Ordem dos Economistas de So Paulo

ProAnpec
CURSO PREPARATRIO PARA O EXAME NACIONAL ANPEC

Questes resolvidas de Estatstica

Alexandre Sartoris
Andreza Palma

So Paulo
2005
 Probabilidade

(ANPEC 2005, 15) As lmpadas coloridas produzidas por uma fbrica so 50%
vermelhas, 30% azuis e 20% verdes. Em uma amostra de 5 lmpadas, extradas ao
acaso, encontre a probabilidade de duas serem vermelhas, duas serem verdes e uma ser
azul. Multiplique o resultado por 100.

Soluo:

Temos:

50% vermelhas (VM)

30% azuis (A)

20% verdes (V)

Dessa forma, em uma amostra de cinco lmpadas, a probabilidade de duas serem

vermelhas, duas verdes e uma azul ser dada por:

P5
P(2VM, 2V, 1A) = 0,500,500,200,200,30
P2 P2 P1

5!
P(2VM, 2V, 1A) = 0,003
2!2!1!

P(2VM, 2V, 1A) = 300,003

P(2VM, 2V, 1A) = 0,09

Multiplicando por 100 como pede o exerccio, chegaremos ao valor de 09.

(ANPEC 2003, 12) Trs mquinas, A, B e C, produzem respectivamente 50%, 30% e

20% do nmero total de peas de uma fbrica. As porcentagens de peas defeituosas na
produo dessas mquinas so respectivamente 3%, 4% e 5%. Uma pea selecionada
ao acaso e constata-se ser ela defeituosa. Encontre a probabilidade de a pea ter sido
produzida pela mquina A. (Use apenas duas casas decimais. Multiplique o resultado
final por 100).

Soluo:
O exerccio pede a probabilidade da pea ter sido produzida pela mquina A
dado que essa pea defeituosa (P(mquina A|defeituosa)). Portanto:

P(mquina A e defeituosa )
P(mquina A|defeituosa) =
P(defeituosa )
 0,50 0,03
P(mquina A|defeituosa) =
0,50 0,03 + 0,30 0,04 + 0,20 0,05

0,015
P(mquina A|defeituosa) = 0,40
0,015 + 0,012 + 0,01

Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao valor de 40.
Nota: Observe que para a resoluo desse exerccio, utilizamos o teorema de Bayes, j
que a P(mquina|defeituosa) dada por:
P(mquina A) P(defeituo sa | mquina A)
P(mquina A) P(defeituo sa | mquina A) + P ( mquinaB ) P(defeituo sa | mquina B) + P ( mquinaC ) P(defeituo sa | mquina C)
P( Bi ) P( A | Bi )
= P ( Bi | A) = k

P( B
j =1
j ) P( A | B j )

(ANPEC 2002, 01) Considere o espao amostral S, os eventos A e B referentes a S e a

medida de probabilidade P.

(0) Se P(A) = 1 , P(B) = 1 , e A e B so mutuamente exclusivos, ento P(A B)

2 4
=1 .
8
Resposta:
Se os eventos A e B so mutuamente exclusivos (disjuntos) eles no podem
ocorrer juntos e, portanto, P(A B) = 0, como mostra o diagrama de Venn abaixo.

FALSA

(1) Se A B, ento P(A|B) P(A).

Resposta:
Se A um subconjunto de B, ento a probabilidade de A ocorrer dado que B
ocorreu certamente ser maior (ou igual, no caso em que A = B) probabilidade de A
ocorrer, j que estaremos restringindo o espao amostral de S para B. Vejamos:
 P(A B) P(A)
P(A|B) = = P(A)
P(B) P(B)
J que AB = A se AB e P(B) 1.

FALSA

(2) Se P(A) = 1 , P(B) = 1 e P(A B) = 1 , ento P(AC BC) = 5 , em que AC

2 3 4 12
e BC indicam os eventos complementares.
Resposta:
A P(AC BC) est representada pela regio cinza do diagrama de Venn
seguinte. A regio branca corresponde probabilidade de ocorrer A ou B, ou seja,
P(A B).

Calculemos P(A ou B), ou seja, a regio branca do diagrama de Venn acima:

P(A B) = P(A) + P(B) - P(A B)
1 1 1
P(A B) = +
2 3 4
7
P(A B) =
12
Como P(S) = 1, temos que:
 7 5
P(AC BC) = 1 - P(A B) = 1 - =
12 12
VERDADEIRA

(3) Se B1, B2 ,........., Bk representam uma partio de um espao amostral S, ento para
P( Bi ) P( A | Bi )
A S tem-se que P ( Bi | A) = k , i = 1, 2 ,........ k .

j =1
P( B j ) P( A | B j )
Resposta:
A afirmativa acima refere-se exatamente ao Teorema de Bayes (veja Questo ANPEC
2003, 12).
VERDADEIRA

(4) Se P(A|B) = 0 ento A e B so independentes.

Resposta:
Os eventos A e B apenas sero independentes se P(A|B) = P(A), ou seja, se a
probabilidade condicional for igual probabilidade incondicional (o fato que B ocorreu
no muda em nada a probabilidade de A ocorrer)
FALSA

(ANPEC 2001, 01) Os formandos de determinada faculdade de economia tomaram as

seguintes decises para o ano seguinte:
Deciso Homens Mulheres Totais
Fazer mestrado em economia 7 9 16
Fazer outros cursos 5 6 11
Procurar emprego 16 9 25
Totais 28 24 52
Com base nessas informaes, correto afirmar:

(0) A probabilidade de que as mulheres continuem estudando aproximadamente

46% superior dos homens.
Resposta:
Temos que:
15
P(mulheres continuem estudando) = = 62,5%
24
 12
P(homens continuem estudando) = 42,86%
28
Agora ateno: para saber em quanto a probabilidade de que as mulheres
continuem estudando maior que a dos homens temos que dividir uma probabilidade
pela outra:
15
P(mulheres continuem estudando) 24 15 28
= = 1,46
P(homens continuem estudando) 12 24 12
28
Portanto, a probabilidade de que as mulheres continuem estudando realmente
aproximadamente 46% superior dos homens.
VERDADEIRA

(1) Sabendo-se que algum optou por procurar emprego, a probabilidade de ser homem
64%.

Resposta:
Podemos rapidamente obter essa probabilidade:
16
P(ser homem|optou procurar emprego) = = 0,64 = 64%
25
Porm, para os que preferirem um caminho mais longo:
16
P(ser homem e procurar emprego) 52
P(ser homem|optou procurar emprego) = = =
P(procurar emprego) 25
52
16
= 0,64 = 64%
25
VERDADEIRA

(2) Se a probabilidade de ser aprovado no exame de seleo para mestrado em

economia de 30%, espera-se que 1/4 dos homens iniciem o curso no ano seguinte.
Resposta:
A tabela acima nos mostra que 7 homens pretendem fazer mestrado em economia, ou
1
seja, dos homens. Portanto, se a probabilidade de ser aprovado no exame de seleo
4
de 30%, temos que aproximadamente 2 homens iniciaro o curso no ano seguinte
1
(0,30 7 = 2,1), ou seja, aproximadamente dos homens iniciaro o curso no ano
14
seguinte.
FALSA
 (3) Se a probabilidade de encontrar emprego de 40% e a de ser aprovado nos
exames de seleo de 30% e 45%, respectivamente, para o mestrado em economia
e para os outros cursos, espera-se que 9 mulheres atingiro seus objetivos.
Resposta:
Temos que:
- mulheres que encontraro emprego: 9 0,40 = 3,6
- mulheres que faro outros cursos: 6 0,45 = 2,7
- mulheres que faro mestrado em economia: 9 0,30 = 2,7
Portanto, 3,6 + 2,7 + 2,7 = 9 mulheres atingiro seus objetivos.
VERDADEIRA

(4)Entre os formandos que pretendem continuar estudando, 1/3 mulher que pretende
fazer mestrado em economia.
Resposta:
Temos 27 formandos que pretendem continuar estudando. Desses, 9 so mulheres
que pretendem fazer mestrado em economia. E sabemos que 1/3 de 27 igual a 9
1
27 = 9 . Portanto, entre os formandos que pretendem continuar estudando,
3
realmente 1/3 mulher que pretende fazer mestrado em economia.

VERDADEIRA

(ANPEC 2000, 01) Considere a terna (S,,P), em que S o conjunto Universo,

o conjunto dos possveis eventos e, P uma medida de probabilidade. Verifique quais
das afirmativas abaixo so verdadeiras (V) e quais so falsas (F):
(0) Se dois eventos so disjuntos, eles sero tambm independentes.
Resposta:
Se dois eventos so disjuntos (e no vazios) eles so dependentes, j que a
ocorrncia de um implica a no ocorrncia de outro.
FALSA

(1) Para dois eventos quaisquer A e B, Prob (A) = Prob (ABc) + Prob (AB), em
que Bc o complemento de B.
Resposta:
A probabilidade de A ocorrer corresponde regio cinza do diagrama de Venn
abaixo:
Portanto, temos que:
P(A) = P(A Bc) +P(A B)
VERDADEIRA

(2) Sejam dois eventos A e B, em que Prob (A) = 1/2 e Prob (B) = 1/3. Se A e B so
eventos mutuamente exclusivos, ento Prob (BAc) igual a 1/6.
Resposta:
1
Se os dois eventos so mutuamente exclusivos, ento Prob (BAc) = P(B) = como
3
mostra o diagrama de Venn abaixo:

FALSA

(3) Sejam os eventos A, B e C, tais que Prob (ABC) = Prob(A). Prob(B). Prob(C).
Pode-se ento afirmar que estes eventos so independentes.
Resposta:
Vejamos, atravs do seguinte exemplo, que essa implicao no vlida.
Nota: Exemplo retirado de Sartoris (2003, p. 15-16)

Considere o diagrama de Venn abaixo (os valores marcados correspondem s

probabilidades das reas delimitadas).
 Temos que:

P(A) = 0,1 + 0,15 + 0,1 + 0,05 = 0,4

P(B) = 0,25 + 0,05 + 0,1 + 0,1 = 0,5
P(C) = 0,15 + 0,15 + 0,1 +0,1 = 0,5

P(AB) = 0,1 + 0,05 = 0,15

P(AC) = 0,1 + 0,15 = 0,25
P(BC) = 0,1 + 0,1 = 0,2
P(ABC) = 0,1

Dessa forma, temos que P(ABC) = P(A)P(B)P(C) = 0,1. Mas, tomando os

eventos dois a dois, temos que:

P(AB) P(A)P(B)
P(BC) P(B)P(C)
P(AC) P(A)P(C)

Ou seja, a probabilidade condicional diferente da probabilidade incondicional

e, portanto, os eventos so dependentes.
FALSA

(ANPEC 1999, 15) Com relao Teoria das Probabilidade podemos afirmar que:

(0) Sendo A e B dois eventos independentes e se P(A) = 0,5 e P(B) = 0,4, ento P(AB)
= 0,5.
Resposta:
Se A e B so independentes, ento:
P(AB) = P(A) + P(B) - P(A) P(B)
P(A B) = 0,5 + 0,4 - 0,2
P(A B) = 0,7
FALSA

(1) Sendo A e B dois eventos mutuamente exclusivos e se P(A) = 0,5 e P(B) = 0,4, ento
P(AB) = 0,5.
Resposta:
Se A e B so mutuamente exclusivos, eles no podem ocorrer juntos e, portanto,
P(A B) =0. Dessa forma:

P(AB) = P(A) + P(B)

P(AB) = 0,5 + 0,4
P(AB) = 0,9

FALSA

(2) Seja S um espao amostral e A e B dois eventos quaisquer associados a S. Ento

P( A| B) + P( A| B) = 1 , onde P( A| B) = probabilidade de ocorrncia do evento A
dado de ocorreu o evento B.
Resposta:
Sabemos que:
P( A e B)
P( A | B) =
P( B)
P( A e B)
P( A | B) =
P( B)
Dessa forma:
P( A e B) P( A e B) P( A e B) + P( A e B) P( B)
P( A | B) + P( A | B) = + = = =1
P( B) P( B) P( B) P( B)

J que, como mostra o digrama de Venn abaixo, P(A e B) + P ( A e B) = P(B).

VERDADEIRA

(3) Um projeto para ser transformado em lei deve ser aprovado pela Cmara dos
Deputados e pelo Senado. A probabilidade de ser aprovado pela Cmara dos
 Deputados de 40%. Caso seja aprovado pela Cmara, a probabilidade de ser
aprovado no Senado 80%. Logo, a probabilidade desse projeto ser transformado
em lei de 32%.
Resposta:
P(projeto ser transformado em lei) = 0,4 0,80
P(projeto ser transformado em lei) = 0,32 = 32%
VERDADEIRA

(4) Num processo eletivo 55% dos votantes so homens. Sabe-se que dentre os homens
40% preferem o candidato A, 50% o candidato B e os 10% restantes votam nos
demais candidatos. Dentre as mulheres 60% preferem A, 25% preferem B e o restante
os demais candidatos. Se um voto escolhido ao acaso for para o candidato A, a
probabilidade deste voto ser de uma mulher de 55,1%.
Resposta:

P(voto ser de uma mulher e ser para o candidato A)

P(mulher|candidato A) =
P(voto ser para o candidato A)

0,45 0,60 0,27

P(mulher|candidato A) = = 0,551 = 55,1%
0,45 0,60 + 0,55 0,40 0,49
VERDADEIRA

(ANPEC 1998, 02) Considere um espao amostral com a terna (,,P), onde
o conjunto Universo, o conjunto dos possveis eventos e, P , uma medida de
probabilidade. Assim, pode-se afirmar que :

(0) Se A, B e C so eventos de , ento o evento exatamente um dos eventos ocorre

expresso na notao de conjunto como ( A B C ) ( A B C ) ( A B C ) .
Resposta:
O diagrama de Venn abaixo mostra que realmente a probabilidade de
exatamente um dos eventos ocorrer dada por ( A B C ) ( A B C ) ( A B C ) :
VERDADEIRA

(1) Se A e B so dois eventos quaisquer de , ento P(A B) P(A) + P(B).

Resposta:
A probabilidade da unio de dois conjuntos quaisquer dada por:
P(A B) = P(A) + P(B) - P(A B)
Portanto, P(A B) ser igual P(A) + P(B) quando P(A B) for igual a zero (eventos
disjuntos) e ser menor que P(A) + P(B) caso contrrio, mas nunca ser maior.
FALSA

(2) Se A e B so dois eventos quaisquer de , onde P(A)=1/2 , P(B)=1/3 e P(AB)

=3/4, ento P( A B)=1/4 e P( A B ) =1/4.
Resposta:
Temos que:
P(A B) = P(A) + P(B) - P(A B)
3 1 1
= + - P(A B)
4 2 3
1 1 3
P(A B) = + -
2 3 4
1
P(A B) =
12
A P( A B) est representada pela regio cinza do diagrama de Venn abaixo:
Dessa forma, temos que:
P( A B) = P(B) - P(A B)
1 1
P( A B) = -
3 12
4 1 3 1
P( A B) = = =
12 12 4

Agora, calculemos P( A B )

P( A B ) = 1 - P(A B)
3
P( A B )= 1 -
4
1
P( A B ) =
4

VERDADEIRA

(3) Se A e B so dois eventos quaisquer de , ento se P(A|B) > P(A) tem-se que
P(B|A) > P(B).
Resposta:
Temos que:
P( A B)
P(A|B) = > P(A)
P( B)
Ento:
P( A B)
> P(A)
P( B)
P ( A B) > P(A)P(B)
P( A B)
> P(B)
P( A)
P( B A)
E como P(B|A) = , temos que:
P( A)
P(B|A) > P(B)
VERDADEIRA

(ANPEC 1998, 03) A tabela de contingncia a seguir apresenta os dados de uma

amostra de 150 empresas, classificados segundo quatro grupos industriais e se o retorno
sobre o capital prprio maior ou menor que o retorno mdio na amostra.

Grupo Retorno sobre o capital prprio Total

Industrial Acima da mdia (A) Abaixo da mdia (B)
I 20 40 60
II 10 10 20
III 20 10 30
IV 25 15 40
Total 75 75 150

Com base nestas informaes, verifique as seguintes afirmaes:

(0) Se selecionarmos uma empresa ao acaso, a probabilidade da empresa ser do grupo

III ou ter o retorno sobre o capital prprio abaixo da mdia 40%.
Resposta:
30 75 10
P(grupo III ou retorno abaixo da mdia) = + - 63%
150 150 150
FALSA

(1) Se selecionarmos uma empresa ao acaso, a probabilidade da empresa ser do grupo I

de 40%.
Resposta:
60
P(grupo I) = = 0,40 = 40%
150
VERDADEIRA

(2) Se a empresa escolhida ao acaso for do grupo II, a probabilidade do retorno sobre o
capital prprio estar acima da mdia 50%.
Resposta:
Podemos rapidamente obter essa probabilidade:
10
P(retorno abaixo da mdia|grupo II) = = 0,5 = 50%
20
E, como sempre existe um caminho mais longo para quem preferir:
10
P(retorno abaixo da mdia e grupo II) 150
P(retorno abaixo da mdia|grupo II) = = =
P(grupo II) 20
150
0,5
VERDADEIRA

(3) Se duas empresas diferentes so escolhidas ao acaso, a probabilidade de sair

primeiro uma empresa do grupo I e depois uma empresa do grupo III
aproximadamente igual a 8%.
Resposta:
Supondo que no haja reposio, temos que:

60 30
P(empresa grupo I e empresa grupo III) = 0,08 = 8%
150 149
VERDADEIRA

(4) O evento grupo I independe estatisticamente do evento retorno sobre o capital

prprio acima da mdia.
Resposta:
Se esses dois eventos forem realmente independentes, a seguinte igualdade deve
ser verificada: P(grupo I| retorno acima da mdia) = P(grupo I). Vejamos se isso
vlido:
20
P(grupo I| retorno acima da mdia) = 27%
75
60
P(grupo I) = = 40%
150
Portanto, como a igualdade entre a probabilidade condicional e a incondicional no
vlida, os eventos "grupo I" e "retorno sobre capital prprio acima da mdia" so
dependentes.

FALSA
 Esperana, medidas de disperso e independncia de variveis
aleatrias

(ANPEC 2005, 02) O retorno RC de uma carteira de investimentos com duas aes A
e B e um papel de renda fixa F dado por RC = a1 R A + a2 RB + a3 RF , em que a1, a2 e a3
so constantes. RA e RB so variveis aleatrias normalmente distribudas com mdia
zero, varincia 1 e covarincia 0,5 e RF uma constante igual a 0,1. Julgue as
afirmativas:

(0) A mdia do retorno da carteira ser igual a zero se, e somente se, a correlao entre
os retornos das aes A e B for nula.

Resposta:

A mdia do retorno da carteira (Rc) ser dada por:

E( RC ) = E( a1 R A + a 2 RB + a3 RF )

E( RC ) = E( a1 R A ) + E( a 2 RB ) + E( a3 RF )

E( RC ) = a1 E( R A ) + a 2 E( RB ) + a3 RF

E( RC ) =0,1 a3

Portanto, a mdia de RC ser igual a zero apenas se a3 = 0, o que no tem nada a ver
com a correlao entre o s retornos.

FALSA

(1) A mdia do retorno da carteira : E ( RC ) = a1 + a 2 + a3 .

Resposta:

Como j calculamos no item anterior, a mdia do retorno da carteira dada por:

E( RC ) =0,1 a3

FALSA

(2) Se a covarincia entre o retorno das aes A e B for 0,5, a varincia do retorno da
carteira ser Var ( RC ) = a12 + a 22 + a1 a 2 .
Resposta:

A varincia de RC dada por:

var( RC ) = var( a1 R A + a 2 RB + a3 RF )

Como RF uma constante:

var( RC ) = var( a1 R A + a 2 RB )

var( RC ) =var( a1 R A ) + var( a 2 RB ) + 2cov( a1 R A , a 2 RB )

Utilizando as propriedades da varincia e covarincia, temos que:

var( RC ) = a12 var( R A ) + a 22 var( RB ) + 2 a1 a 2 cov( R A , RB )

Como var( R A ) = var( RB ) = 1 e cov( R A , RB ) = 0,5:

var( RC ) = a12 + a 22 + a1 a 2

VERDADEIRA

(3) O retorno RC uma varivel aleatria normalmente distribuda com mdia 0,1a3 .

Resposta:

Como j calculamos no item (0), a mdia de RC dada realmente por 0,1 a3 . E como
RC a soma de duas variveis aleatrias normalmente distribudas (RA e RB), ela
prpria ser tambm normalmente distribuda.

VERDADEIRA

(4) O coeficiente de correlao entre RA e RB 0,25.

Resposta:

O coeficiente de correlao entre RA e RB dado por:

cov( R A , RB )
R A , RB
=
var(R A ) var(RB )

0,5
R A , RB
= = 0,5
1

FALSA
 (ANPEC 2004, 3) Sobre coeficiente de correlao, covarincia e independncia de
variveis aleatrias, so corretas as afirmativas:
(0)Seja ( x, y ) o coeficiente de correlao entre as variveis x e y. Se ab>0, ento
(ax,by ) = ( x, y ) ; e se ab<0, (ax, by ) = ( x, y ) .
Resposta
O coeficiente de correlao entre x e y dado por:
cov( x, y )
(x,y) =
var( x) var( y )
E o coeficiente de correlao entre ax e by ser:
cov(ax, by )
(ax,by) =
var(ax) var(by )
E pelas propriedades da varincia e da covarincia:
ab cov( x, y )
(ax,by) =
a b 2 var( x) var( y )
2

ab cov( x, y )
(ax,by) =
ab var( x) var( y )

Portanto, se ab>1, teremos (ax, by) = (x,y). E se ab<1, teremos (ax, by) = -(x,y).
VERDADEIRA

(1)Se a funo densidade conjunta de x e y for f ( x, y ) = e x y , x > 0, y > 0 e

f ( x, y ) = 0 para outros valores de x e y, ento ( x, y ) = 0.
Resposta
Note que a funo densidade de probabilidade conjunta de x e y nesse caso pode ser
escrita como (j que quando temos multiplicao de potncias de mesma base, somamos
os expoentes):

f(x,y) = e-x e-y para x> 0 e y> 0

Ou seja:

f(x,y) = f(x) f(y)

O que caracterstica de variveis aleatrias independentes. E se as variveis so

independentes, o coeficiente de correlao entre elas ser igual a zero (lembrando que o
contrrio no verdadeiro).

VERDADEIRA
(2)Sejam A e B dois eventos independentes, com probabilidades positivas, associados a
um experimento aleatrio . Se as variveis aleatrias x e y so definidas como: x =
1, se ocorrer A e x = 0, em caso contrrio; e y = 1, se ocorrer B e y = 0, em caso
contrrio, ento ( x, y ) 0.
Resposta:
Aqui devemos calcular o coeficiente de correlao entre as variveis. E para isso
precisamos da covarincia entre elas. Lembrando que:

cov(x,y) = E(xy) - E(x)E(y)

Primeiramente ento temos que calcular as esperanas acima. Vejamos como.

Temos que:
1 se A ocorrer 1 se B ocorrer
x= e y=
0 caso contrrio 0 caso contrrio
Calculemos a esperana de x e y:
E(x) = 1 P(A) + 0 P( A ) = P(A)
E(y) = 1 P(B) + 0 P( B ) = P(B)

E o produto de x e y ser:
1, se A e B ocorrerem
xy =
0, caso contrrio
Dessa forma:
E(xy) = 1 P( A B) + 0 P( A B) = P( A B)

Agora podemos calcular cov(x,y):

cov(x,y) = E(xy) - E(x)E(y)
cov(x,y) = P( A B) - P(A) P(B)

Lembrando que A e B so eventos independentes, temos que:

P( A B) = P(A) P(B)
E, dessa forma, a cov(x,y) ser:
cov(x,y) = P(A) P(B)- P(A) P(B)
cov(x,y) = 0

E se a covarincia igual a zero, o coeficiente de correlao tambm ser igual a zero:

 cov( x, y ) 0
= = =0
var( x) var( y ) var( x) var( y )

FALSA

(3)Em relao ao quesito anterior, pode-se afirmar ainda que a covarincia entre x e y
diferente de zero.
Resposta:
Como vimos no item anterior, a covarincia entre x e y igual a zero.
FALSA

(4) Se o coeficiente de correlao ( x, y ) = 0, a covarincia entre x e y tambm zero.

Assim sendo, pode-se afirmar que x e y so variveis aleatrias independentes.
Resposta:
A primeira parte da afirmativa acima verdadeira: se o coeficiente de correlao
entre x e y igual a zero, sabemos que a cov(x,y) tambm ser zero:
cov( x, y )
= = 0 cov(x,y) =0.
var( x) var( y )

Porm, o fato da cov(x,y) ser igual a zero no implica que as variveis sejam
independentes (lembrando que a recproca verdadeira). Para um exemplo de que
cov(x,y) = 0 no implica independncia das variveis, veja questo ANPEC 1998, 10,
itens 0 e 1, em distribuio de probabilidade conjunta.
FALSA

(ANPEC 2004, 04) Um importador adquiriu vrios artigos ao preo mdio de US$
15.00 com um desvio-padro de US$ 1.00. Sabendo-se que a taxa de cmbio de R$
3,00 por dlar, correto afirmar:

(0)Convertendo-se o valor das compras para reais, o preo mdio dos produtos
adquiridos ser de R$ 45,00.
Resposta:
Se a taxa de cmbio de R$3,00, temos que o valor mdio das compras em reais ser:
E(R$3,00 preo) = R$3,00 E(preo) = R$3,00 US$15,00 = R$45,00

VERDADEIRA

(1) Em reais, o desvio-padro ser de R$ 3,00.

Resposta:
Se o desvio-padro de US$1,00 e a taxa de cmbio de R$3,00, obviamente, o
desvio-padro em reais ser de R$3,00:
dp(R$3,00 preo) = R$3,00 dp(preo) = R$3,00 US$1,00 = R$3,00

VERDADEIRA

(2)Se ao preo original de cada artigo, um intermedirio adicionar uma margem de

lucro fixa de R$ 10,00, o novo preo mdio ser R$ 55,00 com um desvio-padro de
R$ 6,00.
Resposta:

Se for adicionada uma margem de lucro fixa de R$10,00, o novo preo mdio ser:

E(preo + 10) = E(preo) + E(10) = 45 + 10 = 55

Mas o desvio-padro continuar sendo o mesmo, j que1:

dp(preo + 10) = dp(preo) = R$3,00

FALSA

(3) Se a margem de lucro for de 20% sobre o preo em reais, o novo preo mdio ser
R$ 54,00 e o novo desvio-padro ser R$ 3,60.
Resposta:
Acrescentando-se uma margem de lucro de 20% sobre o preo em reais, temos que o
preo mdio ser dado por:
E(preo + 0,20preo) = E(preo) + 0,20E(preo) = 45 + 9 = R$54,00

E o desvio-padro:
dp(preo + 0,20preo) = dp(1,20preo) = |1,20|dp(preo) = |1,20| 3,00 = R$3,60

VERDADEIRA

(4) O coeficiente de variao calculado em reais, devido taxa de cmbio, ser 3 vezes
maior do que aquele calculado utilizando-se os valores em dlar.
Resposta:
O coeficiente de variao (desvio-padro dividido pela mdia) no afetado por
mudanas nas unidades de medida. Portanto, no faz diferena se calcularmos os
valores em reais ou em dlares; o coeficiente de variao continuar sendo o mesmo.
FALSA

1
Lembre-se que o fato de adicionar uma constante no ir alterar a variabilidade da varivel; apenas ir
deslocar os seus valores para a direita (no caso de adio) ou para a esquerda (no caso de subtrao).
(ANPEC 2003, 09) Sendo Y e X duas variveis aleatrias, correto afirmar que:

(0) Var(Y + X) = Var(Y) + Var(X) - 2Cov(Y, X);

Resposta:
A varincia da soma de duas variveis quaisquer dada por:
Var(Y + X) = var(Y) + var(X) + 2cov(Y, X)
Demonstrao: Veja Sartoris (2003, p.55)
FALSA

(1) Var(Y - X) = Var(Y) - Var(X) - 2Cov(Y,X);

Resposta:
A varincia da diferena entre duas variveis quaisquer dada por:
Var(Y - X) = var(Y) + var(X) - 2 cov(Y,X)
Demonstrao: Veja Sartoris (2003, p. 56)
FALSA

(2) Var (Y + X) = Var(Y) + Var(X), se Y e X forem independentes;

Resposta:
Se as variveis Y e X forem independentes, a covarincia entre elas ser
necessariamente nula e, portanto, a varincia da soma destas duas variveis ser igual
soma das varincias.
VERDADEIRA

(3) se Cov(Y, X) = 0, ento Y e X so independentes;

Resposta:
O fato da covarincia entre duas variveis ser nula no implica que elas sejam
independentes (a no ser, por exemplo, que elas sejam normalmente distribudas, como
veremos no prximo item). Mas se duas variveis so independentes, a covarincia
entre elas ser nula. Para um exemplo de que covarincia nula no implica
independncia de variveis, veja Sartoris (2003, p. 128) ou questo ANPEC 1998, 10,
itens 0 e 1, em distribuio de probabilidade conjunta.
FALSA

(4) se Cov(Y, X) = 0 e se Y e X tm distribuio conjunta normal, ento Y e X so

independentes.
Resposta:
Nesse caso, o fato da covarincia entre X e Y ser igual a zero, implica que Y e X sejam
independentes. Na questo ANPEC 1999, 14, item 4, mostramos que se duas variveis
so binomialmente distribudas e se a covarincia entre elas for igual a zero, ento elas
sero independentes. E, como sabemos, medida que o tamanho da amostra aumenta, a
binomial tende distribuio normal. Portanto, os resultados obtidos naquela questo
so vlidos para esta tambm, ou seja, se as variveis forem conjuntamente
normalmente distribudas e se a covarincia entre elas for igual a zero, ento essas
variveis sero independentes.
Mas, apenas por curiosidade, a f.d.p. de uma normal bivariada dada por:
x y y
2

2
x x y y
x
+ 2


1 1 y y
exp
x x
f(x,y) =
2 x y 1 2
2 1 2

Portanto, se (coeficiente de correlao entre x e y) for igual a zero (o que implica que
a covarincia tambm ser zero), a expresso acima se reduzir a:
1x
2
y y
2
1
f(x,y) = exp x
+
2 x y
2 x y

que a funo densidade de probabilidade conjunta de duas variveis independentes

que possuem distribuio conjunta normal (j que nesse caso, f(x,y) = f(x) f(y)).
VERDADEIRA

(ANPEC 2002, 03) Considere um investidor cuja composio da carteira formada

por dois ativos A e B.

