1

Capítulo 5 Soluções dos Exercícios

Soluções para os Exercícios do Capítulo 5

5.1 (a) O intervalo requerido é b1  tc ep(b1 ) em que b1  40,768, tc  2,024 e ep(b1 )  22,139.
Assim,
40,768  2,024  22,139 = (4,04, 88,57)
Nós estimamos que 1 está entre 4,04 e 85,57. Em um processo de amostragem repetido,
95% dos intervalos construídos similarmente conteriam 1 .

(b) Para testar H 0 : 1  0 contra H1 : 1  0 , nós calculamos o valor-t

b1  1 40,768  0
t1    1,84
ep(b1 ) 22,139

Como o valor crítico a 5% é tc  2,024 , que excede 1,84, nós não rejeitamos H 0 . Os
dados não rejeitam a hipótese de intercepto nulo.
(c) O valor-p de 0,0734 representa a soma das áreas embaixo da distribuição t, à esquerda de
1,84 e à direita de 1,84. Como a distribuição t é simétrica, cada uma das áreas nas
caudas terão 0,0734 2  0,0367. Cada uma das áreas nas caudas, além dos valores
críticos, tc  2,02 , são de 0,025. Como 0,025 < 0,0367, H 0 não é rejeitada. Pela
Figura 5.1 nós podemos ver que ter um valor-p > 0,05 é equivalente a ter tc  t  tc .

(d) O teste de H 0 : 1  0 contra H1 : 1  0, exige o mesmo valor t que no item (b), t = 1,84.
Pelo fato de ser um teste unicaudal, o valor crítico é escolhido de tal forma que existe uma
probabilidade de 0,05 na cauda direita; isto é, tc  1,686. Como t = 1,84 > tc = 1,69, H 0
é rejeitada e nós concluímos que o intercepto é positivo. Nesse caso, o valor-p = P(t >
1,84) = 0,0367. Nós visualizamos da Figura 5.2 que ter um valor-p < 0,05 é equivalente a
ter t > 1,69.
0,4

0,3
fdp

0,2

-1,84 1,84
0,1 | |
| |
-tc | || tc
| | | |
|
0,0 | | | |
-3 -2 -1 0 1 2 3

Figura 5.1 Valores t observados e críticos para o teste bicaudal na Questão 5.1(c)
 2

Capítulo 5 Soluções dos Exercícios

0,4

0,3
fdp

0,2

tc
0,1 |
|
| 1,84
|
| |
| |
0,0 | |
-3 -2 -1 0 1 2 3

Figura 5.2 Valores t observados e críticos para o teste unicaudal na Questão 5.1(d)

(e) O termo “nível de significância” é utilizado para descrever a probabilidade de se rejeitar

uma hipótese nula verdadeira quando é conduzido um teste de hipótese. O termo “nível de
confiança” refere-se à probabilidade de um estimador de intervalo produzir um intervalo
que contenha o verdadeiro parâmetro. Quando fazemos um teste bicaudal da forma
H 0 : k  c contra H1 : k  c, a não rejeição de H 0 implica que c se encontra dentro do
intervalo de confiança, e vice-versa, fornecendo que o nível de significância é igual a um
menos o nível de confiança.
(f) Falso. Rigorosamente falando, nós não podemos fazer afirmações probabilísticas sobre um
parâmetro desconhecido que é uma constante como 1 . Assim, se for considerada uma
confiança de 95% como sinônimo de uma probabilidade de 95%, a afirmação é falsa.
Contudo, se nós admitirmos um termo “confiança” sem tanto rigor, a afirmação poderia
ser considerada como verdadeira. A probabilidade de aceitar H1 : 1  0 quando ela é falsa
é 0,05. Assim, depois de termos aceitado H1 , nós podemos dizer, nesse sentido, que nós
estamos 95% confiantes que 1 é positivo.

5.2 (a) O coeficiente da EXPER indica que, na média, a classificação da qualidade de um

desenhista sobe 0,076 para cada ano adicional de experiência.
(b) O intervalo de 95% de confiança para 2 é dado por
b2  tc ep(b2 )  0,0761  2,074  0,04449  ( 0,016, 0,168)
Nós estamos 95% confiantes de que o procedimento que nós utilizamos para a construção
de um intervalo de confiança produz um intervalo que contém 2 .

