Escolar Documentos
Profissional Documentos
Cultura Documentos
Exercício 3 da Ficha 3
Num estudo sobre o preço de vinhos de Bordéus (www.liquidasset.com) foram
considerados 27 anos de dados sobre o logaritmo do preço médio relativo à colheita de
1961 (Y) e as temperaturas médias entre Abril e Setembro em graus centígrados (X).
Considerando a seguinte informação:
𝑦̅ = −1.452, 𝑥̅ = 16.53,
∑ i= 1 e 2i = 5.819
n
s y= 0.6346 , s x= 0.6593 , r x , y= 0.666 ,
Em vez de usarmos o preço médio relativo vamos usar o log do preço médio
relativo (p).
𝑦 = log 𝑝
𝑒 𝑦 = 𝑒 log 𝑝
𝑒 𝑦 = 𝑝, no final para termos as interpretações que interessam fazemos 𝑒 𝑦 =
2.718𝑦
a)
c)
∑𝑛𝑖=1 𝑒𝑖2
𝐼. 𝐶.𝛽1 = 𝛽̂1 ± 𝑡𝛼 (𝑛 − 2) × √ 𝑛 𝑛 − 2 2
2 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠𝑥 = √
𝑛−1
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
0.6593 = √
27 − 1
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
0.65932 =
26
𝑛
Quantil 𝑡𝛼 (𝑛 − 2):
2
𝛼
95% de confiança. 𝛼 = 0.05, = 0.025
2
∑ i= 1 e 2i = 5.819
n
5.819
𝐼. 𝐶.𝛽1 = 0.641 ± 2.06 × √ 25
=[0.345; 0.937]
11.3
d) 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽1 ≠ 0
Uma vez que o enunciado não pede um nível de significância, vamos escolher o
nível de significância de 1% (Vamos escolher a probabilidade de cometer um
ERRO tipo I igual a 0.01). Erro tipo I = Rejeitar H0 quando H0 é verdadeira.
Valor observado da estatística de teste:
𝛽̂1 0.641
𝑡= = = 4.47
∑𝑛𝑖=1 𝑒𝑖2 5.819
√ 25
√ 𝑛−2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 11.3
e) Coeficiente de determinação.
∑𝑛𝑖=1 𝑒𝑖2 5.819
𝑅2 = 1 − 𝑛 = 1 − = 0.444
∑𝑖=1(𝑦𝑖 − 𝑦̅)2 10.47
44.4% da variação dos dados observados da variável dependente é explicada
pelo modelo, isto é, é explicada pela relação linear com a variável temperatura
média no verão.
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
0.6346 = √
27 − 1
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
0.63462 =
26
10.47 = 26 × 0.63462 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 (variação total dos dados 𝑦𝑖 )
Equação de regressão:
Exercício 4 da Ficha 3
Considere as seguintes variáveis e outputs do Jamovi para 27 anos de dados.
𝑝 = 𝑝𝑟𝑒 𝑟𝑒𝑙𝑎𝑡 (Preço médio da colheita relativamente a 1961 (média de vários produtores))
𝑦 = log 𝑝𝑟𝑒 𝑟𝑒𝑙𝑎𝑡 ( Logaritmo do preço médio da colheita relativamente a 1961)
𝑥1 = 𝐶ℎ𝑢𝑣𝑎 𝐼𝑛𝑣 (Chuva no inverno (Out. a Março) ml/m^2)
𝑥2 = 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 (Temperatura média de Abril a Setembro (graus c.))
𝑥3 = 𝐶ℎ𝑢𝑣𝑎 𝑐𝑜𝑙ℎ (Chuva na colheita (Ago. e Setembro) ml/m^2)
𝑥4 = 𝑇𝑒𝑚𝑝𝑜 𝑑 𝑐𝑜𝑙ℎ (Tempo desde a colheita (anos))
F gl1 gl2 p
Tabela 2
Tabela 3
∑𝒏𝒊=𝟏(𝒚𝒊 − 𝒚
̅)𝟐 = 10.47 ∑𝒏𝒊=𝟏 𝒆𝟐𝒊 = 1.809
Tabela 3
𝐻0 : 𝛽4 = 0
𝐻1 : 𝛽4 ≠ 0
Valor p = 0.003, inferior aos níveis de significância usuais e por isso temos forte
evidência estatística que permite rejeitar 𝐻0 . Existe forte evidência estatística
que o tempo desde a colheita tem efeito no valor esperado de Y.
∑𝒏𝒊=𝟏(𝒚𝒊 − 𝒚
̅)𝟐 = 𝟏𝟎. 𝟒𝟕 ∑𝒏𝒊=𝟏 𝒆𝟐𝒊 = 𝟏. 𝟖𝟎𝟗
1.809
𝑅2 = 1 − = 0.827
10.47
82.7% da variação dos dados observados da variável dependente é explicada pelo
modelo, isto é, é explicada pelas relações lineares com as variáveis chuva no
inverno, temperatura no verão, chuva durante a colheita e tempo desde a
colheita.