1

Capítulo 3 Soluções dos Exercícios

Soluções para os Exercícios do Capítulo 3

3.1 (a) y  1  2 x 2  e linear nos parâmetros 1 e 2 ,

não linear nas variáveis.

(b) y  1 x 2  e não linear nos parâmetros 1 e 2 .

(c) y  exp(1  2 x  e) forma não linear; esse modelo pode ser escrito numa forma
linear nos parâmetros, que é o modelo log-linear,
ln y  1  2 x  e.

(d) y  exp(1  2 x )  e não linear.

(e) ln( y )  1  2 x  e modelo log-linear, que é linear nos parâmetros 1 e 2 .

(f) y  1 x 2 exp(e) não linear nos parâmetros 1 e 2 ; contudo, este modelo

pode ser escrito como um modelo log-log
ln y  ln 1   2 ln x  e     2 ln x  e

em que   ln 1. A transformação por logaritmo converteu o

modelo em um que é linear nos parâmetros  e 2 .

5 5 5 5
3.2 (a)  xt2  15  xt yt  20  xt 5  yt  10 x 1
t 1 t 1 t 1 t 1
y2

5  xt y t   xt  y t  5  20    5  10  50
(b) b2    1
5  x    xt 
2
t
2
 5  15  52 50
10 5
b1  y  b2 x    1    1
5 5
(c) Veja a Figura 3.1.
(d) As quantidades b1 e b2 são as estimativas de mínimos quadrados para os parâmetros 1 e
2 no modelo linear yt  1   2 xt  et , em que et é um termo de erro aleatório. O valor b1
é uma estimativa do intercepto; ele sugere que quando xt = 0, yt = 1. O valor b2 é uma
estimativa da inclinação; ele sugere que quando xt aumenta em 1 unidade, a mudança
correspondente em yt será de 1 unidade.
(e) Veja a Figura 3.1.
 2

Capítulo 3 Soluções dos Exercícios

3.3 Observe que b1  y  b2 x ou y  b1  b2 x . Assim,  y , x  está sobre a reta ajustada.

3.4 Considere a reta ajustada yt  b1  xt b2 . Tirando a média em relação a T, nós obtemos

 y t 1 1  xt
y
 =    b1  x t b2    b1T  b2  x t   b1  b2  b1  b2 x
T T T T
Do Exercício 3.3, nós também temos y  b1  b2 x . Assim, y  y
 .

3.5 (a) Seu computador deveria produzir os seguintes resultados:

 xt  120  x t2  1240  yt  42, 08  xt yt  418,53

b2 
T x y x y
t t t t

15 418,53  120 42,08

1228,35
 0,29246
T  x   x  151240  120
2 2
2 4200
t t

 42,08   120 
b1  y  b1 x     0,29246   0,4656
 15   15 
(b) Estritamente falando, o coeficiente de intercepto, b1 = 0,4656, dá o nível de produto
quando o insumo utilizado é zero. Contudo, pelo fato de que não é factual utilizar zero de
insumo, essa interpretação deve ser tratada com cuidado; seria esperado que, quando o
insumo utilizado fosse zero, o produto seria zero. O coeficiente de inclinação, b2 =
0,29246, indica que, para uma variação de 1 unidade no insumo utilizado, existiria uma
mudança correspondente de 0,29 no produto.
(c) Veja a Figura 3.2.
(d) Nos termos da ração utilizada, o custo total (TC) é TC = 6x. Contudo, na economia, uma
função de custo total convencionalmente se relaciona com o produto. Como
 3

Capítulo 3 Soluções dos Exercícios

yˆ  0,466  0,292 x
0,292

1
0,466

Figura 3.2 Função de produção estimada para o exemplo da ração para aves
x

y  1
y  1  2 x x
2
e a função de custo total em termos do produto se torna
6 y  1  61 6
TC    y
2 2 2
A função de custo marginal (MC) correspondente é dada por
d  TC  6
MC  
dy 2
Utilizando as estimativas de mínimos quadrados para 1 e 2, obtidas na parte (a), nós
temos
 6 0,4656 6
TC   y = 9,552 + 20,52y
0,29246 0,29246
e MC = 20,52.
(e) Do item (d), a relação entre custo total da ração e produção é dada por TC   1   2 y
onde
6 1 6
1  e 2 
2 2