(0) Se os retornos esperados de A e B so iguais a 10% e 5%, e as participaes de A e

B na carteira so de 40% e 60%, respectivamente, ento o retorno esperado da
carteira de 7,5%.
Resposta
O retorno esperado da carteira ser dado por:
E(carteira) = 0,4 0,10 + 0,6 0,05
E(carteira) = 0,07 = 7%
FALSA

(1) Supondo-se que os retornos dos dois ativos referidos no quesito anterior sejam
independentes e que suas varincias sejam iguais a 10 e 20, respectivamente, ento a
varincia da carteira ser igual a 8,8.
Resposta:
A varincia da carteira ser dada por:
var(carteira) = var(0,4 A + 0,6B)
Se os retornos dos ativos so independentes, ento a varincia de sua soma igual
soma das varincias:
var(carteira) = var(0,4 A) + var(0,6 B)
var(carteira) = 0,42 var(A) + 0,62 var(B)
var(carteira) = 0,16 10 + 0,36 20
var(carteira) = 1,60 + 7,20
var(carteira) = 8,8
VERDADEIRA

(2) Supondo-se que os retornos de A e B tenham a mesma varincia, a diversificao

dessa carteira nestes dois ativos somente reduzir o risco total se o coeficiente de
correlao entre os respectivos retornos for negativo.
Resposta:
A varincia da carteira dada por:
var(carteira) = var(A) + var(B) + 2cov(A, B)

onde = (1-).

Se A e B tm a mesma varincia, temos que:

var(carteira) = 2var(A) + 2var(A) + 2cov(A,B) (I)

Calculemos, ento, cov(A,B). Para isso, primeiro calculemos o coeficiente de

correlao entre os ativos:

cov(A, B) cov(A, B) cov(A, B)

= = =
var(A)var(B) [var(A)]2
var(A)

Rearranjando, temos que:

cov(A,B) = var(A)

Substituindo a expresso acima em (I), temos:

var(carteira) = 2var(A) +2var(A) + 2 var(A)

var(carteira) = (2 +2 + 2) var(A)

Portanto, para que o risco da carteira seja eliminado, basta que (2 +2 + 2) <1.
Vejamos se o coeficiente de correlao entre os ativos precisa ser negativo para que isso
ocorra. Suponha que = 0. A varincia da carteira ser dada ento por:
var(carteira) = (2 +2) var(A)

Supondo que = 0,50 (e, portanto, =0,5), temos que:

var(carteira) = [0,50 + (0,50)2] var(A)

var(carteira) = 0,75 var(A) < var(A)

Ou seja, o coeficiente de correlao entre os ativos no necessariamente precisa ser

negativo para que a diversificao dessa carteira reduza o risco. Como vimos, se = 0,
o risco tambm ser reduzido.
FALSA

(3) No caso de correlao negativa perfeita, se a varincia de A duas vezes a varincia

de B, ento preciso investir duas vezes mais em A para eliminar o risco da
carteira.
Resposta:
Note que se a varincia de A maior que a varincia de B, ento preciso investir mais
em B para eliminar o risco da carteira. Mas, faamos os clculos.
Se investirmos duas vezes mais em A, temos que a varincia da carteira ser dada por:

2 1 2 1
var(carteira) = var A + var B + 2 cov A, B
3 3 3 3
4 1 4
var(carteira) = var(A) + var(B) + cov(A,B)
9 9 9

E, como a var(A) = 2var(B), temos que:

4 1 4
var(carteira) = 2var(B) + var(B) + cov(A,B)
9 9 9
8 1 4
var(carteira) = var(B) + var(B) + cov(A,B)
9 9 9
4
var(carteira) = var(B) + cov(A,B) (I)
9

Se existe correlao negativa perfeita entre A e B, ento:

(A,B) = -1
cov(A, B)
= -1
var(A)var(B)
cov(A,B) = - var(A)var(B)
cov(A,B) = - 2 var(B)var(B)
cov(A,B) = - 2 var(B)

Substituindo em (I), temos que:

4
var(carteira) = var(B) + [- 2 var(B)]
9
 4 2
var(carteira) = 1 var(B)
9

Para que o risco da carteira fosse eliminado, a expresso entre parnteses teria que ser
igual a zero, o que, obviamente, no se verifica. Portanto, se a varincia de A duas
vezes a varincia de B e se investirmos duas vezes mais em A, o risco da carteira no
ser eliminado.
FALSA

(4) Se existir uma correlao negativa perfeita entre os retornos dos ativos A e B,
haver uma particular composio desses ativos que eliminar completamente o
risco da carteira.
Resposta:
Como a varincia da carteira dada por:

var(carteira) = var(A) + var[(1-)B] + 2cov[A, (1-)B]

var(carteira) = 2var(A) + (1-)2var(B) + 2(1-)cov(A,B)

Se = -1, ento cov(A,B) = - var(A)var(B) . Substituindo:

var(carteira) = 2var(A) + (1-)2var(B) + 2(1-)[- var(A)var(B) ]

Supondo que var(A) = 4var(B), temos que:

var(carteira) = 42var(B) + (1-)2var(B) + 2(1-)[- 4var(B)var(B) ]

var(carteira) = 42var(B) + (1-)2var(B) + 2(1-) [-2var(B)]
var(carteira) = [42 + (1-)2 -4(1-)] var(B)
var(carteira) = [42 +12 -2 + 2 -4 + 42] var(B)
var(carteira) = [92 - 6 + 1] var(B)

Para eliminar o risco da carteira, temos que a expresso entre colchetes acima deve ser
nula. Portanto:
92 - 6 + 1 = 0
1
Resolvendo essa equao do 2 grau, encontremos o valor de para . Portanto, se
3
houver uma correlao negativa perfeita entre os ativos, e a var(A) = 4var(B), a seguinte
composio eliminar completamente o risco da carteira:
1 2
Carteira = A+ B
3 3
VERDADEIRA
(ANPEC 1999, 14) Com relao as definies de Coeficiente de Correlao e de
Esperana Matemtica, pode-se afirmar que :

(0) Se X e Y so duas variveis aleatrias de forma que Y=aX+b, onde a e b so

constantes, ento o coeficiente de correlao entre X e Y igual a 1 se a < 0 e igual a -1
se a > 0.
Resposta:
O coeficiente de correlao entre X e Y ser dado por:
cov( X , Y )
X ,Y =
var( X ) var(Y )
Como Y = aX+b:
cov(X, aX + b) a cov(X, X) a var( X ) a
X ,Y = = = =
var(X)var(aX + b) var(X)a var(X)
2
a var( X ) a
Portanto, se a < 0, o coeficiente de correlao entre X e Y ser igual a -1 e se a > 0, ser
igual a 1.

FALSA

(1) Se XY o coeficiente de correlao entre as variveis X e Y onde W=aX+b e

ac
Z=cY+d com a,b,c e d constantes, ento WZ = XY onde a e c so diferentes de
ac
zero.
Resposta:
O coeficiente de correlao entre W e Z ser dado por:

cov(W , Z )
WZ =
var(W ) var(Z )

E como W = aX+b e Z = cY+d, temos que:

cov(aX + b, cY + d)
WZ =
var(aX + b)var(cY + d)

Utilizando as propriedades da varincia e da covarincia, sabemos que:

cov(aX , cY ) ac cov( X , Y ) ac
WZ = = = XY
var(aX ) var(cY ) ac var( X ) var(Y ) ac
VERDADEIRA

(2) Se o coeficiente de correlao entre as variveis X e Y igual a zero, ento

E(XY)=E(X)E(Y). Assim, pode-se concluir que X e Y so variveis aleatrias
independentes.
Resposta:
Sabemos que se o coeficiente de correlao zero, a covarincia tambm zero e,
portanto:

Cov(X,Y) = E(XY) - E(X)E(Y) = 0 E(XY) = E(X)E(Y)

Porm, o fato da covarincia ser igual a zero, no implica que as variveis sejam
independentes (a no ser que elas, por exemplo, sejam normalmente distribudas).
Para um exemplo de que covarincia igual a zero no implica independncia entre as
variveis, veja Questo ANPEC 1998, 10, itens (0) e (1).
FALSA

(3) Se a funo densidade de probabilidade de uma varivel aleatria X simtrica em

relao a um ponto X=a , ento E(X)=a.
Resposta:
Lembre-se que, quando uma distribuio simtrica, temos que mdia = moda =
mediana. Assim, o valor que divide a distribuio ao meio (mediana), que exatamente
o ponto em relao ao qual a distribuio simtrica, a prpria mdia da distribuio.

A figura abaixo d o exemplo da distribuio normal, que simtrica e, portanto, o

valor que a divide ao meio a prpria mdia:

VERDADEIRA

(4) Dados os seguintes eventos :

X=1 se o evento A ocorre, e 0 em caso contrrio.

Y=1 se o evento B ocorre, e 0 em caso contrrio.

Se as probabilidades dos eventos A e B so, respectivamente, maiores do que zero,

ento o coeficiente de correlao entre X e Y igual a zero implica em que X e Y so
independentes.
Resposta:
Temos que:
1, se A ocorre
X=
0, caso contrrio

Portanto, a mdia de X ser dada por:

E(X) = 1 P(A) + 0 P( A )
E(X) = P(A)

E para Y, temos que:

1, se B ocorre
Y=
0, caso contrrio

Portanto, a mdia de Y ser:

E(Y) = 1 P(B) + 0 P( B )
E(Y) = P(B)

E sabemos que:
1, se A e B ocorrem
XY =
0, caso contrrio

Portanto, a mdia dos produtos ser dada por:

E(XY) = 1 P(A B) + 0 [1- P(A B)]
E(XY) = P(A B)

Sabemos que o coeficiente de correlao entre X e Y ser igual a zero, se e

somente se, a covarincia entre X e Y for zero. E temos que:

cov(X,Y) = 0 E(XY) - E(X)E(Y) = 0

Dessa forma:
E(XY) - E(X)E(Y) = 0
E(XY) = E(X)E(Y)

E, sabendo que E(X) = P(A), E(Y) = P(Y) e E(XY) = P(A B), temos:

P(A B) = P(A).P(B)

Portanto, A e B so independentes
VERDADEIRA
(ANPEC 1998, 1) Pode - se afirmar que:
(0) Multiplicando (ou dividindo) por um valor constante e arbitrrio, c, cada elemento
de um conjunto de nmeros, o desvio padro deste conjunto fica multiplicado (ou
dividido ) pela constante c.
Resposta
O desvio padro, quando multiplicamos cada elemento por c dado por:
dp (cX) = c dp(X)
E, analogamente, para a diviso:
X 1
dp ( ) = dp(X)
c c
VERDADEIRA

(1) No caso de dois conjuntos de n1 e n2 valores, onde s12 e s22 so, respectivamente,
suas varincias e x1 e x 2 suas mdias, a varincia combinada , s 2 , destes dois
(n1 1) s12 + (n2 1) s22
conjuntos quando, x = x1 = x 2 , igual a s =
2
.
n1 + n2 2
Resposta
A varincia ser dada por uma mdia ponderada pelos graus de liberdade nas duas
amostras:
(n 1) s12 + (n2 1) s 22 (n1 1) s12 + (n2 1) s 22
s2 = 1 =
(n1 1) + (n2 1) n1 + n2 2

VERDADEIRA

(2) Quando dois conjuntos de valores so expressos em unidades de medidas diferentes,

mais justificvel o uso do desvio padro (disperso absoluta) do que o coeficiente
de variao de Pearson, para efeito de comparao.
Resposta
O coeficiente de variao de Pearson dado por:
desvio padro
=
mdia
Portanto, ser um nmero adimensional, isto , no tem unidades, j que a mdia e o
desvio padro so medidos na mesma unidade. Portanto, ele ser prefervel ao desvio
padro para compararmos valores expressos em unidades de medidas diferentes.

FALSA
(3) Quando uma distribuio de frequncia apresenta M 0 (Moda) > M e (Mediana) >
x (Mdia aritmtica) , ela diz-se assimtrica direita e, assimtrica esquerda, em
caso contrrio.

Resposta
O caso em que M 0 (Moda) < M e (Mediana) < x (Mdia aritmtica) est mostrado
abaixo:

E o caso em que M 0 (Moda) > M e (Mediana) > x (Mdia aritmtica) abaixo:

 A primeira dita assimtrica direita e a segunda, esquerda. Portanto, o
inverso do que foi afirmado.

FALSA
 Distribuio de probabilidade discreta

(ANPEC 2003, 04) Com relao variveis aleatrias discretas correto afirmar que:

(0) se X1, ..., Xn so variveis aleatrias identicamente distribudas com distribuio

n
Bernoulli com parmetro p, ento Z = X i ter uma distribuio Poisson quando
i =1
n for grande;
Resposta:
A varivel Z, que uma varivel com distribuio binomial (j que a soma de n
experimentos de Bernouilli), apenas ter distribuio de Poisson quando n for grande
( n ) e p for pequeno ( p 0 ), de forma que n p (que o parmetro da
distribuio de Poisson) permanea constante.

FALSA

(1) uma varivel aleatria com distribuio binomial representa o nmero de sucessos
em n experimentos de Bernoulli;
Resposta:
A distribuio binomial a generalizao da distribuio de Bernouilli. Na distribuio
de Bernouilli temos dois eventos mutuamente exclusivos (sucesso e fracasso) e apenas
um experimento. Na binomial, tambm temos apenas dois eventos mutuamente
exclusivos, mas o nmero de experimentos pode ser maior que um. como se
realizssemos n vezes um experimento de Bernouilli. Chamando de X um experimento
n

de Bernouilli, temos que Y = X

i =1
i
ser binomialmente distribuda. E como X pode
n

assumir apenas os valores 1 e 0, X

i =1
i
representa o nmero de sucessos em n
experimentos de Bernouilli.
VERDADEIRA

(2) a distribuio hipergeomtrica um caso especial da distribuio Normal;

Resposta:
A distribuio hipergeomtrica um caso especial da distribuio binomial. Ela se
refere probabilidade de ao retirarmos n elementos de um total de N, sem reposio,
termos k elementos com o atributo sucesso (do total de N elementos, s possuem o
atributo sucesso e N-s o atributo fracasso). Note que a distribuio hipergeomtrica
difere da distribuio binomial pelo fato da amostragem ser feita sem reposio e a
amostra ser finita (j que igual a N). Quando a amostra for infinita, ou seja, N for
suficientemente grande em relao a n, no haver diferena entre a distribuio
hipergeomtrica e a binomial, j que no far diferena retirarmos os elementos com ou
sem reposio.
Alis, cabe notar que a mdia e a varincia de uma distribuio hipergeomtrica so
dadas por:
E(x) = np
N n
Var(x) = np(1-p)
N 1
Como podemos ver, a mdia da distribuio hipergeomtrica igual a da distribuio
binomial. J a sua varincia difere da varincia de uma distribuio binomial apenas
N n
pelo fator , que exatamente o fator de correo para a varincia quando a
N 1
amostra finita e a amostragem feita sem reposio.

FALSA

(3) a distribuio Qui-quadrado possui mdia igual a n e varincia igual a 4n, em que n
o nmero de graus de liberdade;
Resposta:
Seja Z uma varivel normal padronizada:
x
Z= ~N(0,1)

n

Ento, Z i =1
2
i
~ n2 , ou seja, a soma de n variveis normais padronizadas ao quadrado,
segue uma distribuio Qui-quadrado com n graus de liberdade. A esperana da
distribuio Qui-quadrado ser dada ento por:

E( n2 ) = E Z i2
n

i =1
n

E( n2 ) = E (Z )
i =1
2
i

Note que E( Z i2 ) = var (Z i ) , j que E(Zi) = 0. E, com sabemos, a varincia de uma

normal padronizada igual a 1. Portanto:
E( n2 ) = n
Calculemos agora a varincia de uma distribuio Qui-quadrado:

var( n2 ) = var Z i2
n

i =1
n

var( n2 ) = var(Z )
i =1
2
i

{E(Z [ ]}
n
2
var( n2 ) = i
4
) E( Z i2 )
i =1
Como j tnhamos visto antes, E( Z i2 ) = var (Z i ) = 1:

[E(Z ]
n
var( n2 ) = i
4
) 12
i =1

E a E( Z i4 ) de uma distribuio normal padronizada, isto , o quarto momento em

relao mdia de uma distribuio normal padronizada, igual a 3. Portanto:
n n
var( n2 ) = (3 1) = 2
i =1 i =1

var( n ) = 2n
2

Dessa forma, a distribuio Qui-quadrado possui mdia igual a n e varincia igual a 2n

(n o nmero de graus de liberdade).
FALSA

(4) a distribuio binomial pode ser aproximada pela distribuio de Poisson para
valores grandes de n (tamanho da amostra) e pequenos de p (probabilidade de
sucesso).
Resposta:
exatamente nesse caso que a distribuio binomial pode ser aproximada pela
distribuio de Poisson (veja item (0) desta questo).

VERDADEIRA

(ANPEC 2003, 13) A probabilidade de um homem acertar um alvo . Quantas

vezes ele deve atirar para que a probabilidade de acertar pelo menos uma vez no alvo
seja maior que 2/3?
Soluo:
A probabilidade de acertar o alvo pelo menos uma vez ser dada por:

P(pelo menos uma vez) = 1 - P(acertar nenhuma)

1
E como a probabilidade de acertar o alvo de , a probabilidade de no acert-lo de
4
3
. Na tabela abaixo, calculamos essas probabilidades para os valores de n at que
4
2
P(pelo menos uma vez) seja maior que ( 0,67):
3
 N P(acertar nenhuma) P(pelo menos 1 vez)

1 3 1
4 4
2 3 3 9 7
=
4 4 16 16
3 3 3 3 27 37
= ( 0,58)
4 4 4 64 64
4 3 3 3 3 81 175
= ( 0,68)
4 4 4 4 256 256

Portanto, ele deve atirar 4 vezes para que a probabilidade de acertar pelo menos uma
2
vez no alvo seja maior que .
3

(ANPEC 2002, 07) Em relao s distribuies de probabilidade discretas:

(0) Uma varivel aleatria X com distribuio binomial de parmetro p, baseada em n

repeties, aproxima-se de uma Poisson quando n e p permanece constante.
Resposta:
Uma varivel aleatria com distribuio binomial pode sim ser aproximada por uma
distribuio de Poisson, desde que n e p 0 , de modo que np permanea
constante (veja da questo ANPEC 2003, 04, item 0).
FALSA

(1) Uma varivel aleatria Y, definida como o nmero de repeties necessrias para a
primeira ocorrncia de A, tem distribuio Geomtrica, desde que as repeties
sejam independentes e que P(A) = p e P(AC ) = 1-p.
Resposta:
A distribuio geomtrica se refere probabilidade de A ocorrer exatamente na k-sima
repetio. Portanto, se a varivel aleatria Y o nmero de repeties necessrias para a
primeira ocorrncia de A, ela ter distribuio geomtrica, cuja funo de distribuio
dada por:
P(x = k) = (1-p)k-1p

VERDADEIRA

(2) Pode-se utilizar a distribuio Binomial para, por exemplo, calcular a probabilidade
de se encontrar k peas defeituosas em um lote de n peas selecionadas ao acaso,
sem reposio.
Resposta:
Nesse caso, deve-se utilizar a distribuio hipergeomtrica, j que no h reposio das
peas.
FALSA

(3) Se uma varivel aleatria segue uma distribuio Hipergeomtrica, sua distribuio
ser prxima da Binomial se o tamanho da populao for grande em relao ao
tamanho da amostra extrada .
Resposta:
A distribuio hipergeomtrica difere da binomial pelo fato da amostra ser finita e os
elementos serem retirados sem reposio. Quando o tamanho da populao for grande
em relao ao tamanho da amostra, no far diferena se retiramos os elementos com ou
sem reposio e, portanto, a distribuio hipergeomtrica ser prxima da distribuio
binomial. Veja tambm questo ANPEC 2003, 4, item 2.
VERDADEIRA

(4) Se Z tiver distribuio de Poisson com parmetro , ento, E(Z) = V(Z) = .

Resposta:
A distribuio de Poisson o caso limite de uma distribuio binomial fazendo n e
p 0, ou seja, o nmero de repeties do experimento tende a infinito e a
probabilidade do evento ocorrer tende a zero, de modo que np permanea constante.
Portanto, a mdia e a varincia de uma distribuio de Poisson sero dadas,
respectivamente, por:
E(Z) = np =
Var(Z) = np(1-p) = np =

Dessa forma, na distribuio de Poisson, a mdia igual varincia, que so iguais ao

parmetro da distribuio, .
VERDADEIRA

(ANPEC 2002, 14) Uma companhia de seguros tem 400 segurados de certo tipo. O
prmio do seguro R$ 1.000,00 por ano. Caso ocorra um sinistro a seguradora
indenizar R$ 8.000,00 a cada acidentado. Sabe-se que a probabilidade de ocorrncia
de sinistro, 0,1 por ano. Os custos fixos da seguradora so de R$ 8.000,00 por ano.
Qual a probabilidade da seguradora ter prejuzo em um certo ano? (Ignore o fator de
correo para continuidade, multiplique sua resposta por 100 e transcreva a parte inteira
do nmero encontrado).
Soluo:
A receita total dessa companhia dada por:
R = 400 1000 = 400.000
Chamando de x o nmero de sinistros ocorridos por ano, temos que os seus custos totais
so:
C = 8.000x + 8.000

Portanto, o lucro dessa companhia dado por:

L=R-C
L = 400.000 - (8.000x + 8.000)
Se o lucro for igual a zero, obviamente, a empresa no ter lucro nem prejuzo. E temos
que:

L = 0 8.000x = 400.000 - 8.000

392
x=
8
x = 49

Portanto, para que a empresa tenha prejuzo, o nmero de sinistros ocorridos por ano (x)
deve ser maior que 49. Ento, devemos encontrar P(x>49). Note que a varivel x tem
distribuio binomial e, dessa forma, temos que:

E(x) = np = 400 0,1 = 40

var(x) = np(1-p) = 400 0,1 0,9 = 36
dp(x) = var(x) = 6

E, como a varivel binomialmente distribuda, podemos aproxim-la pela distribuio

normal. Padronizando a varivel para podermos consultar a tabela, temos que:
x 49 40 9
z= = = = 1,5
dp(x) 6 6

Portanto, P(x>49) = P(z>1,5):

 Consultando a tabela da distribuio normal para z = 1,5 encontraremos o valor
de 0,0668 (lembrando que a tabela fornecida para o exame d as probabilidades dos
valores extremos). Portanto:

P(x>49) = P(z>1,5) = 0,0668 = 6,68%.

Transcrevendo apenas a parte inteira do nmero encontrado, chegaremos ao valor de 6 .

(ANPEC 1999, 12) Sobre as distribuies de probabilidade podemos afirmar que:

(0) Na distribuio Binomial no possvel contar as no-ocorrncias do evento e a

mdia e a varincia so iguais ao parmetro da distribuio.
Resposta:
O enunciado desse item se aplicaria distribuio de Poisson. Na Binomial possvel
sim contar as no-ocorrncias do evento e, como sabemos a mdia e a varincia de uma
distribuio binomial no so iguais, j que sua mdia dada por np e sua varincia por
np(1-p).

FALSA

(1) As caractersticas da distribuio de Poisson so:

(i) n repeties de um experimento de Bernoulli;
(ii) as repeties so independentes;
(iii) cada experimento tem dois resultados possveis que so mutuamente
exclusivos;
 (iv) a distribuio de probabilidade definida como
n
P ( X = x ) = . p x . q n x , x = 1, 2, , n, onde n = nmero de
x
repeties do experimento, p = probabilidade de ocorrncia de sucesso e
q = 1 - p.
Resposta:
As caractersticas enunciadas na afirmativa so de uma distribuio binomial. A
distribuio de Poisson possui as seguintes caractersticas:
- no possvel contar as no-ocorrncias do evento;
- E(x) = var(x) = np = , ou seja, a mdia igual varincia;
e k
- a distribuio de probabilidade definida como P(X = k) =
k!
FALSA

(2) A mdia de uma distribuio Geomtrica 1/p, onde p = probabilidade de

ocorrncia de sucesso.
Resposta:
A distribuio geomtrica refere-se probabilidade de ocorrncia de sucesso
exatamente na n-sima jogada. Portanto, temos que:
P(X = 1) = p
P(X = 2) = p (1-p)
P(X = 3) = p (1-p)2

P(X =n) = p (1-p)n-1

A mdia de X ser ento:

E(X) = 1 p + 2 p (1-p) + 3 p (1-p)2 +

Note que a expresso acima "quase" uma progresso geomtrica, exceto pelos
nmeros 1, 2, 3, . Como veremos abaixo, a expresso acima a soma de progresses
geomtricas:

p + p(1-p) + p(1-p)2 + p(1-p)3 +

p(1-p) + p(1-p)2 + p(1-p)3 +
p(1-p)2 + p(1-p)3 +
p(1-p)3 +

p + 2p(1-p)+3p(1-p)2+4p(1-p)3+

E a soma dos termos de uma progresso geomtrica infinita, com valor inicial dado por
a e razo dada por q :
a
S=
1 q

Portanto, temos que:

 p p(1 p) p(1 p) 2 p(1 p ) 3
E(X) = + + + +
1 (1 p) 1 (1 p) 1 (1 p) 1 (1 p)
E(X) = p + (1-p) + (1-p)2 + (1-p)3 +
1
E(X) =
1 (1 p)
1
E(X) =
p

VERDADEIRA

(3) Um levantamento junto ao Setor de Contabilidade de uma loja de departamentos

mostrou que 30% dos clientes pagam suas mensalidades com atraso. Se em certo
dia selecionarmos ao acaso 10 pessoas que pagaram suas dvidas mensais, a
probabilidade de no mximo um cliente ter pago com atraso aproximadamente
15%.
Resposta:
Chamando de X a probabilidade de um cliente atrasar sua dvida, temos que, num grupo
de 10 clientes:
P(X=0) = 0,7010= 0,028
P(X=1) = 10 0,79 0,301 = 0,1211

Dessa forma, a probabilidade de no mximo um cliente atrasar o pagamento ser dada

por:
P(X 1) = P(X=0) + P(X=1)
P(X 1) = 0,028 + 0,1211
P(X 1) 15%

VERDADEIRA
 Distribuio de probabilidade contnua

(ANPEC 2004, 05) Uma varivel aleatria contnua x tem a sua funo densidade de
probabilidade dada pelo grfico:

K1

1 K2

So corretas as afirmativas:

(0) O valor da constante K1 no poder ser maior do que 1.

Resposta:
A constante K1 poder assumir qualquer valor positivo desde que a rea do grfico no
seja maior do que 1, ou seja, a soma de todas as probabilidades (que, obviamente, no
pode ser maior que 1).
FALSA

(1) O valor da constante K2 ser igual a (K1+2)/2K1.

