AULA 6 Estatistica ICMS MA Correlacao e Regressao Linear Simples - Unlocked

Curso: Estatística p/ ICMS-MA
Teoria e Questões comentadas

Prof. Fábio Amorim - Aula 06
Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.
Cópia registrada para (CPF: )
Aula 06
Curso: Estatística para ICMS-MA
Professor: Fábio Amorim
Prof. Fábio Amorim 1 de 59

`Ìi`ÊÜÌÊÌiÊ`iÊÛiÀÃÊvÊ
www.exponencialconcursos.com.br vÝÊ*ÀÊ*Ê `ÌÀÊ
/ÊÀiÛiÊÌÃÊÌVi]ÊÛÃÌ\Ê
ÜÜÜ°Vi°VÉÕV°Ì
Olá Pessoal, tudo bem?
Apresentamos a vocês nossa derradeira Aula 06 de Estatística!

E os estudos como estão?
Apesar de esta ser a última aula, lembro que estou à disposição para
esclarecer quaisquer dúvidas sobre nossa disciplina, até o término do concurso
para o cargo de Auditor Fiscal da Receita Estadual e Técnico da Receita

Estadual – Estado do Maranhão.
Além disso, estarei atento às possibilidades de recursos para as
questões.
Por fim, só posso desejar muito sucesso a vocês nessa empreitada.
Tenham muito foco e determinação no objetivo traçado!
Escrevendo esse texto, lembrei de diversas pessoas que conheci na
trajetória dos concursos. Todas que tiveram essa determinação e não
desistiram com as dificuldades, hoje, estão onde queriam. Com vocês, tenho
certeza, não será diferente.
Um abraço e até a próxima!


Aula 06 – Correlação e Regressão Linear simples
Assunto Página
1- Introdução 03
2- Correlação Linear Simples 04
3- Regressão Linear Simples 10

4- Questões Comentadas 15
5- Resumo final 45
6- Lista de exercícios 47
7- Gabarito 59
1- Introdução
Com base em estudos estatísticos é possível avaliar a relação entre

duas ou mais variáveis aleatórias. Esse tipo de avaliação é muito útil em
diversas áreas.
Os objetivos desses estudos podem ser resumidos em dois aspectos:
(1) simular efeitos de variáveis independentes em uma variável Y,
dependente; (2) realizar previsões sobre o comportamento futuro de uma
variável Y, dependente, haja vista o histórico observado em relação a

variáveis independentes.
Por exemplo, quanto ao primeiro aspecto, na área comercial, é o caso
dos estudos que simulem a relação entre o volume de vendas de um produto e
as variáveis independentes que o influenciam, como o preço do produto, os
gastos com propaganda, ou a época do ano, etc.
Conhecidas essas relações, torna-se possível fazer previsões de
faturamento, a partir dos gastos estabelecidos com propaganda, por exemplo
(segundo aspecto).
Essas previsões podem ser feitas, inclusive, na área de fiscalização
tributária, a qual vocês estarão atuando daqui a algum tempo. Por exemplo,
quando se deseja prever a arrecadação tributária em um período, para fins de
planejamento orçamentário da unidade federativa.
O gráfico abaixo traz outro exemplo de aplicação desses estudos, onde
se compara o Índice de Desenvolvimento Humano (IDH) em relação à carga
tributária de vários países:

Fonte: Instituto Brasileiro de Planejamento Tributário (IBPT)
Nesse gráfico, pode-se observar uma correlação positiva entre carga

tributária e IDH. Ou seja, quanto maior a carga tributária, maior o IDH. Isto é
esperado, já que melhorias em educação, saúde, segurança, etc., custam caro
e, portanto, os impostos devem ser maiores para que o governo consiga arcar
com melhorias.
Além disso, é possível analisar que o Brasil mantém uma relação entre
impostos e IDH abaixo da média, representada pela reta. Ou seja, quando
comparado com países com carga tributária próxima, o Brasil deveria entregar
um melhor retorno a sua população (IDH).

Estabelecidos esses conceitos iniciais, nesta aula, veremos um pouco
sobre esses estudos que visam a descrever e quantificar a relação entre
variáveis aleatórias. Iremos conhecer duas ferramentas utilizadas: a
correlação e a regressão. Preparados? Então, vamos lá!
2- Correlação Linear Simples
O estudo das correlações tem como objetivo medir o grau de relação

entre variáveis aleatórias quantitativas.
Por exemplo, será que a variável aleatória “número de casas com rede
de esgoto” e a variável aleatória “número de atendimentos no posto de saúde”
possuem alguma relação? Como se comporta essa relação? Essa relação é
forte, fraca ou inexistente? Essas e outras questões podem ser respondidas
pelo estudo da correlação de variáveis.
Normalmente, as bancas examinadoras restringem o conteúdo
programático à correlação do tipo linear simples. Sendo assim, iremos
estudar apenas a correlação de duas variáveis aleatórias que se comportam
linearmente.

No estudo das correlações lineares simples, vamos utilizar duas
ferramentas: o diagrama de dispersão e o coeficiente de correlação.
2.1 – Diagrama de Dispersão

O diagrama de dispersão é um tipo de gráfico no plano cartesiano, onde
são os dados de duas variáveis X e Y podem ser dispostos por meio de pontos.
Assim, dadas duas variáveis X e Y, compostas, respectivamente, pelos

elementos {x1, x2, x3,..., xn} e {y1, y2, y3,..., yn}, podemos representar
graficamente cada ponto (xi, yi no diagrama de dispersão:
25
20
15
Y
10
0
0 2 4 6 8 10 12
Portanto, os pontos do diagrama são representados pelos pares (x1,

y1), (x2, y2), até (xn, yn).
Visualizando o diagrama acima, é possível constatarmos um
crescimento da variável Y à medida que a variável X cresce. Por isso, dizemos
que há uma correlação positiva entre essas duas variáveis aleatórias. O
mesmo não se pode dizer do diagrama abaixo, por exemplo:
25
20
15
Y
10
0
0 2 4 6 8 10 12
X

Visualizando esse diagrama, não é possível identificarmos qualquer
comportamento da variável Y em função do crescimento da variável X. Nesse
caso, dizemos que não existe correlação entre essas variáveis.
Sendo assim, a partir do diagrama de dispersão, três constatações
podem ser feitas:
 Quando os valores da variável Y aumentam à medida que os valores de X
também aumentam, dizemos que existe uma correlação positiva entre

essas variáveis;
 Quando os valores da variável Y diminuem à medida que os valores de X
aumentam, dizemos que existe uma correlação negativa entre essas
variáveis;
 Quando o diagrama não demonstra uma relação entre os valores da
variável Y a partir do aumento dos valores de X, dizemos não existe
correlação entre elas, ou seja, as variáveis são independentes entre si.
2.2 – Coeficiente de Correlação

Apesar de útil, a análise do diagrama de dispersão não é precisa, e
exige a formulação de uma medida que represente a correlação entre duas
variáveis X e Y.
Essa medida objetiva é denominada de coeficientes de correlação.
Nas correlações lineares simples, essa medida é denominada de

coeficiente de correlação de Pearson , definida a partir de
parâmetros amostrais de X e Y. Matematicamente é calculada da seguinte
maneira:
Onde:

Desenvolvendo matematicamente essas expressões, temos que:
Onde:
À primeira vista essas fórmulas podem parecer complicadas, mas com a

prática nós iremos ver que não. Independentemente disso, precisamos
decorá-la para a prova!
O coeficiente de Pearson é um número adimensional que varia de -1 a 1
e, a partir dele, podemos tirar as seguintes conclusões sobre a correlação
linear de duas variáveis:

 Quando , dizemos que existe uma correlação positiva entre
as variáveis X e Y;
 Quando , dizemos que existe uma correlação negativa entre
as variáveis X e Y;
 Quando , dizemos que a correlação é positiva perfeita;
 Quando , dizemos que a correlação é negativa perfeita;
 Quando , dizemos que a correlação é nula.