Resolvendo para os parâmetros da função de produção 1 e 2 em termos dos parâmetros

da função de custo 1 e 2, nós temos
6 1
2  e 1  
2 2
 4

Capítulo 3 Soluções dos Exercícios

Assim, as estimativas dos parâmetros da função de produção podem ser encontradas,

aplicando os mínimos quadrados para a função de custo com o intuito de obter as
estimativas 
1 e   2 e, então, utilizar as expressões acima de 1 e 2 para obter as
 e 
estimativas   . Seguindo esse procedimento com os dados disponíveis, nós temos
1 2

 1 = 8,1273 e  2 = 20,007 e, assim,

 

6  8,1273
ˆ 2   0,300 e ˆ1    0,406
20,007 20,007
Observe que essas estimativas diferem ligeiramente das estimativas de mínimos quadrados
b1 = 0,466 e b2 = 0,292, obtidas diretamente da função de produção. Isso ocorre porque a
aplicação do método de mínimos quadrados para a função de custo é um problema
diferente da aplicação do método de mínimos quadrados para a função de produção.

3.6 (a)
yt = ln qt xt = ln pt

6,793466 0,207014
6,919684 0,139762
6,966024 0,095310
6,984670 0,182322
6,522093 0,300105
6,605298 0,223144
6,695799 0,246860
7,150701 -0,010050
6,852243 0,198851
6,773080 0,223144
6,579251 0,262364
6,999422 0,048790

Y
7,2

7,0

6,8

6,6

6,4 X
-0,05 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35

Figura 3.3 Observações sobre Y=ln(q) e X= ln(p)

 5

Capítulo 3 Soluções dos Exercícios

(b) O cálculo dos valores para b1 e b2 é tipicamente feito no computado. Alguns resultados
intermediários e as estimativas são:
 yt xt = 14,24835  x t2 = 0,4661609  yt2 = 557,3354
 yt = 81,75173  xt = 2,117616 T = 12

T  xt yt   xt yt
b2   1,9273 b1  y  b2 x  7,1528
T  xt2    xt 
2

(c) O valor b2 = 1,93 é uma estimativa da elasticidade da demanda por lanches. Ela sugere
que um aumento de 1% no preço, diminuirá a quantidade demandada em 1,93%.
(d) Se a demanda é elástica (2 < 1), então uma queda no preço, aumentará a receita total;
com uma demanda inelástica (2 > 1), uma redução nos preços, diminuirá a receita total.
Nossa estimativa de b2 = 1,93, sugere que o Sanduichov deveria diminuir os preços.

3.7 Se o intercepto no modelo de regressão linear simples é zero, o modelo passa a ser
y t   x t  et

Para simplificar a notação do subscrito, nós colocamos 2 = .

(a) A função da soma de quadrados passa a ser
T T
S     yt  x t     y t2 
2
 2x t y t   2 x t2   y t2  2 x t y t   2  x t2
t 1 t 1

(b) Para encontrar o valor de  que minimiza S(), nós obtemos

dS
 2  x t y t  2  x t2
d

Igualando essa derivada a zero, nós temos

b  x t2   x t y t ou b
 xt yt
 x t2
(c) Do exercício 3.5, nós temos
 y t2 = 142,6064  x t yt = 418,53  x t2 = 1240
Assim, a função da soma de quadrados é
S() = 142,6064  837,06  + 1240 2
Da Figura 3.4 nós podemos visualizar que o valor minimizante é aproximadamente b =
0,34. Essa é a estimativa de mínimos quadrados porque, do item (b)

b
x y t t

418,53
 0,33752
x 2
t 1240

(d) Quando 2 = 0, mas 1  0, o modelo passa a ser

yt  1  et
 6

Capítulo 3 Soluções dos Exercícios

600
S(β)

300

1
-0,34

-0,17

0,17

0,34

0,85
0,51

0,68
β
Figura 3.4 Função da Soma de Quadrados.