(c) Para testar H 0 :  2  0 contra H1 :  2  0, o valor-p é 0,1012. Ele é dado pela soma das
áreas abaixo da distribuição t, à esquerda de 1,711 e à direita de 1,711. A área em cada
cauda é 0,1012 2  0,0506. Nós não rejeitamos H 0 porque, para   0,05, o valor-p >
0,05.
(d) A classificação de qualidade prevista para um desenhista com 5 anos de experiência é
 3

Capítulo 5 Soluções dos Exercícios

ˆ
classificação  3, 2038  0,076118  5  3,58
Os passos exigidos para calcular um intervalo de previsão dependerão do software que
você estiver utilizando. A maioria dos softwares dará a você um erro padrão do erro de
previsão, ep( f ), obtido como a raiz quadrada de

 1 (5  x )2 
� y�
var(  y )  
� 2
 1   2 
 T  ( xt  x ) 
0 0

Então, um intervalo de previsão de 95% pode ser obtido de

yˆ 0  tc ep( f )  3,58  2,074ep( f )

5.3 (a) O coeficiente angular estimado indica que, na média, uma elevação de 1% na despesa real
total leva a um aumento de 0,322% na despesa real com alimentação. Ele é a elasticidade
da despesa com alimentação em relação à despesa total.
(b) Para testar H 0 : 2  0, 25 contra a alternativa H1 : 2  0, 25, nós calculamos o valor t,
assumindo que H 0 é verdadeira
b2  2 0,3224  0, 25
t   3,72
ep(b2 ) 0,01945
O valor crítico para um teste bicaudal, ao nível de significância de 0,01 e 23 graus de
liberdade é tc  2,807. Como t  3,72  tc  2,807, nós rejeitamos H 0 e concluímos que a
elasticidade para a despesa com alimentação não é igual a 0,25.
(c) Um intervalo de 95% de confiança para 2 é dado por
b2  tc ep(b2 )  0,3224  2,0687  0,019449  (0, 282, 0,363)
(d) Os termos de erro devem ser normalmente e independentemente distribuídos com média
zero e variância constante. Essa hipótese é necessária para que a fração (b2   2 ) se(b2 )
tenha uma distribuição t. Se o tamanho da amostra for de 100, nós poderíamos dispensar
a hipótese de um erro normalmente distribuído e passaríamos a depender do teorema do
limite central para demonstrar que (b2   2 ) ep(b2 ) tem uma distribuição t ou normal
aproximada.
(e) A omissão de uma variável relevante enviesará a estimativa de 2 e faz com que as
fórmulas para o cálculo da estatística de teste e do intervalo de confiança sejam incorretas.

5.4 Como a estatística t apresentada é dada por t  b ep(b2 ) e a variância estimada é var(
� b) 
2
[ep(b)] , nesse caso, nós temos

ˆ b)  (b t ) 2  (3782,196 6,607) 2  327.702

var(

5.5 (a) Para p = 0,005, a hipótese nula seria rejeitada para os níveis de significância de 5% e de
1%.
 4

Capítulo 5 Soluções dos Exercícios

(b) Para p = 0,0108, a hipótese nula seria rejeitada ao nível de significância de 5%, mas não
ao nível de significância de 1%.
5.6 (a) Hipóteses: H 0 : 2  0 contra H1 : 2  0
Valor t calculado: t  0,310 0,082  3,78
Valor crítico t: tc  2,819
Decisão: Rejeitar H 0 porque t  3,78  tc  2,819.

(b) Hipóteses: H 0 : 2  0 contra H1 : 2  0

Valor t calculado: t  0,310 0,082  3,78
Valor crítico t: tc  2,508
Decisão: Rejeitar H 0 porque t  3,78  tc  2,508.

(c) Hipóteses: H 0 : 2  0 contra H1 : 2  0

Valor t calculado: t  0,310 0,082  3,78
Valor crítico t: tc  1,717
Decisão: Não rejeitar H 0 porque t  3,78  tc  1,717.

(d) Hipóteses: H 0 : 2  0,5 contra H1 :  2  0,5

Valor t calculado: t  (0,310  0,5) 0,082  2,32
Valor crítico t: tc  2, 074
Decisão: Rejeitar H 0 porque t  2,32  tc  2,074.
(e) Uma estimativa de intervalo de 99% para o coeficiente angular é dada por
b2  tc ep(b2 ) = 0,310  2,819  0,082 = (0,079, 0,541)

Nós estimamos que 2 está entre 0,079 e 0,541, utilizando um procedimento que funciona
99% das vezes em amostras obtidas repetidamente.

5.7 (a) Quando estimamos E ( y0 ), nós estamos estimando o valor médio de y para todas unidades
observáveis com um x valor de x0 . Quando prevemos y0 , nós estamos prevendo o valor de
y para uma unidade observável com um x valor de x0 . O primeiro exercício não envolve o
termo aleatório e0 ; o segundo sim.