Resposta:
Para encontrarmos o valor da constante K2, basta calcularmos a rea do grfico da f.d.p.
de x e igualar a 1. E, como podemos observar no grfico, temos duas figuras, um
tringulo e um retngulo. A rea do tringulo dada por:

base altura 1K 1
=
2 2

E a do retngulo:

base altura = (K2 -1) K1

Somando essas duas reas e igualando a 1, temos que:

K1
+ (K2 -1) K1 = 1
2
K 1
(K2 -1) = 1 1
2 K1
1 1
(K2 -1) =
K1 2
1 1
K2 = +1
K1 2
 1 1
K2 = +
K1 2
2 + K1
K2 =
2K1

VERDADEIRA

K 1 x , 0 x <1

(2) A funo densidade de probabilidade de x ser f ( x) = K1 , 1 x K 2

0, fora desses intervalos.

Resposta:
exatamente essa a f.d.p. de x. Observando o grfico, podemos ver claramente que se x
estiver entre 0 e 1, o valor de f(x) ser K1x. Se x estiver entre 1 e K2, o valor da f(x) ser
igual constante K1 (j que f(x) uma linha horizontal nesse intervalo). E fora desses
intervalos, a f(x) igual a zero. Observe que os sinais de desigualdade ou < so
equivalentes nesse caso, j que a distribuio contnua.
VERDADEIRA

K1 x 2 / 2, 0 x <1

(3) A funo de distribuio acumulada de x ser F ( x) = K1 x, 1 x < K 2

1, x K 2

Resposta:
Sabemos que:
x

F(x) = f (t )dt

Ou seja, a funo de distribuio acumulada (F(x)) a soma das probabilidades de todos

os valores possveis que a varivel x pode assumir at o valor de x propriamente dito.

Portanto, nesse caso, temos que:

x2
F(x) = K 1 xdx = K 1 +C
2
Como F(0) = 0, substituindo temos:

F(0) = C =0

Ento, para 0 x < 1

 x2
F(x) = K 1
2

Para 1 x < K2, temos:

F(x) = K dx = K x + C
1 1

Da primeira funo, temos:

12 K 1
F(1) = K 1 =
2 2

Substituindo na segunda:
K
F(1) = K 1 + C = 1
2
K1
C= K1
2
K
C= 1
2

Dessa forma, a funo de distribuio acumulada de x ser dada por:

K 1 x 2 / 2, 0 x <1

K
F ( x) = K 1 x 1 , 1 x < K 2
2
1, x K2
FALSA

(4) Supondo que K2 =1, a esperana matemtica de x, E(x), ser 1/3.

Resposta:

Supondo que K2 = 1, a f.d.p de x ser:

K x, 0 x < 1
f ( x) = 1
0, fora desse intervalo

E para calcularmos a esperana de x, precisamos encontrar o valor da constante K1.

Nesse caso fcil, j que no item (1) dessa questo encontramos que1:

2 + K1
K2 =
2K1
Portanto:
1
Para aqueles que no tivessem resolvido o item (1) dessa questo (ou para os que no tivessem absoluta
1

certeza de sua veracidade), bastaria calcular K xdx e igualar a 1.

0
1
 2 + K1
1=
2K1
2K1 = 2 + K1
2 K1 - K1 = 2
K1 = 2

A esperana de x ser ento:

1

E(x) = xf ( x)dx
0
1

E(x) = x(2 x)dx

0
1

E(x) = 2 x 2 dx
0
1
x
3

E(x) = 2
3 0
1
E(x) = 2
3
2
E(x) =
3

FALSA

(ANPEC 2003, 03) O custo X de produo de certo bem uma varivel aleatria com
funo densidade de probabilidade
kx 2 1 x 4
f ( x) =
0 caso contrrio

correto afirmar que:

(0) o valor de k 63;

Resposta:
Para que f(x) seja uma f.d.p., a seguinte condio deve ser satisfeita:
4

f ( x)dx
1
=1

Ou seja, a soma das probabilidades deve ser igual a 1. Portanto:

4

kx dx =1
2

1
4

k x 2 dx = 1
1
 4
x
3

k = 1
3 1
4 1
3 3

k =1
3 3
21k = 1

1
k=
21

FALSA

(1) o custo mdio do produto aproximadamente 1,04;

Resposta:
Para encontrarmos o custo mdio do produto, basta encontrarmos a esperana de x:
4

E(x) = xf ( x)dx
1
4

E(x) = xkx dx
2

1
4

E(x) = k x 3 dx
1
4
x
4

E(x) = k
4 1
4 1
4 4

E(x) = k
4 4
1 255
E(x) =
21 4
E(x) 3,036

FALSA

(2) o custo menor do que 2 com probabilidade 1/9;

Resposta:

A probabilidade de x ser menor que 2 dada por:

2

P(x < 2) = f ( x)dx

1
2
1
P(x < 2) = 21 x dx
2

2
1 x3
P(x < 2) =
21 3 1
 1 2 3 13
P(x < 2) =
21 3 3
1 7
P(x < 2) =
21 3
1
P(x < 2) =
9
VERDADEIRA

(3) a varincia do custo do produto aproximadamente 3,04;

Resposta:

Sabemos que a varincia de x dada por:

var(x) = E(x2) - [E(x)]2

A mdia dos quadrados de x :

4

E(x2) = x f ( x)dx
2

1
4
1 2
E(x2) = x x dx
2

1 21

1 4 4
21 1
E(x2) = x dx

1 4 5 15
E(x2) =
21 5 5
1 1023
E(x2) =
21 5
341
E(x2) = 9,743
35

A mdia de x j foi calculada no item (1): E(x) = 3,036.

A varincia ser ento:

var(x) = E(x2) - [E(x)]2
var(x) = 9,743 - (3,036)2
var(x) 0,52

FALSA

(4) o custo maior do que 3 com probabilidade 8/9.

Resposta:

A probabilidade x ser maior que 3 ser:

4

P(x > 3) = f ( x)dx

3
 4
1
P(x > 3) = 21 x dx
2

1 4 3 33
P(x > 3) =
21 3 3
1 37
P(x > 3) =
21 3
37
P(x > 3) =
63
FALSA

(ANPEC 2002, 08) Em relao s distribuies de probabilidade contnuas:

(0) Se X tem distribuio Normal( , 2 ), ento a funo densidade de probabilidade de

1
X, f(x), atinge o seu valor mximo quando x = e nesse ponto f ( x) = .
2
Resposta:
Nesse caso evidente que a funo densidade de probabilidade atinge seu ponto
mximo quando x for igual a (basta olhar para o grfico da distribuio normal):

Porm, para os que gostam de clculo, podemos mostrar facilmente que a f.d.p. de X
atingir seu mximo quando x for igual a . Para isso, basta derivarmos a funo
densidade de probabilidade de X e igualar a zero, para encontrar seu ponto de mximo:

( x )2
1
2 2
f(x) = e
2 2

df ( x)
=
1
e

1 ( x )2
2 2 1
2
(x )
dx 2 2
2 2
 df ( x)
=
( x )

1
e

1
2
( x )2
2

dx 2
2 2

E temos que:
df ( x)
= 0 (x-) = 0
dx
(x-) = 0
x=

E quando x = , a f.d.p. de x ser:

1 1
f(x) = e0 =
2 2
2 2

VERDADEIRA

(1) Se X tem distribuio Uniforme no intervalo [0, ], >0, ento, tem que ser
igual a 4/3 para que P(X > 1) = 1/3.
Resposta:
Sabemos que a f.d.p. de uma varivel uniformemente distribuda dada por f(x) =
1 1
, que, nesse caso, equivale a (j que a = 0). Portanto, a P(X > 1) ser dada por:
a

1
P(X > 1) = dx
1
1
E para que P(X > 1) seja igual a , temos que:
3

1 1
dx
1
=
3

1 1
x =
1 3
1 1 1
1 = 3

1 1
1 =
3
1 1
=1-
3
1 2
=
3
3
=
2
 3 1
Portanto, deve ser igual a para que P(X>1) seja igual a .
2 3
FALSA

(2) A distribuio t de Student assemelha-se Normal padro, N(0,1), mas possui

caudas mais pesadas, quando n, o tamanho da amostra, maior do que 30.
Resposta:
Pelo contrrio, medida que n aumenta, a distribuio t de Student se aproxima cada
vez mais da distribuio normal. Ela tem caudas "mais pesadas" quando o tamanho da
amostra pequeno (menor que 30). Alis, quando a amostra for grande, a distribuio t
de Student ser igual distribuio normal padronizada.

FALSA

(3) Se uma varivel aleatria contnua tem funo de distribuio

F ( x) = 1 e x se x 0
=0 se x < 0
ento a funo densidade de probabilidade de X ser
f ( x) = e x se x 0
=0 se x < 0.
Resposta:
A funo densidade de probabilidade de uma varivel a derivada de sua funo de
distribuio acumulada. Portanto:
dF ( x)
f(x) =
dx
d (1 e x )
f(x) =
dx
f(x) = 0 - (- e x )
f(x) = e x
Dessa forma, a f.d.p. de x ser dada por:
f ( x) = e x se x 0
=0 se x < 0

Nota: observe que o fato do sinal de desigualdade ser ( ) ou > (<) no tem
importncia, j que se trata de uma distribuio de probabilidade contnua.
VERDADEIRA

(4) A varivel aleatria Z tem distribuio Lognormal se e somente se exp (Z) tiver
distribuio Normal.
Resposta:
A varivel Z ter distribuio log-Normal se e somente se ln(Z) tiver distribuio
normal.
FALSA

(ANPEC 2001, 4) Seja X uma varivel aleatria, com funo densidade de

probabilidade f(x) contnua, definida sobre o espao amostral A, do universo U:

(0) Tanto A como U devem ser contnuos.

Resposta:
Se a varivel aleatria contnua, ento seu espao amostral e universo necessariamente
devem ser contnuos tambm.
VERDADEIRA

xo

(1) A probabilidade P(X x 0 ) dada por f ( X )dX .

Resposta:
A probabilidade de X ser menor que um valor qualquer dada pela soma de f(X) nesse
intervalo, ou seja, pela integral de sua funo densidade de probabilidade nesse
intervalo.
VERDADEIRA

(2)A probabilidade P(X = x 0 ) dada por f(x 0 ).

Resposta:
Quando a f.d.p. contnua, a probabilidade de X assumir um nmero qualquer zero, j
que um valor entre infinitos valores possveis:
[ f ( x)]
x0
x0

x0
f ( x)dx =
x0
= f (x ) f (x ) = 0
0 x

FALSA

(3) A funo cumulativa de probabilidade pode ser discreta.

Resposta:
Se a funo densidade de probabilidade contnua, a sua funo cumulativa de
probabilidade (ou funo de distribuio acumulada) tambm deve ser contnua, j que
a primeira a derivada desta ltima.
FALSA

d
(4) A funo densidade de probabilidade de X calculada por f(x) = F (x) em que,
dx
F(x) a funo de distribuio acumulada.
Resposta:
Como j foi dito no item anterior, a funo densidade de probabilidade f(x) a derivada
da distribuio acumulada (e, portanto, a funo de distribuio acumulada a integral
da f.d.p.). Porm, a funo f(x) j foi definida no enunciado. Sendo assim, ela pode
conter pontos em que h descontinuidade em F(x). Como sabemos, se F(x) no
contnua para um ponto x0, sua derivada no existir neste ponto. Mas nada impede que
a funo f(x) seja definida, a priori, contendo estes pontos, o que no alteraria o clculo
das probabilidades atravs dela (j que a incluso ou no de um nico ponto em uma
f.d.p. contnua irrelevante para o clculo das probabilidades).

FALSA

(ANPEC 2001, 14) Seja X uma varivel aleatria contnua, com funo densidade de
1
probabilidade dada por f ( x) = , 1 X 3 . Determine o valor da mediana dessa
2
distribuio.
Soluo:
Sabemos que a mediana divide a distribuio ao meio. Chamando a mediana de m,
temos que:
3
1 m
1
P(x>m) = m 2 dx = 0,5 e P(x<m) = 2 dx = 0,5
1

Tomando a segunda das expresses acima (mas poderia ser a primeira tambm), temos:
m
1
2 dx = 0,5
1

m
1
2 x = 0,5
1

1 1
2 m 2 = 0,5

1 1 1
m= +
2 2 2
1
m= =2
1
2
Portanto, a mediana dessa distribuio igual a 2 .

(ANPEC 2000, 14) Seja uma funo de densidade de probabilidade :

cx 2 para 0< x2
f ( x) =
0 para outros valores de x
Calcule a probabilidade de (0 x 1). Arredonde o resultado e multiplique por 100.
Soluo:
Antes de calcularmos a probabilidade pedida, temos que encontrar o valor da
constante c. Portanto:
2

f ( x)dx = 1
0

cx dx = 1
2

c x 2 dx = 1
0

2
x
3

c = 1
3 0
2 0
3 3

c = 1
3 3
8
c =1
3
3
c=
8
Agora podemos calcular P (0 x 1) :
1

P (0 x 1) = f ( x)dx
0

1
3
P (0 x 1) = 8 x dx
2

31 2
8 0
P (0 x 1) = x dx

1
3 x3
P (0 x 1) =
8 3 0
3 13 0 3
P (0 x 1) =
8 3 3
1
P (0 x 1) = = 0,125
8
Arrendondando o resultado e multiplicando por 100, chegaremos ao valor de 13 .
(ANPEC 1999, 11) Podemos afirmar que:

(0) A distribuio qui-quadrado muda de forma de acordo com o tamanho da amostra.

Para amostras pequenas, a distribuio se inclina para a direita assimetricamente e
torna-se cada vez mais simtrica medida que o tamanho da amostra cresce.
Resposta:
O formato da distribuio Qui-quadrado dependente do nmero de graus de liberdade
da amostra. Quanto menor for o nmero de graus de liberdade, mais assimtrica ser a
distribuio Qui-quadrado e quanto maior ele for, mais simtrica ela ser. Alis, quando
o nmero de graus de liberdade grande, a distribuio 2 se aproxima da normal.

VERDADEIRA

(1) A distribuio t sempre simtrica com mdia zero e medida que o tamanho da
amostra aumenta, a distribuio t aproxima-se da distribuio normal padro.
Resposta:
A distribuio t de Student simtrica e possui sempre mdia zero e varincia igual a
n
(n o nmero de graus de liberdade). Quando n pequeno, o formato da
n2
distribuio t o de uma "normal" achatada, e conforme o tamanho da amostra
aumenta, a distribuio t se torna cada vez mais simtrica, ou seja, aproxima-se da
distribuio normal padronizada.
VERDADEIRA

(2) A distribuio F uma razo entre duas variveis aleatrias t independentes,

cada uma delas dividida pelo respectivo nmero de graus de liberdade.
Resposta:
A distribuio F uma razo entre duas variveis aleatrias 2 (qui-quadrado)
independentes, cada uma delas dividida pelo respectivo nmero de graus de liberdade:
2 /k
F = k2 ~Fk,n
n / n
FALSA

(3) A distribuio normal apresenta dois pontos de inflexo na sua funo de densidade
de probabilidade f(x) nos pontos x = - 2. e x = + 2., onde a mdia e
o desvio padro.

Resposta:
Sabemos que os pontos de inflexo de uma funo ocorrem onde a derivada segunda
igual a zero. Na questo ANPEC 2002, 08, item(0), j calculamos a derivada primeira
da f.d.p. normal:
df ( x)
=-
( x ) 1

e
1 ( x )2
2 2

dx 2
2 2
Portanto, sua derivada segunda ser dada por:

1 12 x x 12 x 1 x
2 2
d 2 f ( x) 1
=- e e 2
dx 2 2 2 2 2 2
2

1 12 x ( x )2 12 x
2 2
d 2 f ( x) 1
=- 2e e
dx 2 2 2 4
1 (x )
2 2
d f ( x)
2
1 1 x

2

= e 2 4
dx 2
2

2

E temos que:
1 (x )
2
d 2 f ( x)
= 0 2 =0
dx 2 4
1 (x )2
=0
2
4

(x )
2 2

=0
4

(x ) = 0
2 2

(x ) = 2 2

(x ) = 2 2

x- =
x =

Portanto, a f.d.p. da distribuio normal possui dois pontos de inflexo: x = + e x =

-.

FALSA

(4) Se X uma varivel aleatria uniforme com a seguinte funo de densidade de

probabilidade
k se a < x < b
f ( x) =
0 quaisquer outros valores.
ento k = b - a.
Resposta:
1
Se X tem a distribuio uniforme, ento k = . Para ver isso mais formalmente,
ba
basta lembrarmos que a soma das probabilidades deve ser igual a 1 e, portanto:
b

f ( x)dx
0
=1
b

kdx
0
=1

[kx] =1 b
a

kb ka =1
k (b a ) = 1
1
k=
ba

FALSA

(ANPEC 1998, 05) Verifique quais das afirmaes abaixo so verdadeiras e quais so
falsas.
Z
(0) A varivel aleatria t definida como , onde Z tem distribuio
2
n 1
(n 1)
normal-padro e uma distribuio qui-quadrado com (n - 1) graus de liberdade.
2

Resposta:
O quociente entre uma varivel normal padronizada e uma varivel 2 dividida pelo seu
respectivo grau de liberdade (que nesse caso igual a n-1) uma varivel aleatria t.
VERDADEIRA

(1) A distribuio t de Student tem mdia igual a (n - 1) e varincia igual a

(n - 1)/(n - 3).
Resposta:
Aqui, basta lembrar que a distribuio t de Student uma "normal padronizada
n
achatada". Portanto, sua mdia ser zero. E sua varincia ser igual a .
n2
FALSA

(2) A distribuio de uma razo de duas variveis aleatrias qui-quadrado

independentes, divididas cada uma pelo seu respectivo nmero de graus de
liberdade, chamada de distribuio F.
Resposta:
exatamente essa a distribuio F, que utilizada para comparao de varincias.
VERDADEIRA

(3) A estatstica F pode ser utilizada para verificar a igualdade de duas varincias
provenientes de duas populaes quaisquer.
Resposta:
A estatstica "F" pode ser utilizada para verificar a igualdade de duas varincias
provenientes de duas populaes normalmente distribudas.
FALSA

(ANPEC 1998, 08) Seja X uma varivel aleatria com funo densidade f(x).

(0) Se X ~ U[-,] uniforme em [-,] , onde > 0, ento possvel determinar

de modo que P(x < 1)= 1/2.
Resposta:
Nesse caso, o grfico da f.d.p. de x ser dado por, j que se a varivel aleatria X
distribuda uniformemente entre - e , ento a rea de - at 0 ser igual rea de 0
at :

Portanto, a probabilidade de x ser menor que 1 certamente ser maior que 1/2.
FALSA

(1) Se uma constante entre 0 e 1 e f(x), g(x) funes densidades de probabilidades

definidas no mesmo intervalo, ento f(x) + (1-)g(x) tambm uma funo de
densidade de probabilidade da varivel x.
Resposta:
Se f(x) e g(x) so funes densidades de probabilidades definidas no mesmo intervalo,
ento devemos verificar que:

f ( x)dx = 1 e g ( x)dx =1

E para que f(x) + (1-)g(x) tambm seja uma f.d.p. deve-se verificar que:

f ( x) + (1 ) g ( x)dx = 1

f ( x)dx + (1 ) g ( x)dx = 1

f ( x)dx + (1 ) g ( x)dx = 1

E, como f ( x)dx = g ( x)dx =1, temos que:

+ (1-) = 1
+1-=1
1=1
Portanto, f(x) + (1-)g(x) tambm uma funo densidade de probabilidade da
varivel x.
VERDADEIRA

(2) Se a varivel aleatria X assumir os possveis valores 1, 2, 3, 4, .. , de forma que

sua funo de probabilidade seja P(x= k )=c(1-) k 1 , 0< < 1, ento o valor da
constante c igual a .
Resposta:
Calculemos a probabilidade de X assumir os valores 1, 2, 3, 4, :
P(x =1) = c(1-)1-1 = c
P(x = 2) = c(1-)2-1 = c(1-)
P(x = 3) = c(1-)3-1 = c(1-)2
P(x = 4) = c(1-)4-1 = c(1-)3

E assim sucessivamente.

Sabemos que a soma de todas as probabilidades dever ser igual a 1. Portanto:

P( x = k ) = c + c(1 ) + c(1 ) 2
+ c(1 ) 3 + = 1

O que a soma dos termos de uma progresso geomtrica infinita, com razo (q)
igual a (1-). E sabemos que essa soma dada por:
a
S=
1 q

Portanto, temos que:

a
=1
1 q
c
=1
1 (1 )
c
=1

=c

VERDADEIRA

(3) Se a varivel aleatria X segue uma distribuio exponencial, ento P(x >(s+t) | x >
s) = P(x > t), para quaisquer s, t > 0.
Resposta:
A probabilidade condicional dada por:
P[ x > ( s + t ) e x > s] P[ x > ( s + t )] e ( s + t )
P(x >(s+t) | x > s) = = = s = e t = P(x > t),
P( x > s) P( x > s) e
j que a probabilidade de x ser maior que s dada por:

P(x>s) = e x
s

e
x

P(x>s) =
s
e s
P(x>s) = = e s

E, analogamente, a probabilidade de x ser maior que (s+t) :
P(x>s+t) = e ( s + t )
A propriedade que P(x >(s+t) | x > s) = P(x > t) nos permite afirmar que a distribuio
exponencial "no possui memria".
VERDADEIRA
 Distribuio de probabilidade conjunta

A) Contnuas

(ANPEC 2004, 15) Suponha que a funo de densidade de probabilidade conjunta da

varivel aleatria bidimensional (X,Y) seja dada por:
2 xy
x + 0 < x <1e 0 < y < 2
f ( x, y ) = 3
0 caso contrrio

Calcule a P(Y<X). Multiplique o resultado por 48 e transcreva este produto para a folha
de resposta.
Soluo:
A probabilidade de Y ser menor que X ser dada por:
1 X
xy
P(Y<X) = x + dydx
2

0 0 3
X
xy 2
1

P(Y<X) = x 2 y + dx
0 6 0
1
x3
P(Y<X) = x + dx
3

0 6
1
x x4
4

P(Y<X) = +
4 24 0
1 1
P(Y<X) = +
4 24
7
P(Y<X) =
24
Multiplicando o resultado por 48 como pede o exerccio, chegaremos ao valor de 14:
7
48 = 7 2 =14
24

(ANPEC 2003, 14) Considere o vetor aleatrio X = (X1, X2, X3) com distribuio de
probabilidade
6 x1 x 22 x3 0 x1 1, 0 x 2 1, 0 x3 2
f X ( x1 , x 2 , x3 ) =
0 caso contrrio
Encontre a probabilidade de 0 x1 0,5 .
(Multiplique o resultado por 100).
Soluo:
 O exerccio pede a probabilidade de x1 estar entre 0 e 0,5. Portanto, antes de
mais nada, precisamos encontrar a funo densidade de probabilidade marginal de x1
(que chamaremos de g(x)). Isso feito integrando em x2 e x3:
2 1

g(x) = 6 x x x dx dx
2
1 2 3 2 3
0 0

2 1

g(x) = 6 x1 x 22 x3 dx 2 dx 3
0 0

1
x
2 3

g(x) = 6 x1 x3 2 dx 3
0 3 0
1 2

g(x) = 6 x1 x3 dx3
0 3

2
1
g(x) = 6 x1 x3 dx3
0 3

2
1 x3
2

g(x) = 6 x1
3 2 0

g(x) = 2 x
( 2) 1
2

2
g(x) = 2x1

Agora, podemos facilmente obter a probabilidade x1 estar entre 0 e 0,5 :

0,5

P(0 x1 0,5) = g ( x )dx

0
1 1

0,5

P(0 x1 0,5) = 2 x dx
0
1 1

0,5
x
2

P(0 x1 0,5) = 2 1
2 0

0,5 02
2

P(0 x1 0,5) = 2
2 2
P(0 x1 0,5) = 0,25

Multiplicando por 100 como pede o exerccio, chegaremos ao resultado de 25.

Nota: obviamente, o mesmo resultado seria obtido se tivssemos calculado diretamente
0,5 2 1

6 x x x dx dx dx .
2
1 2 3 2 3 1
0 0 0
(ANPEC 2002, 13) Suponha que a funo densidade de probabilidade conjunta da
varivel aleatria bidimensional (X,Y) seja uniformemente distribuda na regio de
domnio,
f ( x, y ) = k x ( x y ) 0 x 2, 0 y 2
Encontre E(X). Multiplique a resposta por 10 e transcreva somente a parte inteira do
nmero encontrado.
Soluo:

Antes de calcular E(X), teremos que encontrar o valor da constante k:

2 2

f ( x, y)dxdy = 1
0 0
2 2

kx( x y)dxdy = 1
0 0
2 2

k x 2 xydxdy = 1
0 0
2
x x2
2 3

k y dy = 1
0 3 2 0
2
8 4
k ydy = 1
0 3 2
2
8 y2
k y 2 = 1
3 2 0
2
8 22
k 2 2 = 1
3 2 0
16
4 k =1
3
4
k=1
3
3
k=
4

A esperana de X ser dada ento por:

2 2

E(X) = xf ( x, y)dxdy
0 0
2 2
3
E(X) = x 4 x( x y)dxdy
0 0

322 3
4 0 0
E(X) = x x 2 ydxdy
2
3 2 x4 x3
E(X) = y dy
404 3 0
3 2 24 23
E(X) = y dy
404 3
 32 8
E(X) =
40
4 ydy
3
2
3 8 y2
E(X) = 4 y
4 3 2 0

3 16
E(X) = 8
4 3
E(X) = 6 - 4
E(X) = 2

Multiplicando por 10 como pede o exerccio, chegaremos ao resultado de 20 que, de

fato, o resultado fornecido pelo gabarito.
H algo estranho, porm. Se x est entre 0 e 2, como possvel que sua mdia seja 2?
que a funo densidade apresentada na questo pode assumir valores negativos (faa y =
2 e x = 1, por exemplo), o que a desqualifica como funo densidade.
Se o enunciado fornecesse a funo abaixo, no haveria este problema:

f ( x, y ) = k x ( x y ) 0 y x 2

Neste caso, a mdia ser diferente de 2 (menor!). Para encontr-la, faremos o mesmo
procedimento anterior, respeitados os novos limites de integrao. Antes de calcular
E(x), teremos que encontrar o valor da constante k:
2 2

f ( x, y)dxdy = 1
0 y

2 2

kx( x y)dxdy = 1
0 y

2 2

k ( x 2 xy )dxdy = 1
0 y

2
x x2
2 3

k y dy = 1
0 3 2 y
8 y3 y3
2

k 2 y + dy = 1
0 3 3 2
8 y3
2

k + 2 y dy = 1
0 3 6
2
8 y
4

k y + y2 = 1
3 24 0
16 16
k + 4 =1
3 24
128 + 16 96
k = 1
24
2k = 1
 1
k=
2

A esperana de X ser dada ento por:

2 2

E(X) = xf ( x, y)dxdy
0 y

2 2
1
E(X) = x 2 x( x y)dxdy
0 y

122 3
E(X) =
20 y
x x 2 ydxdy
2
1 2 x4 x3
E(X) = y dy
204 3 y
1 2
y 4
8 y4
E(X) = 4 y + dy
20 4 3 3
1 8
2
y 4

E(X) = 4 y + dy
20 3 12
2
1 4y 2
y5
E(X) = 4 y +
2 3 60 0
1 16 32
E(X) = 8 +
2 3 60
1 16 8
E(X) = 8 +
2 3 15
1 120 80 + 8
E(X) =
2 15
1 48
E(X) =
2 15
E(X) = 1,6

Multiplicando o resultado por 10, como pede o exerccio, chegaramos ao valor de 16.
B) Discreta

(ANPEC 1999, 13) Seja a seguinte distribuio conjunta de probabilidade entre as

variveis aleatrias X e Y.

Y
X 1 3 5
2 0,1 0,2 0,3
4 0,2 0,1 0,1

Podemos afirmar que:

(0) A distribuio marginal de X

X 1 3 5
P(X) 0,3 0,3 0,4

Resposta:

A distribuio marginal de X dada somando-se todos os valores possveis de

Y, ou seja, somando-se os valores ao longo da linha, o que mostrado na tabela abaixo:

Y 1 3 5 P(X)
X
2 0,1 0,2 0,3 0,6
4 0,2 0,1 0,1 0,4
P(Y) 0,3 0,3 0,4 1

A soma de todos os valores possveis de X, ou seja, a soma dos valores ao longo

das colunas, a distribuio marginal de Y.
FALSA

(1) A varincia de Y 2,76.

Resposta:

Sabemos que a varincia igual mdia dos quadrados menos o quadrado da

mdia:
var(Y) = E(Y2) - [E(Y)]2

Calculemos E(Y):
E(Y) = 1 0,3 + 3 0,3 + 5 0,4
E(Y) = 3,20

E E(Y2):
E(Y2) = 12 0,3 + 32 0,3 + 52 0,4
E(Y2) = 0,3 + 2,70 +10
E(Y2) = 13

Portanto, a varincia de Y ser:

var(Y) = E(Y2) - [E(Y)]2
var(Y) = 13 - 3,202
var(Y) = 13 - 10,24
var(Y) = 2,76

VERDADEIRA

(2) A covarincia entre X e Y -0,56.

