Escolar Documentos
Profissional Documentos
Cultura Documentos
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 .
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
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)
(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
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
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
5.5 (a) Para p = 0,005, a hipótese nula seria rejeitada para os níveis de significância de 5% e de
1%.
4
(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.
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.
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
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�
0 y0 ) E ( y
E ( y� � 0 ) E ( y0 ) 1 2 x0 1 2 x0 E ( e0 ) 0.
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
(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 0,046771 1 8 8 2 0,04989
vâr yˆ 0 y 0 ˆ 2 1 15
15 xt x 2 280
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
5.13 (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.
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 )
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
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
(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
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
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
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
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.
(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)
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
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
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.
(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