(b) E (b1  b2 x0 )  E (b1 )  E (b2 ) x0  1  2 x0

var(b1  b2 x0 )  var(b1 )  x02 var(b2 )  2 x0 cov(b1 , b2 )

2  xt2  2 x02 2 2 x0 x
  
T  ( xt  x )2  ( xt  x )2  ( xt  x )2

 2 ( ( xt  x )2  Tx 2 )  2 ( x02  2 x0 x )
 
T  ( xt  x ) 2  ( xt  x )2
 5

Capítulo 5 Soluções dos Exercícios

 1 x 2  2 x0 x  x 2  
2 1 ( x0  x )2 
 2   0      2 
T  ( xt  x )2   T  ( xt  x ) 
5.8 0 )  y 0 porque y0 é uma variável aleatória.
Não é apropriado dizer que E ( y�

0 )  1  2 x0  1   2 x0  e0  y0
E ( y�

Nós necessitamos incluir y0 na esperança, assim

0  y0 )  E ( y
E ( y� � 0 )  E ( y0 )  1   2 x0   1   2 x0  E ( e0 )   0.

5.9 A equação estimada é


preçot =426,7 +46,005 sqftt
(5061,2) (2,803) (ep)
(a) Um intervalo de 95% de confiança para 2 é
b2  tc ep(b2 ) = 46,005  1,97  2,803 = (40,48, 51,53)

(b) Para testar H 0 : 2  0 contra H1 : 2  0, nós calculamos o valor t  46,01 2,803

 16, 41 . Ao nível de significância de 5%, o valor crítico para um teste unicaudal e 211
graus de liberdade é tc  1,652. Como t = 16,41 > tc = 1,65, H 0 é rejeitada. Nós
concluímos que existe uma relação positiva entre o tamanho da casa e o preço.
(c) Para testar H 0 : 2  50 contra H1 :  2  50, nós calculamos o valor t
t  (46,005  50) 2,803  1, 43.
Ao nível de significância de 5%, os valores críticos para um teste bicaudal e 211 graus de
liberdade são tc  1,97. Como t = 1,43 cai entre 1,97 e 1,97, nós não rejeitamos H 0 .
Os dados não estão em conflito com a hipótese que diz que o valor de um metro quadrado
de espaço de casa é $ 50.
(d) O ponto de previsão para o preço de uma casa com 2000 metros quadrados é

preço 0 = 426,7 + 46,005  2000 = 91.583
Um intervalo de previsão de 95% para o preço de uma casa com 2000 metros quadrados é

preço0  tc ep( f )  91583  1,97  8202,6  (75424, 107742)

5.10 0  b1  b2 x0  1  1  5  6
y�

 1 ( x0  x ) 2   1 (5  1) 2 
ˆ f )  ˆ 2 1  
var(   5,3333 1     14,9332
 T  ( xt  x ) 
2
 5 10 

ep( f )  14,9332  3,864

 6

Capítulo 5 Soluções dos Exercícios

5.11 Utilizando um software apropriado, nós encontramos que

b1 = 0,46562 var(
 b1 ) = 0,0138097 ep(b1) = 0,1175
b2 = 0,29246 var(
 b2 ) = 0,00016705 ep(b2) = 0,01292

(a) Os estimadores de intervalos para 1 e 2 são dados por b1  tc ep(b1 ) e b2  tc ep(b2 ) , onde
tc = 2,16 é o valor crítico à 5% com 13 graus de liberdade. Portanto, a estimativa de
intervalo para 1 é
0,46562  2,16(0,1175) = (0,2118, 0,7195)
A estimativa de intervalo para 2 é
0,29246  2,16(0,01292) = (0,2645, 0,3204)
Se nós utilizarmos os estimadores de intervalo para calcular um número grande de
estimativas de intervalo como essas, em um processo de amostragem repetido, 95% desses
intervalos conterão 1 e 2.
(b) Para testar a hipótese de que 1 = 0 contra a alternativa de que ele é positivo, nós
construímos as hipóteses H0: 1 = 0 contra H1: 1 > 0. A estatística de teste é
t  b1 ep  b1  . Como o teste é unicaudal, ao nível de significância de 5%, a região de
rejeição é t > 1,771. O valor da estatística do teste é t  0, 46562 / 0,1175  3,962. Como t
= 3,962 > tc = 1,771, nós rejeitamos a hipótese nula, indicando que os dados não são
compatíveis com 1 = 0; eles dão suporte à hipótese 1 > 0.
(c) As hipóteses são H0: 2 = 0 contra H1: 2 > 0. A estatística do teste é t  b2 ep  b2  . Para
um nível de significância de 5% e um teste unicaudal, a região de rejeição é tc > 1,771. O
valor da estatística do teste é t  0,29246 / 0,01292  22,628 . Como t = 22,628 > tc =
1,771, nós rejeitamos a hipótese nula e concluímos que os dados não são compatíveis com
2 = 0; eles dão suporte à hipótese alternativa de que 2 é positivo.
(d) O produto marginal do insumo é dy / dx , que é igual a 2. Assim, as hipóteses são H0: 2 =
0,35 contra H1: 2  0,35. A estatística do teste é t   b2  0,35  ep(b2 ) . Ao nível de
significância de 5%, a região de rejeição é | t | > 2,160. O valor da estatística do teste é
t  (0, 29246  0,35) / 0,01292  4, 452 . Como t = 4,452 < tc = 2,160, nós rejeitamos
a hipótese nula e concluímos que os dados não são compatíveis com 2 = 0,35. Os dados
não dão suporte para a hipótese de que o produto marginal do insumo é 0,35.
(e) A variabilidade amostral para o insumo ao nível 8 é
 1  8  x  2   0,046771  1   8  8 2   0,04989
vâr  yˆ 0  y 0   ˆ 2 1    15
 15   xt  x  2   280 