Resposta:
Sabemos que a covarincia entre X e Y igual mdia dos produtos menos o
produto das mdias:
cov(X,Y) = E(XY) - E(X)E(Y)

A mdia de Y j calculamos no item anterior: E(Y) = 3,20.

Calculemos ento E(X):
E(X) = 2 0,6 + 4 0,4
E(X) = 1,20 + 1,6
E(X) = 2,8

E para calcularmos E(XY), precisamos das probabilidades de XY:

P(XY = 2) = 0,1
P(XY = 6) = 0,2
P(XY = 10) = 0,3
P(XY = 4) = 0,2
P(XY = 12) = 0,1
P(XY = 20) = 0,1

Portanto, E(XY) ser:

E(XY) = 2 0,1 + 6 0,2 + 10 0,3 + 4 0,2 + 12 0,1 + 20 0,1
E(XY) = 0,2 + 1,20 + 3 + 0,8 +1,2 + 2
E(XY) = 8,4

A covarincia entre X e Y ser ento:

cov(X,Y) = 8,4 - 2,8 3,20
cov(X,Y) = 8,4 - 8,96
cov(X,Y) = -0,56

VERDADEIRA

(3) O coeficiente de correlao entre X e Y 0,344.

Resposta:
Depois de termos resolvido o item (2) dessa questo, esse aqui fica muito fcil. Como
vimos, a covarincia entre X e Y negativa e, portanto, o coeficiente de correlao
tambm ser negativo, ou seja, no poder ser igual a 0,344 (que um valor positivo).
Para os que desejarem calcular XY , o seu valor de aproximadamente -0,344 (cuidado,
pois, em mdulo, o valor estaria correto):
cov( X , Y ) 0,56
XY = = -0,344
var( X ) var(Y ) 0,96 2,76
FALSA

(4) O coeficiente de correlao exprime a medida de dependncia linear entre duas

variveis e pode assumir um valor qualquer no intervalo [0; 1].
Resposta:
O coeficiente de correlao exprime sim a medida de dependncia linear entre duas
variveis, mas pode assumir qualquer valor no intervalo [-1,1], j que podemos ter
correlao negativa entre as variveis. Quando o coeficiente de correlao for igual a -1,
teremos correlao negativa perfeita.

FALSA

(ANPEC 1998, 10) Considere a distribuio de probabilidade conjunta de (X,Y), de

acordo com a tabela abaixo:

X
-1 0 1
-1 1/8 1/8 1/8
Y 0 1/8 0 1/8
1 1/8 1/8 1/8

Pode-se afirmar que :

(0) O coeficiente de correlao, xy , entre X e Y igual a zero.

Resposta:
Para calcularmos o coeficiente de correlao, devemos primeiro calcular a
covarincia, que dada por:
cov(X,Y) = E(XY) - E(X)E(Y)
Calculemos ento E(X) e E(Y):
3 2 3
E(X) = -1 +0 +1 = 0
8 8 8
Nota: sabendo-se que E(X) = 0, o clculo da E(Y) torna-se desnecessrio para essa
questo, j que 0 E(Y) = 0. Mas, em todo caso:
 3 2 3
E(Y) = -1 +0 + 1 = 0
8 8 8
E para calcular E(XY), precisamos das probabilidades de XY:
2
P(XY = -1) =
8
4
P(XY = 0) =
8
2
P(XY = 1) =
8
Dessa forma:
2 4 2
E(XY) = -1 + 0 + 1 = 0
8 8 8
Portanto:
cov(X,Y) = 0 - 0 = 0
E, se a covarincia zero, sabemos que o coeficiente de correlao tambm ser igual a
zero:
cov(X, Y) 0
xy = = =0
var(X)var(Y) var(X)var(Y)

VERDADEIRA

(1) As variveis aleatrias X e Y so independentes.

Resposta:
Muita ateno aqui: o fato da covarincia entre as variveis ser igual a zero, no
implica que elas sejam independentes. Mas se as variveis forem independentes, a
covarincia entre elas ser igual a zero.
Portanto, para verificarmos se X e Y so independentes, devemos verificar se a
igualdade entre a probabilidade condicional e a incondicional vlida. Vejamos:
1
P(X = 1 e Y = 0) 8 1
P(X = 1|Y = 0) = = =
P(Y = 0) 2 2
8
3
P(X = 1) =
8
Como P(X = 1|Y = 0) P(X = 1), ou seja, como a igualdade entre a
probabilidade condicional e a incondicional no se verifica, conclumos que as variveis
NO so independentes (apesar da covarincia entre elas ser igual a zero). Cabe notar
que, para mostrarmos que as variveis no so independentes, basta encontrar uma
situao em que a igualdade entre a probabilidade condicional e a incondicional no
vlida. Mas, para mostrar que as variveis so independentes, essa igualdade teria que
ser vlida para todos os valores de X e Y.
FALSA
(2) Se Z = aX + b e W = cY + d onde a , b, c e d so constantes com a 0 e c 0 ,
ento o coeficiente de correlao, ZW , entre Z e W diferente de zero.
Resposta:
O coeficiente de correlao entre Z e W ser dado por:
cov(W, Z)
ZW =
dp(W)dp(Z)

Como Z = aX + b e W = cY + d, temos que:

cov(a + bX, c + dY) cov(bX, dY) bd cov(X, Y)

ZW = = =
dp(a + bX) dp(c + dY) dp(bX) dp(dY) bd dp(X) dp(Y)

Lembrando que o produto bd, no denominador, deve estar em mdulo, j que o desvio
padro nunca um nmero negativo.

Como o coeficiente de correlao entre X e Y dado por:

cov( X , Y )
XY =
dp( X )dp(Y )

Temos que o coeficiente de correlao entre W e Z ser dado por:

bd
ZW = XY
bd
E como vimos no item (0), a o coeficiente de correlao entre X e Y igual a zero.
Portanto, o coeficiente de correlao entre W e Z tambm ser igual a zero:
bd
ZW = 0= 0
bd

FALSA

(3) As variveis aleatrias X e Y apresentam uma relao linear.

Sabemos que o coeficiente de correlao uma medida de dependncia linear. E o

coeficiente de correlao entre X e Y nesse caso igual a zero. Portanto, as variveis
aleatrias X e Y no apresentam uma relao linear.

FALSA
 Teorema de Tchebichev, Lei dos Grandes Nmeros e
Teorema do Limite Central

(ANPEC 2005, 5) So corretas as afirmativas:

(0) Uma varivel aleatria X tem mdia zero e varincia 36. Ento, pela desigualdade
de Tchebychev, P (| X | 10) 0,36 .
Resposta:
Pela desigualdade de Tchebichev, temos que:
var( X )
P( X )
2

Como nesse caso, = 0, var(X) = 36 e = 10:

36
P ( X 10)
100
P ( X 10) 0,36

VERDADEIRA

(1) Pela Lei dos Grandes Nmeros a distribuio da mdia amostral de n variveis
aleatrias independentes, para n suficientemente grande, aproximadamente
Normal.
Resposta:
A Lei dos Grandes Nmeros diz que a mdia amostral converge para a mdia
populacional quando a amostra suficientemente grande, ou seja, que a mdia amostral
um estimador consistente da mdia populacional. A afirmao feita neste item refere-
se ao Teorema do Limite Central.

FALSA

(2) O estimador de um determinado parmetro dito consistente se convergir, em

probabilidade, para o valor do parmetro verdadeiro.
Resposta:
Um estimador consistente quando, medida que o tamanho da amostra aumenta, o seu
valor converge para o valor verdadeiro do parmetro, ou seja, o valor esperado da
estimativa tende ao seu valor verdadeiro e a varincia vai desaparecendo:
lim n E( ) =
limn var( ) = 0

O que equivalente a dizer que o valor estimado do parmetro est prximo de seu
valor verdadeiro, com uma probabilidade muito elevada, quando n grande. Dessa
forma, o limite da probabilidade (plim) do valor da estimativa do parmetro ( ) menos
o seu valor verdadeiro ( ) ser maior que um nmero > 0 muito pequeno, tende a zero
quando n tende ao infinito:
 [ ]
plim > = 0

Ou, ento:

[ ]
plim < = 1

Dessa forma, dizer que um parmetro consistente, significa dizer que ele converge, em
probabilidade, para o seu valor verdadeiro.

VERDADEIRA

(3) A Lei dos Grandes Nmeros est relacionada com o conceito de convergncia em
probabilidade, enquanto que o Teorema Central do Limite est relacionado com
convergncia em distribuio.
Resposta:

Vejamos primeiro o significado de convergncia em probabilidade e convergncia em

distribuio:

- convergncia em probabilidade: dizemos que uma varivel aleatria x converge em

probabilidade para y quando os resultados de x so prximos dos resultados de y com
alta probabilidade para n suficientemente grande. Assim, os resultados de y so uma
aproximao para os resultados de x. A convergncia em probabilidade implica que os
valores que a varivel aleatria x pode tomar que no so prximos dos valores de y
torna-se crescentemente improvvel medida que o tamanho da amostra aumenta, ou
seja:

plim [ x y > ] =0 ou plim [ x y < ] = 1

onde um nmero positivo arbitrrio muito pequeno.

Representamos a convergncia em probabilidade por:

x
p
y (x converge em probabilidade para y)

- convergncia em distribuio: dizemos que uma varivel z converge em distribuio

para w, quando a distribuio de z torna-se cada vez mais prxima da distribuio de w
medida que o tamanho da amostra aumenta. Assim, a distribuio de w uma
aproximao para a verdadeira f.d.p. ou f.d.a. da varivel aleatria z quando n (tamanho
da amostra) suficientemente grande. Representamos a convergncia em distribuio
por:

z

d
w (z converge em distribuio para w)
E, como a Lei dos Grandes Nmeros diz que medida que o tamanho da amostra
aumenta, a mdia amostral converge para a mdia populacional, ela est relacionada ao
conceito de convergncia em probabilidade:

x
p
x

O Teorema do Limite Central diz que medida que o tamanho da amostra aumenta, a
distribuio da mdia amostral aproxima-se da distribuio normal. Portanto, est
relacionado ao conceito de convergncia em distribuio:

x

d
N ( x , 2 n)

VERDADEIRA

(4) Um estimador dito no-tendencioso se a sua varincia for igual varincia do

parmetro estimado.
Resposta:
Um estimador dito no-tendencioso (no-viesado) se, na mdia, acertar o valor
verdadeiro do parmetro, ou seja, se a sua mdia for igual mdia do parmetro
populacional estimado:
E( ) = E( )

FALSA
(ANPEC 2004, 12) Suponha que x1 , x 2 ,........, x32 sejam 32 variveis aleatrias
independentes, cada uma delas tendo distribuio de Poisson com = 8. Empregando o
teorema do limite central, estime a probabilidade de que a mdia amostral seja x 9 .
Use a tabela da distribuio Normal Padro anexa. Multiplique o resultado por 100 e
transcreva a parte inteira.
Soluo:
Pelo Teorema do Limite Central, sabemos que a mdia amostral, para amostras
suficientemente grandes, segue uma distribuio normal com mdia e varincia igual
2

a , qualquer que seja a distribuio da populao. Como as variveis possuem

n
distribuio de Poisson com parmetro = 8, sabemos que sua mdia e sua varincia
sero iguais a 8 e o seu desvio padro ser 8 . Padronizando, para podermos consultar
a tabela:
1
x 98 1 8 1
z= = = = = =2
8 8 8 4 1
n 32 8 4 4

Portanto, a probabilidade de x 9 igual probabilidade de z 2:

P( x 9 ) = P(z 2) = 0,50 + 0,477250 = 0,977250

Multiplicando o resultado por 100 e considerando apenas a parte inteira, chegaremos ao
valor de 97.

(ANPEC 2004, 13) Suponha que x1 , x2 ,........, x n sejam variveis aleatrias

independentes, identicamente distribudas, com mdia E(xi) = (i = 1,2,3,...n) e
varincia 2 = 10. Utilizando a lei dos grandes nmeros responda questo. Qual dever
ser o valor de n de modo que possamos estar 95% seguros de que a mdia amostral
x difira da mdia por menos de 0,1? Divida o resultado final por 1000.
Soluo:
Partindo do Teorema de Tchebichev:
1
P( x k ) 1 -
k2
Como se trata da mdia amostral:
1
P( x k n )1 -
k2
Fazendo = k n , temos:
2

P( x ) 1 -
n 2
Que uma das formulaes da lei dos grandes nmeros (MEYER, 1983, p. 287).
Nesse caso, a mdia amostral deve diferir da mdia populacional por menos de 0,1:
2

P( x 0,1 ) 1 -
n0,12
E como queremos estar 95% seguros, temos que:
2

1- = 0,95
n0,12
Como a varincia igual a10:
10
1- = 0,95
0,01n
10
= 1 -0,95
0,01n
10
= 0,05
0,01n
0,0005 n = 10
10
n=
0,0005
n = 20.000
Dividindo o resultado por 1.000, chegaremos ao valor de 20.

(ANPEC 2003, 11) O nmero de clientes Y que passa diariamente pelo caixa de
um supermercado foi observado durante certo perodo. Constatou-se que o valor mdio
de Y de 20 clientes, com desvio padro igual a 2. Encontre o limite mnimo para a
probabilidade de que o nmero de clientes amanh se situe entre 16 e 24. (Pista: Utilize
o teorema de Tchebycheff). Multiplique o resultado por 100.
Soluo:
Sabemos pelo teorema de Tchebichev que se conhecermos a mdia e o desvio
padro de uma varivel aleatria, poderemos estabelecer um limite para a sua
distribuio de probabilidade. O limite mnimo ser dado por (SARTORIS, 2003,
p.115-116):
1
P(|x-| < k) 1 -
k2
Como o valor mdio de Y 20 e seu desvio padro 2, temos:
16 < Y < 24
20 4 < Y < 20 + 4
20 22 < Y < 20 + 22
2 < Y < + 2
Ento, a probabilidade de Y estar entre 16 e 24 igual a probabilidade de Y estar 2
desvios-padro acima ou abaixo da mdia e, portanto:
1
P(|x-| < 2) 1 - = 1 - 0,25 = 0,75
22
Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao resultado de
75.

(ANPEC 2002, 06) Indique se as seguintes consideraes sobre a Lei dos Grandes
Nmeros, Desigualdade de Tchebycheff e teorema do Limite Central so verdadeiras
(V) ou falsas (F).

(0) De acordo com a desigualdade de Tchebycheff, se a varincia de uma varivel

aleatria X for muito prxima de zero, a maior parte da distribuio de X estar
concentrada prxima de sua mdia.
Resposta:
Suponhamos o caso extremo em que a varincia de X seja igual a zero. Nesse caso,
a probabilidade de X ser igual a sua mdia ser de 1, P(X = ) = 1. Podemos
demonstrar isso atravs da desigualdade de Tchebichev. Sabemos que os limites
mximo e mnimo para a distribuio de probabilidade so dados, respectivamente, por:
 var( X )
P(|X-| )
2
var( X )
P(|X-| ) 1-
2
Se a varincia for igual a zero, teremos que:

P(|X-| ) = 0

P(|X-| ) = 1

Ou seja, a probabilidade de |X-| ser maior que um nmero (que pode ser um
nmero bem pequeno) zero. E a probabilidade de |X-| ser menor que esse nmero
1. Dessa forma, se a varincia for nula, toda a distribuio estar concentrada em nico
ponto, ou seja, na sua prpria mdia. Portanto, quanto mais prxima de zero for a
varincia de uma varivel aleatria, mais a sua distribuio estar concentrada prxima
de sua mdia.
VERDADEIRA

(1) O teorema do Limite Central afirma que, para uma amostra grande o suficiente, a
distribuio de uma amostra aleatria de uma populao Qui-quadrado se aproxima
da Normal.
Resposta:
O teorema do Limite Central afirma que para uma amostra grande o suficiente, a
distribuio da mdia amostral dessa populao ser normalmente distruibuda,
qualquer que seja a distribuio de probabilidade da populao, ou seja, no se
restringe apenas a populaes que tenham distribuio Qui-quadrado.
FALSA

(2) As condies suficientes para identificar a consistncia de um estimador so

baseadas na Lei dos Grandes Nmeros.
Resposta:
As condies suficientes para que um estimador seja consistente so que seu vis (caso
exista) e sua varincia "desapaream" medida que o tamanho da amostra aumenta, ou
seja, medida que n cresce, o estimador converge para o seu valor verdadeiro:

lim
n
P(| |>) = 0 ou lim
n
P(| |<) = 1

E a lei dos grandes nmeros nos diz que medida que a amostra aumenta, a mdia
amostral converge para a mdia populacional. Alis, uma das formulaes da Lei dos
Grandes Nmeros dada por:
2

P( x ) 1 -
n 2

E o limite da expresso acima quando n ser:

lim
n
P( x ) =1
Portanto, as condies suficientes para identificar a consistncia de um estimador so
realmente baseadas na lei dos grandes nmeros.
VERDADEIRA

(3) Em n repeties independentes de um experimento, se f A a freqncia relativa da

P(1 P)
ocorrncia de A, ento P{ f A P < } 1 , em que P a probabilidade
n 2
constante do evento A e qualquer nmero positivo.
Resposta:
Sabemos que fA dada por:
nA
fA = ,
n
onde:
nA = nmero de vezes que A ocorre (sucesso)
n = nmero total de experimentos.
Sabemos que nA uma varivel aleatria com distribuio binomial, com mdia dada
por n P e varincia n P (1-P). Dessa forma, temos que:
n 1 1
E(fA) = = E A = E(nA) = n P = P
n n n

n 1 1 P (1 P)
Var(fA) = 2 = var A = 2 var(nA) = 2 n P (1-P) =
n n n n
Aplicando a desigualdade de Tchebichev varivel aleatria fA, temos:
P(1 P)
P(|fA - P| ) 1 - n
2
P(1 P )
P(|fA - P| ) 1 -
n 2
claro que o leitor no precisaria ter feito toda essa conta para concluir que a afirmativa
falsa. Bastaria notar que o sinal de desigualdade est trocado.
FALSA

(4) Se uma varivel aleatria X tem distribuio Binomial com parmetros n = 20 e P =

a 10
0,5, ento P{ X a} ( ) em que () a funo de distribuio
5
Normal padro.
Resposta:
 Sabemos que uma varivel aleatria com distribuio binomial possui mdia igual a
nP e varincia igual a nP(1-P). E sabemos, tambm, que a distribuio binomial
pode ser aproximada pela distribuio normal. Padronizando a varivel X para que
possamos consultar a tabela, temos que:
X
P ( X a) =

O que, no caso da distribuio binomial torna-se:
X nP
P ( X a) =
nP(1 P)
Substituindo os valores de n e p, temos:
a 20 0,5
P ( X a) =
20 0,5 (0,5)
a 10
P ( X a) =
5
VERDADEIRA

(ANPEC 2002, 15) Quantas vezes ter-se- de jogar uma moeda equilibrada de forma a
se ter pelo menos 95% de certeza de que a freqncia relativa do resultado cara fique
a menos de 0,01 da probabilidade terica , ou seja, de maneira que a amplitude do
intervalo de confiana da probabilidade terica seja 0,02? (Utilize o teorema de
Tchebycheff. Divida a resposta por 1.000 e transcreva a parte inteira do nmero
encontrado).
Soluo:
Pelo teorema de Tchebichev, temos que (veja questo ANPEC 2002, 06, item 3):

p(1 p)
P[|fA - p| < ] > 1-
n 2
p(1 p)
Portanto, para =0,01 queremos encontrar n de modo que 1- seja igual a 95%:
n 2
0,5(1 0,5)
P[|fA - 0,5|< 0,01] >1-
n 0,012
Assim:

0,5(1 0,5)
1 =0,95
n 0,012
0,5(1 0,5)
= 1 0,95
n 0,012
0,25
= 0,05
0,0001n

0,000005 n = 0,25
 0,25
n=
0,000005
25 10 2
n=
5 10 6
n = 5 104

n = 50.000

Dividindo o resultado por 1.000, como pede o exerccio, chegaremos ao

resultado de 50.

(ANPEC 2001, 13) Sabe-se que certa caracterstica de uma populao tem distribuio
Qui-quadrado com 18 graus de liberdade. Tendo sido extrada uma amostra de 25
elementos desta populao, estime a probabilidade de que a mdia amostral X esteja no
intervalo 15 X 21. Use a tabela da distribuio Normal em anexo. Resposta em
percentagem, aproximando para o inteiro superior mais prximo.

Soluo:
Sabemos que a distribuio Qui-quadrado tem mdia n e varincia igual a 2n, onde n =
graus de liberdade. Portanto:
E(X) = = n = 18
var(X) = 2 = 2n = 36

Pelo Teorema do limite Central sabemos que a mdia amostral segue uma
2
distribuio normal, com mdia e varincia . Ento, podemos utilizar a
n
distribuio normal para calcular a probabilidade pedida. Padronizando os valores para
podermos consultar a tabela, temos que:

x 15 18 5
z1 = = = 3 = -2,5
6 6
n 5
x 21 18 5
z2 = = = 3 = 2,5
6 6
n 5

Dessa forma, a probabilidade da mdia amostral estar entre 15 e 21 equivalente a

probabilidade de z encontrar-se entre -2,5 e 2,5:
P(15 X 21) = P(2,5 z 2,5) = 0,493790 + 0,493790 = 98,758% 99%

(ANPEC 2001, 15) Seja uma varivel aleatria X com mdia E(X) = 0 e varincia x
2

= 25. Qual o limite de probabilidade para que [X E(X)] > 10? Resposta em
percentagem.
Soluo:
Da desigualdade de Tchebichev sabemos que:
1
P(|X-| > ) < 2 E(X-)2

Nesse caso, E(X) = e = 10. Dessa forma, a expresso acima torna-se:

1
P[|X-E(X)| > 10] < X2
10 2

P[|X-E(X)| > 10] < 0,01 25

P[|X-E(X)| > 10] < 0,25

Portanto, o limite de probabilidade para que |X E(X)| > 10 de no mximo 25%.

Nota: para a resoluo desta questo assumimos que, no enunciado, o examinador

queria dizer |X E(X)| (isto , mdulo de X menos a esperana de X).

(ANPEC 2000, 12) Dados os seguintes enunciados, correto afirmar que:

(0) A Lei Fraca dos Grandes Nmeros diz que: dada uma varivel aleatria com
distribuio arbitrria e mdia e varincia finitas, a mdia amostral obtida a partir
de uma amostra aleatria de tamanho n ter distribuio Normal.
Resposta:
O enunciado acima diz respeito ao Teorema do Limite Central (com a ressalva que
vlido apenas para n suficientemente grande). A Lei Fraca dos Grandes nmeros diz que
a mdia amostral converge em probabilidade para a mdia populacional medida que o
tamanho da amostra aumenta, ou seja, diz que a mdia amostral um estimador
consistente da mdia populacional.
FALSA

(1) Se X1, X2, ..., Xn so variveis aleatrias independentes, com distribuio

Poisson(), > 0, ento, para n "grande", vlida a seguinte aproximao:
___ __
n ( X - ) / ~ N(0,1), em que X a mdia amostral.
Resposta:
Sabemos que na distribuio de Poisson a mdia igual varincia. E, pelo
Teorema do Limite Central, sabemos que para n "grande", a mdia amostral segue a

distribuio normal com mdia e varincia dada por (e desvio padro ). E para
n n
que a mdia siga uma distribuio normal padronizada, temos que subtrair a mdia e
dividir pelo desvio padro. Portanto:
X
~ N(0,1).

n
FALSA

(2) Se X1, X2, ..., Xn so variveis aleatrias independentes, com distribuio

Normal(,2), 2 > 0, ento, para qualquer tamanho de n,
___ __
n ( X - ) / ~ Normal(0,1), em que X a mdia amostral.
Resposta:

Se a distribuio normal, ento a sua mdia amostral tambm ser normalmente

distribuda, independentemente do tamanho da amostra. E para que siga a normal
padronizada, ou seja, com mdia zero e varincia igual a 1, temos que:
X
~N(0,1)

n

VERDADEIRA

(ANPEC 1998, 11) Com relao a desigualdade de Tchebycheff e ao Teorema Central

do Limite, pode-se afirmar que :
(0) Se uma varivel aleatria X tem mdia , E(X)= , e varincia igual a zero,
Var(X) = 0, ento P{ X } = 1 para todo > 0 , ou seja, toda a probabilidade
estar concentrada na mdia E(X) = .
Resposta:
Sabemos, pela desigualdade de Tchebichev que:

var( X )
P(|X-| ) 1 -
2

Se var(X) = 0, temos que:

P(|X-| ) =1

Ou seja, a probabilidade da diferena entre X e ser menor que um nmero muito

pequeno de 1. Dessa forma, toda a probabilidade est concentrada na mdia .
VERDADEIRA

(1) Seja X uma varivel aleatria com mdia e varincia 2. Quando se considera o
evento complementar, uma das formas da desigualdade de Tchebycheff igual a
1
P{ X > k } 1 2 , onde k um nmero real.
k
Resposta:
Sabemos que a desigualdade de Tchebichev pode ser escrita como (veja demonstrao
em Sartoris (2003, p. 115-116)):

1
P(|X-| k)<
k2
Portanto, o evento complementar ser dado por:
1
P(|X-| < k) 1 - 2
k
FALSA

(2) Se a populao tem distribuio Normal, ento a distribuio das mdias amostrais
tambm ser Normal, independente do tamanho da amostra.

Resposta:
Se a populao for normalmente distribuda, ento sua mdia amostral tambm ser
normalmente distribuda, qualquer que seja o tamanho da amostra.
VERDADEIRA
(3) Se X tem distribuio desconhecida com mdia 500 e varincia 2.500, para uma
amostra aleatria de tamanho 100 podemos afirmar que a mdia da amostra tem
distribuio aproximadamente normal com mdia 500 e varincia 25.
Resposta:
Pelo Teorema do Limite Central sabemos que para amostras suficientemente
grandes, a mdia amostral segue uma distribuio normal com mdia e varincia
2 n . Portanto, nesse caso, temos que a mdia amostral ter aproximadamente uma
distribuio normal com mdia dada por:
E( X ) = 500
e varincia dada por:
2.500
var( X ) = = 25.
100
VERDADEIRA
 Estimao

(ANPEC 2004, 8) Com respeito inferncia e estimao de parmetros populacionais,

correto afirmar:
(0) Suponha que a varivel X tenha distribuio exponencial com densidade
f ( x) = e x , x > 0 . As estatsticas X e mnimo[ X 1 , X 2 ,........, X n ] so estimadores no-
viciados de 1/, mas a segunda prefervel primeira por apresentar menor varincia.
Resposta:
Para "matar" esta questo, bastaria lembrar que apenas a mdia amostral um
estimador no viesado de 1 , que a mdia da distribuio exponencial. Evidentemente, o
mnimo da amostra ser viesado, pois sempre estar jogando a mdia para baixo e, desta
forma, a afirmao falsa desde o princpio.
Mas, vejamos isso mais formalmente.
1
O parmetro a mdia da distribuio exponencial, j que:


E(x) = xf ( x)dx
0

xe
x
E(x) = dx
0

E(x) = xe x dx
0

Utilizando o mtodo de integrao por partes (faa f (x) = x e g'(x) = e x )1, obtemos:

xe x e x
E(x) = dx
0

xe x e x
E(x) = 2
0
1
E(x) =

1
Lembre-se que: f ( x) g ' ( x)dx = f ( x) g ( x) g ( x) f ' ( x)dx
 E, como sabemos, a mdia amostral um estimador no-tendencioso da mdia
populacional, j que a mdia da mdia amostral a prpria mdia populacional:

X
n

i
E( X ) = E i =1
n

1
E( X ) = E( X 1 + X 2 + X n )
n
1
E( X ) = [E( X 1 ) + E( X 2 ) + E( X n )]
n

1 1 1 1
E( X ) = + +
n
1 1
E( X ) = n
n
1
E( X ) =

E para calcularmos a varincia da mdia amostral, precisamos saber qual a

varincia da distribuio exponencial. Para tanto, calculemos a mdia dos quadrados de x:

x
2
E(x ) = 2
f ( x)dx
0

E(x2) = x 2 e x dx
0

Novamente, utilizando o mtodo de integrao por partes, temos:

x 2 e x e x
E(x ) =
2
2xdx
0

x 2 e x 2 x
E(x ) =
2
+ e xdx
0

Aplicando integrao por partes novamente, obtemos:

x 2 e x 2 xe x e x
E(x ) =
2
+ dx
0

x 2 e x 2 xe x e x
E(x ) =
2
+ 2
0

x 2 e x 2 xe x 2e x
E(x ) =
2
3
2 0
2
E(x2) = 3

2
E(x2) =
2

Dessa forma, a varincia de x ser:

var(x) = E(x2) [E(x)]2

2
2 1
var(x) = 2

1
var(x) = 2

Ento, temos que a varincia da mdia amostral, X , ser dada por:

2

Var( X ) =
n
1
Var( X ) =
n 2

Vejamos agora o que acontece com a estatstica mnimo( X 1 , X 2 ,........, X n ):

Como j foi dito, o mnimo da amostra no poder ser um estimador no
tendencioso da mdia populacional, j que ele estar sempre "jogando" a mdia para baixo.
Portanto mnimo( X 1 , X 2 ,........, X n ) uma estatstica viesada da mdia populacional. Mas
vejamos isso mais formalmente. A distribuio amostral da estatstica
mnimo( X 1 , X 2 ,........, X n ) para uma populao com distribuio exponencial dada por:

f(xmnimo) = (n) e
( n ) x mnimo

1 1
Como a mdia de x dada por e a varincia igual a , temos que a esperana
2

1 1
e a varincia
de mnimo( X 1 , X 2 ,........, X n ) ser, por analogia, (faa os clculos,
n (n )2
e confira!). Calculemos ento o vis da estatstica mnimo da amostra:

vis = E[mnimo( X 1 , X 2 ,........, X n )] -

1 1
vis = -
n
 1 n
vis =
n
Portanto, o vis da estatstica mnimo( X 1 , X 2 ,........, X n ) ser negativo para todo n >
1, como j tnhamos visto intuitivamente.
1
E como a varincia do mnimo da amostra dada por , ela ser realmente
(n )2
menor que a varincia da mdia amostral para todo n>1.
Dessa forma, apesar da estatstica mnimo( X 1 , X 2 ,........, X n ) ser viesada, ela tem
varincia menor que a mdia amostral.