A função da soma de quadrados passa a ser

T
S   1     y t   1    y t2  2 1  y t  T  12
2

t 1

Para conseguir o valor minimizante, nós temos

S   1 
 2 y t  2T  1
 1
Igualando essa derivada a zero

  y t  Tb1  0 ou b1   yt y
T
Quando nós temos somente um intercepto e nenhuma variável explanatória, o estimador de
mínimos quadrados para o intercepto é a média amostral y . Para os dados na Tabela 3.2,
a função da soma de quadrados é
S(1) = 142,6064  84,16 1 + 15  12
Da Figura 3.5, nós vemos que o valor minimizante é y = 2,8053.

3.8 (a) Os gráficos de u contra q e de ln(u) contra ln(q) aparecem nas Figuras 3.6 e 3.7. Os dois
gráficos são bastante similares em natureza.
(b) b1 = 6,0191 b2 = 0,3857
Como ln(u1) = 1, uma estimativa de u1 é
uˆ1  exp b1   exp 6,0191  411,208
Esse resultado sugere que 411,2 foi o custo de produção da primeira unidade. A estimativa
b2 = 0,3857 sugere que o aumento de 1% na produção acumulada diminuirá os custos em
0,386%. Os números parecem sensatos.
 7

Capítulo 3 Soluções dos Exercícios

S()
160

120

80

40


0
0 0,7 1,4 2,1 2,8 3,5 4,2 4,9 5,6

Figura 3.5 Função da Soma de Quadrados.

u
30

25

20

15 q
1000 2000 3000 4000
Figura 3.6 Dados da Curva de Aprendizado .
 8

Capítulo 3 Soluções dos Exercícios

3,3
ln(u)

3,0

2,7 ln(q)
7,0 7,4 7,8 8,2

Figura 3.7 Dados da Curva de Aprendizado em Logs.

3.9 (a) O modelo é um modelo de regressão simples porque ele pode ser escrito como
y   1   2 x  e em que y = rj  rf , x = rm  rf , 1 = j e 2 = j.
(b) A estimativa beta da Mobil Oil é b2 = 0,7147. Esse valor sugere que a ação da Mobil Oil é
defensiva.
(c) b1 = 
 j = 0,00424. Esse pequeno valo parece consistente com a teoria financeira.

(d) Dado j = 0, a estimativa beta da Mobil é b2 = 0,7211. A restrição j = 0 levou a apenas

uma pequena diminuição no beta.

3.10 Quando xt = c, o denominador na equação 3.3.8a é

T  xt2    xt  2  T  c 2    c 2  T  Tc 2    Tc 2  T 2 c 2  T 2 c 2  0
O numerador é
T  xt yt   xt  yt  T  cyt   c  yt  Tc  yt  Tc yt  0

Assim, o estimador de mínimos quadrados não pode ser calculado quando xt  c para todos os
t.

3.11 As observações de y e x e a reta estimada de mínimos quadrados no item (b) estão colocadas no
gráfico da Figura 3.8. A reta retirada do item (a) dependerá da escolha subjetiva de cada
estudante sobre a posição da reta. Por essa razão, ela foi omitida.
(b) Cálculos preliminares apresentam:

 xt  21  yt  44  xt yt  176  xt2  91 y  7,3333 x  12

As estimativas de mínimos quadrados são
 9

Capítulo 3 Soluções dos Exercícios

T  xt yt   xt  yt 6  176  21  44
b2    1, 2571
T  xt2    xt  6  91  212
2

b1  y  b2 x  7,3333  1, 2571 3,5  2,9333

12

10

Y 8

2
0 2 4 6 8

Figura 3.8 Observações e reta ajustada para o Exercício 3.11

1,0

0,5

0,0

-0,5

-1,0
1 2 3 4 5 6

Resíduos Y
Figura 3.9 Gráfico dos resíduos contra x para o Exercício 3.11

(c) y   yt T  44 6  7,3333

x   xt T  21 6  3,5
O valor previsto de y quando x  x é
yˆ x  b1  b2 x  2,9333  1, 2571 3,5  7,3333

Nós observamos que y� x  y . Assim, o valor previsto na média amostral x é a média

amostral da variável dependente y . A reta de mínimos quadrados estimada passa através

do ponto ( x , y ) .
(d) Os valores dos resíduos de mínimos quadrados, calculados de e� yt  b1  b2 xt , são:
eˆ1  0,19048 eˆ2  0,55238 eˆ3  0, 29524

eˆ4  0,96190 eˆ5  0, 21905 eˆ6  0,52381

 10

Capítulo 3 Soluções dos Exercícios

A soma desses termos é  e�

t  0.