A variabilidade amostral para o insumo ao nível 16 é

 1 16  x  2   0,046771  1  16  8 2  = 0,06058

vâr  yˆ 0  y 0   ˆ 2 1    15
 15   xt  x  2   280 
 7

Capítulo 5 Soluções dos Exercícios

A variância do erro de previsão é menor na média amostral x = 8 e se torna maior quanto

mais distante x0 for de x . Como x0 = 16 está fora do intervalo da amostra, a variância do
erro de previsão nesse caso é maior do que os quadrados de todos os erros padrão na tabela
do item (b). A variância do erro de previsão refere-se à variância de ( y 0  y 0 ) em um
processo de amostragem repetido, onde, para cada amostra, nós temos diferentes
estimativas de mínimos quadrados de b1 e b2, e, conseqüentemente, um diferente previsor
y 0 , bem como um diferente valor futuro realizado de y 0 .

5.12 A equação estimada por mínimos quadrados da demanda é


ln qt =7,1528 1,9273 ln pt
(0,0442) (0,2241)
Os números entre os parênteses são os erros padrão.
(a) Para testar a hipótese de que a elasticidade da demanda é igual a 1, nós construímos as
hipóteses H0: 2 = 1 contra H1: 2  1. A estatística do teste é t   b2  (1)  ep(b2 ) .
Com 10 graus de liberdade e ao nível de significância de 5%, a região de rejeição é |t| >
2,228. O valor da estatística do teste é
 1,9273  1
t   4,138.
0,2241

Como t = 4,138 < 2,228, nós rejeitamos a hipótese nula e concluímos que a elasticidade
da demanda por hambúrgueres não é igual a 1.
(b) A previsão do logaritmo do número de hambúrgueres vendidos quando o preço é $2 é
ln qˆ 0   7,1527  1,9269ln 2  5,8168
e, assim, um ponto de previsão para o número de hambúrgueres é
q 0 = exp(5,8168) = 335,9
Assim, se o preço for $2, é previsto que 336 hambúrgueres serão vendidos.
Para encontrar um intervalo de previsão para o número de hambúrgueres, nós primeiro
encontramos um intervalo de previsão para o logaritmo do número de hambúrgueres. Um
intervalo de previsão de 95% para o logaritmo é
ln q 0   2,228 ep( f )

Agora, ep( f ) = 0,135783 , e, assim, um intervalo de previsão de 95% para ln(q0) quando
ln  p0   ln(2) = 0,693147 é

5,8168  2,228(0,13578) = (5,5143, 6,1194)

Dado exp(5,5143)  248 e exp(6,1194)  455 , um intervalo de previsão de 95% para o
número de hambúrgueres vendidos é (248, 455).
 8

Capítulo 5 Soluções dos Exercícios

5.13 (a) A relação linear entre seguro de vida e renda é estimada como
y
t = 6,8550 + 3,8802 xt
(7,3835) (0,1121)
onde os números entre os parênteses são os erros padrão.
(b) A relação no item (a) indica que, com o crescimento da renda, a montante gasto com
seguro de vida aumenta, como é esperado. O valor de b1 = 6,8550 implica que se uma
família não tem renda, então eles comprariam $6855 de seguro. É necessário tomar
cuidado com essa interpretação porque não existe nenhum dado para famílias com renda
próxima de zero. As partes (i), (ii) e (iii) discutem o coeficiente angular.

(i) Se a renda aumentar em $1000, então uma estimativa da mudança resultante no

montante gasto com seguro de vida é de $3880,20.
(ii) O erro padrão de b2 é 0,1121. Para testar uma hipótese sobre 2, a estatística do
teste é
b2  2
~ t T  2 
ep  b2 

Um estimador de intervalos para 2 é b2  tc ep  b2  , b2  tc ep  b2   , onde tc é o

valor crítico para t com (T2) graus de liberdade, ao nível de significância .
(iii) Para testar a afirmação, as hipóteses relevantes são H0: 2 = 5 contra H1: 2  5. A
alternativa foi escolhida como 2  5 porque, antes de nós testarmos, nós não temos
razão para suspeitar que 2 > 5 ou 2 < 5. A estatística do teste é aquela dada no
item (ii) com 2 colocado igual a 5. A região de rejeição (18 graus de liberdade) é
| t | > 2,101. O valor da estatística do teste é
b2  5 3,8802  5
t   9,99
ep  b2  0,1121