FALSA

1 n 2 n 1 2
(1) O valor esperado da estatstica ( xi x ) igual a ( ) , em que 2 a
n i =1 n
varincia da populao. Ento, um estimador no-tendencioso de 2 ser
1 n 2
( xi x ) .
n 1 i =1
Resposta:
1 n 2
Sabemos que a estatstica ( xi x ) realmente um estimador viesado de , j
2

n i =1
n 1 2
que seu valor esperado dado por: , que diferente de 2 . Um estimador no
n
1 n
2
tendencioso da varincia ( xi x ) .
n 1 i =1

1 n 2
Mas, em todo o caso, calculemos o valor esperado da estatstica ( xi x ) , ou
n i =1
seja, do estimador da varincia populacional ( claro que no dia da prova voc no precisa
fazer isso, desde que se lembre desse resultado!):
1 n
E( 2 ) = E (xi x ) 2
n i =1

1 n

E( 2 ) = E[ (xi x ) 2 ]
n i =1

Faamos um pequeno artifcio: somar e subtrair a mdia populacional ():

n
1
E( 2 ) = E[ ( xi - + - x )2]
n i =1
Temos agora um quadrado da soma onde consideramos o primeiro termo como sendo xi -
e o segundo - x :
n n n
1
E( 2 ) = E[ ( xi - )2 + 2 ( xi - )( - x ) + ( - x )2]
n i =1 i =1 i =1

n n
1
E( 2 ) = E[ ( xi - )2 + 2( - x ) ( xi - ) + n( - x )2]
n i =1 i =1

n
E como ( xi) = n x , temos que:
i =1

n
1
E( 2 ) = E[ ( xi - )2 + 2n( - x )( x - ) + n( - x )2]
n i =1

Ou:
n
1
E( 2 ) = E[ ( xi - )2 2n( - x )( - x ) + n( - x )2]
n i =1

n
1
E( 2 ) = E[ ( xi - )2 2n( - x )2 + n( - x )2]
n i =1

n
1
E( 2 ) = E[ ( xi - )2 n( - x )2]
n i =1

E, numa expresso elevada ao quadrado, o sinal no interior dos parnteses no

importa, portanto podemos inverter o sinal da segunda expresso sem problemas
n
1
E( 2 ) = E[ ( xi - )2 n( x -)2]
n i =1

n
1
E( 2 ) = {E[ ( xi - )2] nE( x -)2}
n i =1

E, como a esperana da soma a soma das esperanas, temos que:

1 n
E( 2 ) = [ E(xi - )2 nE( x -)2]
n i =1

E sabemos que:

E(xi - )2 = var(x) = 2 e
 2
E( x -)2 = var( x ) =
n

Dessa forma:

1 2
E( 2 ) = [n2 - n ]
n n

1
E( 2 ) = [n2 - 2]
n

1 2
E( 2 ) = (n-1)
n

n -1 2
E( 2 ) = 2
n
Portanto, 2 um estimador tendencioso de 2. O estimador no tendencioso ser
dado por:
1 n 2
s2 = ( xi x )
n 1 i =1
J que:
1 n 1 1
E ( x i x ) 2 =
n

E
n 1 i =1
( xi x ) 2 =
n 1 i =1 n 1
(n-1) 2 = 2

VERDADEIRA

(2) Suponha que a varivel aleatria x seja uniformemente distribuda no intervalo [0, ],
em que um parmetro desconhecido. O estimador de mxima verossimilhana de
ser =mnimo[ x1, x 2 ,........, x n ].
Resposta:
Se a varivel uniformemente distribuda no intervalo [0, ], sabemos que a sua
funo densidade de probabilidade dada por:
1 1
f ( x) = =
0
E , obviamente, o valor mximo que x pode assumir. Sendo assim, o estimador
de mxima verossimilhana de , ou seja, aquele que d a maior chance da amostra
pertencer de fato uma populao com distribuio uniforme, , sem dvida, =
mximo[x1, x2, , xn].
FALSA

(3) Se dois intervalos de confiana que esto sendo comparados apresentam o mesmo
coeficiente de confiana, ento se deve preferir aquele que apresenta a maior amplitude.
Resposta:
Dados dois intervalos com o mesmo coeficiente de confiana, o mais preciso ser
aquele que apresentar menor amplitude (ou seja, que tiver menor margem de erro); dessa
forma, este dever ser prefervel.
FALSA

(4) Suponha que x tenha distribuio N( ; 2 ) em que 2 seja desconhecido. O

intervalo de confiana para a mdia da populao, , ser

P{x z x+z } = 2 ( z ) 1 em que (z) a funo de distribuio Normal
n n
Padro.
Resposta:
Se a varincia (2) desconhecida, ento devemos utilizar a distribuio t de
Student, e no a normal padro:
x
t=

n

Note que na distribuio t de Student, tanto o numerador quanto o denominador so

variveis aleatrias, ao contrrio do que acontece na distribuio normal. Portanto, o
intervalo de confiana para a mdia populacional ser dado por:

P x t x +t = 2(t ) 1 ,
n n

em que (t ) a funo de distribuio t de Student.

Cabe notar, porm, que para amostras grandes (maiores que 30), no far diferena
se utilizarmos uma ou outra distribuio, j que, nesse caso, elas sero aproximadamente
iguais.

FALSA
(ANPEC 2003, 02) Sejam: X1, X2, ..., Xn variveis aleatrias independentes e
n n
normalmente distribudas com mdia e varincia 2; X = n 1 X i ; e Z = Yi 2 , em
i =1 i =1

que Yi = 1 ( X ) . correto afirmar que:

(0) X um estimador tendencioso da mdia ;

Resposta:
A mdia amostral ( X ) um estimador no tendencioso da mdia populacional ,
j que o valor esperado da mdia amostral a prpria mdia populacional:
n

E( X ) = E(n 1 X i )
i =1

E( X ) = n E ( X 1 + X 2 + + X n )
1

Como a esperana da soma a soma das esperanas, temos que:

E( X ) = n 1 [E( X 1 ) + E( X 2 ) + + E( X n )]
E( X ) = n 1 ( + + )
E( X ) = n 1 n
E( X ) =

Cabe notar que nesse caso, como as variveis so normalmente distribudas, alm de
ser no tendencioso, X um estimador eficiente de .

FALSA

(1) Z uma varivel aleatria com distribuio 2 com n graus de liberdade;

Resposta:
A varivel Z a soma de n variveis normais padronizadas ao quadrado (j que Y
uma varivel normal padronizada); portanto, segue uma distribuio 2 com n graus de
liberdade.

VERDADEIRA

(2) s 2 = n 1 (X i X ) um estimador tendencioso da varincia 2;

n
2

i =1
Resposta:

O estimador s2 realmente um estimador tendencioso da varincia populacional, j

que para ser no tendencioso teramos que dividir a soma das variveis centradas ao
quadrado por n-1 e no por n (veja questo ANPEC 2004, 8, item 1).
VERDADEIRA

(3) nX uma varivel aleatria normalmente distribuda com mdia n e varincia 2;

Resposta:
A mdia de nX ser dada por:

E( nX ) = nE( X ) = n

Mas a varincia ser dada por:

2

var( nX ) = n2 var( X ) = n2 = n2
n

FALSA

Yi
(4) a varivel aleatria Wi = possui distribuio F com n1 e n2 graus de liberdade, em
Z
n
que n1 = 1 e n2 = 2n.
Resposta:

Note que a varivel Wi o quociente entre uma varivel normal padronizada (Yi) e
uma varivel que a raiz quadrada da soma de n variveis normais padronizadas ao
quadrado (ou seja, uma varivel 2) dividida por n. Portanto, Wi possui distribuio t de
Student com n graus de liberdade. O quociente entre duas variveis aleatrias 2
distribudas independentemente e divididas por seus respectivos graus de liberdade, que
segue uma distribuio F:

/k
2

F= k
~F
/n
2 k ,n
n

Cabe notar que, o quadrado de uma varivel aleatria t de Student com n graus de
liberdade ter uma distribuio F com 1 e n graus de liberdade:

t n2 ~F1,n
Portanto, Wi 2 seguir a distribuio F com 1 e n graus de liberdade.

FALSA
(ANPEC 2002, 04) Seja X uma varivel aleatria com distribuio de probabilidade que
dependa do parmetro desconhecido , tal que E(X) = . Seja tambm x1, x2, ..., xn uma
amostra aleatria de X.

(0) Para amostras suficientemente grandes, o estimador de mxima verossimilhana de ,

caso exista, segue uma distribuio Normal.
Resposta:
As estimativas por mxima verossimilhana possuem as seguintes propriedades:
- so consistentes;
- so assintoticamente eficientes;
- possuem distribuio assinttica normal, com mdia e varincia dada por
1
;
ln f ( X ; )
2

nE

- apresentam a propriedade de invarincia, ou seja, se um estimador de e g() uma
funo qualquer de , ento g( ) ser o estimador de g();
- podem ser viesadas.
Portanto, para amostras suficientemente grandes, o estimador de mxima
verossimilhana de seguir realmente a distribuio normal.

VERDADEIRA

n n

(1) Se = c i xi um estimador de , este no ser viciado desde que c i

= 1 . Alm do
i =1 i =1

mais, ter varincia mnima se ci=1/n para todo i.

Resposta:
O estimador ser no viesado se seu valor acertar, na mdia, o valor verdadeiro do
parmetro, ou seja:
n

E( ) = E( c x ) =
i =1
i i

Calculemos ento o valor esperado de :

n

E( ) = E( c x )i =1
i i

E( ) = [E(c1x1) + E(c2x2) + + E(cnxn)]

E( ) = c1 + c2 + + cn
E( ) = (c1 + c2 + + cn)
n

Se c
i =1
i
=1, teremos que:

E( ) =
Nesse caso ento, o estimador ser realmente no-viesado.

Vejamos em que condies o estimador ter varincia mnima. Para isso, primeiro
calculemos a varincia de :
n

var( ) = var( c x )
i =1
i i

var( ) = var(c1x1 + c2x2 + +cnxn)

var( ) = var(c1x1) + var(c2x2) + var(cnxn)
var( ) = c12 var(x1) + c 22 var(x2) + c n2 var(xn)
var( ) = c 2 2 + c 2 2 + c 2 2
1 2 n

var( ) = ( c12 + c 22 + + c n2 )2
var( ) = ( nc 2 )2
i

Portanto, para que tenha varincia mnima, devemos minimizar var( ), sujeito a
n

restrio que c
i =1
i
(= nci) seja igual a 1:

minimizar ( nc i2 )2
s.a. nci -1 = 0

O Lagrangiano ser dada por:

L = ( nc i2 )2 - (nci -1)

As condies de 1 ordem sero ento:

L
= (nci -1) = 0

L
= 22nci - n = 0
c

Utilizando a primeira das expresses acima , teremos:

(nci -1) = 0
nci = 1
1
ci =
n

Portanto, ter varincia mnima entre os estimadores lineares no viesados quando ci =

1
.
n

VERDADEIRA
 1 n
(2) Se = x i um estimador no viciado de , ento 2 tambm ser um estimador
n i =1
no viciado de 2 .
Resposta :
J sabemos que (estimador da mdia amostral) um estimador no viesado da
mdia populacional, . Vejamos se 2 tambm ser um estimador no viesado de 2.
Sabemos que:

var( ) = E( 2 ) [E( )]2

Ou seja, a varincia dada pela mdia dos quadrados menos o quadrado da mdia.
Rearranjando a expresso acima, temos que:

E( 2 ) = var( ) + [E( )]2

2

E( 2 ) = + 2 2
n
Dessa forma, apesar de ser um estimador no viesado de , 2 um estimador
viesado de 2 (note, porm, que assintoticamente no tendencioso).
Cabe notar que, em geral, se tivermos um estimador no tendencioso e desejarmos
obter uma estimativa para uma funo g(.) qualquer desse estimador, se empregarmos
g( ), este poder ser um estimador viesado de g(). Uma exceo ocorre quando g (.) for
uma funo linear de (veja Questo ANPEC 1999, 06, item 1).

FALSA

(3) Se a varivel aleatria X uniformemente distribuda no intervalo [0,], com > 0,

n +1
ento = mximo[x1, x2, ..., xn] no um estimador consistente de .
n
Resposta:
Como a distribuio uniforme, sabemos que o valor mximo que a varivel
n +1
aleatria X pode assumir. Portanto, = mximo[x1, x2, ..., xn] um estimador
n
n +1
consistente de , j que medida que a amostra aumenta, tender a 1 e o estimador
n
convergir para o parmetro populacional .

FALSA
(4) Se 1 e 2 so dois estimadores do parmetro em que E ( 1 ) = 1 e E ( 2 ) 2
mas Var ( 2 ) < Var ( 1 ), ento o estimador 2 deve ser prefervel a 1 .

Resposta:
Quando comparamos dois estimadores no-viesados, devemos sim preferir aquele
que tiver menor varincia. Porm, quando comparamos dois estimadores quaisquer, como
o caso (j que 2 um estimador viesado de ), devemos preferir aquele que apresentar
menor erro quadrtico mdio, que dado por:

EQM = var( i ) + [vis( i )]2

Portanto, nesse caso, no d para saber qual estimador prefervel, j que no temos
nenhuma informao sobre o valor do vis de 2 .

FALSA

(ANPEC 2001, 03) Uma amostra de tamanho n foi selecionada de uma populao de m
elementos. Pode-se afirmar que :

(0) A mdia amostral X um estimador no tendencioso e eficiente da mdia

populacional se todos elementos de m tiverem a mesma probabilidade de serem
selecionados .
Resposta:
A mdia amostral um estimador no tendencioso da mdia populacional, qualquer
que seja a distribuio de probabilidade da populao. Porm, para sabermos se um
estimador eficiente (isto , o de menor varincia entre qualquer estimador no viesado),
precisamos saber qual a distribuio da populao, o que no foi dito no enunciado. Se,
por exemplo, a populao for normalmente distribuda, sabemos que a mdia amostral ser
um estimador eficiente da mdia populacional.

FALSA

(1) A varincia da distribuio amostral de X

2
se a populao for infinita ou se a
n
amostragem for com reposio.
Resposta:
Sabemos pelo Teorema do Limite Central que a mdia amostral segue uma
distribuio normal com mdia e varincia dada por 2 n . O fator de correo
utilizado para a varincia apenas se a populao for finita e a amostragem for feita sem
reposio (veja o prximo item).

VERDADEIRA
 2 1
(2) Se a populao for finita, a varincia da distribuio amostral de X (1 )
n n
porque as observaes da amostra so independentes.
Resposta:
Evidentemente, se a populao finita, o tamanho da populao (N) deveria
importar, o que no acontece na frmula apresentada no enunciado. O fator de correo
N n 2 N n
dado por e, portanto, var( X ) = , a varincia da mdia amostral
N 1 n N 1
quando a populao finita e a amostragem feita sem reposio, j que nesse caso
medida que forem sendo retirados elementos dessa amostra, a varincia dos que restarem
ser diferente. Se a populao for infinita ou se for finita e a amostragem for feita com
reposio, esse "problema" no ocorrer.

FALSA

(3) Se X for uma varivel aleatria qualquer a distribuio de X ser normal com mdia
e varincia n 1 .
2

Resposta:
Pelo Teorema do Limite Central, sabemos que a distribuio da mdia amostral, X ,
2

ser normal, com mdia e varincia dada por , qualquer que seja a distribuio da
n
populao, desde que a amostra seja aleatria e suficientemente grande.

FALSA

(4) Se lim E ( X ) = 0 , ento X um estimador assintoticamente no tendencioso.

n
Resposta:
Um estimador assintoticamente no tendencioso, quando medida que o tamanho da
amostra aumenta o vis vai desaparecendo, ou seja: lim
n
E ( X ) = .

FALSA

(ANPEC 2000, 04) Seja X1, X2 , ..., Xn uma amostra aleatria da densidade
n

Normal(0,) e seja T= 1/n X

i =1
2
i
. correto afirmar que:

(0) T o estimador de mxima verossimilhana (EMV) de .

Resposta:
 O estimador de mxima verossimilhana da varincia de uma distribuio normal
dado por (veja Sartoris, 2003, p. 184):
n

(X i
)2
T= i =1

n
Como nesse caso, a mdia igual a zero, temos que:
n

X
2
i

T = i =1

VERDADEIRA

(1) T um estimador tendencioso de .

Sabemos que o estimador de mxima verossimilhana da varincia de uma

distribuio normal viesado. Porm, nesse caso, a mdia j conhecida (isto , temos
xi e no xi x ) e o estimador T , portanto, no tendencioso:

X2
n

i
E(T) = E i =1
n

1 n
E(T) = E X i2
n i =1
1
E(T) = E ( X 12 + X 22 + + X n2 )
n
Note que E( X i2 ) a prpria varincia populacional, , j que:

= E(X - )2 = E(X2)

Portanto, temos que:

1
E(T) = E( + + )
n
1
E(T) = n
n
E(T) =

FALSA
 n
(2) A varivel aleatria Z = X i2 / tem distribuio qui-quadrado com n graus de
i =1
liberdade.
Resposta:

Sabemos que a distribuio Qui-quadrado a soma de n variveis normais

2
n
X
padronizadas ao quadrado: Z = . Como nesse caso, = 0, temos
i =1
dp
2
n
X
que Z = i . E como o quadrado do desvio-padro igual varincia,
i =1
dp
n
X i2
que nesse caso, igual a , temos que: Z = . Portanto, a varivel aleatria
i =1
Z tem distribuio Qui-Quadrado com n graus de liberdade.

VERDADEIRA

(3) E ( X 12 X 23 ) = 2.
Resposta:
Note que a expresso acima a esperana do produto entre uma varivel ao quadrado e
uma varivel ao cubo. Portanto, o valor da esperana no poder ser um quadrado de , que
a varincia.

FALSA

(4) T um estimador eficiente de .

Resposta:

Para que T seja um estimador eficiente, ele deve ter a menor varincia que qualquer
outro estimador no viesado.Se a mdia fosse desconhecida, um estimador no viesado para
a varincia teria que Ter n 1 no denominador (e no n), embora este ltimo tenha
varincia menor. Mas, como nesse caso, T no viesado, e de fato, tem a menor varincia,
um estimador eficiente de .

VERDADEIRA

(ANPEC 2000, 07) Seja Y uma varivel aleatria contnua com distribuio de
probabilidade f(y;), em que = (1,2 ,...,p). Considere uma amostra aleatria de Y, com
tamanho n. Com relao funo de verossimilhana L(), correto afirmar que:
n
(0) l()= ln L() = log f ( y i ; ) , em que ln o logaritmo natural.
i =1
Resposta:
A funo de verossimilhana uma funo dos parmetros e dada por:
L(;yi) = f(y1;) f(y2;) f(yn;)

Tomando o logaritmo natural da funo de verossimilhana, temos:

n

l(;yi) = lnL() = lnf(yi;) + lnf(y2;) + lnf(yn;) = ln f ( y ; )

i =1
i

VERDADEIRA

(1) A funo de verossimilhana tambm uma funo de densidade de probabilidade, que

possui, assim, todas as propriedades matemticas associadas uma funo de densidade
de probabilidade.
Resposta:
A funo de verossimilhana no uma funo densidade de probabilidade e,
portanto, no possui as propriedades matemticas associadas uma f.d.p.; por exemplo,

L( ; x)d 1 (quem igual a 1 L( ; x)dx )

FALSA

(2) Uma condio necessria a que os estimadores de mxima verossimilhana devem

satisfazer que a matriz { 2 l ( ) / i j } i,j = 1, 2, ..., p, avaliada no ponto de
mximo, seja negativa definida.
Resposta:
A estimao por mxima verossimilhana consiste em achar os valores dos
parmetros que maximizem a funo de verossimilhana, o que anlogo a encontrar o
mximo da funo do logaritmo da verossimilhana, ou seja, consiste em encontrar o ponto
de mximo de l(). E sabemos que a condio necessria para um ponto de mximo que a
derivada primeira da funo nesse ponto seja nula e a condio SUFICIENTE que a
derivada segunda seja negativa. E, como [ 2 l ( ) / i j ] nada mais que a matriz com
as derivadas segundas de l(), temos que todos os seus valores devem ser negativos para
que a condio suficiente seja satisfeita.
E temos que uma matriz simtrica definida negativa quando todas as suas razes
caractersticas so negativas. E para que uma matriz seja negativa definida, todos os seus
elementos devem ser negativos. Portanto, temos que a condio SUFICIENTE que os
estimadores de mxima verossimilhana devem satisfazer que a matriz com as derivadas
segundas de l() seja negativa definida.

FALSA
 (3) Sendo Tn o estimador de mxima verossimilhana do parmetro escalar 1, segue-se
que Tn apresenta a seguinte propriedade:
lim n Pr(|T | ) = 0 , > 0.
n 1
Resposta:
Essa a propriedade de consistncia, j que a expresso acima nada mais significa
que, medida que o tamanho da amostra cresce, o valor estimado convergir para o
valor verdadeiro. E como sabemos, os estimadores de mxima verossimilhana so
consistentes (confira as propriedades dos estimadores de mxima verossimilhana na
questo ANPEC 2002, 4, item 0)

VERDADEIRA

(4) Sendo = g(1), em que g(.) uma funo um a um de 1, e Tn o estimador de

mxima verossimilhana de 1, segue-se que o estimador de mxima verossimilhana
de ser Gn = g(Tn )[d/d1] , em que a derivada avaliada em 1= Tn.
Resposta:
Como sabemos, os estimadores de mxima verossimilhana apresentam a
propriedade de invarincia (veja questo ANPEC 2002, 4, item 0). Sendo assim, o
estimador de mxima verossimilhana de ser g(Tn).

FALSA

(ANPEC 2000, 08) Sejam p e ~ p dois estimadores do parmetro p da distribuio

Binomial, em que Y a varivel desta distribuio e n o tamanho da amostra:
Y ~ Y +1
p = p=
n n +1
(0) p o estimador de mxima verossimilhana do parmetro p.
Resposta:
Y
A proporo amostral, dada por p = , o valor que d a maior chance de Y
n
pertencer distribuio binomial e, dessa forma, o estimador de mxima verossimilhana do
parmetro p.

VERDADEIRA

(1) Sob o critrio do erro quadrado mdio, para pequenas amostras, no h supremacia de um
estimador sobre o outro.
Resposta:
O erro quadrtico mdio dado por:
EQM = var( ) + [vis( )]2

Calculemos, ento, o EQM dos estimadores p e ~ p . Para isso, primeiro calculamos o vis (se
houver) e a varincia destes estimadores. Para o estimador p temos que:
Y
E( p ) = E
n
1
E( p ) = E(Y)
n
Como a mdia de uma varivel que tem a distribuio binomial dada por n p, temos que:
1
E( p ) = n p
n
E( p ) = p

Y
Var( p ) = var
n
1
Var( p ) = 2 var(Y)
n
E como a varincia de uma varivel que tem a distribuio binomial dada por np(1-p):
1
Var( p ) = 2 np(1-p)
n
p(1 p)
Var( p ) =
n

Como p um estimador no viesado, seu erro quadrtico mdio ser igual sua varincia:

p(1 p)
EQM( p ) =
n

Agora, faamos o mesmo clculo para o estimador ~

p:
Y + 1
E( ~
p ) = E
n +1
E(Y ) + 1
E( ~
p)=
n +1
np + 1
E( ~
p)= p
n +1

Portanto, ~p um estimador viesado de p (confira o clculo do vis no item seguinte). Sua

varincia dada por:

Y + 1
Var( ~
p ) = var
n +1
 1
Var( ~
p ) = var (Y + 1)
n +1

Pelas propriedades da varincia, temos que:

2
1
Var( ~
p)= var(Y )
n + 1

np(1 p )
Var( ~
p)=
(n + 1)2
O erro quadrtico mdio de ~
p ser dado ento por:

EQM( ~
p ) = var( ~
p ) + [vis( ~
p )]2
np(1 p ) 1 p
2

EQM( ~
p)= +
(n + 1)2 n + 1
np(1 p ) + (1 p )
2
EQM( ~
p)=
(n + 1)2
EQM( ~
p)=
(1 p )[np + (1 p )]
(n + 1)2
Temos ento que:

EQM ( p ) p(1 p) (n + 1) 2 p(n + 1) 2

= = .
EQM ( ~
p) n (1 p)[np (1 p )] n 2 p n + n

Para que fique mais claro, faa, por exemplo, p = 1:

EQM ( p ) n 2 + 2n + 1 n 2 + 2n + 1
= 2 = >1
EQM ( ~
p) n n+n n2

Ou ainda, se p = 0:

EQM ( p )
=0<1
EQM ( ~
p)

Sendo assim, h, sim, supremacia de um estimador sobre o outro para pequenas amostras.

FALSA
(2) O vis do estimador ~p dado por [(1 p ) (1 + n )] .
Resposta:
O vis de ~ p ser dado por:
vis( p ) = E( ~
~ p)-p

np + 1
vis( ~
p)= -p
n +1
np + 1 (n + 1) p
vis( ~
p)=
n +1
np + 1 np p
vis( ~
p)=
n +1
1 p
vis( ~
p)=
n +1

VERDADEIRA

(ANPEC 1999, 06) Com base na teoria da estimao, pode-se fazer as seguintes
afirmaes :

(0) De acordo com o critrio de eficincia, medido pela comparao entre as varincias dos
estimadores, a mdia amostral X prefervel a primeira observao X 1 como
estimador da mdia populacional, supondo-se que 2 seja a varincia da populao.
Resposta:

Chamando o estimador que utiliza a primeira observao para estimar a mdia

amostral de X1, e supondo que a mdia populacional seja , temos que tanto X quanto X1
so estimadores no viesados, j que:

E( X ) =
E(X1) =

J a varincia:
2

Var( X ) =
n
2
Var(X1) =

Portanto, pelo critrio de eficincia relativa, temos que a mdia amostral prefervel
primeira observao, j que sua varincia ser menor que a varincia de X1 para todo n > 1.

VERDADEIRA
(1) Seja um estimador no-viciado de . Se g( ) uma funo do parmetro , ento
E[g( )] g[E( )] com a igualdade ocorrendo somente quando g( ) for uma funo
linear.
Resposta:
Na questo ANPEC 2002, 04, item (2), mostramos que, em geral, E[g( )] g[E( )].
Mostraremos agora, que E[g( )] = g[E( )] quando g( ) for uma funo linear.
Considere a seguinte funo linear de :
g() = a + b.

Calculemos E[g( )]:

E[g( )] = E (a + b )
E[g( )] = a + b E( )
E[g( )] = a + b

E agora g[E( )]:

g[E( )] = g() = a + b

Portanto, se g(.) for uma funo linear de , E[g( )] = g[E( )].

VERDADEIRA

1
(2) A funo densidade de probabilidade da varivel aleatria x dada por f ( x) = para

0 x e 0 para outros valores. Assim sendo, considerando-se uma amostra aleatria
de tamanho n , x1 , x2 , x3 , xn , o estimador de Mxima Verossimilhana de ser
igual ao Mnimo de x1 , x2 , x3 , xn .
Resposta:
1
Se a f.d.p. de x dada por f(x) = , sabemos que x uniformemente distribuda e

que o parmetro o valor mximo que x pode assumir. Portanto, o estimador de mxima
verossimilhana para , ou seja, aquele que d a maior chance dessa amostra pertencer de
fato a uma populao cuja f.d.p dada por f(x), , sem dvida, igual ao mximo de x1,
x2,x3, ., xn.

