 se e somente se = 0.

8. Uma empresa opera estúdios fotográficos para crianças em 21 cidades da região e deseja expandir
seus estúdios para outras cidades semelhantes. Realiza um estudo com o intuito de investigar se as
vendas, em milhares de reais por ano, (Y) podem ser estimadas através do tamanho da população de
pessoas com 16 anos ou menos (X1) e pela renda per capita na cidade, em milhares de reais por tri-
mestre, (X2). Os resultados da pesquisa foram os seguintes:
 População
Obs. Vendas (Y) Renda (X2)
(X1)
1 174.4 68.5 16.7
2 164.4 45.2 16.8
3 244.2 91.3 18.2
4 154.6 47.8 16.3
5 181.6 46.9 17.3
6 207.5 66.1 18.2
7 152.8 49.5 15.9
8 163.2 52.0 17.2
9 145.4 48.9 16.6
10 137.2 38.4 16.0
11 241.9 87.9 18.3
12 191.1 72.8 17.1
13 232.0 88.4 17.4
14 145.3 42.9 15.8
15 161.1 52.5 17.8
16 209.7 85.7 18.4
17 146.4 41.3 16.5
18 144.0 51.7 16.3
19 232.6 89.6 18.1
20 224.1 82.7 19.1
21 166.5 52.3 16.0

a) Ajuste o modelo de regressão múltipla que relaciona Y com as variáveis preditora X1 e X2 e

comente sobre o significado das estimativas dos coeficientes de regressão. Calcule o coeficiente de
determinação e comente sobre a qualidade do ajuste.
b) Teste a hipótese ( = 5%).
c) Teste a hipótese ( = 5%).
d) Teste a hipótese ( = 5%)

9. Num estudo sobre framboesas realizado na Secção de Horticultura do ISA foram analisados frutos
de 14 plantas diferentes, avaliando-se 6 diferentes variáveis: o diâmetro dos frutos (em cm); a sua
altura (em cm); o seu peso (em g); o seu teor de sólidos solúveis, brix (em graus Brix); o seu pH e o
seu teor de açúcar, excetuando a sacarose (em g/100ml). Os resultados médios de cada variável, para
as framboesas de cada planta, estão apresentados na tabela seguinte.
a) Pretende-se modelar o teor de Brix a partir das restantes variáveis observadas. Descreva de forma
completa o modelo de regressão linear múltipla que tem o Brix como variável resposta e as outras
variáveis como preditoras. Quantos parâmetros tem este modelo?
b) Determine o valor das estimativas dos parâmetros do modelo sugerido no item anterior e discuta o
significado biológico da estimativa do coeficiente de regressão da variável Peso Quais são as
unidades de medida desta estimativa?
c Discuta o significado da estimativa do intercepto .
d) Teste a hipótese que as variáveis: Diâmetro e Altura dos frutos não são importantes para predizer
o Brix ( = 5%).
e) Teste a hipótese que cada um dos coeficientes de regressão é nulo, usando o método de Bonferroni
( = 10%).
 Planta Diâmetro Altura Peso pH Açúcar Brix
1 2.0 2.1 3.71 2.78 5.12 8.4
2 2.1 2.0 3.79 2.84 5.40 8.4
3 2.0 1.7 3.65 2.89 5.38 8.7
4 2.0 1.8 3.83 2.91 5.23 8.6
5 1.8 1.8 3.95 2.84 3.44 8.0
6 2.0 1.9 4.18 3.00 3.42 8.2
7 2.1 2.2 4.37 3.00 3.48 8.1
8 1.8 1.9 3.97 2.96 3.34 8.0
9 1.8 1.8 3.43 2.75 2.02 8.2
10 1.9 1.9 3.78 2.75 2.14 8.0
11 1.9 1.9 3.42 2.73 2.06 8.0
12 2.0 1.9 3.60 2.71 2.02 8.1
13 1.9 1.7 2.87 2.94 3.86 8.4
14 2.1 1.9 3.74 3.20 3.89 8.8

10) A quantidade de gordura no corpo das 20 mulheres é obtida por um método incômodo e dispen-
dioso, pois envolve a imersão das pessoas na água. Portanto, seria muito útil se um modelo de regres-
são com algumas ou todas as variáveis preditoras fornecessem estimativas confiáveis da quantidade
de gordura no corpo, pois as mensurações das variáveis preditoras são fáceis de serem obtidas.
Um estudo foi realizado um estudo com 20 mulheres para estudar a relação da quantidade de gordura
no corpo (Y) com as seguintes variáveis explanatórias: espessura do tríceps (X1); circunferência da
coxa (X2) e circunferência do meio do braço (X3). Os dados são apresentados na tabela a seguir.
Corpo Tríceps Coxa Braço
(Y) (X1) (X2) (X3)
11.9 19.5 43.1 29.1
22.8 24.7 49.8 28.2
18.7 30.7 51.9 37.0
20.1 29.8 54.3 31.1
12.9 19.1 42.2 30.9
21.7 25.6 53.9 23.7
27.1 31.4 58.5 27.6
25.4 27.9 52.1 30.6
21.3 22.1 49.9 23.2
19.3 25.5 53.5 24.8
25.4 31.1 56.6 30.0
27.2 30.4 56.7 28.3
11.7 18.7 46.5 23.0
17.8 19.7 44.2 28.6
12.8 14.6 42.7 21.3
23.9 29.5 54.4 30.1
22.6 27.7 55.3 25.7
25.4 30.2 58.6 24.6
14.8 22.7 48.2 27.1
21.1 25.2 51.0 27.5

a) Estime o modelo de regressão múltipla relacionando Y com as três variáveis preditoras (X1, X2 e
X3) e interprete os valores das estimativas dos coeficientes parciais de regressão.
b) Faça o teste de regressão global .
c) Teste as hipóteses (individuais) , para =1, 2, 3, usando o método de Bonferroni e um
nível de significância global  Compare os resultados desses testes com aquele obtido no
item (c).
d) Calcule a correlação parcial entre as quatro variáveis e comente sobre a relação de dependência
linear que existe entre elas. Qual é a variável preditora mais importante?
e) Outra abordagem.
Ajuste o modelo de regressão que relaciona a variável Y com a variável preditora mais importante
(Modelo 1) escolhida no item anterior.
Calcule o resíduo do Modelo 1 e a correlação parcial entre o resíduo e cada uma das variáveis que
ainda não foi incluída no modelo.
Teste a hipótese de que a correlação entre o resíduo e cada variável Xi é nula e conclua se
precisamos incluir mais alguma variável no Modelo 1.