(e) Os resíduos de mínimos quadrados são colocados no gráfico contra x na Figura 3.9. Eles
parecem apresentar um padrão cíclico. Contudo, com somente seis pontos é difícil extrair
qualquer conclusão geral.
3.12 (a) Se 1  0, o modelo de regressão simples passa a ser
yt   2 xt  et

(b) Graficamente, a implicação de colocarmos 1  0 é que a média do modelo de regressão

linear simples E ( yt )  2 xt passa através da origem (0, 0).
(c) Os estimadores de mínimos quadrados em (3.3.8) não são mais apropriados se nós
sabemos que 1  0 porque, nesse caso, uma função diferente da “soma de quadrados” do
método de mínimos quadrados precisa ser minimizada.
(d) Para simplificar a notação nós colocamos 2  . A função da soma de quadrados passa a
ser
T T
S ()   ( yt  xt )2   ( yt2  2xt yt   2 xt2 )   yt2  2 xt yt   2  xt2
t 1 t 1

 352  2  176  91 2  352  352   91 2

Um gráfico da função quadrática aparece na Figura 3.10. O valor mínimo dessa função é
aproximadamente 12 e ocorre quando, aproximadamente, 2  1,95. A significância desse
valor é que ele é a estimativa de mínimos quadrados.
(e) Para encontrar o valor de  que minimiza S () nós obtemos
dS
 2 xt yt  2  xt2
d
Igualando essa derivada a zero, nós temos

b xt2   xt yt ou b  xt y t
 xt2
Assim, a estimativa de mínimos quadrados é
176
b2   1,9341
91
o qual está em acordo com o valor aproximado de 1,95 que nós obtemos geometricamente.
(f) O valor gerado pelo computador é também b2  1,9341.
(g) A reta da regressão ajustada é colocada no gráfico na Figura 3.11. Observe que o ponto
( x , y ) não está sobre a reta ajustada nesse caso.

t  y t  b2 xt são:
(h) Os resíduos de mínimos quadrados, obtidos de e�
eˆ1  2,0659 eˆ2  2,1319 eˆ3  1,1978
 11

Capítulo 3 Soluções dos Exercícios

eˆ4  0,7363 eˆ5  0,6703 eˆ6  0,6044

A soma desses termos é  eˆt  3,3846. Observe que esse valor não é igual a zero, como
seria o caso para 1  0.
40 12

35 10

30 8
* (3.5, 7.333)
SQ

25 6

Y1
20 4

15 2

10 0
1,6 1,8 2,0 2,2 2,4 0 1 2 3 4 5 6

BETA X1

Figura 3.10 Soma dos quadrados para  2 Figura 3.11 Regressão ajustada:
x = 3,5; y = 7,333 .

3.13 (a) Se 2  0, o modelo de regressão linear simples passa a ser

yt   1  et

(b) Graficamente, 2  0 implica que a média da função para y t é uma reta horizontal que é
constante para todos os valores de x; isto é
E ( yt )  1

(c) 2  0 implica que não existe relação entre y e x.

(d) As fórmulas em (3.3.8) não são apropriadas se sabemos que 2  0 porque elas são
obtidas pela minimização de uma função da soma de quadrados que inclui  2 .
(e) A função de soma de quadrados passa a ser
T
S (1 )   ( yt  1 ) 2   yt2  21  yt  T 12  352  881  6 12
t 1

Essa função quadrática é colocada em um gráfico na Figura 3.12. O valor de 1 que

minimiza S (1 ) é a estimativa de mínimos quadrados. Do gráfico podemos visualizar que
esse valor é aproximadamente 1  7,35.