Como t =  9,99  2,101 , nós rejeitamos a hipótese nula e concluímos que a

relação estimada não dá suporte a afirmação feita.
(iv) As companhias de seguros de vida estão interessadas em características da família
que influenciam o montante de cobertura de um seguro de vida que é comprado por
diferentes famílias. Um determinante que provavelmente influencia o montante da
cobertura do seguro de vida é a renda familiar. Para visualizar se a renda é
importante e para quantificar seu efeito sobre os seguros, nós construímos o modelo
yt = 1 + 2xt + et , onde yt é a cobertura do seguro de vida pela t família, xt é a renda
familiar, 1 e 2 são parâmetros desconhecidos que descrevem a relação e et é um
erro aleatório não correlacionado com média zero e variância constante 2.
Para estimar nossa relação hipoteticamente admitida, nós tomamos uma amostra
aleatória de 20 famílias, coletamos informações sobre y e x e aplicamos o método de
estimação de mínimos quadrados. A equação estimada, com erros padrão nos
parênteses, é dada na parte (a). A estimativa pontual para a resposta da cobertura do
 9

Capítulo 5 Soluções dos Exercícios

seguro de vida para um aumento de renda de $1000 é $3880 e uma estimativa de

intervalo de 95% para essa quantidade é ($3645, $4116). Esse intervalo é
relativamente estreito, sugerindo que nós temos informações confiáveis a respeito da
resposta. A estimativa de intercepto não é significativamente diferente de zero, mas
esse fato isoladamente não é matéria de preocupação; como mencionado no item (b),
nós não damos para esse valor uma interpretação econômica direta.
A equação estimada poderia ser utilizada para sondar os prováveis pedidos de
seguros de vida e onde as mudanças podem ocorrer como resultado de variações na
renda.
(c) Para testar a hipótese de que a inclinação da relação é um determinado valor, nós
procedemos como fizemos na parte (b)(iii), utilizando 1 ao invés de 5. Assim, nossas
hipóteses são H0: 2 = 1 contra H1: 2  1. A região de rejeição é | t | > 2,101. O valor da
estatística do teste é
3,8802  1
t  25,7
0,1121

Como t  25,7  tc  2,101, nós rejeitamos a hipótese de que o montante de seguro de vida
cresce à mesma taxa quando a renda aumenta.
(d) Se a renda = $100,000, então o valor previsto para o montante de seguro de vida é
y 0 = 6,8550 + 3,8802(100) = 394,875.
Assim, o seguro de vida previsto é de $394,875 para uma renda de $100,000.

5.14 (a) Um estimador de intervalo de 95% para 2 é b2  2,145 ep(b2). Utilizando nossa amostra
de dados, a estimativa de intervalo correspondente é
0,3857  2.145  0,03601 = (0,4629, 0,3085)
Se nós utilizarmos o estimador de intervalos repetidamente para diferentes amostras, então
95% das estimativas de intervalo, como a de cima, conteriam 2. Assim, é provável que 2
esteja no intervalo dado pela expressão acima.
(b) Nós construímos as hipóteses H0: 2 = 0 contra H1: 2 < 0. A alternativa 2 < 0 é escolhida
porque nós esperaríamos que, se existe aprendizado, os custos unitários de produção
declinam à medida que a produção acumulada aumenta. A estatística de teste, dado que H0
é verdadeira, é
b2
t ~ t(14)
ep(b2 )

A região de rejeição é t < 1,761. O valor da estatística do teste é

0,3857
t  10,71
0,03601
Como t = 10,71 < 1,761, nós rejeitamos H0 e concluímos que existe aprendizado. Nós
chegamos a essa conclusão porque 10,71 é um valor improvável de vir da distribuição t,
que é válida quando não existe aprendizado.
(c) A previsão para o log do custo unitário quando q0 = 2000 é
 10

Capítulo 5 Soluções dos Exercícios

ln(uˆ0 )  6,0191  0,3857ln(2000)  3,0875

O intervalo de previsão de 95% para o custo unitário de produção é
exp  ln(uˆ0 )  tc ep( f )   exp(3,0875  2,1448  0,051474)  (19, 63, 24, 48)
(d) Quão rapidamente os trabalhadores aprendem suas tarefas e, conseqüentemente, a
velocidade com que os custos unitários de produção caem à medida que a produção
acontece são importantes informações para os gerentes das fábricas. Para investigar a
relação para a produção de dióxido de titânio da DuPont, nós construímos o modelo
econômico u  u1q a , onde u é o custo unitário de produção depois de se produzir q
unidades, u1 é o custo unitário de produção para a primeira unidade e a é a elasticidade dos
custos unitários em relação à produção acumulada. Um modelo estatístico correspondente
é
ln(ut )  1   2 ln( qt )  et

onde o subscrito t denota o ano em que as observações ut e qt foram coletadas, 1 = ln(u1),