Graficamente, podemos visualizar essas relações da seguinte forma:
Coeficiente Diagrama
25
20
15
Y
10
Correlação
Linear 5
Positiva
0
0 2 4 6 8 10 12
X
25
20
15
Y
10
Correlação
Linear 5
Negativa
0
0 2 4 6 8 10 12
X
25
20
15
Y
Correlação
10
Linear
Positiva
5
Perfeita
0
0 2 4 6 8 10 12
X

Coeficiente Diagrama
25
20
15
Y
Correlação
10
Linear
Negativa
5
Perfeita
0
0 2 4 6 8 10 12
X
25
20
15
Y
10
Correlação
Linear Nula 5
0
0 2 4 6 8 10 12
X
Por fim, podemos destacar algumas características importantes do

Coeficiente de Pearson:
 O valor do coeficiente de uma variável X em função de Y é igual ao
coeficiente da variável Y em função de X;
 O valor do coeficiente não muda ao se alterar a unidade de medida das
variáveis;
 O coeficiente é adimensional;
 As variáveis a serem relacionadas devem ser quantitativas (contínuas ou
discretas);
 Para o seu cálculo, é desejável que as variáveis aleatórias estejam
normalmente distribuídas.

3- Regressão Linear Simples
A regressão tem por objetivo descrever a relação existente entre

variáveis aleatórias. Essa descrição é conseguida por meio de uma equação
matemática.
Em outras palavras, a regressão consiste em encontrar uma equação
que possa descrever a relação entre variáveis aleatórias.

Nesta aula, iremos estudar apenas as regressões de duas variáveis
aleatórias que se comportam linearmente.
Esse comportamento linear é traduzido pela equação de regressão, do
tipo .
Sendo assim, a regressão linear simples consiste em encontrar uma
equação do tipo , a partir de dados existentes de duas variáveis
aleatórias X:{x1, x2, x3,..., xn} e Y:{y1, y2, y3,..., yn}.
 Análise da Regressão Linear Simples

Dadas duas variáveis X e Y, se tivéssemos uma correlação perfeita entre
elas, a obtenção da equação seria mais fácil.
No entanto, a maioria dos casos, essa correlação não é perfeita, como
no diagrama de dispersão a seguir:
25
20
15
Y
10
0
0 2 4 6 8 10 12
X
Sendo assim, a regressão tem como objetivo encontrar uma equação

que melhor represente a relação entre Y e X.
Um dos métodos existentes consiste em encontrar a reta onde é

mínima a soma dos quadrados das diferenças ( ) entre os valores de Y e os
valores correspondentes da reta . Esse método é chamado de mínimos
quadrados.

25
20
15
Y
10
0
0 2 4 6 8 10 12
X
Assim, supondo que essa reta tenha equação , pelo método

dos mínimos quadrados:
Desenvolvendo matematicamente essa condição, encontraremos os

seguintes coeficientes na expressão geral para a regressão linear simples:
Onde:
 O Coeficiente de Determinação R²
O Coeficiente de determinação R² tem a função de expressar a
“qualidade” da reta de regressão. Matematicamente, representa o quadrado
do coeficiente de correlação de Pearson.
Para entendermos seu conceito, rememoro que o objetivo da regressão
é encontrar uma equação que expresse a relação entre duas variáveis
aleatórias X e Y. Para tal, utilizou-se o método dos mínimos quadrados, onde é

analisado a soma dos quadrados das diferenças entre os valores de e os
respectivos valores de :
Isso representa a soma dos quadrados dos erros , considerando

cada ponto do diagrama de dispersão:
Ou seja, o objetivo é conseguir uma reta onde os pontos do diagrama

estejam, de uma maneira geral, o mais próximo possível à reta .
Assim, obtida a reta otimizada pelo método dos mínimos quadrados, o
coeficiente de determinação R² surge como uma medida da proximidade dos
pontos em relação à reta .
Para medir essa qualidade da reta , faz-se uma comparação entre as

distâncias de em relação à média , com as distâncias dos pontos em
relação à média . Se essas distâncias forem semelhantes, significa que a reta
está bem ajustada.
Assim, o coeficiente de determinação (R²) expressa o quanto esses
pontos , em geral, estão próximos à média , em comparação com a
proximidade, também de uma maneira geral, de à média .

A diferença entre e é denominada “Variação Explicada” da reta de

regressão, ou, variação devido à regressão.
A diferença entre cada ponto de e a média é denominada

“Variação Total” da reta de regressão, e expressa a variabilidade de Y em
relação à sua média.
Pela comparação entre essas variações é que se mede a “qualidade” da
regressão linear R². Quanto mais próximos os valores da variação explicada
estiverem em relação à variação total, melhor será o ajuste da reta .
Além dessas duas variações, existe a chamada “Variação Residual”,
que é representada pela diferença entre cada ponto e a reta de regressão .
Essa variação é intrínseca à regressão e ao método dos mínimos quadrados:
Ou seja, por mais que a reta de regressão procure indicar uma

equação representativa, dificilmente conseguirá eliminar as diferenças
existentes entre e . Por isso, diz-se que esse é um erro não explicado
pela reta de regressão . Quanto menor o valor dessa variação residual,
melhor será o ajuste da reta .
Matematicamente, portanto, para calcular o coeficiente de

determinação R² utilizamos a razão entre a soma dos quadrados das variações
explicadas (SQE), e a soma dos quadrados das variações totais (SQT).

Como R² pretende avaliar a qualidade da reta de regressão, quanto
melhor a variação explicada, melhor será o ajuste da reta em relação aos
valores de . Assim:
Onde:
Desenvolvendo matematicamente essas expressões, chegamos à

seguinte fórmula geral para R²:
Onde
Por fim, encontrado o valor de R², devemos interpreta-lo como o

percentual da variabilidade de Y que é explicada pela equação de
regressão :
 Caso (próximo a 1), dizemos que grande parte da variabilidade de Y

é explicada pela relação linear entre X e Y.
 Caso , temos uma correlação perfeita, onde 100% da variabilidade
de Y é explicada pela relação linear entre X e Y.
 Caso (próximo a 0), dizemos que grande parte da variabilidade de Y
não é explicada pela relação linear entre X e Y.
 Caso , temos uma correlação nula, onde a variabilidade de Y não é

explicada pela relação linear entre X e Y.
5- Questões Comentadas

1. (FCC-DPE/RS-2013) As variáveis aleatórias X e Y representam,
respectivamente, os anos de experiência e os salários, em reais, dos
empregados em um determinado ramo de atividade. Sejam os pares
, em que e são os valores de X e Y,
respectivamente. Para prever em função de , optou-se por utilizar uma
forma de relação linear entre X e Y tal que = 2.000 + 45 , obtida pelo
método dos mínimos quadrados, verificando-se que nem todos os pontos
pertencem a uma mesma reta. Se o coeficiente de correlação linear entre X e