(f) Para encontrar a fórmula para a estimativa de mínimos quadrados de 1 , nós derivamos
S (1 ) , produzindo

S (1 )
 2 yt  2T 1
1
Igualando essa derivada a zero
 12

Capítulo 3 Soluções dos Exercícios

  yt  Tb1  0 ou b1   yt y
T
Quando nós temos apenas o intercepto e nenhuma variável explanatória, o estimador de
mínimos quadrados para o intercepto é a média amostral y . Esse valor é b1  y  7,333 ,
que está próximo do valor que nós obtemos geometricamente.

31,0
SQ_BETA1

30,5

30,0

29,5

29,0
7,0 7,2 7,4 7,6 7,8

BETA1

Figura 3.12 Função da soma de quadrados para 1 para o Exercício 3.13

9000

8000
*MÉDIAS SEMANAIS
7000
VENDAS

6000

5000

4000
0 100 200 300 400 500 600

PROPAG

Figura 3.13 Gráfico da reta de regressão das vendas-propaganda para o Exercício 3.14

3.14 (a) O relatório do consultor implica que as estimativas de mínimos quadrados satisfazem as
seguintes equações
b1  450b2  7500

b1  600b2  8500
Resolvendo essas duas equações, temos
1000
b2   6,6667 b1  4500
150
(b) Um gráfico da reta de regressão ajustada aparece na Figura 3.13.

3.15 (a) A estimativa do intercepto b1  240 é uma estimativa do número de refrigerantes

vendidos quando a temperatura é 0 grau Fahrenheit. Um problema comum para
interpretar o intercepto estimado é que nós freqüentemente não dispomos de qualquer dado
 13

Capítulo 3 Soluções dos Exercícios

próximo de X  0. Se nós não temos nenhuma observação na região onde a temperatura é

0, então a relação estimada pode não ser uma boa aproximação para a realidade daquela
região. Claramente, é impossível vender 240 refrigerantes e, assim, essa estimativa não
deveria ser aceita como razoável.
O coeficiente angular estimado b2  6 é uma estimativa do aumento de refrigerantes
vendidos quando a temperatura se eleva em 1 grau Fahrenheit. Essa estimativa faz sentido.
Alguém esperaria que o número de refrigerantes vendidos aumentasse com a elevação da
temperatura.
(b) Se a temperatura for de 80 graus, o número predito de refrigerantes vendidos é
y� 240  6  80  240

(c) Se nenhum refrigerante for vendido, y  0, e

0  240  6  x ou x  40 .
Assim, essa equação prediz que nenhum refrigerante será vendido abaixo de 40F.
(d) Um gráfico da reta de regressão estimada aparece na Figura 3.14.
 14

Capítulo 3 Soluções dos Exercícios

300

200

100
REFRIG

-100

-200

-300
0 20 40 60 80

TEMP

Figura 13.4 Gráfico da reta de regressão para as vendas de refrigerantes e temperatura para o Exercício
3.15

3.16 (a)

Variável Média Desvio Mínimo Máximo

Padrão

price (preço) 82133 12288 52000 111002

sqft 1794,6 200,02 1402,0 2100,0

(b) O gráfico na Figura 3.15 sugere uma relação positiva entre preço da casa e tamanho.
(c) A equação estimada é
price  426,71  46,005 sqft
O coeficiente 46,005 sugere que o preço da casa aumenta aproximadamente $ 46 para
cada pé quadrado de tamanho da casa. O intercepto, se tomado literalmente, sugere que
uma casa como zero pé quadrado de tamanho custaria $ 426. O modelo não deveria ser
levado a sério perto dos valores de zero para o tamanho da casa, já que são valores sem
significado.
(d) Um gráfico dos resíduos contra o tamanho da casa aparecem na Figura 3.16. Parece existir
uma ligeira tendência para o aumento da magnitude dos resíduos quando o tamanho das
casas aumenta.
(e) O valor predito de uma casa com 2000 pés quadrados de área útil é
pricef  426,71  46,005  2000  91.583
 15

Capítulo 3 Soluções dos Exercícios

30000
120000

20000

100000
10000
PREÇO

RESID
0
80000

-10000

60000
-20000

-30000
40000
1200 1400 1600 1800 2000 2200
1200 1400 1600 1800 2000 2200

SQFT
SQFT

Figura 3.15 Preço contra pés quadrados Figura 3.16 Resíduos contra pés quadrados