2 = a e et é assumido ser um erro aleatório não correlacionado com média zero e variância
constante.
Utilizando 16 observações de 1955 a 1970, a relação estimada é
ln(u�
t ) =6,019 0,3859 ln( qt )
(0,275) (0,0360)
Ambos coeficientes têm os sinais esperados e são significativamente diferentes de zero ao
nível de significância de 0,01. O custo estimado da primeira unidade produzida é
� exp(6,019)  411, 2. Um aumento de 1% na produção diminui os custos
1  exp(1 ) 
u�
unitários em 0,386%. Utilizando uma estimativa de intervalo de 95% para avaliar a
confiabilidade dessa estimativa pontual, nós estimamos que a porcentagem de decréscimo
nos custos unitários fica entre 0,463 e 0,308. O gerente da DuPont pode usar essa
informação para prever os futuros custos unitários. Por exemplo, depois de se produzir
2000 unidades, é previsto que os custos unitários de produção caiam para um valor dentro
de um intervalo de 95% (19,63, 24,48) .

5.15 (a) Nós construímos as hipóteses H0: 2 = 1 contra H1: 2 < 1. A estatística de teste relevante,
dado que H0 é verdadeiro, é
b2  1
t ~t
ep  b2   118

A região de rejeição é t < 1,658. O valor da estatística do teste é

0,7147  1
t  3,332
0,08562

Como t = 3,332 < tc = 1,658, nós rejeitamos H0 e concluímos que o beta da Mobil Oil é
menor do que 1. Um beta igual a 1 sugere que a variação das ações é igual à variação do
mercado. Um beta menor do que 1 implica que a ação é menos volátil do que o mercado;
ela é uma ação defensiva.
 11

Capítulo 5 Soluções dos Exercícios

(b) O modelo estimado é dado por y t = 0,004241 + 0,7147 x, onde x é o prêmio de risco da
carteira de mercado e y é o prêmio de risco para os títulos da Mobil. O prêmio da Mobil
previsto quando x = 0,01
y 0 = 0,004241 + 0,7147  0,01 = 0,01139
Quando x = 0,1, a previsão é
y 0 = 0,004241 + 0,7147  0,1 = 0,07571

Estimativas de intervalo para cada valor de x são dados por yˆ 0  tc ep( f ) onde, para um
intervalo de 95% (e 118 graus de liberdade), tc = 1,98. Também, para x = 0,01, ep( f ) =
0,06434 e para x = 0,1, ep( f ) = 0,06483. As duas estimativas de intervalo de 95% são:
para x = 0,01: 0,01139  1,98  0,06434 = (0,1160, 0,1388)
para x = 0,1: 0,07571  1,98  0,06483 = (0,0527, 0,2041)
No contexto do problema (previsão do prêmio de risco da Mobil), esses intervalos são
muito largos e não muito informativos.
(c) As duas hipóteses são H0: 1 = 0 contra H1: 1  0. A estatística de teste, dado que H0 é
verdadeira, é
b1
t ~t
ep  b1   118

A região de rejeição é | t | > 1,98. O valor da estatística de teste é

0,0042408
t  0,7211
0,005881
Como t = 0,7211 < tc = 1,98, nós não rejeitamos H0. Os dados são compatíveis com um
intercepto que é igual a zero.
(d) Sem um intercepto, o modelo estimado é

y
 t = 0,7211 xt
(0,0850)
sendo que o erro padrão está entre parênteses. Testando H0: 2 = 1 contra H1:
2 < 1, a estatística de teste, dado que H0 é verdadeira, é
b2  1
t ~t
ep  b2   119

A região de rejeição é t < 1,658. O valor da estatística de teste é

0,7211  1
t=  3,282
0,08498

Como t = 3,282 < 1,658, nós rejeitamos H0 e concluímos que o beta da Mobil Oil é
menor do que 1.
A previsão do prêmio de risco da Mobil para x = 0,01 e x = 0,10
para x = 0,01: y 0 = 0,7211  0,01 = 0,007211
 12

Capítulo 5 Soluções dos Exercícios

para x = 0,1: y 0 = 0,7211  0,1 = 0,072112

Antes de voltarmos para os intervalos de previsão desses valores de x, observe que a
fórmula que nós temos usado para a variância do erro de previsão é somente válida quando
o modelo tem intercepto. Seu software reconhecerá a mudança e dará a resposta certa.
Contudo, é instrutivo derivar a expressão correta para modelos sem intercepto. O erro de
previsão é dado por
f  y 0  y 0  b2 x 0   2 x 0  e0   b2   2  x 0  e0
x 02  2
var  f   x 02 var  b2   2   var  e0    2
 xt 2

(A covariância entre (b2  2) e e0 é zero). Para mostrar que var  b2     x t2

2
, observe
que, do Exercício 3.7,

b2 
 xt yt
 x t2
2 2
 1   1  2 2
e var  b2     x t2 var  y t      x 2
t  .
  x t2    x t2   x t2
Retornando ao erro padrão do erro de previsão, nós temos
1/ 2 1/ 2
 x2   x02 
ep  f   ˆ  0 2  1  0,063945   1
 x 
 t   0,56624 

Quando x = 0,01, ep  f  = 0,06395 e o intervalo de previsão de 95% é

0,00721  1,98  0,06395 = (0,1194, 0,1338)

Quando x = 0,1, ep  f  = 0,06451 e o intervalo de previsão de 95% é

0,07211  1,98  0,06451 = (0,05561, 0,1998).