Y for igual a r (r ≠ zero), então:
(A) r = 1.
(B) multiplicando por 0,5 todos os valores xi e por 0,8 todos os valores yi,
verifica-se que o novo coeficiente de correlação linear dos dois novos
conjuntos é igual a 0,4r.
(C) é possível que r seja negativo.
(D) r = 0,45.
(E) o valor de r é positivo.
R.
A reta de regressão linear = 2.000 + 45 possui o seguinte gráfico no plano
cartesiano:
Portanto, considerando valores crescentes para e , o coeficiente de

correlação linear r é positivo. Além disso, devemos considerar a informação do
enunciado, de que nem todos os pontos pertencem a uma mesma reta,
portanto, .
Resposta, letra E.
2. (FCC-BACEN-2006) Considere as informações a seguir para resolver a

questão. Uma empresa, com a finalidade de determinar a relação entre os
gastos anuais em pesquisa e desenvolvimento, em milhares de reais, e o
acréscimo anual nas vendas (Y), também em milhares de reais, optou por
utilizar o modelo linear simples , em que é acréscimo nas

vendas no ano i, é o valor gasto em pesquisa e desenvolvimento ano i
e o erro aleatório com as respectivas hipóteses consideradas para a
regressão linear simples ( e β são parâmetros desconhecidos). Considerou,
para o estudo, as seguintes informações referentes às observações nos
últimos 10 anos da empresa:
Utilizando a equação da reta obtida pelo método dos mínimos quadrados,

obteve-se, para um determinado gasto em pesquisa e desenvolvimento, uma
previsão de acréscimo nas vendas no valor de 19 mil reais. O valor que se
considerou para o gasto em pesquisa e desenvolvimento, em mil reais, foi:
(A) 14,0 (B) 13,75 (C) 13,0 (D)12,4 (E)12,0
R.
O primeiro passo desse exercício é calcularmos a equação da reta que
representa o modelo linear . As fórmulas para o cálculo dos
coeficientes a e b são as seguintes:
Iniciando por :
Depois, o coeficiente :
Portanto, a equação de regressão linear é representada por:
Assim, caso haja uma previsão de acréscimo nas vendas no valor de 19 mil
reais ( =19):

Portanto, o gasto em pesquisa e desenvolvimento (X) foi igual a R$ 12 mil.
Resposta, letra E.
3. (FCC-BACEN-2006-ADAPTADA) Considere as informações a seguir

para resolver a questão. Uma empresa, com a finalidade de determinar a
relação entre os gastos anuais em pesquisa e desenvolvimento, em milhares
de reais, e o acréscimo anual nas vendas (Y), também em milhares de reais,

optou por utilizar o modelo linear simples , em que é
acréscimo nas vendas no ano i, é o valor gasto em pesquisa e
desenvolvimento ano i e o erro aleatório com as respectivas hipóteses
consideradas para a regressão linear simples ( e β são parâmetros
desconhecidos). Considerou, para o estudo, as seguintes informações
referentes às observações nos últimos 10 anos da empresa:
Montando o quadro de análise de variância, tem-se que

(A) a variação residual apresenta um valor igual a 100.
(B) o valor do correspondente coeficiente de determinação (R²) é igual a
90%.
(C) a variação total apresenta um valor igual a 550.
(D) a variação explicada, fonte de variação devido à regressão apresenta

um valor igual a 500.
R.
Alternativa A
A variação residual representa a variação não explicada SQR:

Assertiva incorreta.
Alternativa B
O Coeficiente de determinação é calculado pela fórmula:
Assertiva correta
Alternativa C
Assertiva incorreta
Alternativa D
Apenas para conferir:
Assertiva incorreta
Resposta, letra B.
4. (FCC-ARCE/CE-2006) Um comerciante deseja saber a relação entre o

aumento da receita de vendas (Y) de seu produto, em milhares de reais, e seu
gasto com propaganda (X), também em milhares de reais. Primeiramente,
optou por analisar o modelo linear simples , em que
representa o aumento da receita de vendas no mês i, o gasto com
propaganda no mês i e o erro aleatório com as hipóteses consideradas para
a Regressão Linear Simples ( e β são parâmetros desconhecidos). Com base

nas informações dos últimos 10 meses e utilizando o método dos mínimos
quadrados obteve a equação da reta correspondente e o respectivo coeficiente
de explicação (R²). Dados:
Para o cálculo de R (coeficiente de correlação de Pearson) usou-se a fórmula:

, em que
(A) Yi = 9 + 0,5Xi e 62,5%

(B) Yi = 9,5 + 0,25Xi e 62,5%
(C) Yi = 9,6 + 0,2Xi e 80%
(D) Yi = 9 + 0,5Xi e 80%
(E) Yi = 9,5 + 0,25Xi e 80%
R.
Dada uma reta de equação
Iniciando por :

Depois, :
Agora, o cálculo de R², que é determinado pela fórmula:

Resposta, letra B.
5. (FGV-SEFAZ/RJ-2011) A tabela abaixo mostra os valores de duas

variáveis, X e Y.
X Y
4 4,5
4 5
3 5
2 5,5
Sabe-se que:
ΣX = 13
ΣY = 20
ΣXY = 64

ΣX² = 45
(ΣX)²= 169
O valor de b na regressão simples Y = a + bX é
(A) 11 /5. (B) –3 /8. (C) –4 /11. (D) –4 /17. (E) –11/65.
R.
Dada uma reta de equação
Iniciando por :
Resposta, letra C.
6. (FGV-SEFAZ/RJ-2010) Duas variáveis aleatórias x e y têm coeficiente

de correlação linear igual a 0,8. Se w e z são tais que w = 2x – 3 e z = 4 – 2y
então o coeficiente de correlação entre w e z será igual a:
(A) –0,8. (B) –0,64. (C) 0,36. (D) 0,64. (E) 0,8.
R.
Dados:

 –

 –
O coeficiente de correlação entre w e z será igual a:
Se vocês estiverem lembrados da nossa aula 2, vimos as seguintes

propriedades do desvio padrão e da variância:
e
Sendo assim, dado que :
Dado que :
Utilizando essas relações:

Resposta, letra A.
7. (FGV-SEFAZ/RJ-2009) Utilizando uma análise de regressão linear

simples, um pesquisador obteve um ajuste e um coeficiente de
determinação . Um segundo pesquisador analisou os mesmos dados, mas
antes aplicou a cada observação de Y a transformação , obtendo
um outro ajuste , com um coeficiente de determinação .
Considere as afirmativas abaixo, relativas à comparação entre os valores
obtidos nas duas análises:
I. ;

II. ;
III. .
Assinale:
(A) se somente a afirmativa I for verdadeira.
(B) se somente as afirmativas I e II forem verdadeiras.
(C) se somente as afirmativas I e III forem verdadeiras.

(D) se somente as afirmativas II e III forem verdadeiras.
(E) se todas as afirmativas forem verdadeiras.
R.
Antes de mais nada, percebam que o examinador da FGV trocou os
coeficientes, nomeando a equação e não como é
comum nas provas da FCC.
Assertiva I
Considerando a equação da reta e :
Dado que , pelas propriedades do desvio padrão:

Assertiva Correta
Assertiva II
Considerando a equação da reta e :

Assertiva Incorreta
Assertiva III
Portanto,
Assertiva Correta
Resposta, letra C.
8. (FGV-SEFAZ/RJ-2008) Sejam X, Y e Z três variáveis com correlações

de Pearson expressas pela matriz abaixo:
Pode-se, então, afirmar que:

(A) X e Z são independentes.
(B) a correlação parcial entre X e Y, após a correção para Z, é negativa.
(C) o coeficiente de determinação da regressão de Y em X é maior do que
60%.
(D) a correlação entre e , com a ≠ 0, c ≠0, b > 0
e d < 0 é negativa.
(E) a covariância entre X e Y e igual a 0,64.
R.

Alternativa A
O coeficiente de Pearson relaciona informações sobre a correlação linear de
duas variáveis aleatórias. Dado que a correlação é nula, não é possível afirmar
com 100% de certeza que as variáveis são independentes, haja vista que é
possível haver uma relação não linear entre elas. Assertiva incorreta.
Alternativa B
A correlação entre X e Y é igual a 0,8. Assertiva incorreta.

