1.

Em um estudo onde podemos deduzir que a função que determina o salário é composta de
diversos argumentos, cada qual, representante de um fator observável e que influenciam na
determinação do salário, onde é estimado os parâmetros de BETA que descrevem as direções
e as influências da relação entre a variável salário e os fatores usados para determiná-lo,
usando a formula: salário=β0 +β1educ+β2exper+u.

No modelo de regressão linear simples é estudado a relação entre duas variáveis quaisquer.
Onde a variável “y” será chamada de variável dependente, e x de variável independente,
assim estabelecendo que o intuito é observar como “y” varia a partir de variações x. No
modelo clássico da regressão linear temos as seguintes regras, a relação linear entre x e y só é
valido para relações lineares quando ajustado, assim como os valores de x são fixos em
repetidas amostras, não aleatórios, Esperança condicional dos erros é igual a zero, ou seja,
E(e|Xi )=0: É a mesma coisa afirmar que E(Y|Xi )=+Xi, A variabilidade dos erros é
constante, ou seja, E(ei 2 )=2 Os erros são homocedásticos, ou seja, sua variância é a mesma
para qualquer X, Os erros são não auto correlacionados, ou seja, E(eiej )=0: Não há relação
entre valores ordenados dos erros segundo tempo ou espaço. Os erros apresentam distribuição
normal: Não é um pressuposto necessário para que os estimadores de MQO sejam MELNV,
mas necessário para que as inferências sejam válidas.
2.

ln(p) ln(q) ln(q)

0,20701 6,79346
4 6 7.2
0,13976 6,91968 7.1
2 4 7
6,96602 6.9
0,09531 4 6.8
0,18232
6.7
2 6,89467
6.6
0,30010 6,52209
5 3 6.5

0,22314 6,60529 6.4

4 8 6.3
6,69579 6.2
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
0,24686 9
7,15070
-0,01005 1
0,19885 6,85224
1 3
0,22314
4 6,77308
0,26236 6,57925
4 1
 6,99942
0,04879 2

O intercepto/coeficiente linear (b1), é 7,1527, já o coeficiente angular(b2) é -1,9273.

ln(q)
7.2
7.1
7
6.9
6.8
6.7
6.6
6.5
6.4
6.3
6.2
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

b2 será a elasticidade da demanda (y) em relação a x(preço). Demonstrando isto:

Temos uma demanda elástica (b2=n=1,9273), existindo uma forte sensibilidade na demanda
quando há uma variação no preço. isto significa que quando temos um aumento percentual no
preço, se esperara uma variação de b2% na quantidade demandada. Ou seja, 1,9273% é a
variação esperada na quantidade quando o preço varia.

Já sabendo que a elasticidade preço da demanda é elástica, temos que um aumento no preço
significaria em uma queda abrupta na demanda, e uma redução no preço implicaria em um
aumento significativo da demanda, com os dados fornecidos pela tabela sabemos que a
Sanduichov deveria reduzir seus preços para aumentar a receita total, porem podemos ir mais
além nesta análise. Para saber se a receita da Sanduichov vai aumentar por uma queda ou
subida nos preços, precisaremos primeiro saber onde será o ponto que maximiza a receita
total, para isto precisaremos ter a função demanda (Qd), que podemos obter por meio do
método de mínimos quadrados, sendo: y = 2813,3-1577,6x. Sabemos tambem que a receita
total é RT=PxQd, e que a equação genérica da demanda é Qd=a-bP, logo temos que RT=P.(a-
bP). Se derivarmos RT em relação ao preço e igualarmos ele a zero, estaremos achando o
preço máximo, sendo Pmax=a/2b. Já tendo os estimativos b1=2813,3 e b2=1577,6, temos que
Pmax=2813,3/(2.1577,6); Pmax=0,90 aproximadamente, isto significa que um preço acima
ou abaixo de 0,9 implicaria em uma menor receita. Agora, sabendo que na semana 12 o preço
colocado foi de 1,05, e que o preço que maximiza a receita é de 0,9, sabemos que a
Sanduichov precisa diminuir os seus preços para obter uma maior receita, isto até 0,9 porque
um preço abaixo de 0,9, apesar de implicar em uma maior demanda, implicaria tambem em
uma menor receita, e tambem em 0,9 ele teria a sua receita máxima.
3.

Observação Prognóstico ln(q) Resíduos

1 6,753772564 0,039693436
2 6,883388181 0,036295819
3 6,969061073 -0,003037073
4 6,801361763 0,093308237
5 6,574357121 -0,052264121
6 6,722685014 -0,117387014
7 6,676976872 0,018822128
8 7,172122713 -0,021421713
9 6,769505216 0,082737784
10 6,722685014 0,050394986
11 6,64709582 -0,06784482
12 7,058719648 -0,059297648

ln(p) Plotagem de resíduos

0.15

0.1

0.05
Resíduos

0
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
-0.05

-0.1

-0.15
ln(p)

Existe um padrão