(e) Antes de investir no mercado de ações, os investidores analisam uma indicação do risco de
ações alternativas. Alguns investidores podem estar preparados para comprar ações com
um baixo retorno esperado, sabendo que sua variância é baixa também. Outros podem
comprar ações de risco na esperança de grandes ganhos. E, um terceiro grupo, pode
assumir uma carteira de ações que possui títulos com diferentes riscos. Qualquer que seja a
situação, é importante ser capaz de avaliar o risco de diferentes ações. O risco pode ser
examinado olhando para a magnitude do j no modelo
 rj  rf    j   j  rm  rf   e j
onde rj , rf e rm são o retorno do título j, a taxa livre de risco e a taxa de mercado,
respectivamente. Valores de j menores do que 1 sugerem que a ação j é menos volátil do
que o mercado e não é uma ação de risco. Valores de j maiores do que 1 são uma
indicação de que a ação j é arriscada; sua variação é mais sensível à variações no mercado.
 13

Capítulo 5 Soluções dos Exercícios

Para avaliar as características da ações da Mobil Oil, 120 observações mensais sobre rj ,
rf e rm , para o período compreendido entre 1978 e 1987, são coletadas. A equação
estimada por mínimos quadrados é
( rˆ j  r f )  0,00424  0,715 ( rm  r f )
(0,00588) (0,086)
Uma estimativa de intervalo de 95% para o j da Mobil é (0,545, 0,884). Assim, nós
podemos concluir que as ações da Mobil são menos voláteis do que o mercado como um
todo. É uma boa escolha para um investidor avesso ao risco.
Contudo, uma volatilidade reduzida pode trazer como custo a redução da taxa de retorno.
Como nós descobrimos na parte (b), quando o prêmio de risco do mercado é 10%, o
prêmio de risco previsto para Mobil é de apenas 7,57%. Com um prêmio de risco do
mercado baixo, tal como 1%, a previsão para a Mobil é relativamente alta (1,14%). Esse
valor alto é uma conseqüência do intercepto positivo estimado. Em ambos os casos, deve
ser reconhecido que o nosso modelo não é bom para a previsão do prêmio de risco da
Mobil. O amplo intervalo de previsão significa que existe uma grande soma de incerteza
associado ao valor realizado do prêmio de risco. Quando o prêmio de risco do mercado é
10%, nós prevemos que o prêmio de risco da Mobil fica entre 5,27% e 20,41%; para um
prêmio de risco do mercado de 1%, a previsão correspondente está entre 16,6% e
13,88%.
Assim, enquanto nós somos capazes de confiar na conclusão de que as ações da Mobil são
menos voláteis do que o mercado, nós não somos capazes de dar uma previsão confiável do
prêmio de risco ou da taxa de retorno da Mobil.

5.16 (a) (a) b1  t  ep(b1 ) = 1,257  2,1738 = 2,732

(b) valor-p = 2   1  P(t  1, 257)  = 2  (1  0,8926) = 0,2148

(c) ep(b2 )  b2 t  0,18014 5,754  0,0313

ˆ b1 )   ep(b1 )   2,17382  4,725

2
(d) var(

(b) O coeficiente angular estimado b2  0,18 indica que um aumento de 1% nos homens com
idade de 18 ou mais, que têm nível médio de ensino, eleva a renda média deles em $180. O
sinal positivo deu como esperávamos; mais educação deveria levar a salários mais altos.
(c) Um intervalo de 99% de confiança para o coeficiente angular é dado por
b2  tc ep(b2 ) = 0,1801  2,68  0,0313 = (0,096, 0,264)

(d) Para testar H 0 : 2  0, 2 contra H1 : 2  0, 2, nós calculamos

t  (0,1801  0, 2) 0,0313  0,634. Os valores críticos para um teste bicaudal ao nível de
significância de 5% e 49 graus de liberdade são tc  2,01. Como t = 0,634 está no
intervalo (2,01, 2,01), nós não rejeitamos H 0 . A hipótese nula sugere que um aumento de
1% nos homens com 18 anos ou mais, que têm nível médio, leva a uma elevação de $200
 14

Capítulo 5 Soluções dos Exercícios

na renda média desses homens. A não rejeição de H 0 significa que esta afirmação é
compatível com a amostra de dados.
(e) O resíduo de Louisiana é
e�
0 = 15,365  2,732  0,18014  61,3 = 1,59.