Alternativa C
R²=0,8²=64%>60%. Assertiva correta
Alternativa D
Como X e Z possuem correlação nula, a correlação entre V e W também será:
Dado que e :
Alternativa E
Vimos que .
Sem os valores da Variância (X) e da Variância(Y) não é possível calcular a

covariância de X e Y. Assertiva incorreta.
Resposta, letra C.
9. (FCC-TRT 19-2014) A equação da regressão estimada

, em que , permite estimar a probabilidade (p) do
acontecimento de um evento em um determinado dia em função do tempo (t)
diário, em minutos, em que este evento é divulgado no dia. Se o evento é

divulgado em um dia durante 10 minutos, então a probabilidade estimada de
seu acontecimento neste dia é
(A)
(B)
(C)
(D)
(E)
R.
Como :
Resposta, letra A.
10. (FCC-TRT 12ª-2013) O objetivo de um estudo foi analisar a relação

entre duas variáveis X e Y e foi adotado o modelo linear ,
em que i refere-se a i-ésima observação, e β são parâmetros desconhecidos
e , o erro aleatório com as respectivas hipóteses para a regressão linear
simples. Foram considerados 60 pares de observações
e com a utilização do método dos mínimos quadrados foram

apuradas as estimativas de e β. O gráfico abaixo corresponde à reta obtida
pelo método dos mínimos quadrados, em que os valores das estimativas de
e β são a e b, respectivamente.
Neste caso, o valor de M é igual a

(A) 21. (B) 34. (C) 27. (D) 33. (E) 23.
R.
Dada a reta :
Sabemos também que:
Juntando as expressões i e iii:

Avaliando a expressão ii:

Resposta, letra A.
11. (FCC-TRT 5ª-2013) O modelo linear , , é

utilizado para prever a venda ( ), em milhares de reais, de um produto no
ano (2002 t). e βsão parâmetros desconhecidos e é o erro aleatório
com as respectivas hipóteses da regressão linear simples.
As estimativas de e βforam obtidas pelo método dos mínimos quadrados,
com base nas observações das vendas de 2003 a 2012. Dados:
Considerando a equação da reta obtida pelo método dos mínimos quadrados,

a previsão do primeiro ano em que a venda irá superar R$ 60.000,00 será em
(A) 2016. (B) 2017. (C) 2018. (D) 2019. (E) 2020.
R.
Dada uma reta :
Iniciando por :
Depois, :

Considerando :
Portanto, isso será alcançado no ano . Ou seja, só será superado

no ano 2017.
Resposta, letra B.
12. (FCC-SEFAZ/SP-2013) Observe os dados de uma pesquisa realizada

para verificar a existência ou não de alguma relação entre o estado civil de um
homem (casado ou solteiro) e sua tendência para o consumo de doces. No
universo do Gráfico 1, os homens solteiros e casados foram escolhidos
aleatoriamente na população, ao passo que o universo do Gráfico 2 é um
subconjunto do universo do primeiro.
Os gráficos mostram que

(A) não existe qualquer relação entre o estado civil de um homem e sua
tendência para o consumo de doces.
(B) o estado civil de um homem e sua tendência para o consumo de doces
estão correlacionados, mas não existe relação causal entre eles.
(C) o estado civil de um homem e sua tendência para o consumo de doces
têm uma relação causal: o casamento causa redução na tendência ao
consumo de doces.
(D) o estado civil de um homem e sua tendência para o consumo de doces
têm uma relação causal: a redução no consumo de doces causa uma
maior tendência ao casamento.

(E) o processo de coleta de informações foi inadequado, pois os Gráficos 1 e
2 apresentam dados contraditórios entre si.
R.
No universo (gráfico 1) o consumo é maior para os homens solteiros e
menor para homens casados. Essa diferença pode ser explicada ou pelo
estado civil ou pela diferença nas médias de idade.
Na amostra (gráfico 2) o consumo é semelhante para homens solteiros

e casados quando a faixa etária de ambos os grupos é a mesma.
Por isso, conclui-se que o estado civil não é uma variável fortemente
relacionada à variável consumo. Ao que parece, a variável idade média da
amostra possui uma relação mais forte com a variável consumo.
A alternativa A não é correta porque não se pode afirmar que não existe
qualquer relação entre as variáveis de estado civil e consumo. A correlação
parece baixa, porém, não é possível afirmar que inexiste.
A alternativa B é correta porque o estado civil de um homem e sua
tendência para o consumo aparenta uma correlação, no entanto, é baixa e não
aparenta influenciar no consumo de doces.
A alternativa C não é correta porque o casamento por si só não
aparenta causar uma redução na tendência ao consumo de doces, mas sim, a
média de idade é que parece influenciar mais.
A alternativa D não é correta porque a variável estado civil pode
influenciar a variável consumo, e não o contrário.

A alternativa E não é correta, pois não se percebe contradição nas
informações repassadas.
Resposta, letra B.
13. (FCC-ISS/SP-2012) Considere as seguintes afirmações:

I. Um dispositivo útil quando se quer verificar a associação entre duas
variáveis quantitativas é o gráfico de dispersão entre essas duas variáveis.
II. O coeficiente de variação é uma medida de dispersão relativa que depende
da unidade de medida da variável que está sendo analisada.
III. Dentre as medidas de posição central, a média é considerada uma medida
robusta pelo fato de não ser afetada por valores aberrantes.
IV. Se o coeficiente de correlação linear de Pearson entre duas variáveis for
igual a zero, não haverá associação linear entre elas, implicando a ausência de
qualquer outro tipo de associação.
Está correto o que se afirma APENAS em
(A) I e II.

(B) I e III.
(C) II e IV.
(D) I.
(E) II e III.
R.
A assertiva I é correta porque o gráfico de dispersão permite visualizar a

existência de corelação entre duas variáveis, que pode ser positiva, negativa
ou nula, conforme vimos nesta aula.
A assertiva II remete às aulas anteriores, em que apresentamos um pouco
sobre a estatística descritiva. Vimos que o coeficiente de variação representa a
razão entre o desvio padrão e a média de uma variável. A modificação da
escala remete a uma multiplicação da unidade de medida da variável (metro
para centímetro, por exemplo). Vimos que tanto o desvio padrão quanto a
média são influenciados pela multiplicação/divisão dos valores de uma
variável, de modo que, portanto, o coeficiente de variação não sofre influência
sobre esse fator.
Se :
A assertiva III afirmar que a média não é influenciada por valores extremos.
No entanto, sabemos que qualquer modificação nos valores da amostra ou da
população influencia no valor da média. O mesmo não se pode dizer da moda
(que mede os valores mais frequentes) e da mediana (que mede a posição
central). Portanto, não se pode considerar que a média seja “robusta” por esse
aspecto. Assertiva incorreta.
A assertiva IV está incorreta porque o coeficiente de Pearson mede a relação
linear entre duas variáveis. Caso esse coeficiente seja igual a 0, é possível
afirmar que inexiste correlação linear entre as variáveis. No entanto, pode
haver uma relação não linear entre essas variáveis (por meio de curvas
parabólicas, exponenciais, por exemplo). Assertiva incorreta.
Resposta, letra D.
14. (FCC-SEFAZ/SP-2009) O gráfico abaixo demonstra a evolução da

receita tributária anual no estado de São Paulo desde 1999, com os valores
arrecadados em bilhões de reais.

(Fonte: Secretaria da Fazenda do Estado de São Paulo Histórico da receita tributária)
Para estimar a receita tributária em um determinado ano com base no

comportamento sugerido pelo gráfico, adotou-se o modelo ,
, sendo , em que é a receita tributária no ano
(1998t) em bilhões de reais e ln o logaritmo neperiano (ln e 1). e βsão
parâmetros desconhecidos e o erro aleatório com as respectivas hipóteses
consideradas para o modelo de regressão linear simples. Utilizando o método
dos mínimos quadrados, com base nas observações de 1999 a 2008, obteve-
se para a estimativa de βo valor de 0,12, sabendo-se que:
A previsão da receita tributária para 2009, em bilhões de reais, em função da

equação obtida pelo método dos mínimos quadrados é igual a
(A) e4,58
(B) e4,56
(C) e4,44
(D) e4,32
(E) e4,20
R.
Se pensarmos numa equação de regressão linear , onde :

Como t varia de 1 a 10, temos que
Conhecidos os parâmetros a e b:
A variável para 2009 ( ) é igual a:
Por fim a previsão de receita tributária é calculada da seguinte forma:
Resposta, letra B.
15. (FCC-SEFAZ/RJ-2013) Considere o modelo ,

onde:
I. e representam, respectivamente, o tempo de reação a certo estímulo,

em segundos, e a idade, em anos, do indivíduo i.
II.  e β representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a

regressão linear simples.
IV. As estimativas de  e β foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Nessas condições, a soma de quadrados residuais do modelo é igual a

(A) 785 (B) 810 (C) 515 (D) 920 (E) 460
R.
Vimos que a soma dos quadrados residuais é igual a:

Assim, precisamos calcular esses parâmetros:

Portanto:
Resposta, letra D.
16. (ESAF – MTur – Estatístico – 2014) O coeficiente de correlação

linear entre as variáveis aleatórias x e y é igual a 0,99. A partir disso pode-se,
corretamente, afirmar que:
(A) a probabilidade de x e y serem iguais é 99%.
(B) x explica y em 99% das ocorrências de y.
(C) se o valor de x diminuir, em média, o valor de y aumenta.
(D) se o valor de y diminuir, em média, o valor de x diminui.
(E) a covariância entre x e y é exatamente igual a 0,01.