FALSA
 n

(x
n

(x i
x) 2
i x)2
(3) Dado que as varincias das estatsticas S 1 = i =1
2 i =1
e S2 = so,
n 1 n
n

(x i x)2
2 4 2 4 n 1 2 S2 = i =1
respectivamente , iguais a e ( ) , ento n mais
n 1 n 1 n
n

(x
i =1
i x)2
preciso do que S =
2
n embora seja uma estatstica viciada.
Resposta:
Como evidente, esta questo foi anulada pelo fato de aparecerem as mesmas estatsticas
na comparao entre elas. Se a segunda parte do enunciado fosse: "(...) ento S2 mais preciso
que S 12 , embora seja uma estatstica viciada", a afirmativa seria verdadeira. Vejamos:
Sabemos que S 12 uma estatstica viesada da varincia populacional, enquanto S1 no
(veja questo 08/2004, item 1).Calculemos, ento, as suas varincias.

2 4
var( S 12 ) =
n 1

2 4 n 1
2
2
var(S ) =
n 1 n

Como var( S 12 ) < var(S2), S 12 mais precisa, embora seja viesada.

ANULADA

(ANPEC 1998, 06) Seja o estimador do parmetro :

(0) O erro quadrtico mdio igual a varincia do estimador se for um estimador

no-tendencioso de .
Resposta:
O erro quadrtico mdio (EQM) dado por:
EQM = var( ) + [vis( )]2
Se um estimador no-tendencioso de , seu vis obviamente ser igual a zero e,
portanto, EQM = var( ).
VERDADEIRA
(1) Um estimador 1 dito eficiente se 1 for no-tendencioso e Var( 1 ) Var ( 2 ), onde
2 outro qualquer estimador no-tendencioso de .
Resposta:
Um estimador de fato dito eficiente quando for no tendencioso e tiver a menor
varincia que qualquer outro estimador no tendencioso.
VERDADEIRA

(2) Seja X uma varivel aleatria normalmente distribuda com mdia e varincia 2.
Sejam x1 e x2 duas observaes de uma amostra aleatria de tamanho 2. Podemos
3x + 2 x 2
afirmar que ~ = 1 um estimador tendencioso de .
5
Resposta:
Um estimador no tendencioso quando seu valor mdio igual a seu valor verdadeiro, ou
seja, E( ~ ) = . Vejamos se isso vlido para o estimador ~ :

3x + 2 x2
E( ~ ) = E 1
5
3x 2x
E( ~ ) = E 1 + E 2
5 5
3 2
E( ~ ) = E(x1) + E(x2)
5 5
3 2
E( ~ ) = +
5 5
E( ~ ) =
Portanto, ~ um estimador no-tendencioso de .
VERDADEIRA

(3) Se consistente, ento no tendencioso.

Resposta:
Um estimador dito consistente quando, medida que o tamanho da amostra
aumenta, o vis (se existir) e a varincia vo "desaparecendo", de forma que o valor do
estimador converge para o valor verdadeiro. Portanto, para que seja consistente, no
necessariamente precisa ser no tendencioso, mas precisa ser assintoticamente no
tendencioso.
FALSA
(ANPEC 1998, 07) Com base na teoria da estimao, pode-se fazer as seguintes
afirmaes :

(0) Se um parmetro populacional e seu estimador, a afirmao de que um

estimador consistente de se lim P{ } = 1 para todo > 0 quando n ,
equivalente a afirmao de que se lim E () = e limVar ( ) = 0 quando n ,
ento ser um estimador consistente de .
Resposta:
Um estimador dito consistente quando, medida que o tamanho da amostra
aumenta, o vis (se existir) e a varincia vo "desaparecendo", ou seja, lim
n
E () = e
lim
n
var() = 0 , de forma que o valor do estimador converge (em probabilidade) para o
valor verdadeiro, isto , o limite da probabilidade da diferena entre o valor estimado e o
valor verdadeiro, em mdulo, ser menor ou igual a um nmero muito pequeno, quando
n , igual a 1:

lim
n
[
P = 1 ]
Dessa forma, as afirmaes so realmente equivalentes.

VERDADEIRA

(1) Se x uma varivel aleatria com E(X) = e varincia 2 , ento a mdia amostral, X ,
ser um estimador consistente da mdia populacional .
Resposta:
Sabemos que um estimador consistente aquele que converge para o valor
verdadeiro do parmetro medida que o tamanho da amostra aumenta, ou seja, seu vis
(caso seja um estimador viesado) e sua varincia vo desaparecendo. Sabemos que a mdia
amostral um estimador no viesado da mdia populacional. Vejamos ento o que acontece
com a varincia medida que o tamanho da amostra aumenta:

lim n var( X ) = lim n
2

=0
n
Portanto, a mdia amostral um estimador consistente da mdia populacional.
VERDADEIRA
 n

(x
i =1
i x)2
(2) A estatstica, S 2 = , baseada em uma amostra aleatria x 1 , x 2 ,x 3 ,....,x n
n
um estimador no tendencioso da varincia populacional.
Resposta:
n

(x i
x)2
O estimador no tendencioso da varincia dado por i =1
(veja questoANPEC
n 1
2004, 08, item 1).
FALSA
n

(x
i =1
i x)2
(3) A estatstica, S 2 = , baseada em uma amostra aleatria x 1 , x 2 ,x 3 ,....,x n
n
um estimador inconsistente da varincia populacional.
Resposta:
Vimos que o estimador no viesado da varincia populacional dado por
n

(x i
x)2
i =1
. Mas, apesar de ser viesado, S2 um estimador consistente da varincia
n 1
populacional, j que medida que o tamanho da amostra aumenta, no faz diferena dividir
por n ou por n 1.
FALSA
 Intervalo de confiana e testes de hipteses

(ANPEC 2005, 4) Duas fbricas, A e B, produzem determinado tipo de lmpada. Um

comprador dessas lmpadas decide verificar a origem de seu estoque. Para isso,
seleciona uma amostra aleatria de 100 unidades (de seu estoque) e verifica a durao
de cada uma delas. Se a durao mdia for maior do que 170 horas, conclui que a
lmpada foi fabricada pela empresa B; caso contrrio, que a lmpada veio da empresa
A. Os dois fabricantes asseguram que a durao de suas lmpadas segue distribuio
normal: a de A com mdia A = 169 horas e a da B com mdia B = 171 horas. As duas
distribuies tm o mesmo desvio padro = 10 horas. Usando a tabela da normal
padro, anexa, julgue as afirmativas:

(0) A probabilidade do erro Tipo I 0,1587.

Resposta:
As hipteses desse teste so:
H0: = 169
H1: > 169

O que equivalente a:
H0: o estoque provm da empresa A
H1: o estoque provm da empresa B

A probabilidade de cometer o erro do tipo I a probabilidade de se rejeitar a hiptese

nula quando ela verdadeira, ou seja, rejeitar a hiptese que a lmpada vem da empresa
A, quando na verdade ela vem. A hiptese nula ser rejeitada quando x >170.
Assumindo que a hiptese nula verdadeira, temos que:

x
=z

n

170 169
=1
10
100

z=1

Dessa forma, P(erro tipo I) = P( x >170) = P(z>1) = 0,1587

VERDADEIRA

(1) A probabilidade do erro Tipo II diferente de 0,1587.

Resposta:

A probabilidade de cometer o erro do tipo II a probabilidade de se aceitar a hiptese

nula quando ela falsa, ou seja, aceitar que a lmpada provm da empresa A quando na
verdade vem da empresa B.

A probabilidade disso ocorrer dada pela regio cinza da figura abaixo, j que se os
valores amostrais estiverem nessa regio, a hiptese nula, que falsa, ser aceita:
Calculemos ento a rea da regio cinza da figura acima:

170 171
=1
10
100

Dessa forma, P(erro tipo II) = P( x <170) = P(z<1) =0,1587

FALSA

(2) A regra de deciso, ao nvel de significncia de 5%, ser: se a durao mdia for
maior que 170,64 horas, as lmpadas foram fabricadas pela empresa B; do
contrrio, pela empresa A.

Resposta:

Com 5% de significncia, temos que:

 x
= 1,64

n

x 169
= 1,64
10
100

x = 1,64

Como a hiptese alternativa > 170 , temos:

x = 169 + 1,64 = 170,64

Dessa forma, a regio de aceitao do teste ser:

R.A. = ]- , 170,64]

Ento, se a durao mdia ( x ) for maior que 170,64, a hiptese nula dever ser
rejeitada, ou seja, conclui-se que as lmpadas foram fabricadas pela empresa B.
VERDADEIRA

(3) A probabilidade do erro do Tipo II, para o nvel de significncia de 5%, 0,70.

Com 5% de significncia, temos:

x 169
= 1,64
10
100

A probabilidade de se cometer o erro do tipo II dada pela regio cinza da figura a

seguir:

Calculemos ento a rea da regio cinza da figura acima:

170,64 171
= 0,36
10
100

P(erro tipo II) = P( x <170,64) = P(z<0,36) = 0,3594

FALSA
(4) Para este teste de hiptese, a funo poder do teste crescente com a mdia , da
distribuio sob a hiptese nula.

Resposta:
A potncia (ou poder) de um teste a probabilidade de rejeitar a hiptese nula
quando realmente ela falsa. Sendo assim, dado que de fato no 0, ou seja,
maior que 0, o teste torna-se mais poderoso quanto mais distante o valor verdadeiro
da mdia for do valor hipottico 0. Portanto, quanto maior for a mdia verdadeira ,
maior ser o poder do teste (pois ser mais provvel que rejeitemos a hiptese nula, que
sabemos ser falsa). Nesse caso, a funo potncia do teste crescente com a mdia .
Considere o grfico a seguir onde a regio hachurada corresponde ao nvel de
significncia do teste e a regio cinzenta, probabilidade de cometer o erro do tipo II, j
que se os valores amostrais estiverem nessa regio, a hiptese nula, que sabemos ser
falsa, ser aceita. medida que aumenta, a regio cinza da figura aumenta e,
conseqentemente, o poder do teste diminui. Dessa forma, a funo potncia do teste
crescente com a mdia .

VERDADEIRA

(ANPEC 2005, 06) Seja X 1 , X 2 , X 3 , ........, X n uma amostra aleatria de tamanho n de

uma populao normal com mdia e varincia 2 . Julgue as afirmativas:
(0) A probabilidade de a mdia populacional, , estar contida no intervalo de

confiana [ X 1,96 , X + 1,96 ] igual a 95%.
n n
Resposta:

[ X 1,96 , X + 1,96
] realmente um intervalo com 95% de confiana para a
n n
mdia populacional . Porm, isso NO significa que a probabilidade desse intervalo
conter a mdia da populao de 95%. Uma vez construdo, esse intervalo conter ou
no a mdia populacional e, portanto, a probabilidade disso ocorrer de 0 ou 1. O
que podemos afirmar que, se retirssemos infinitas amostras de mesmo tamanho dessa
populao, em 95% delas a mdia populacional estaria contida neste intervalo.

FALSA

(1) Se a varincia 2 desconhecida, o intervalo de confiana de 95% para a mdia

s s
ser [ X tc , X + tc ] , em que s o desvio padro da amostra, tc calculado
n n
de forma que P (| t |< tc ) = 0,95 , e t segue uma distribuio de Student com n -1
graus de liberdade.

Resposta:

Sabemos que, se a varincia desconhecida e a amostra pequena, devemos utilizar a

distribuio t de Student para construir um intervalo de confiana para a mdia. Dessa
forma:

X
= tc
s
n

s
X = tc
n

E o intervalo de confiana para a mdia populacional ser ento:

s s
X + tc , X tc
n n

Como queremos 95% de confiana, temos que P(|t|<tc) = 0,95:

VERDADEIRA

(2) Se construirmos vrios intervalos de confiana para a mdia com amostras de

idntico tamanho, mesma varincia 2 e mesma margem de confiana, estes tero
extremos aleatrios, mas todos tero a mesma amplitude.

Resposta:

O intervalo de confiana para a mdia dado por:

X + z ,X z
n n

Se vrios intervalos de confiana forem construdos para amostras de mesmo tamanho

(n constante), mesma varincia ( 2 constante) e mesma margem de confiana (z

constante), temos que a margem de erro z ser a mesma para todos esses
n
intervalos. Portanto, eles tero sim a mesma amplitude; apenas os seus limites sero
alterados (j que a mdia amostral X ser diferente para cada amostra).

VERDADEIRA
(3) Num teste de hiptese: H 0 : = 0 contra H a : 0 , se o intervalo de confiana
estimado para a mdia no contiver o valor de 0 , ento deve-se aceitar a
hiptese de que = 0 .
Resposta:

Se o intervalo de confiana para a mdia no contiver o valor que est sendo testado,
ento a hiptese nula dever ser rejeitada. Note que o intervalo de confiana construdo
corresponde regio de aceitao do teste (rea mais escura da figura abaixo). Assim,
se 0 no estiver neste intervalo, a hiptese nula dever ser rejeitada.

FALSA

(4) Se a amostra aleatria X 1 , X 2 , X 3 , ........, X n no provm de uma distribuio

normal, no se pode construir um intervalo de confiana para a mdia , ainda que
a amostra seja muito grande.
Resposta:
Pelo Teorema do Limite Central, sabemos que a mdia amostral segue uma distribuio
normal com mdia e varincia 2 n para amostras suficientemente grandes.
Portanto, mesmo que as variveis X 1 , X 2 , X 3 , ........, X n no sejam normalmente
distribudas, a sua mdia amostral seguir a distribuio normal, para n suficientemente
grande e poderemos construir um intervalo de confiana para a mdia populacional.

FALSA
(ANPEC 2004, 2) Sejam X1, X2, ..., Xn variveis aleatrias independentes e
normalmente distribudas com mdia e varincia 2. Em relao ao teste de hiptese
da mdia H 0 : = 0 contra H a : < 0 , so corretas as afirmativas:

(0) Se o p-valor do teste for menor que o nvel de significncia, , a hiptese H 0 deve
ser rejeitada.
Resposta:
Suponha que o nvel de significncia escolhido () seja de 5%, como mostra o
grfico abaixo. A regio mais escura corresponde regio de aceitao do teste (RA),
isto , regio em que no podemos rejeitar a hiptese nula, enquanto a regio mais
clara, de rejeio (RR) ou regio crtica, isto , regio na qual a hiptese nula deve
ser rejeitada.

Dessa forma, se o p-valor do teste, que o nvel de significncia mais baixo com
o qual podemos rejeitar a hiptese nula, estiver na regio de aceitao, no poderemos
rejeitar a hiptese nula. Mas se o valor-p estiver na regio de rejeio, a hiptese nula
dever ser rejeitada.
Suponha, por exemplo, que encontremos um p-valor de 3% para esse teste, que
corresponde regio hachurada do grfico seguinte. Como o p-valor pertence regio
de rejeio do teste, devemos rejeitar a hiptese nula.
 = 5% zt = 1,645
valor-p = 3% zc = 1,88

Mas, se encontrarmos um valor-p de 30% para esse teste, como mostra o grfico
a seguir, a hiptese nula no poder ser rejeitada, j que estaremos na regio de
aceitao do teste.

= 5% zt = 1,645
valor-p = 30% zc = 0,52

Portanto:
Se valor-p > H0 no pode ser rejeitada.
Se valor-p H0 deve ser rejeitada.
O que anlogo a:
Se o valor calculado da estatstica < valor tabelado H0 no pode ser rejeitada
Se o valor calculado da estatstica > valor tabelado H0 deve ser rejeitada

VERDADEIRA

(1) Se a varincia 2 for conhecida, a estatstica do teste segue a distribuio t-Student.

Caso contrrio, a distribuio do teste ser a Normal Padro.
Resposta:
Pelo contrrio, a estatstica t de Student utilizada para o teste da mdia quando
no conhecemos a varincia, ou seja, quando esta tambm tiver que ser estimada.
Quando a varincia for conhecida, a estatstica do teste seguir a distribuio normal
padro:
x
varincia conhecida (distribuio normal padro): z =

n
x
varincia desconhecida (distribuio t de Student): t =

n
Note que t o quociente entre duas variveis aleatrias, ao contrrio do que
ocorre com z.
Convm lembrar que a distribuio t de Student aproxima-se da distribuio
normal padro medida que o tamanho da amostra aumenta. Assim sendo, para
amostras suficientemente grandes, podemos utilizar a distribuio normal padro como
aproximao da distribuio t de Student.

FALSA

(2) Dados os parmetros da populao: 0 = 50 e 2 = 900, suponha que a mdia de

uma amostra aleatria de tamanho 36 retirada desta populao seja X = 47 . Neste
caso, o nvel de significncia do teste, , ser igual a 0,2743.
Resposta:
Aqui preciso tomar bastante cuidado para no confundir os conceitos de nvel
de significncia e valor de probabilidade de significncia (valor-p). O nvel de
significncia escolhido a priori pelo pesquisador. Dessa forma, se o enunciado da
questo no nos forneceu o nvel de significncia, , no possvel que saibamos o seu
valor. Assim sendo, a afirmativa falsa. O que podemos fazer, calcular o valor-p
desse teste que, como veremos a seguir, de fato 0,2743. Portanto, os mais desatentos
poderiam facilmente errar essa questo.
Para encontrarmos o valor-p deste teste, devemos primeiro obter o valor crtico
(z) e ento procurarmos na tabela da distribuio normal a probabilidade associada a
esse valor.
Como se trata da mdia, sabemos que:
 X
z=

n
Portanto:
47 50
z=
30
36
3
z=
5
z = 0,6
Dessa forma, procuramos na tabela da distribuio normal o valor para z = 0,6,
lembrando que o teste unicaudal (como a hiptese alternativa menor, devemos
utilizar a cauda da esquerda):

E, dessa forma, temos que o valor-p do teste de 0,2743. Porm, o nvel de

significncia no de nosso conhecimento, j que no foi dado no enunciado. Suponha
que tivesse sido escolhido = 0,05 = 5%. Nesse caso, no poderamos rejeitar a
hiptese nula, j que o valor-p seria maior que o nvel de significncia escolhido, como
mostra o grfico a seguir, onde a regio hachurada corresponde ao valor-p, a regio
mais clara ao nvel de significncia escolhido e a mais escura, regio de aceitao do
teste.
FALSA

(3)A funo-potncia para este teste de hiptese ser uma funo decrescente da
mdia .
Resposta:
A potncia (ou poder) de um teste a probabilidade de rejeitar a hiptese nula
quando realmente ela falsa. Sendo assim, dado que de fato no 0, ou seja,
menor que 0, o teste torna-se mais poderoso quanto mais distante o valor verdadeiro
da mdia for do valor hipottico 0. Portanto, quanto maior for a mdia verdadeira,
menor ser o poder do teste (pois ser mais provvel que aceitemos a hiptese nula, que
sabemos ser falsa). Para que fique mais claro, considere a seguinte figura:
 Sabemos que o valor verdadeiro . Mas o valor que est sendo testado 0,
que maior que . O nvel de significncia do teste est representado pela regio
hachurada do grfico acima. Porm, se os valores amostrais estiverem na rea cinzenta,
a hiptese nula, que sabemos ser falsa, ser aceita. Dessa forma, essa regio representa a
probabilidade de cometermos o erro do tipo II. Note que quanto maior for a mdia
verdadeira, , maior ser a probabilidade de cometer o erro do tipo II, j que maior ser
a probabilidade de aceitarmos a hiptese nula que = 0 (desloque a distribuio com a
verdadeira mdia para a direita e verifique). E como o poder do teste a probabilidade
de no cometer o erro do tipo II, quanto maior for este ltimo, menor ser o poder do
teste:

Poder do teste = (1)

poder do teste

Portanto, a funo poder do teste ser decrescente com a mdia .

VERDADEIRA

(4) Se a hiptese alternativa fosse H a : > 0 , ainda assim a funo-potncia seria

decrescente com a mdia .
Resposta:
Como j vimos anteriormente, o poder do teste a probabilidade de rejeitar a
hiptese nula quando realmente ela falsa. E, nesse caso, se H0 falsa, ento maior
que 0. E medida que se afasta de 0, ou seja, quanto maior for , maior ser a
probabilidade de rejeitarmos a hiptese nula (que falsa). Portanto, nesse caso, a funo
potncia do teste crescente com a mdia .
Considere o grfico abaixo onde, novamente, a regio hachurada corresponde ao
nvel de significncia do teste e a regio cinzenta, probabilidade de cometer o erro do
tipo II, j que se os valores amostrais estiverem nessa regio, a hiptese nula, que
sabemos ser falsa, ser aceita. medida que aumenta, a regio cinza da figura agora
diminui e, conseqentemente, o poder do teste aumenta. Dessa forma, a funo potncia
do teste , nesse caso, crescente com a mdia .
FALSA

(ANPEC 2004, 6) Seja X uma varivel aleatria normalmente distribuda com mdia
e varincia conhecida 2 =1, da qual se obtm a amostra aleatria X1, X2, ..., Xn (com n
observaes). correto afirmar que:
(0) A mdia amostral uma varivel aleatria normalmente distribuda com mdia e
varincia 1/n.
Resposta:
Como a populao normalmente distribuda, a mdia amostral seguir uma
2

distribuio normal com mdia e varincia dada por , qualquer que seja o tamanho
n
1
da amostra. E como 2 = 1, temos que a varincia ser .
n

VERDADEIRA

(1) A probabilidade de o intervalo de confiana [ X 1,96 / n , X + 1,96 / n ] conter a

mdia da populao, , de 95%.
Resposta:
Sabemos que o valor crtico z para 95% de confiana, dado realmente por 1,96
(basta olhar na tabela). Porm apesar de [ X 1,96 / n , X + 1,96 / n ] ser realmente um
intervalo com 95% de confiana, no podemos dizer que a probabilidade desse intervalo
conter a mdia da populao de 95%. Uma vez construdo, esse intervalo ou conter
ou no conter a mdia populacional e, portanto, a probabilidade de conter ou no
ser de 0 ou 1. O que podemos afirmar que, se retirssemos infinitas amostras de
mesmo tamanho dessa populao, em 95% delas o intervalo conteria o valor verdadeiro
da mdia populacional.
FALSA

(2) A probabilidade de o intervalo de confiana [ X 1,96 / n , X + 1,96 / n ] conter a

mdia amostral de 95%.
Resposta:
Note que a mdia amostral sempre estar contida nesse intervalo, j que um
intervalo de confiana para a mdia populacional (estamos somando e subtraindo a
margem de erro da prpria mdia amostral e, obviamente, ela estar contida nesse
intervalo).
FALSA

(3) O intervalo de 95% para a mdia populacional independe do tamanho da amostra.

Resposta:
Note que o intervalo de 95% de confiana para a mdia populacional dado por
(j que = 2 = 1):
1,96 1,96
X ;X +
n n
Portanto ele dependente sim do tamanho da amostra n, j que para diferentes
valores de n, obteremos diferentes intervalos com os mesmos 95% de confiana. E
quanto maior for n, mais preciso ser esse intervalo, j que a margem de erro ir
diminuir.
FALSA

(4) Em um intervalo de confiana de 95% para a mdia populacional, , espera-se que,

extraindo-se todas as amostras de mesmo tamanho dessa populao, esse intervalo
conter 95% das vezes.
Resposta:
exatamente esse o significado do intervalo de confiana.
VERDADEIRA
(ANPEC 2003, 05) Com relao a testes de hiptese, correto afirmar que:

(0) o p-valor de um teste representa a probabilidade de aceitao da hiptese nula;

Resposta:
O valor-p de um teste representa a probabilidade exata de cometer o erro do tipo
I, ou seja, de rejeitar a hiptese nula quando ela verdadeira. o nvel de significncia
mais baixo com o qual podemos rejeitar a hiptese nula. Portanto, ele no representa a
probabilidade de aceitao da hiptese nula. Ele representa a probabilidade de estarmos
errados rejeitando a hiptese nula.

ANULADA

(1) o nvel de significncia de um teste a probabilidade de se cometer o erro tipo I;

Resposta:
A probabilidade de cometer o erro do tipo I exatamente o nvel de significncia
de um teste; e definido como a probabilidade de se rejeitar a hiptese nula quando ela
verdadeira ("condenar um inocente"). Entretanto, cabe aqui novamente fazer uma
advertncia: os conceitos de nvel de significncia e valor-p no so equivalentes. O
nvel de significncia est sob o controle do pesquisador, ou seja, ele predeterminado.
O valor-p corresponde ao nvel mais baixo de significncia com o qual poderamos
rejeitar a hiptese nula, dado o valor calculado da estatstica do teste.

VERDADEIRA

(2) a potncia do teste a probabilidade de se cometer o erro tipo II;

Resposta:
A potncia (ou poder) do teste dada pela probabilidade de no cometer o erro
do tipo II, ou seja, rejeitar a hiptese nula quando realmente ela falsa. Chamando de
a probabilidade de cometer o erro do tipo II, temos que o poder do teste ser dado por (1
).

FALSA

(3) em um modelo de regresso linear utiliza-se um teste bilateral para verificar se

determinado coeficiente estatisticamente diferente de zero;
Resposta:
Em um modelo de regresso linear, utilizamos o teste t para verificar se um
coeficiente estatisticamente diferente de zero, e as hipteses nula e alternativa desse
teste so, respectivamente:
H0: = 0
H1: 0
Que um teste bilateral, ou seja, consideramos tanto que poder ser maior
quanto menor que 0. Graficamente, isso significa que utilizamos as duas caudas da
distribuio t de Student, como mostra a figura abaixo (para um nvel de significncia
de 5%):

VERDADEIRA

(4) o nvel de significncia de um teste de hiptese cresce com o tamanho da amostra.

Resposta:
Como o nvel de significncia escolhido pelo pesquisador, ou seja, como ele
predeterminado, se aumentarmos o tamanho da amostra, ele, evidentemente, continuar
sendo o mesmo.

FALSA
(ANPEC 2002, 05) Indique se as seguintes consideraes sobre a teoria dos testes de
hiptese so verdadeiras (V) ou falsas (F).

(0) O erro do tipo II definido como a probabilidade de no se rejeitar uma hiptese

nula quando esta for falsa e o erro do tipo I definido como a probabilidade de se
rejeitar a hiptese nula quando esta for verdadeira.
Resposta:
Note que o erro do tipo II e o erro do tipo I no so probabilidades de nada. O
erro do tipo II consiste em no rejeitar a hiptese nula quando esta for falsa e o erro do
tipo I consiste em rejeitar a hiptese nula quando esta for verdadeira.
ANULADA

(1) No teste de hiptese para propores, se a varincia da proporo populacional for

desconhecida, a estatstica t de Student com n-1 graus de liberdade (n o tamanho
da amostra) a indicada para o teste.
Resposta:
O teste t no o indicado para propores. Utilizamos o teste t para testar a
mdia quando a sua varincia for desconhecida (ou seja, a varincia dever ser
estimada) e a amostra for pequena (quando a amostra grande, a distribuio t de
Student se aproxima da normal). No teste para propores podemos utilizar a
distribuio normal, desde que a amostra seja suficientemente grande. Caso contrrio, a
distribuio binomial a indicada para o teste.
FALSA

(2) Num teste de hiptese bi-caudal, o valor-p (ou valor de probabilidade) igual a duas
vezes a probabilidade da regio extrema delimitada pelo valor calculado da
estatstica do teste.
Resposta:
Note que a afirmao acima vlida apenas para distribuies simtricas. Caso a
distribuio seja assimtrica, como a Qui-quadrado ou a F, devemos calcular a
probabilidade das duas regies extremas delimitadas pelo valor calculado da estatstica
do teste, j que essas duas regies no sero iguais.
FALSA

(3) No se pode realizar um teste de hiptese para a varincia populacional pois a

estatstica do teste, que segue uma distribuio Qui-quadrado com n -1 graus de
liberdade (n tamanho da amostra), no simtrica.
Resposta:
 possvel sim realizar testes de hipteses para a varincia populacional; alis
isso muito feito em economia. O fato de ser ou no simtrica no impede a realizao
de um teste de hipteses. A diferena que teremos valores diferentes para as caudas
direita e esquerda.
O grfico abaixo mostra a distribuio 2 com 5 graus de liberdade. Se
desejarmos realizar um teste bicaudal para a varincia, teremos que encontrar os valores
crticos tanto da cauda esquerda quanto da direita, j que esses valores no so iguais
para distribuies assimtricas.