(f) A previsão é
� = 2,732 + 0,18014  75 = 16,24
MIM 0

5.17 (a) Seja yt a quantidade de refrigerantes consumida e xt seja a temperatura máxima. A

relação linear entre yt e xt é yt  1   2 xt  et . Utilizando os dados disponíveis, as
estimativas de mínimos quadrados da equação são dadas por
y�
t = 771,26 + 25,761 x t R 2 = 0,9338
(127,13) (1,714)
onde os erros padrão estão nos parênteses.
(b) Para testar se aumentos de temperatura elevam a quantidade consumida, nós testamos a
hipótese de que H 0 : 2  0 contra H1 : 2  0. Dado que H 0 é verdadeira, a estatística
de teste é t= b2 ep(b2 ). Utilizando um nível de significância de 5% e observando que nós
temos 16 graus de liberdade, a região de rejeição é t > 1,746. O valor da estatística de teste
é
25,761
t  15,029
1,7141

Como 15,029 > 1,746, nós rejeitamos H 0 e concluímos que existe suficiente evidência nos
dados para sugerir que aumentos de temperatura elevam a quantidade consumida.
(c) Quando x0  70, a previsão pontual para a quantidade de refrigerantes vendida é
y�
0 = 771,26 + 25,761(70) = 1032,0

Para calcular o intervalo de previsão, nós precisamos do erro padrão do erro de previsão.
Utilizando um software, é encontrado um valor ep( f ) = 60,974. Um intervalo de previsão
de 95% é dado por
yˆ 0  tc ep( f ) = 1032  2,21  60,974 = (902,7, 1161,3)

(d) A temperatura para a qual a venda de refrigerantes é zero é o valor de x0 que satisfaz a
equação
0 = 771,26 + 25,761 x0
ou, x0  771, 26 25,761  29,9
 15

Capítulo 5 Soluções dos Exercícios

5.18 (a) A relação mostra como um aumento (ou diminuição) nas apreensões de pessoas entrando
ilegalmente nos E.U.A. depende da elevação (ou diminuição) do tempo de policiamento nas
fronteiras. O coeficiente angular dá a elasticidade de ( At At 1 ) em relação à mudanças em
( Et Et 1 ). Como as variáveis são mensuradas em termos de logs de frações ou
“diferenças de log”, elas representam mais mudanças relativas do que magnitudes
absolutas.
Para testar a significância do coeficiente angular estimado, nós testamos H 0 : 2  0
contra H1 : 2  0. O valor calculado é t  0,510 0,126 = 4,05. Com tal amostra grande,
nós podemos tomar tc = 1,96 como sendo o valor crítico à 5%. Como 4,05 > 1,96, nós
rejeitamos H 0 e concluímos que o coeficiente angular estimado é significante.
(b) Essa relação descreve como mudanças nas apreensões de imigrantes ilegais dependem de
mudanças na taxa salarial mexicana no setor de manufaturas. O coeficiente angular nos dá
a elasticidade de ( At At 1 ) em relação às variações em ( MWt MWt 1 ). Novamente,
observe que as variáveis representam mudanças nos logs.
Para testar a significância do coeficiente angular estimado, nós testamos H 0 : 2  0
contra H1 : 2  0. O valor calculado é t  0,550 0,169 = 3,25. Como 3,25 < 1,96,
nós rejeitamos H 0 ao nível de significância de 5%. O coeficiente angular estimado é
significativo.

5.19 (a) O coeficiente angular estimado na tabela mostra como se espera que a taxa de crescimento
de um país varie quando existe um mudança na expectativa de vida. De acordo com a
teoria de Swanson e Kopecky, os sinais deveriam ser positivos. Assim, os sinais para os
países da OECD não são os que nós esperávamos.
(b) Os resultados dos testes de H 0 :  2  0 contra H1 : 2  0 aparecem na seguinte tabela.

Grupo gl valor t tc Decisão

África 36 3.36 1,69 Rejeição de H 0

OECD 21 0,70 1,72 Não rejeição de H 0
América Latina 20 0,34 1,72 Não rejeição de H 0
Ásia 15 2.51 1,75 Rejeição de H 0
Todos os países 102 5.77 1,66 Rejeição de H 0

(c) Uma estimativa de intervalo de 95% do coeficiente angular da América Latina é dado por
b2  tc ep(b2 )  0,012  2,086  0,03529 = (0,062, 0,086)
Uma estimativa de intervalo de 95% do coeficiente angular da Ásia é dado por
b2  tc ep(b2 )  0,113  2,131  0,04502 = (0,017, 0,209)
 16

Capítulo 5 Soluções dos Exercícios