R.
Um coeficiente de correlação linear positiva ( ) indica que as
variáveis aleatórias x e y possuem a seguinte distribuição gráfica:
25
20
15
Y
10
0
0 2 4 6 8 10 12
X
Ou seja, à medida que o valor de y diminui, o valor de x também diminui.

Resposta, letra D.
17. (ESAF – MTur – Estatístico – 2014) Em um modelo de regressão

linear simples da forma , foram calculadas, pelo método de
mínimos quadrados ordinários, as estimativas dos parâmetros obtendo-se

, cujo coeficiente de determinação é igual a 0,95. Isso significa
que:
(A) 95% das variações em torno da média da variável explicada são devidas
às variações da variável explicativa
(B) se x tiver um acréscimo de b unidades, em média y, terá um acréscimo
de 0,95 b unidades.
(C) se x tiver um acréscimo de 1 unidade, em média, y terá um acréscimo
de (a + b) unidades.
(D) 95% das variações da variável x causam 95% das variações em b.
(E) o coeficiente de correlação entre x e y é igual ao coeficiente de
determinação.
R.
Vimos nesta aula que o coeficiente de determinação indica o percentual da
variabilidade de Y (variável explicada) que é explicada pela relação linear
entre X e Y. Ou seja, indica o percentual da variabilidade de Y que é explicada
pela variação de X (variável explicativa).
Resposta, letra A.

18. (ESAF – MTur – Estatístico – 2014) Para se estimar a tendência das
importações de determinada matéria-prima realizadas por uma grande
empresa, foram coletados, em 2010, os seguintes dados de importações
durante os meses 1, 2, 3 e 4. Nesses meses, as importações realizadas por
essa empresa, em milhares de dólares, foram iguais a 2, 5, 4 e 3,
respectivamente. Sabendo-se que a reta de tendência linear
foi estimada pelo método de mínimos quadrados ordinários, então a função
tendência das importações é dada por:
(A) Imp = 3 + 0,4 t

(B) Imp = 3 + 0,3 t
(C) Imp = 2 + 0,2 t
(D) Imp = 2 + 0,3 t
(E) Imp = 3 + 0,2 t
R.
Segundo as informações do enunciado:
t (Xi) Imp (Yi)
1 2 1 4 2
2 5 4 25 10
3 4 9 16 12
4 3 16 9 12
A equação de regressão linear possui a seguinte fórmula:
Onde:
Sendo assim, vamos calcular cada um dos coeficientes a e b, iniciando por

este:
Sabendo o valor de b, pode calcular a:
Portanto:

Resposta, letra E.
19. (ESAF – MI – Estatístico – 2012) Determine a expressão de

E(Y/X=x), sendo Y e X variáveis aleatórias com distribuição normal conjunta
com E(Y)=µY, E(X)=μX e Cov(Y,X)=ρσYσX, onde σY e σX são os desvios padrões
de Y e X, respectivamente, e ρ o coeficiente de correlação entre Y e X.
(A)
(B)
(C)
(D)
(E)
R.
A reta de regressão é dada pela expressão:
Onde:
Desenvolvendo a equação, temos que:
Mas, sabemos que:
Portanto:
O valor esperado dessa equação é, portanto:

Resposta, letra A.
20. (ESAF – MI – Estatístico – 2012) Determine a reta de regressão de Y

em X, considerando que uma amostra aleatória simples (X1, Y1), (X2, Y2),...,
(X22, Y22) forneceu as seguintes estatísticas: médias amostrais e
, variâncias amostrais e e covariância amostral .
(A)
(B)
(C)
(D)
(E)
R.
Onde:

este:
Portanto:
Resposta, letra B.
21. (ESAF – MI – Estatístico – 2012 - ADAPTADA) Calcule o coeficiente

de determinação R² da reta de regressão ajustada na questão anterior.
(A) 0,45
(B) 0,56
(C) 0,64
(D) 0,72
(E) 0,75
R.
O coeficiente de determinação R² pode ser calculado por:

Resposta, letra A.
22. (ESAF – SUSEP – Analista Técnico – 2010) Y e X são variáveis

aleatórias com distribuição normal conjunta E(Y)= µY, E(X)= μX, e
Cov(Y,X)=ρσYσX, onde σY e σX são os desvios padrões de Y e X,
respectivamente, e ρ o coeficiente de correlação entre Y e X. Qual a expressão
da regressão de X em Y, E(X/Y=y)?
(A)
(B)
(C)
(D)
(E)
R.
Inicialmente, vale ressaltar a semelhança desta questão com a de número 4. A
solução é semelhante, só que trocando a variável X por Y e vice-versa:
Onde:
Desenvolvendo a equação, temos que:
Mas, sabemos que:
Portanto:

O valor esperado dessa equação é, portanto:
Resposta, letra D.
23. (ESAF – SUSEP – Analista Técnico – 2010) A partir de uma amostra

aleatória (X1, Y1), (X2, Y2),..., (X22, Y22) foram obtidas as estatísticas:
Médias e , variâncias amostrais e e covariância
.
Qual a reta de regressão estimada de Y em X?
(A)
(B)
(C)
(D)
(E)
R.
Inicialmente, percebam a semelhança desta questão com a de número 5.
Onde:

este:
Portanto:
Resposta, letra C.

24. (ESAF – RFB – Auditor Fiscal da Receita Federal – TI – 2005)
Para uma amostra de dez casais residentes em um mesmo bairro,
registraram-se os seguintes salários mensais (em salários mínimos):
Sabe-se que:
Assinale a opção cujo valor corresponda à correlação entre os salários dos

homens e os salários das mulheres.
(A) 0,72
(B) 0,75
(C) 0,68
(D) 0,81
(E) 0,78
R.
A correlação de Pearson pode ser obtida pela fórmula:
Onde:
Portanto:
Resposta, letra B.
25. (ESAF – RFB – Auditor Fiscal da Receita Federal – 2014) Em um

cofre estão guardados 5 anéis: dois de ouro e três de prata. Aleatoriamente,
retiram-se dois anéis do cofre, um após o outro e sem reposição. Define-se a
variável aleatória X igual a 1 se o primeiro anel retirado é de prata, e igual a 0
se este é de ouro. De modo análogo, define-se a variável aleatória Y igual a 1

se o segundo anel é de prata, e 0 se este é de ouro. Desse modo, a
covariância de X e Y ─ Cov(X,Y) ─ é igual a:
(A) 0
(B) 1
(C) -1
(D) 3/50
(E) -3/50
R.
Temos que analisar, inicialmente, as possibilidades de retirada dos anéis:
(ouro, ouro); (ouro, prata); (prata, ouro); (prata, prata).
As variáveis aleatórias dessas quatro possibilidades são iguais a:

Retirada X Y
(ouro, ouro) 0 0
(ouro, prata) 0 1
(prata, ouro) 1 0
(prata, prata) 1 1
Devemos atribuir ainda, a quantidade de chances de ocorrer cada uma dessas

retiradas:
Para (ouro, ouro), tem-se 2 (2x1) chances de ocorrer;

Para (ouro, prata), tem-se 6 (2x3) chances de ocorrer;
Para (prata, ouro), tem-se 6 (3x2) chances de ocorrer;
Para (prata, prata), tem-se 6 (3x2) chances de ocorrer.
Feito isso, as variáveis aleatórias X e Y são:
X 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1
Y 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1
(ouro, ouro) (ouro, prata) (prata, ouro) (prata, prata)
Onde:

A covariância populacional pode ser calculada por:

Resposta, letra E.
26. (ESAF – SMF-RJ – Fiscal de Rendas – 2010) A partir de uma

amostra aleatória simples formada por 22 observações das variáveis X e Y
calculou-se
Obtenha a reta de regressão linear de Y em X.