FALSA

(4) No teste de hiptese para a mdia (H0: = 0 contra Ha: 0), ao nvel de
significncia , se o intervalo de confiana com 1- de probabilidade no contiver
= 0, no se poder rejeitar H0.
Resposta:
Supondo que o nvel de significncia do teste seja , se o intervalo de confiana
de 1- no contiver = 0, a hiptese nula dever ser rejeitada (j que o valor que est
sendo testado no pertence regio de aceitao). Nesse caso, no h evidncia
suficiente de que seja realmente igual a zero.
Considere o grfico abaixo. Se o valor que est sendo testado estiver na regio
mais escura, que a regio de aceitao, ento H0 no pode ser rejeitada. Se estiver na
regio mais clara, que a regio de rejeio, ento H0 deve ser rejeitada.
FALSA

(ANPEC 2001, 05) Ao testar a significncia do coeficiente angular de um modelo de

regresso linear simples encontrou-se valor-p = 3x10-3. Pode-se afirmar que:

(0) O erro tipo II ser igual a 3x10 3 .

Resposta:
O valor-p a probabilidade exata de cometer o erro do tipo I, ou seja, de
rejeitar a hiptese nula quando ela verdadeira e, portanto, nesse caso, o erro do tipo I
que ser igual a 3 10-3. Para podermos calcular o erro do tipo II precisamos conhecer o
valor verdadeiro de , o que, em geral, no de conhecimento do pesquisador (pois se
fosse, no precisaramos estimar ).
FALSA

(1) A probabilidade de o verdadeiro valor do parmetro encontrar-se no intervalo

2 S 99,7%.
Resposta:
A probabilidade do verdadeiro valor do parmetro encontrar-se nesse intervalo
de 0 ou 1 (j que este valor estar ou no estar contido nesse intervalo). Alm disso, o
intervalo 2 S de 95% de confiana. Esta uma "regra de bolso" para construir
um intervalo aproximado com 95% de confiana para a mdia (mas ser uma
aproximao pobre se o tamanho da amostra for pequeno). O significado do coeficiente
de confiana de 95% que, se construssemos vrias vezes esse intervalo, em 95% das
vezes ele conteria o valor verdadeiro de .

FALSA

(2) O mais baixo nvel de significncia ao qual a hiptese nula pode ser rejeitada
3x10 3 .

Resposta:
Como j vimos, o valor-p o nvel de significncia exato do teste, ou seja, o
nvel mais baixo ao qual podemos rejeitar a hiptese nula; e nesse caso, de fato igual a
3 10-3.

VERDADEIRA

(3) O coeficiente significante a 99% de confiana.

Resposta:
Apesar de no ser muito usual, essa linguagem tambm vlida. Se o valor-p do
teste de 0,003 (0,3%), podemos dizer que o coeficiente significante a 1%, ou, ele
significante a 99% de confiana, (1 0,01)100%.

VERDADEIRA

(4) A potncia do teste definida por (1 0,003).

Resposta:
A potncia (ou poder) do teste a probabilidade de no cometer o erro do tipo
II (1 - probabilidade de cometer o erro do tipo II), ou seja, rejeitar a hiptese nula
quando realmente ela for falsa. O valor de (1-0,003) seria o coeficiente do intervalo de
confiana.

FALSA

(ANPEC 2001, 06) Em relao ao intervalo de confiana estatstico pode-se afirmar:

(0) Utiliza-se a distribuio normal z padronizada para estimar-se o intervalo de
confiana da mdia populacional somente quando a populao for normalmente
distribuda.
Resposta:
Pelo Teorema do Limite Central, sabemos que qualquer que seja a distribuio
da populao, a sua mdia amostral ser normalmente distribuda com mdia e
2

varincia dada por , desde que a amostra seja aleatria e suficientemente grande.
n
Portanto, podemos utilizar a distribuio normal padronizada para estimarmos o
intervalo de confiana da mdia populacional, qualquer que seja a distribuio da
populao, desde que tenhamos uma amostra suficientemente grande.
FALSA

(1) Emprega-se um fator de correo para a estimativa do desvio-padro quando a

populao finita, ou a amostra extrada sem reposio.
Resposta:
O fator de correo para estimarmos o desvio-padro (e conseqentemente a
varincia) utilizado quando a populao finita e a amostra extrada sem reposio,
j que nesse caso, medida que forem sendo retirados os elementos dessa populao, a
varincia dos que restaram ser alterada. Se a populao for finita mas a amostra for
extrada com reposio, isso no acontecer e o fator de correo no precisar ser
utilizado. J no caso de uma populao que infinita e a amostra retirada sem
reposio, esse fator tambm no necessrio.
FALSA

(2) Para aumentar a preciso de uma estimativa por intervalo, o pesquisador deve
aumentar o intervalo de confiana de 95% para 99%, por exemplo.
Resposta:
Para aumentar a preciso de uma estimativa por intervalo, o pesquisador deve
aumentar o tamanho da amostra. Alis, aumentar o intervalo de confiana de 95% para
99% ir diminuir a preciso da estimativa por intervalo, j que os valores crticos para
nveis de confiana maiores tambm sero maiores e, sendo assim, a margem de erro
ser maior.

FALSA

(3) Aumentando-se o tamanho da amostra, aumenta-se a preciso de uma estimativa por

intervalo.
Resposta:
Considere o intervalo de confiana para a mdia populacional:

IC = x z
n

Se aumentarmos o tamanho da amostra, estaremos diminuindo a margem de

erro, que dada por:

margem de erro = z
n

medida que n aumenta, diminui e, portanto, a margem de erro tambm
n
diminui, ou seja, a estimativa por intervalo torna-se mais precisa.

VERDADEIRA
(4) Sendo x = 14 a mdia de uma amostra aleatria de 36 elementos extrada de uma
populao normal cujo desvio padro = 2, o intervalo de confiana da mdia
populacional, a 95%, ser 14 0,55. Use a tabela da distribuio Normal em
anexo.

Resposta:
Como queremos um intervalo com 95% de confiana, temos que consultar a
tabela da distribuio normal para rea igual a 0,475, cujo valor de 1,96.

Dessa forma, temos que:

x
= 1,96

n
14
= 1,96
2
36
1
14 = 1,96
3
14 0,65

Portanto, o intervalo com 95% de confiana para a mdia populacional ser dado
por:
IC95% = [14 0,65]
FALSA
(ANPEC 2001, 07) Sobre testes de hipteses, pode-se afirmar que:
(0) O erro do tipo I consiste em rejeitar a hiptese nula quando ela verdadeira.

Resposta:
Como j vimos anteriormente, esta realmente a definio do erro do tipo I
("condenar um inocente").

VERDADEIRA

(1) Nvel de significncia a probabilidade de se cometer erro do tipo II.

Resposta:
O nvel de significncia de um teste a probabilidade de se cometer o erro do
tipo I, ou seja, rejeitar a hiptese nula quando de fato ela verdadeira ("condenar um
inocente") e seu valor predeterminado pelo pesquisador.

FALSA

(2) Por potncia do teste entende-se a probabilidade de se rejeitar a hiptese nula

quando esta for falsa.
Resposta:
A potncia (ou poder) de um teste exatamente a probabilidade de no cometer
o erro do tipo II, ou seja, rejeitar a hiptese nula quando esta for realmente falsa.

VERDADEIRA

(3) A opo pelo teste unilateral ou bilateral decorre da expectativa terica sobre o
parmetro que estiver sendo testado.
Resposta:
Se tivermos alguma idia sobre a direo em que o valor verdadeiro difere do
valor que est sendo testado, utilizamos o teste unilateral. Caso contrrio, utilizamos o
teste bilateral.

VERDADEIRA

(4) Um intervalo de confiana de 100(1-)% tambm pode ser utilizado para o teste de
significncia de um parmetro populacional, caso o teste seja bilateral.
Resposta:
Se construirmos um intervalo de confiana para a mdia podemos utiliz-lo
para testar hipteses. Nesse caso, o intervalo de confiana chamado de regio de
aceitao do teste, e a hiptese nula ser aceita se o valor testado estiver dentro dessa
regio e ser rejeitada caso contrrio. Note que, se o intervalo de confiana ou o teste de
hiptese for para a proporo, isto no exatamente vlido, j que as varincias em
cada caso sero diferentes.

VERDADEIRA

(ANPEC 2000, 05) Dadas as seguintes afirmativas sobre testes de hipteses, correto
dizer que:
(0) A probabilidade do erro tipo I calculada utilizando-se a estatstica de teste, para
cujo clculo presume-se que a hiptese nula falsa.
Resposta:
A probabilidade (mxima) do erro tipo I definida a priori pelo pesquisador, ou
seja, ela no precisa ser calculada. O que podemos calcular utilizando a estatstica do
teste, o valor-p, ou seja, a probabilidade exata de cometer o erro do tipo I (rejeitar a
hiptese nula quando ela verdadeira).
FALSA

(1) Uma vez definida a regio de confiana para um determinado parmetro da

populao, vrias hipteses nulas podem ser testadas utilizando-se este intervalo de
confiana.
Resposta:
Dado que construmos um intervalo de confiana para determinado parmetro,
podemos testar vrias hipteses nulas a respeito desse parmetro, j que podemos
escolher vrios valores para serem testados. E como o intervalo de confiana contm
mais de um valor, vrias hipteses nulas podero ser aceitas.

VERDADEIRA

(2) Quanto maior o p-valor, maior a credibilidade da hiptese alternativa.

Resposta:
Quanto maior o p-valor, menor a credibilidade da hiptese alternativa. Suponha,
por exemplo, que estejamos realizando um teste e escolhemos 5% de significncia. Se o
p-valor for 2%, poderemos rejeitar a hiptese nula (alta credibilidade da hiptese
alternativa). Mas se o p-valor for de 50%, a hiptese nula no poder ser rejeitada
(baixa credibilidade da hiptese alternativa). Veja tambm, questo 02/2004, item (0).
FALSA

(3) A aceitao de determinada hiptese nula implica que esta hiptese seja verdadeira.
Resposta:
A aceitao de determinada hiptese nula no implica que esta hiptese seja
realmente verdadeira. O que podemos dizer que, dada a informao disponvel, no
possvel contestar tal hiptese.
FALSA

(4) O poder de um teste a probabilidade de se rejeitar a hiptese nula quando esta for
falsa.
Resposta:
O poder de um teste a probabilidade de no cometer o erro do tipo II, ou seja,
rejeitar a hiptese nula quando realmente ela falsa.

VERDADEIRA

(ANPEC 2000, 09) Uma urna contm bolas azuis e bolas verdes. Para testar a hiptese
de que a proporo de bolas azuis igual a proporo de bolas verdes, obteve-se uma
amostra de 64 bolas, com reposio, anotando-se as cores das bolas retiradas e
adotando-se a seguinte regra: aceitar a hiptese de que a urna possui iguais propores
de bolas azuis e verdes se forem retiradas entre 28 e 36 (inclusive os extremos) bolas de
uma mesma cor; rejeit-la caso contrrio. Calcule a probabilidade de se cometer um erro
do tipo I. (Multiplique o resultado por 100 e arredonde).

Soluo:

As hipteses nula e alternativa desse teste so:

H0: p = 0,5
H1: p 0,5

A varincia da proporo amostral ser dada por:

p (1 p ) 0,5 0,5 0,25
var( p ) = = =
n 64 64

E o desvio-padro:
0,25 0,5
dp ( p ) = = = 0,0625
64 8

O critrio para que se aceite a hiptese nula que sejam retiradas de 28 a 36

bolas da mesma cor (inclusive). Isso significa que a regio de aceitao do teste ser:

R.A.[0,4375;0,5625]

J que:
28 36
= 0,4375 e = 0,5625
64 64

E a margem de erro, dessa forma, igual a 0,0625 (0,5 + 0,0625 = 0,5625 e 0,5 - 0,0625
= 0,4375). Isso significa que:

0,0625 = z 0,0625

0,0625
z= =1
0,0625

Portanto, procuramos na tabela da distribuio normal a probabilidade associada a esse

valor crtico (1), que de 0,341345. Subtraindo esse valor de 0,5 (e multiplicando por 2,
j que se trata de um teste bicaudal e a distribuio simtrica), encontramos a
significncia do teste, que de aproximadamente 32%.

(ANPEC 1999, 07) O candidato X a governador de certo estado afirma que detm mais
de 45% das intenes de voto do eleitorado na prxima eleio. Para verificar a
veracidade da informao, o candidato Y mandou realizar um levantamento estatstico
utilizando, para tanto, uma amostra aleatria de 625 eleitores. O resultado do
levantamento foi o seguinte:

Candidato X Y Outros Total

Nmero de votos 255 265 105 625

Com as informaes dadas, podemos concluir que:

(0) A afirmao do candidato X verdadeira com base num teste de hipteses, para um
nvel de significncia de 5%.
Resposta:
As hipteses nesse caso so:
H0: p = 0,45
H1: p < 0,45

Como um teste monocaudal, a 5% de significncia, temos que o valor crtico de

1,645:

A varincia da proporo amostral ser dada por:

p (1 p) 0,45 0,55
var( p ) = = 0,000396
n 625

E o desvio-padro ser, portanto:

dp( p ) = 0,000396 0,0004 = 0,02

Temos ento que:

p p
= 1,645
dp(p)

p 0,45
= 1,645
0,02
p 0,45 = 1,645 0,02
p 0,45 0,033

Como um teste monocaudal, a regio de aceitao ser dada por:

R.A. = [0,417; [

255
E como o valor que foi encontrado na amostra (0,408 = ) no pertence regio de
625
aceitao, podemos rejeitar a hiptese nula a 5% de significncia, isto , a afirmao do
candidato X no verdadeira.

FALSA
(1) Com uma confiana de 90%, o intervalo de confiana para a verdadeira proporo
de intenes de voto para o candidato Y (39%; 46%), arredondando para nmeros
inteiros as percentagens encontradas.
Resposta:
Com 90% de confiana temos que z = 1,645:

E a proporo encontrada na amostra para as intenes de voto para o candidato Y

de:

265
p = = 0,424
625

A varincia ser ento:

p (1 p) 0,424 0,576
var( p ) = = 0,00039
n 625

E o desvio-padro:

dp( p ) = 0,00039 0,0004 = 0,02

Dessa forma:
p p
= 1,645
dp(p)
0,424 p
= 1,645
0,02
0,424 p = 1,645 0,02
0,424 p = 0,0329

0,424 + 0,0329 0,46

0,424 - 0,0329 0,39
Portanto, o intervalo com 90% de confiana para a verdadeira proporo de votos para o
candidato Y ser dado por:

IC90% = [39%; 46%]

VERDADEIRA

(2) Com a mesma confiana de 90%, o intervalo estimado para a verdadeira proporo
de intenes de voto para o candidato X (38%; 44%), arredondando para nmeros
inteiros as percentagens encontradas.

Resposta:

A proporo amostral de votos para o candidato X, como j vimos de 40,8%.

Portanto, a varincia amostral ser dada por:

p (1 p) 0,408 0,592
Var( p ) = = 0,00039
n 625

E o desvio-padro:
dp( p ) = 0,00039 0,0004 = 0,02

Como o intervalo novamente com 90% de confiana, temos que o valor crtico
de 1,645. Portanto:

p p
= 1,645
dp(p)
0,41 p
= 1,645
0,02
0,41 p = 1,645 0,02
0,41 p = 0,0329

0,41 + 0,0329 44%

0,41 - 0,0329 38%

O intervalo com 90% de confiana ser dado ento por:

IC90% = [38%; 44%]

VERDADEIRA

(3) A afirmao de que o candidato Y detm mais de 42% das intenes de voto
verdadeira, com base num teste de hipteses com nvel de significncia de 1%.
Resposta:
Nesse caso, as hipteses so:
H0: p = 0,42
H1: p > 0,42

Com 1% de significncia, temos que o valor crtico de 2,33.

A varincia amostral ser dada por:

p (1 p) 0,42 0,58
var( p ) = = 0,00039
n 625

E o desvio-padro:
dp( p ) = 0,00039 0,02

Portanto:
p p
= 2,33
dp(p)
p 0,42
= 2,33
0,02
p - 0,42 = 2,33 0,02
p - 0,42 = 0,0466

0,42 + 0,0466 0,47

0,42 - 0,0466 0,37

R.A. = ]- ; 47%]
Como a proporo encontrada na amostra (42,4%) pertence R.A., no podemos
rejeitar a hiptese nula, ou seja, a afirmao no pode ser contestada a 1% de
significncia.

FALSA

(ANPEC 1999, 08) Deseja-se estimar o faturamento mdio, , de uma empresa. A

informao que se tem de que o desvio padro dos valores das faturas desta empresa
de R$25,00. Se existem 500 faturas desta empresa, encontre o tamanho da amostra
necessrio para estimar, , com um limite sobre o erro de estimao de R$5,00.
Considere somente a parte inteira da resposta.
Anulada
Soluo:
Esta questo foi anulada, pois no foi fornecido o nvel de confiana. Considerando que
fosse pedido um intervalo de 95% de confiana e houvesse um nmero ilimitado de
faturas (isto , bem maior do que 500), de modo que a populao pudesse ser
considerada infinita, teramos um valor crtico de 1,96:

Portanto:

x
= 1,96

n

A margem de erro ser dada ento por:

25
Margem de erro: 1,96
n

E, como essa margem deve ser de 5:

25
1,96 =5
n
49
=5
n
 49
n =
5
n = 9,8
Elevando ao quadrado os dois lados da equao:
( n) 2
= (10)2

n = 96,04
Dessa forma, o tamanho da amostra necessrio para estimarmos com uma
margem de erro de R$5,00 de 96.

(ANPEC 1999, 10) Com relao a teoria de Teste de Hipteses, pode-se afirmar que :

(0) Se o objetivo testar a hiptese Nula , H 0 : = 0 , contra a hiptese Alternativa de

0
que, H a : 0 , ento deve-se rejeitar H 0 quando > C1 onde, o
dp( 0 ) 2

valor crtico, C1 , determinado da distribuio t-Student ou da distribuio

2
Normal em funo do nvel de significncia .
Resposta:
Tudo est correto se for, por exemplo, um teste para a mdia, em que a
distribuio simtrica, mas isto no especificado no enunciado. O parmetro
poderia ser, por exemplo, a varincia, e o procedimento seria, ento, diferente.

FALSA

(1) Um teste de hiptese dito o mais poderoso se tem o maior poder do que qualquer
outro teste, ainda que os nveis de significncias sejam diferentes.
Resposta:
Dado um nvel de significncia, um teste dito o mais poderoso se tiver o
maior poder que qualquer outro. No se pode comparar o poder de dois testes que
possuam nveis de significncias (ou tamanhos) diferentes, j que, dado o tamanho da
amostra, quando aumentamos o nvel de significncia, diminumos a probabilidade de
cometer o erro do tipo II () e, portanto, aumentamos o poder do teste ( que dado por
1).

FALSA

(2) Um teste de hiptese no-viciado se seu poder maior ou igual do que a

probabilidade do erro do tipo I para todos os valores dos parmetros.
Resposta:
Assim como os estimadores possuem algumas propriedades desejveis, os testes
de hipteses tambm. E uma dessas propriedades desejveis que o teste seja no
viesado(ou no viciado). Isso ocorre quando o poder do teste for maior ou igual a seu
nvel de significncia, ou seja, quando ele rejeita a hiptese nula mais freqentemente
quando ela falsa que quando ela verdadeira.

VERDADEIRA

(3) A estatstica t-Student utilizada nos testes de hipteses para a mdia populacional
quando a varincia dos elementos da populao, 2 ,no conhecida.
Resposta:
Quando a varincia no conhecida, ou seja, quando ela tem que ser estimada, e
a amostra pequena, a distribuio t de Student a utilizada nos testes para a mdia
populacional. Note, porm, que quando a amostra for grande, no far diferena utilizar
a distribuio normal ou a t, j que esta ltima se aproxima da normal padronizada
medida que o tamanho da amostra aumenta.

VERDADEIRA

(ANPEC 1998, 09) Uma mquina est sendo examinada com o objetivo de substituir a
mquina antiga de certa indstria. Segundo o fabricante da nova mquina, a proporo
(P) de peas defeituosas produzida de 3% ou menos. Uma amostra de 2.000 peas foi
examinada e foram encontradas 74 peas defeituosas.

(0) As hipteses para um teste estatstico de hipteses devem ser

H0: P = 0,03 e HA: P < 0,03.
Resposta:
As hipteses para este teste devem ser:

H0: P = 0,03
HA: P > 0,03

A afirmao do fabricante que a proporo de peas defeituosas de no

mximo 3%. Portanto, a hiptese alternativa deve contestar esta afirmao, ou seja,
deve postular que a proporo de peas defeituosas maior que 3%.

FALSA

(1) Ao realizarmos o teste de hipteses para o problema, ao nvel de significncia de

5%, a hiptese nula deve ser rejeitada.
Resposta:
Lembrando que as hipteses para este teste devem ser:
H0: P = 0,03
H1: P > 0,03
74
A proporo de peas defeituosas encontrada na amostra de 0,037 = .
2000
Como queremos 5% de significncia, o valor crtico ser de 1,645.

Nesse caso, a varincia da proporo amostral ser:

P (1 P ) 0,03 0,97
var( P ) = = 0,0000145
n 2000
E o desvio-padro:
dp( P ) = 0,0000145 0,0038
Dessa forma:

P P
= 1,645
dp ( P )

P 0,03
= 1,645
0,0038

P 0,03 = 1,645 0,0038

P 0,03 = 0,006251

Portanto, a regio de aceitao ser dada por:

R.A. = ]- ; 3,62%]
Como o valor obtido da amostra, 3,7%, no pertence regio de aceitao, a hiptese
nula deve ser rejeitada, ou seja, a afirmao do fabricante de que a mquina produz no
mximo 3% de peas defeituosas falsa.
VERDADEIRA

(2) Utilizando a proporo de peas defeituosas encontradas na amostra, a

estimativa por intervalo para a verdadeira proporo de peas defeituosas
 produzida pela nova mquina, utilizando uma confiana de 95%, ( 2,87%;
4,53%).
Resposta:
Com 95% de confiana, o valor crtico ser de 1,96.

A varincia ser dada por:

P (1 P ) 0,037 0,963
var( P ) = = 0,000018
n 2000
E o desvio-padro:
dp( P ) = 0,000018 0,0042
Dessa forma, temos que:

P P
= 1,96
dp ( P )

0,037 P
= 1,96
0,0042
0,037 P = 1,96 0,0042

0,037 P 0,008232

0,037 + 0,008232 = 4,5232%

0,037 - 0,008232 = 2,8768%
Portanto, o intervalo com 95% de confiana ser dado por:
IC95% = [4,53%; 2,87%]

VERDADEIRA
(3) Admitindo que a verdadeira proporo de peas defeituosas seja 3%, seria
necessrio uma amostra de 3.000 peas para que o erro mximo admissvel entre a
proporo estimada e a verdadeira no excedesse a 1%, com probabilidade de 95%.
Resposta:
Para 95% de confiana, temos que:

P 0,03
= 1,645
dp( P )

P 0,03 = 1,645 dp( P )

Sabemos que o desvio-padro a raiz quadrada da varincia. Portanto:

P (1 P ) 0,03 0,97 0,0291

dp( P ) = = =
n n n

0,0291
Portanto, a margem de erro ser dada 1,645 . E como ela no pode exceder
n
1%, temos que:
0,0291
1,645 = 0,01
n

0,0291 0,01
=
n 1,645

0,0291
0,00608
n
Elevando ao quadrado:
0,0291
= 0,000037
n
0,0291
n= = 786,49
0,000037
Portanto, seria necessria uma amostra com 787 peas para que o erro mximo fosse de
1%.
FALSA

(4) Se as probabilidade de que um intervalo de confiana contenha o verdadeiro

parmetro populacional igual a (1 - ), isto significa que se retirssemos um
nmero infinito de amostras da populao em estudo e se para cada uma das
amostras calculssemos o intervalo de confiana do parmetro , ento em (1 - )%
destes intervalos conteriam o verdadeiro parmetro .
Resposta:
 exatamente esse o significado do intervalo de confiana. Uma vez construdo,
no se pode dizer que a probabilidade deste intervalo conter o verdadeiro parmetro de
(1-) 100%: ou ele contm ou no contm (portanto a probabilidade seria de 1 ou 0).
Cabe notar, porm, que no enunciado da questo faltou multiplicar por 100 a
expresso (1-), para que esta realmente fosse dada em porcentagem.
VERDADEIRA
 Regresso Linear

(ANPEC 2005, 10) A respeito do modelo de regresso mltipla:

Yi = 0 + 1 X 1i + 2 X 2i + ei

em que ei tem mdia zero e varincia 2 , so corretas as afirmativas:

(0) No caso de uma forte colinearidade entre X 1i e X 2i , tende-se a aceitar a hiptese
nula de que 2 = 0 , pois a estatstica t subestimada.
Resposta:
Quando existe alta colinearidade entre as variveis independentes de um modelo
de regresso, os desvios-padro dos parmetros so geralmente altos, o que significa
que as estimativas tm pouca preciso (quanto maior a varincia, menos preciso ser o
estimador). Dessa forma, as estatsticas t sero baixas (j que so calculadas dividindo-
se o coeficiente por seu respectivo desvio-padro), indicando possivelmente a
insignificncia dos parmetros.

A varincia do coeficiente de inclinao j dada por (veja Wooldridge, p.96):

2
var( j ) = n

x
i =1
2
ij (1 R 2j )
2 2
onde R o R de uma regresso entre xj e todas as outras variveis independentes do
j

modelo original (incluindo o intercepto). Se R 2j for alto, isso significa que xj est
altamente correlacionada com uma ou mais variveis includas no modelo original. E
quanto mais alto for R 2j , mantendo 2 e a varincia de xj constantes, maior ser a
varincia do parmetro estimado, e menor ser a sua estatstica t. Sendo assim, tende-se
realmente a aceitar a hiptese nula de que j = 0, j que a estatstica t subestimada.

VERDADEIRA

Considere o modelo escrito na forma de desvios em relao mdia:

y i = 1 x1i + 2 x 2i + ei

O coeficiente de inclinao j pode ser escrito como:

n

r ji yi
j = i =1
n

r
i =1
2
ji

Vejamos:

Podemos escrever a varivel x1i da seguinte forma:

x1i = 1 x 2i + r1i
x1i = x1i + r1i

Analogamente:
x 2i = 1 x1i + r2i
x 2i = x 2i + r2i

Portanto, r ji a parte de xji que no correlacionada com as demais variveis do

modelo (no presente caso, temos apenas uma), ou seja, r ji xji depois de retirados os
efeitos das demais variveis.

As condies de 1. ordem do mtodo dos mnimos quadrados ordinrios so dadas por:

SQR
(
= 2 x1i y i 1 x1i 2 x 2i = 0 )
1

SQR
(
= 2 x 2i y i 1 x1i 2 x 2i = 0 )
2

Substituindo, temos:

(
2( x1i + r1i ) y i 1 x1i 2 x 2i = 0 ) ( )
2( x 2i + r2i ) y i 1 x1i 2 x 2i = 0

(
r1i y i 1 x1i = 0 ) (
r2i y i 2 x 2i = 0 )
n n

r 1i yi r 2i yi
1 = i =1
n
2 = i =1
n

r
i =1
2
1i r
i =1
2
2i

J que:
n
x ji no correlacionado com ei ( x ji ei = 0 );
i =1
n
r ji no correlacionado com x ki ( rji x ki ), com j k;
i =1

(x + rji ) rji = rji2 .

n n n

x
i =1
r =
ji ji
i =1
ji
i =1

Substituindo agora yi em 1 :
 n

r ( xi1 1 1i + 2 x 2 i + ei )
1 = i =1
n

r
i =1
2
i1

n n n
1 ri1 x1i + 2 ri1 x 2i + ri1ei
1 = i =1
n
i =1 i =1

r
i =1
2
i1

n n
1 r12i r e 1i i
1 = n
i =1
+ i =1
n

r
i =1
2
i1 r
i =1
2
1i

r e 1i i
1 = 1 + i =1
n

r
i =1
2
1i

Calculemos ento, finalmente (!), var( 1 ):

n



r1i ei

var( 1 ) = var 1 + n
i =1



i =1
r12i

n
r1i ei
var( 1 ) = var i =1n

r1i
2

i =1

r 2
1i
var( 1 ) = i =1
2
var(ei )
n

r12i
i =1

2
var( 1 ) = n

r
i =1
2
1i

n
Sabemos que r
i =1
2
1i a soma dos quadrados dos resduos (SQR) da regresso de x1 em

x 2 . Dessa forma:
SQR = SQT SQE
SQE
SQR = SQT 1
SQT
SQR = SQT 1 R12 ( )
(
SQR = x12i 1 R12 )
Onde R12 o coeficiente de determinao da regresso de x1 em x 2 . Assim:

2
var( 1 ) =
x (1 R )
n
2 2
1i 1
i =1

Generalizando:

2
var( j ) = n

x i =1
2
ij (1 R 2j )

com R 2j = coeficiente de determinao da regresso de xj em relao a todas as outras

variveis explicativas do modelo.