(A)
(B)
(C)
(D)
(E)
R.
Onde:

este:

Portanto:
Resposta, letra E.
27. (ESAF – SMF-RJ – Fiscal de Rendas – 2010) Com os dados da

questão anterior, calcule o valor mais próximo do coeficiente de determinação
R² da regressão linear de X em Y.
(A) 0,65
(B) 0,81
(C) 0,85
(D) 0,91
(E) 0,88
R.
O coeficiente de determinação R² pode ser calculado por:
Resposta, letra C.

6- Resumo Final
CORRELAÇÃO
Medir o grau de relação entre variáveis aleatórias
REGRESSÃO
Descrever a relação entre variáveis aleatórias
Coeficiente Diagrama de Dispersão

25
20
15
Correlação Y
10
Linear 5
Positiva 0
0 2 4 6 8 10 12
X
25
20
15
Correlação Y
10
Linear 5
Negativa 0
0 2 4 6 8 10 12
X
25
20
Correlação 15
Linear Y
10
Positiva 5
Perfeita 0
0 2 4 6 8 10 12
X
25
20
Correlação 15
Linear Y
10
Negativa 5
Perfeita 0
0 2 4 6 8 10 12
X
25
20
15
Y
Correlação 10
Linear Nula 5
0
0 2 4 6 8 10 12
X

Cálculo do Coeficiente de Pearson
Cálculo da Reta de Regressão Linear Simples
Coeficiente de Determinação R²
Soma dos quadrados das

variações totais (SQT)

variações explicadas (SQE)

variações residuais (SQR)
Cálculo do Coeficiente de Determinação R²

7- Lista de Exercícios
1. (FCC-DPE/RS-2013) As variáveis aleatórias X e Y representam,

respectivamente, os anos de experiência e os salários, em reais, dos
empregados em um determinado ramo de atividade. Sejam os pares
, em que e são os valores de X e Y,

respectivamente. Para prever em função de , optou-se por utilizar uma
forma de relação linear entre X e Y tal que = 2.000 + 45 , obtida pelo
método dos mínimos quadrados, verificando-se que nem todos os pontos
pertencem a uma mesma reta. Se o coeficiente de correlação linear entre X e
Y for igual a r (r ≠ zero), então:
(A) r = 1.
(B) multiplicando por 0,5 todos os valores xi e por 0,8 todos os valores yi,
verifica-se que o novo coeficiente de correlação linear dos dois novos
conjuntos é igual a 0,4r.
(C) é possível que r seja negativo.
(D) r = 0,45.
(E) o valor de r é positivo.
2. (FCC-BACEN-2006) Considere as informações a seguir para resolver a

questão. Uma empresa, com a finalidade de determinar a relação entre os
gastos anuais em pesquisa e desenvolvimento, em milhares de reais, e o
acréscimo anual nas vendas (Y), também em milhares de reais, optou por
utilizar o modelo linear simples , em que é acréscimo nas
vendas no ano i, é o valor gasto em pesquisa e desenvolvimento ano i
e o erro aleatório com as respectivas hipóteses consideradas para a
regressão linear simples ( e β são parâmetros desconhecidos). Considerou,
para o estudo, as seguintes informações referentes às observações nos
últimos 10 anos da empresa:
Utilizando a equação da reta obtida pelo método dos mínimos quadrados,

obteve-se, para um determinado gasto em pesquisa e desenvolvimento, uma
previsão de acréscimo nas vendas no valor de 19 mil reais. O valor que se
considerou para o gasto em pesquisa e desenvolvimento, em mil reais, foi:
(A) 14,0 (B) 13,75 (C) 13,0 (D)12,4 (E)12,0

3. (FCC-BACEN-2006-ADAPTADA) Considere as informações a seguir
para resolver a questão. Uma empresa, com a finalidade de determinar a
relação entre os gastos anuais em pesquisa e desenvolvimento, em milhares
de reais, e o acréscimo anual nas vendas (Y), também em milhares de reais,
optou por utilizar o modelo linear simples , em que é
acréscimo nas vendas no ano i, é o valor gasto em pesquisa e
desenvolvimento ano i e o erro aleatório com as respectivas hipóteses
consideradas para a regressão linear simples ( e β são parâmetros

desconhecidos). Considerou, para o estudo, as seguintes informações
referentes às observações nos últimos 10 anos da empresa:
Montando o quadro de análise de variância, tem-se que

(A) a variação residual apresenta um valor igual a 100.
(B) o valor do correspondente coeficiente de determinação (R²) é igual a
90%.
(C) a variação total apresenta um valor igual a 550.
(D) a variação explicada, fonte de variação devido à regressão apresenta
um valor igual a 500.
4. (FCC-ARCE/CE-2006) Um comerciante deseja saber a relação entre o

aumento da receita de vendas (Y) de seu produto, em milhares de reais, e seu
gasto com propaganda (X), também em milhares de reais. Primeiramente,
optou por analisar o modelo linear simples , em que
representa o aumento da receita de vendas no mês i, o gasto com
propaganda no mês i e o erro aleatório com as hipóteses consideradas para
a Regressão Linear Simples ( e β são parâmetros desconhecidos). Com base
nas informações dos últimos 10 meses e utilizando o método dos mínimos
quadrados obteve a equação da reta correspondente e o respectivo coeficiente
de explicação (R²). Dados:
Para o cálculo de R (coeficiente de correlação de Pearson) usou-se a fórmula:
, em que

(A) Yi = 9 + 0,5Xi e 62,5%

(B) Yi = 9,5 + 0,25Xi e 62,5%
(C) Yi = 9,6 + 0,2Xi e 80%
(D) Yi = 9 + 0,5Xi e 80%
(E) Yi = 9,5 + 0,25Xi e 80%
5. (FGV-SEFAZ/RJ-2011) A tabela abaixo mostra os valores de duas

variáveis, X e Y.
X Y
4 4,5
4 5
3 5
2 5,5
Sabe-se que:
ΣX = 13
ΣY = 20
ΣXY = 64
ΣX² = 45
(ΣX)²= 169
O valor de b na regressão simples Y = a + bX é
(A) 11 /5. (B) –3 /8. (C) –4 /11. (D) –4 /17. (E) –11/65.

6. (FGV-SEFAZ/RJ-2010) Duas variáveis aleatórias x e y têm coeficiente
de correlação linear igual a 0,8. Se w e z são tais que w = 2x – 3 e z = 4 – 2y
então o coeficiente de correlação entre w e z será igual a:
(A) –0,8. (B) –0,64. (C) 0,36. (D) 0,64. (E) 0,8.
7. (FGV-SEFAZ/RJ-2009) Utilizando uma análise de regressão linear

simples, um pesquisador obteve um ajuste e um coeficiente de

determinação . Um segundo pesquisador analisou os mesmos dados, mas
antes aplicou a cada observação de Y a transformação , obtendo
um outro ajuste , com um coeficiente de determinação .
Considere as afirmativas abaixo, relativas à comparação entre os valores
obtidos nas duas análises:
I. ;
II. ;
III. .
Assinale:
(A) se somente a afirmativa I for verdadeira.
(B) se somente as afirmativas I e II forem verdadeiras.
(C) se somente as afirmativas I e III forem verdadeiras.
(D) se somente as afirmativas II e III forem verdadeiras.

(E) se todas as afirmativas forem verdadeiras.
8. (FGV-SEFAZ/RJ-2008) Sejam X, Y e Z três variáveis com correlações

de Pearson expressas pela matriz abaixo:
Pode-se, então, afirmar que:

(A) X e Z são independentes.
(B) a correlação parcial entre X e Y, após a correção para Z, é negativa.
(C) o coeficiente de determinação da regressão de Y em X é maior do que
60%.
(D) a correlação entre e , com a ≠ 0, c ≠0, b > 0
e d < 0 é negativa.

(E) a covariância entre X e Y e igual a 0,64.
9. (FCC-TRT 19-2014) A equação da regressão estimada

, em que , permite estimar a probabilidade (p) do
acontecimento de um evento em um determinado dia em função do tempo (t)
diário, em minutos, em que este evento é divulgado no dia. Se o evento é
divulgado em um dia durante 10 minutos, então a probabilidade estimada de

seu acontecimento neste dia é
(A)
(B)
(C)
(D)
(E)
10. (FCC-TRT 12ª-2013) O objetivo de um estudo foi analisar a relação

entre duas variáveis X e Y e foi adotado o modelo linear ,
em que i refere-se a i-ésima observação, e β são parâmetros desconhecidos
e , o erro aleatório com as respectivas hipóteses para a regressão linear
simples. Foram considerados 60 pares de observações
e com a utilização do método dos mínimos quadrados foram
apuradas as estimativas de e β. O gráfico abaixo corresponde à reta obtida
pelo método dos mínimos quadrados, em que os valores das estimativas de
e β são a e b, respectivamente.

Neste caso, o valor de M é igual a

(A) 21. (B) 34. (C) 27. (D) 33. (E) 23.
11. (FCC-TRT 5ª-2013) O modelo linear , , é

utilizado para prever a venda ( ), em milhares de reais, de um produto no
ano (2002 t). e βsão parâmetros desconhecidos e é o erro aleatório
com as respectivas hipóteses da regressão linear simples.
As estimativas de e βforam obtidas pelo método dos mínimos quadrados,

com base nas observações das vendas de 2003 a 2012. Dados:
Considerando a equação da reta obtida pelo método dos mínimos quadrados,

a previsão do primeiro ano em que a venda irá superar R$ 60.000,00 será em
(A) 2016. (B) 2017. (C) 2018. (D) 2019. (E) 2020.
12. (FCC-SEFAZ/SP-2013) Observe os dados de uma pesquisa realizada

para verificar a existência ou não de alguma relação entre o estado civil de um
homem (casado ou solteiro) e sua tendência para o consumo de doces. No
universo do Gráfico 1, os homens solteiros e casados foram escolhidos
aleatoriamente na população, ao passo que o universo do Gráfico 2 é um
subconjunto do universo do primeiro.

Os gráficos mostram que

(A) não existe qualquer relação entre o estado civil de um homem e sua
tendência para o consumo de doces.
(B) o estado civil de um homem e sua tendência para o consumo de doces
estão correlacionados, mas não existe relação causal entre eles.
(C) o estado civil de um homem e sua tendência para o consumo de doces
têm uma relação causal: o casamento causa redução na tendência ao
consumo de doces.
(D) o estado civil de um homem e sua tendência para o consumo de doces
têm uma relação causal: a redução no consumo de doces causa uma
maior tendência ao casamento.
(E) o processo de coleta de informações foi inadequado, pois os Gráficos 1 e

2 apresentam dados contraditórios entre si.
13. (FCC-ISS/SP-2012) Considere as seguintes afirmações:

I. Um dispositivo útil quando se quer verificar a associação entre duas
variáveis quantitativas é o gráfico de dispersão entre essas duas variáveis.
II. O coeficiente de variação é uma medida de dispersão relativa que depende
da unidade de medida da variável que está sendo analisada.
III. Dentre as medidas de posição central, a média é considerada uma medida
robusta pelo fato de não ser afetada por valores aberrantes.
IV. Se o coeficiente de correlação linear de Pearson entre duas variáveis for
igual a zero, não haverá associação linear entre elas, implicando a ausência de
qualquer outro tipo de associação.
Está correto o que se afirma APENAS em
(A) I e II.
(B) I e III.
(C) II e IV.

(D) I.
(E) II e III.
14. (FCC-SEFAZ/SP-2009) O gráfico abaixo demonstra a evolução da

receita tributária anual no estado de São Paulo desde 1999, com os valores
arrecadados em bilhões de reais.
(Fonte: Secretaria da Fazenda do Estado de São Paulo Histórico da receita tributária)
Para estimar a receita tributária em um determinado ano com base no

comportamento sugerido pelo gráfico, adotou-se o modelo ,

, sendo , em que é a receita tributária no ano
(1998t) em bilhões de reais e ln o logaritmo neperiano (ln e 1). e βsão
parâmetros desconhecidos e o erro aleatório com as respectivas hipóteses
consideradas para o modelo de regressão linear simples. Utilizando o método
dos mínimos quadrados, com base nas observações de 1999 a 2008, obteve-
se para a estimativa de βo valor de 0,12, sabendo-se que:
A previsão da receita tributária para 2009, em bilhões de reais, em função da

equação obtida pelo método dos mínimos quadrados é igual a
(A) e4,58
(B) e4,56
(C) e4,44
(D) e4,32
(E) e4,20

15. (FCC-SEFAZ/RJ-2013) Considere o modelo ,
onde:
I. e representam, respectivamente, o tempo de reação a certo estímulo,

em segundos, e a idade, em anos, do indivíduo i.
II.  e β representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a

regressão linear simples.
IV. As estimativas de  e β foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Nessas condições, a soma de quadrados residuais do modelo é igual a

(A) 785 (B) 810 (C) 515 (D) 920 (E) 460
16. (ESAF – MTur – Estatístico – 2014) O coeficiente de correlação

linear entre as variáveis aleatórias x e y é igual a 0,99. A partir disso pode-se,
corretamente, afirmar que:
(A) a probabilidade de x e y serem iguais é 99%.
(B) x explica y em 99% das ocorrências de y.

(C) se o valor de x diminuir, em média, o valor de y aumenta.
(D) se o valor de y diminuir, em média, o valor de x diminui.
(E) a covariância entre x e y é exatamente igual a 0,01.
17. (ESAF – MTur – Estatístico – 2014) Em um modelo de regressão

linear simples da forma , foram calculadas, pelo método de
mínimos quadrados ordinários, as estimativas dos parâmetros obtendo-se
, cujo coeficiente de determinação é igual a 0,95. Isso significa
que:
(A) 95% das variações em torno da média da variável explicada são devidas
às variações da variável explicativa
(B) se x tiver um acréscimo de b unidades, em média y, terá um acréscimo
de 0,95 b unidades.
(C) se x tiver um acréscimo de 1 unidade, em média, y terá um acréscimo
de (a + b) unidades.
(D) 95% das variações da variável x causam 95% das variações em b.
(E) o coeficiente de correlação entre x e y é igual ao coeficiente de
determinação.

18. (ESAF – MTur – Estatístico – 2014) Para se estimar a tendência das
importações de determinada matéria-prima realizadas por uma grande
empresa, foram coletados, em 2010, os seguintes dados de importações
durante os meses 1, 2, 3 e 4. Nesses meses, as importações realizadas por
essa empresa, em milhares de dólares, foram iguais a 2, 5, 4 e 3,
respectivamente. Sabendo-se que a reta de tendência linear
foi estimada pelo método de mínimos quadrados ordinários, então a função
tendência das importações é dada por:
(A) Imp = 3 + 0,4 t

(B) Imp = 3 + 0,3 t
(C) Imp = 2 + 0,2 t
(D) Imp = 2 + 0,3 t
(E) Imp = 3 + 0,2 t
19. (ESAF – MI – Estatístico – 2012) Determine a expressão de

E(Y/X=x), sendo Y e X variáveis aleatórias com distribuição normal conjunta
com E(Y)=µY, E(X)=μX e Cov(Y,X)=ρσYσX, onde σY e σX são os desvios padrões
de Y e X, respectivamente, e ρ o coeficiente de correlação entre Y e X.
(A)
(B)
(C)
(D)
(E)
20. (ESAF – MI – Estatístico – 2012) Determine a reta de regressão de Y

em X, considerando que uma amostra aleatória simples (X1, Y1), (X2, Y2),...,
(X22, Y22) forneceu as seguintes estatísticas: médias amostrais e
, variâncias amostrais e e covariância amostral .
(A)
(B)
(C)
(D)
(E)
21. (ESAF – MI – Estatístico – 2012 - ADAPTADA) Calcule o coeficiente

de determinação R² da reta de regressão ajustada na questão anterior.
(A) 0,45
(B) 0,56
(C) 0,64
(D) 0,72

(E) 0,75
22. (ESAF – SUSEP – Analista Técnico – 2010) Y e X são variáveis

aleatórias com distribuição normal conjunta E(Y)= µY, E(X)= μX, e
Cov(Y,X)=ρσYσX, onde σY e σX são os desvios padrões de Y e X,
respectivamente, e ρ o coeficiente de correlação entre Y e X. Qual a expressão
da regressão de X em Y, E(X/Y=y)?
(A)
(B)
(C)
(D)
(E)
23. (ESAF – SUSEP – Analista Técnico – 2010) A partir de uma amostra

aleatória (X1, Y1), (X2, Y2),..., (X22, Y22) foram obtidas as estatísticas:
Médias e , variâncias amostrais e e covariância
.
Qual a reta de regressão estimada de Y em X?
(A)
(B)
(C)
(D)
(E)
24. (ESAF – RFB – Auditor Fiscal da Receita Federal – TI – 2005)

Para uma amostra de dez casais residentes em um mesmo bairro,
registraram-se os seguintes salários mensais (em salários mínimos):
Sabe-se que:
Assinale a opção cujo valor corresponda à correlação entre os salários dos

homens e os salários das mulheres.
(A) 0,72
(B) 0,75
(C) 0,68

(D) 0,81
(E) 0,78
25. (ESAF – RFB – Auditor Fiscal da Receita Federal – 2014) Em um

cofre estão guardados 5 anéis: dois de ouro e três de prata. Aleatoriamente,
retiram-se dois anéis do cofre, um após o outro e sem reposição. Define-se a
variável aleatória X igual a 1 se o primeiro anel retirado é de prata, e igual a 0
se este é de ouro. De modo análogo, define-se a variável aleatória Y igual a 1

se o segundo anel é de prata, e 0 se este é de ouro. Desse modo, a
covariância de X e Y ─ Cov(X,Y) ─ é igual a:
(A) 0
(B) 1
(C) -1
(D) 3/50
(E) -3/50
26. (ESAF – SMF-RJ – Fiscal de Rendas – 2010) A partir de uma

amostra aleatória simples formada por 22 observações das variáveis X e Y
calculou-se
Obtenha a reta de regressão linear de Y em X.

(A)
(B)
(C)
(D)
(E)
27. (ESAF – SMF-RJ – Fiscal de Rendas – 2010) Com os dados da

questão anterior, calcule o valor mais próximo do coeficiente de determinação
R² da regressão linear de X em Y.
(A) 0,65
(B) 0,81
(C) 0,85
(D) 0,91
(E) 0,88

8- Gabarito
1 E 10 A 19 A
2 E 11 B 20 B
3 B 12 B 21 A
4 B 13 D 22 D
5 C 14 B 23 C
6 A 15 D 24 B
7 C 16 D 25 E
8 C 17 A 26 E
9 A 18 E 27 C


AULA 6 Estatistica ICMS MA Correlacao e Regressao Linear Simples - Unlocked

Enviado por

Dados do documento

Descrição original:

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

AULA 6 Estatistica ICMS MA Correlacao e Regressao Linear Simples - Unlocked

Enviado por

Direitos autorais:

Formatos disponíveis

Curso: Estatística p/ ICMS-MA

Teoria e Questões comentadas

Prof. Fábio Amorim 1 de 59

Apresentamos a vocês nossa derradeira Aula 06 de Estatística!

para o cargo de Auditor Fiscal da Receita Estadual e Técnico da Receita

Um abraço e até a próxima!

Prof. Fábio Amorim 2 de 59

Aula 06 – Correlação e Regressão Linear simples

3- Regressão Linear Simples 10

Com base em estudos estatísticos é possível avaliar a relação entre

variável Y, dependente, haja vista o histórico observado em relação a

Prof. Fábio Amorim 3 de 59

Fonte: Instituto Brasileiro de Planejamento Tributário (IBPT)

Nesse gráfico, pode-se observar uma correlação positiva entre carga

um melhor retorno a sua população (IDH).

2- Correlação Linear Simples

O estudo das correlações tem como objetivo medir o grau de relação

Prof. Fábio Amorim 4 de 59

2.1 – Diagrama de Dispersão

Assim, dadas duas variáveis X e Y, compostas, respectivamente, pelos

Portanto, os pontos do diagrama são representados pelos pares (x1,

Prof. Fábio Amorim 5 de 59

também aumentam, dizemos que existe uma correlação positiva entre

2.2 – Coeficiente de Correlação

Nas correlações lineares simples, essa medida é denominada de

Prof. Fábio Amorim 6 de 59

À primeira vista essas fórmulas podem parecer complicadas, mas com a

linear de duas variáveis:

 Quando , dizemos que a correlação é negativa perfeita;

 Quando , dizemos que a correlação é nula.

Prof. Fábio Amorim 7 de 59

Graficamente, podemos visualizar essas relações da seguinte forma:

Prof. Fábio Amorim 8 de 59

Por fim, podemos destacar algumas características importantes do

Prof. Fábio Amorim 9 de 59

3- Regressão Linear Simples

A regressão tem por objetivo descrever a relação existente entre

que possa descrever a relação entre variáveis aleatórias.

 Análise da Regressão Linear Simples

Sendo assim, a regressão tem como objetivo encontrar uma equação

Um dos métodos existentes consiste em encontrar a reta onde é

Prof. Fábio Amorim 10 de 59

Assim, supondo que essa reta tenha equação , pelo método

Desenvolvendo matematicamente essa condição, encontraremos os

Prof. Fábio Amorim 11 de 59

Isso representa a soma dos quadrados dos erros , considerando

Ou seja, o objetivo é conseguir uma reta onde os pontos do diagrama

Para medir essa qualidade da reta , faz-se uma comparação entre as

Prof. Fábio Amorim 12 de 59

A diferença entre e é denominada “Variação Explicada” da reta de

A diferença entre cada ponto de e a média é denominada

Ou seja, por mais que a reta de regressão procure indicar uma

Matematicamente, portanto, para calcular o coeficiente de

Prof. Fábio Amorim 13 de 59

Desenvolvendo matematicamente essas expressões, chegamos à

Por fim, encontrado o valor de R², devemos interpreta-lo como o

 Caso (próximo a 1), dizemos que grande parte da variabilidade de Y

 Caso , temos uma correlação nula, onde a variabilidade de Y não é

Prof. Fábio Amorim 14 de 59

pertencem a uma mesma reta. Se o coeficiente de correlação linear entre X e

Portanto, considerando valores crescentes para e , o coeficiente de

2. (FCC-BACEN-2006) Considere as informações a seguir para resolver a

(Fonte: Secretaria da Fazenda do Estado de São Paulo Histórico da receita tributária)