(1) Se os erros so autocorrelacionados, ainda assim os estimadores de Mnimos

Quadrados Ordinrios de 1 e 2 so lineares e no tendenciosos.
Resposta:
A hiptese de no existncia de autocorrelao dos erros necessria para que os
estimadores de MQO sejam eficientes e para que os testes de hipteses tenham validade.
Dessa forma, se os erros forem autocorrelacionados, os estimadores de MQO
continuaro sendo no tendenciosos e consistentes, a no ser que haja entre as variveis
explicativas, a varivel dependente defasada (que no o caso). Quanto a continuarem
sendo lineares, evidente que continuaro!

VERDADEIRA

(2) Se os erros so heterocedsticos, ainda assim os testes usuais t e F podem, sem

prejuzo algum, ser empregados para se testar a significncia dos parmetros do
modelo, caso estes sejam estimados por Mnimos Quadrados Ordinrios.
Resposta:
A hiptese de homocedasticidade (varincia constante dos erros) necessria para que
os estimadores de MQO sejam eficientes e para que os testes de hipteses tenham
validade. Assim, se os erros forem heterocedsticos, os testes t e F no sero vlidos,
independentemente do tamanho da amostra.
FALSA

(3) Erros de medida da varivel dependente reduzem as varincias dos estimadores de

Mnimos Quadrados Ordinrios de 1 e 2 .
Resposta:

Se h erros de medida da varivel dependente Yi, temos que:

Yi * = Yi + i
onde i corresponde ao erro de mensurao da varivel dependente.

Dessa forma, o modelo estimado com a varivel Yi * ser:

Yi * = 0 + 1 X 1i + 2 X 2i + ei + i
Yi * = 0 + 1 X 1i + 2 X 2i + (ei + i )
Yi * = 0 + 1 X 1i + 2 X 2i + i

O novo termo de erro i composto do erro da equao (ei) mais o erro de medida da
varivel Yi ( i ). Dessa forma, a varincia de i ser dada por:
var( i ) = var(ei) + var( i )
var( i ) = e2 + 2

Que maior que a varincia do erro da regresso sem o erro de medida. E como vimos
no item anterior, a varincia do estimador do coeficiente de inclinao j dada por:

2
Var( j ) = n

x
i =1
2
ij (1 R 2j )

Portanto, quanto maior a varincia dos erros, maior ser a varincia dos coeficientes de
inclinao. E, como erros de medida na varivel dependente aumentam a varincia dos
erros, aumentam tambm as varincias dos estimadores de mnimos quadrados
ordinrios dos coeficientes de inclinao, 1 e 2 .

FALSA

(4) A omisso da varivel explicativa relevante, X2, para explicar a varivel

dependente, Yi, torna a estimativa dos coeficientes 0 e 1 tendenciosa e
inconsistente, se e somente se, a varivel omitida X2, for correlacionada com a
varivel includa, X1.
Resposta:
A omisso de uma varivel explicativa relevante torna a estimativa dos coeficientes de
inclinao viesada e inconsitente se e somente se, a varivel omitida for correlacionada
com a varivel includa. Porm, mesmo que a correlao entre a varivel omitida da
regresso e as variveis includas seja igual a zero, a estimativa do intercepto, no caso
0 , ser ainda viesada e inconsistente.

Vejamos:

Sabemos que o modelo verdadeiro dado por:

Yi = 0 + 1 X 1i + 2 X 2i + ei

Com a omisso de X2, temos:

Yi = 0 + 1 X 1i + i
em que:
i = ei + 2 X 2 i

Para sabermos se os estimadores desse modelo so no viesados, precisamos calcular as

respectivas esperanas.

O estimador de mnimos quadrados ordinrios de 0 dado por:

0 = Y 1 X 1

E o de 1 :

x 1i yi
1 = i =1
n

x
i =1
2
1i

onde as letras minsculas representam as variveis centradas.

Calculemos primeiro E( 1 ):

n
x1i y i
E( 1 ) = E i =1n

x1i
2

i =1

n
E x1i y i
E( 1 ) = i =n1

x12i i =1
 n
Calculemos ento E x1i y i :
i =1

n n
E x1i y i = E (X 1i X )(Yi Y ) = E Yi ( X 1i X 1 ) Y (X 1i X 1 )
n n

i =1 i =1 i =1 i =1

(X X 1 ) = 0:
n
Como 1i
i =1

n n
E x1i y i = E Yi (X 1i X 1 )
i =1 i =1

Como o modelo verdadeiro dado por Yi = 0 + 1 X 1i + 2 X 2i + ei , temos:

n n
E Yi (X 1i X 1 ) = E ( X 1i X 1 )( 0 + 1 X 1i + 2 X 2i + ei )
i =1 i =1

n
E 0 (X 1i X 1 ) + 1 (X 1i X 1 )X 1i + 2 (X 1i X 1 )X 2i + (X 1i X 1 ) ei
n n n

i =1 i =1 i =1 i =1

n
E 1 ( X 1i X 1 )X 1i + 2 ( X 1i X 1 )X 2i + ( X 1i X 1 ) ei
n n

i =1 i =1 i =1

(X X 1 )X 1i .
n
Analisemos agora o primeiro somatrio da expresso acima: 1i
i =1

Somando e subtraindo X 1 , obtemos:

(X X 1 )(X 1i X 1 + X 1 ) = (X X 1 ) + X 1 (X 1i X ) = (X 1i X 1 )
n n n n
2 2
1i 1i
i =1 i =1 i =1 i =1

Analogamente (verifique!):

(X X 1 )X 2i = (X X 1 )(X 2i X 2 )
n n

1i 1i
i =1 i =1

Dessa forma, temos:

n n
E x1i y i = E 1 ( X 1i X 1 ) + 2 (X 1i X 1 )(X 2i X 2 ) + ( X 1i X 1 ) ei
n n
2

i =1 i =1 i =1 i =1

Como X1 e X2 so no correlacionados com o termo de erro ei e a mdia dos erros

igual a zero, temos:
 n
E 1 ( X 1i X 1 ) + 2 (X 1i X 1 )(X 2i X 2 )
n
2

i =1 i =1

E, portanto:

n
E 1 (X 1i X 1 ) + 2 (X 1i X 1 )(X 2i X 2 )
n
2

E( 1 ) = i =1 n
i =1

x12i
i =1

n

x1i x 2i
E( 1 ) = 1 + 2 i =1n

x1i
2

i =1

Como 2 0, 1 ser viesado, a menos que X1 e X2 sejam no correlacionados.

Vejamos agora o que ocorre com o intercepto:

E( 0 ) = E( Y 1 X 1 )
E( ) = E( Y ) X E( )
0 1 1

Como Y = 0 + 1 X 1 + 2 X 2 :

n
x1i x 2i
E( 0 ) = 0 + 1 X 1 + 2 X 2 - X 1 1 + 2 i =1n


x1i
2

i =1

n



x1i x 2i


E( 0 ) = 0 + 2 X 2 X 1 n
i =1



i =1
x12i

Portanto, para que 0 seja no viesado, isto , para que E( 0 ) = 0 , deve-se verificar
n

x1i x 2i
que X 2 X 1 i =1n = 0. A no existncia de correlao entre as variveis X e X
2 3



i =1
x 2
1i

no garante que o estimador do intercepto seja no viesado. Alm disso, deve-se
verificar que X 2 seja igual a zero.
FALSA

(ANPEC 2005, 11) dada a seguinte funo de produo para determinada indstria:
ln(Yi ) = 0 + 1 ln( Li ) + 2 ln( K i ) + u i ,
em que Y o valor adicionado por firma (em reais), L o trabalho empregado, K o
valor do capital (em reais) e u o termo aleatrio. Uma amostra aleatria de 27
observaes leva s seguintes estimativas:

ln(Y ) = 1,1755 + 0,6022 ln( L ) + 0,3856 ln( K )

i i i
27
SQR = u 2 = 0,84
i
i =1

R 2 = 0,76
So corretas as afirmativas:
(0) Se Y passasse a ser medido em mil reais, somente o valor estimado do intercepto da
regresso seria alterado.
Resposta:

Se Y passasse a ser medido em mil reais, teramos:

ln(1000Yi) = 0 + 1 ln(Li)+ 2 ln(Ki) + ui

ln(1000) + ln(Yi) = 0 + 1 ln(Li) + 2 ln(Ki) + ui
ln(Yi) = 0 ln(1000) + 1 ln(Li) + 2 ln(Ki) + ui
ln(Yi) = + 1 ln(Li) + 2 ln(Ki) + ui

onde = 0 ln(1000).

Dessa forma, mudando a escala de Y, somente o valor do intercepto seria alterado.

VERDADEIRA

(1) Ao nvel de 5%, os coeficientes associados ao trabalho e ao capital so

conjuntamente iguais a zero.
Resposta:
Para verificar se os coeficientes de inclinao da regresso so conjuntamente iguais a
zero, devemos utilizar o teste F, cujas hipteses so:
H0: 1 = 2 = 0
H1: pelo menos um dos i 0, i = 1,2.

A forma R2 do teste F dada por (veja questo ANPEC 2002, 10, item (3)):

R 2 /(k 1) 0,76 1
F= = = 76
(1 R ) /(n k ) 0,24 24
2
Consultando a tabela da distribuio F com 1 grau de liberdade no numerador e 24 no
denominador, encontramos que: F1,24 = 4,26. Como o valor calculado maior que o
valor tabelado, rejeitamos a hiptese nula a 5% de significncia, ou seja, a regresso
vlida, o que significa que os coeficientes do capital e trabalho so conjuntamente
diferentes de zero.

FALSA

(2) Se o desvio padro do estimador de 2 for 0,0854, o intervalo de confiana a 95%

para o efeito sobre Y de um aumento de 1% no estoque de capital ser
0,95 0,3856
.
0,0854
Resposta:
O intervalo com 95% de confiana para 2 ser dado por:
2 2
~ tn-k
dp ( 2 )

0,3856 2
~t24
0,0854

2 = [0,3856 t 24 0,0854]

FALSA

(3) Os valores estimados permitem concluir que, para aquela indstria, a produtividade
marginal do trabalho menor que a produtividade mdia do mesmo fator.
Resposta:

O modelo estimado pode ser escrito como:

Yi = L0i , 6022 K i0,3856

J que, aplicando o logaritmo natural em ambos os lados da equao acima, temos:

ln(Yi) = ln( L0i , 6022 K i0,3856 )
ln(Yi) = ln( )+ 0,6022 ln(Li)+ 0,3856 ln(Ki)
ln(Yi) =1,1755+ 0,6022 ln(Li)+ 0,3856 ln(Ki)

A produtividade marginal do trabalho dada pela derivada do produto em relao ao

trabalho:

Y
PMgL = = 0,6022 Li 0,3978 K i0,3856
L
E a produtividade mdia do trabalho:

Y L0i ,6022 K i0,3856

PMeL = = = Li 0,3978 K i0,3856
L Li

Dessa forma, podemos concluir que:

PMgL < PMeL, j que 0,6022 Li 0,3978 K i0,3856 < Li 0,3978 K i0,3856 .

VERDADEIRA

(4) Qualquer outra forma funcional que leve a um R2 maior que 0,76 ser prefervel
utilizada.
Resposta:

O R2 no pode ser utilizado para comparar modelos com diferentes variveis

dependentes. Por exemplo, se estimssemos um modelo linear para Y, o R2 nos daria a
informao de quanto da variao de Y explicada pela variao nas variveis
explicativas. J no modelo log-log, o R2 nos diz quanto da variao em lnY explicada
pela variao nas variveis explicativas.

FALSA

(ANPEC 2005, 12) Um pesquisador estima o seguinte modelo de regresso simples:

Yi = 0 + 1 X i + ei . Outro pesquisador estima o mesmo modelo, mas com escalas
diferentes para Yi e X i . O segundo modelo : Yi* = 0* + 1* X i* + ei* , em que: Yi* = w1Yi ,
X i* = w2 X i e w1 e w2 so constantes maiores que zero.

(0) Os estimadores de Mnimos Quadrados Ordinrios de 0 e 1 so iguais aos de

0* e 1* .
Resposta:
Sabemos que o estimador de mnimos quadrados ordinrios do coeficiente de inclinao
1 dado por:

x y i i
1 = i =1
n

x
i =1
2
i

onde:
xi = (Xi X )
yi = (Yi Y )

Dessa forma:
 n

x y * * w x w y2 i 1 i
* = = i =1

x
1 *2 n

(w x )
2
2 i
i =1

Como w1 e w2 so constantes:
n
w1 w2 xi y i
1* = i =1
n
w22 xi2
i =1

n
w1 xi y i
1* = i =1
n
w2 xi2
i =1

w1
1* = 1
w2

E o estimador de MQO do intercepto 0 :

0 = Y 1 X

Dessa forma:

0* = Y * 1* X *
w
0* = w1Y 1 1 w2 X
w2
0* = w1Y w1 1 X
0* = w1 (Y 1 X )
0* = w1 0

Portanto, os estimadores de mnimos quadrados ordinrios de 0 e 1 no so iguais

aos de 0* e 1* .

FALSA

(1) Se *2 a varincia estimada de ei* e 2 a varincia estimada de ei , ento

*2 = w12 2 .
Resposta:
Sabemos que a varincia dos resduos dada por:
n

SQR
ei2
2 = = i =1
n2 n2

Dessa forma:
n

e *2
i
*2 = i =1

n2

Como ei* = w1ei , temos:

n

(w e ) 1 i
2

*2 = i =1

n2
n
w12 ei2
*2 = i =1

n2
*2 = w12 2

VERDADEIRA

(2) As varincias dos estimadores dos parmetros do primeiro modelo so maiores do

que as varincias dos estimadores do segundo modelo.
Resposta:
A varincia de 1 (coeficiente de inclinao) dada por:
2
Var( 1 ) = n
xi2 i =1

E de 1* :

*2
Var( )=
*
1 n

x
i =1
*2
i

Como vimos no item anterior, *2 = w12 2 . Substituindo:

 w12 2
Var( 1* )= n

(w x )
2
2 1
i =1

2
w
Var( )= 1
*
1
var(1 )
w2

J a varincia do estimador do intercepto 0 dada por:

n

X i
2

Var( 0 ) = 2 i =1
n
n xi2
i =1

E a varincia de 0* :
n

X *2
i
Var( 0* ) = *2 i =1
n
n xi*2
i =1

Substituindo:
n

(w 2 Xi )
2

Var( 0* ) = w12 2 i =1
n
n (w 2 x i )
2

i =1

Var( 0* ) = w12 var 0 ( )

Sabemos que w1 e w2 so constantes maiores que 0. Para saber quais das varincias so
maiores, precisamos saber os valores destas constantes:
 w1 > w2 w1 < w2 w1 = w2

var( 0 )<var( 0* ) var( 0 )<var( 0* ) var( 0 )<var( 0* )

w1>1
var( ) <var( * )
1 1 var( ) >var( * )
1 1 var( ) =var( * )
1 1

var( 0 )>var( 0* ) var( 0 )>var( 0* ) var( 0 )>var( 0* )

w1<1
var( ) <var( * )
1 1 var( ) >var( * )
1 1 var( ) =var( * )
1 1

Assim, as varincias dos estimadores dos parmetros do primeiro modelo apenas sero
maiores do que as do segundo se w1 < 1 e w1 < w2.

FALSA

(3) Os coeficientes de determinao so iguais nos dois modelos.

Resposta:
O coeficiente de determinao do primeiro modelo dado por:
n

SQR
e 2
i
R2 = 1 = 1 i =1
n
SQT
y
i =1
2

E do segundo:
n n

(w1ei )2 e 2
i
R*2 = 1 i =1
n
=1 i =1
n
= R2
(w y ) y
2 2
1
i =1 i =1

VERDADEIRA

(4) A transformao de escala de ( Yi , X i ) para (Yi* , X i* ) no afeta as propriedades dos

estimadores de Mnimos Quadrados Ordinrios dos parmetros.

Resposta:

A transformao de escala nas variveis no afeta nenhuma hiptese do modelo de

regresso linear e, portanto, as propriedades dos estimadores continuam vlidas.

VERDADEIRA
(ANPEC 2005, 14) Considere o seguinte modelo para a populao: Y = 2 + 4X 5Z +
u, em que u o termo aleatrio e E (u | X , Z ) = E (u ) = 0 . A partir de uma amostra de n
indivduos, estimaram-se os parmetros deste modelo, tendo, todavia, sido omitida a
varivel Z. Ou seja, o modelo estimado foi: Yi = 0 + 1 X i . Suponha ainda que, para
amostra em questo, tenham sido obtidos os seguintes resultados:
n

(Z i Z )( X i X )
1 n 1 n
i =1
n
= 0,7 , em que X = i
n i =1
X e Z = Zi .
n i =1
(X
i =1
i X )2

( )
Calcule E 1 | X . Multiplique o resultado por 10.
Soluo:

Como 1 o estimador do coeficiente de inclinao em uma regresso linear simples,

temos que:

n
xi y i
E( 1 ) = E i =1n


xi
2

i =1

Lembrando que as letras minsculas representam desvios em relao mdia (por

exemplo: xi = X i X ).

Sabemos que Y = 2 + 4X 5Z. Escrevendo na forma de desvios em relao mdia:

Y = 2 + 4 X i 5Z i
i
Y = 2 + 4 X 5Z
y i = 4 xi 5 z i

Substituindo yi em E( 1 ), teremos:

n
xi (4 xi 5 z i )
E( 1 ) = E i =1 n




i =1
x 2
i

n
4 xi2 5 z i xi
E( 1 ) = E i =1 n




i =1
xi2

 n 2 n

xi z i xi

E( 1 ) = E 4 n
i =1
5 n
i = 1

xi
2
xi2
i =1 i =1

(Z i Z )(X i X )
n

E( 1 ) = E 4 5 i =1 n

(X i X )2
i =1
n

(Z i Z )( X i X )
Como i =1
n
= 0,7 , temos:
(X
i =1
i X) 2

E( 1 ) = E (4 5 0,7 )

E( 1 ) = 4 3,5

E( 1 ) = 0,5

Multiplicando por 10 como pede o exerccio, chegaremos ao valor de 05.

(ANPEC 2004, 11) Considere o modelo de regresso linear mltipla para dados
seccionais:
yi = 0 + 1 x1i + 2 x2i + + k xki + ui , i = 1, , n.

correto afirmar que:

(0) Para que os estimadores de mnimos quadrados sejam lineares no-tendenciosos de
menor varincia (BLUE) necessrio que os erros sejam homocedsticos.
Resposta:
O teorema de Gauss-Markov garante que os estimadores de mnimos quadrados
ordinrios so MELNV - melhores estimadores lineares no viesados (ou BLUE - best
linear unbiased estimator), desde que as seguintes hipteses sejam satisfeitas
(conhecidas como hipteses de Gauss-Markov):
(I) E(ui) = 0, os erros tm mdia zero;
(II) E(xjiui) = 0, nenhuma varivel explicativa correlacionada com o termo de erro;
(III) Var(ui) = 2, a varincia dos erros constante (homocedasticidade);
(IV) E(uiuj) = 0, os erros no so autocorrelacionados.
Portanto, a hiptese de homocedasticidade necessria sim para que os estimadores
de MQO sejam lineares no-tendenciosos de menor varincia. Para a demonstrao do
teorema de Gauss-Markov, consulte Sartoris (2003, p. 284-285) ou Pindyck e Rubinfeld
(1998, p. 110-111).
VERDADEIRA

(1) A hiptese que Var (u i | x1i , x 2i ,, x ki ) = 2 , i = 1, , n , necessria para que os

estimadores de mnimos quadrados sejam no-tendenciosos.
Resposta:
Para que os estimadores sejam no tendenciosos, bastam as duas primeiras hipteses
elencadas no item anterior, ou seja, a mdia dos erros zero e as variveis explicativas
so no correlacionadas com o termo de erro. Dessa forma, ainda que a varincia dos
erros no seja constante, os estimadores de MQO continuaro sendo no tendenciosos (e
consistentes). A hiptese de homocedasticidade necessria para que os estimadores
sejam eficientes e para realizar inferncia estatstica com o modelo de regresso linear.

FALSA

(2) As estatsticas t e F continuam vlidas assintoticamente mesmo que os erros da

regresso sejam heterocedsticos.
Resposta:
Quando h heterocedasticidade, os estimadores das varincias so viesados e
inconsistentes, invalidando as estatsticas t e F mesmo assintoticamente.
FALSA

(3)Se Cov( x1i , x3i ) 0, i = 1, , n , os estimadores de mnimos quadrados ordinrios da

regresso yi = 0 + 1 x1i + 2 x2i + 4 x4i + + k xki + ui , i = 1,, n , sero
consistentes.
Resposta:
Em primeiro lugar, h que se notar que se a covarincia entre x1i e x3i for diferente de
zero (multicolinearidade), nenhuma hiptese do modelo clssico de regresso linear
estar sendo violada (a hiptese de no existncia de multicolinearidade perfeita) e,
portanto, os estimadores de MQO mantero as propriedades desejveis de um
estimador. Isso poderia nos levar a concluir que a afirmativa verdadeira. Porm, note
que a varivel x3i no est includa no modelo de regresso. Dessa forma, temos o
problema de omisso de varivel relevante (ou subespecificao do modelo), o que
causa vis e inconsistncia nos estimadores de MQO. A omisso de uma varivel
relevante no causaria vis e inconsistncia nos estimadores apenas se a varivel
omitida fosse no correlacionada com todas as outras variveis includas no modelo, o
que no ocorre, j que cov(x1i , x3i) 0.
FALSA

(4)Se Cov( x1i , x3i ) = 0, i = 1,, n os estimadores de mnimos quadrados ordinrios da

regresso yi = 0 + 1 x1i + 2 x2i + 4 x4i + + k xki + ui , i = 1,, n , sero
consistentes.
Resposta:
A varivel x3i est novamente omitida do modelo. Agora temos a informao que
a cov(x1i, x3i) = 0. Isso poderia nos levar a concluir que a omisso da varivel x3i no
causa vis e inconsistncia nos estimadores de MQO. H que se notar, porm, que nada
foi dito a respeito da covarincia entre varivel x3i e as outras variveis do modelo. E se
essas covarincias no forem iguais a zero, os estimadores de mnimos quadrados
ordinrios dessa regresso sero viesados e inconsistentes. Alm disso, mesmo que a
covarincia entre a varivel x3i e cada uma das outras variveis explicativas do modelo
seja igual a zero, o estimador do intercepto ser geralmente viesado e inconsistente.
FALSA

(ANPEC 2004, 14) Um pesquisador estimou uma regresso mltipla com 5 variveis
independentes e n = 56, mas na pressa, no imprimiu os resultados e anotou apenas o
valor do R2 = 0,90, o coeficiente de determinao. Este pesquisador precisa verificar se
a regresso significante. Ajude-o, calculando o valor da estatstica do teste a ser
empregado.
Soluo:
Para verificarmos se a regresso significante, precisamos calcular a estatstica F. E
como nos foi fornecido o R2 dessa regresso, deveremos utilizar a forma R2 da
estatstica F, que dada por (veja questo ANPEC 2002, 10, item (3)):
 R 2 /(k 1) 0,90 / 5
F= = = 90
(1 R ) /(n k ) 0,10 / 50
2

Portanto, o valor da estatstica do teste a ser empregado de 90. E com esse valor,
podemos concluir que a regresso estatisticamente significante.

(ANPEC 2003, 06) Considere o modelo de regresso linear mltipla para dados
seccionais

y i = 0 + 1 x1i + 2 x 2 i + + k x ki + u i , i = 1, , n.

correto afirmar que:

(0) para que os estimadores de mnimos quadrados sejam os melhores estimadores

lineares no-tendeciosos necessrio que os erros sejam normalmente distribudos;
Resposta:
A hiptese de normalidade dos erros necessria para que se possa realizar testes de
hipteses com o modelo de regresso (em amostras finitas) e tambm para que os
estimadores de mnimos quadrados ordinrios sejam os melhores estimadores no
tendenciosos entre todos, no somente entre aqueles que so lineares. Para serem os
melhores no-tendenciosos entre os estimadores lineares, a hiptese de normalidade dos
erros no necessria (veja questo ANPEC 2004, 11, item 1).
FALSA

(1) a hiptese que Var (u i | x1i , x 2 i ,, x ki ) = 2 , i = 1,, n , no necessria para que

os estimadores de mnimos quadrados sejam consistentes;
Resposta:
A hiptese de que a varincia seja constante (homocedasticidade) necessria para
que os estimadores sejam eficientes e para fazer inferncia estatstica com o modelo de
regresso (mesmo assintoticamente). A consistncia dos estimadores de MQO necessita
apenas das hipteses de que os erros tm mdia zero e que nenhuma das variveis
explicativas tenha correlao com o termo de erro.
VERDADEIRA

(2) a incluso de uma nova varivel explicativa no modelo reduzir o coeficiente de

determinao R2 ;
Resposta:.
A incluso de uma nova varivel explicativa no modelo sempre aumenta ou
(raramente) mantm constante o coeficiente de determinao R2, nunca o diminui, j
que ao se incluir uma nova varivel no modelo a soma dos quadrados dos resduos
sempre diminui (ou, raramente, permanece a mesma). Essa a razo pela qual o R2 no
 adequado para comparar modelos com nmero de variveis diferentes, j que ele no
leva em considerao a perda de graus de liberdade quando se adiciona uma nova
varivel.
Vejamos mais formalmente porque isso ocorre. Considere o seguinte modelo em
notao matricial:
Y= X +
Acrescentando-se uma varivel Z qualquer, temos:
Y = X + Z +
Os resduos da 1 regresso so dados por:
= Y - X (I)
E os resduos da 2 regresso:
~
= Y - X - Z (II)
~
O vetor ser dado por:
~
= (X'X)-1X'Y - (X'X)-1X' Z
~
= (X'X)-1X'Y - (X'X)-1X'Z
Substituindo esse valor em (II), obtemos:
= Y - X(X'X)-1X'Y + X(X'X)-1X'Z- Z
= [I - X(X'X)-1X']Y - [I - X(X'X)-1X'] Z
= MY - MZ
onde M matriz que produz os resduos (residual maker):
M = I - X(X'X)-1X'
Portanto:
MY = resduos da regresso de Y em X
MZ = resduos da regresso de Z em X, que chamaremos Z*.
Dessa forma:
= - Z*
A soma dos quadrados dos resduos da 2 regresso ser ento:
' = ( '- Z*') ( - Z*)
' = ' - Z* - Z*' + 2 Z*' Z*
' = ' - 2 ' Z* + 2 Z*' Z*
E como:
= MY = Y* = Z*
Temos:
' = ' - 2 2 Z*'Z* + 2 Z*' Z*
 ' = ' - 2 Z*' Z*
Ou seja, a soma dos quadrados dos resduos da segunda regresso (com a adio da
varivel Z) igual soma dos quadrados dos resduos da primeira regresso menos uma
valor (que positivo). Portanto, quando acrescentamos uma varivel no modelo, a SQR
sempre diminui e, dessa forma, o R2 aumenta.

FALSA

(3) para que as estatsticas t e F sejam vlidas assintoticamente necessrio que os

erros sejam normalmente distribudos;
Resposta:
Assintoticamente, a hiptese de normalidade dos erros no necessria para que as
estatsticas t e F tenham validade. Mesmo que os erros no sigam uma distribuio
normal, os estimadores de mnimos quadrados ordinrios sero normalmente
distribudos assintoticamente (Teorema do Limite Central), validando o uso das
estatsticas t e F, desde que as hipteses de Gauss-Markov (elencadas na questo
ANPEC 2004, 11, item 0) sejam vlidas.
FALSA

(4) se Cov( x1i , x3i ) 0, i = 1, , n os estimadores de mnimos quadrados ordinrios da

regresso y i = 0 + 1 x1i + 2 x 2 i + + k x ki + u i , i = 1, , n , sero tendenciosos.
Resposta:
Note que nenhuma hiptese do modelo clssico de regresso linear est sendo
violada (a hiptese de no existncia de multicolinearidade perfeita, ou seja, xi,xj |1|)
e, dessa forma, os estimadores de MQO mantero as propriedades desejveis de um
estimador, sendo, portanto, no tendenciosos.
FALSA

(ANPEC 2003, 7) O mtodo dos mnimos quadrados ordinrios foi empregado para
estimar o modelo de regresso abaixo, cujo objetivo explicar as variaes de renda
entre 526 indivduos:
log(renda) = 0,417 0,297 sexo + 0,080 educ + 0,029 exper 0,00058 exper 2 + u,
( 0 , 099 ) ( 0 , 036 ) ( 0 , 007 ) ( 0 , 005 ) ( 0 , 00010 )

R = 0,441, n = 526,
2

em que sexo uma varivel dicotmica (valor 1, se for homem e 0, caso contrrio),
educ o nmero de anos de escolaridade, exper experincia profissional, tambm
medida em anos. Os nmeros entre parnteses so os erros-padro das estimativas
( sbi i = 0,.,..
,1 .,4) . Com base nos resultados acima, correto afirmar:

(0) a regresso no estatisticamente significante pois o coeficiente de determinao

menor do que 0,5;
Resposta:
Para sabermos se a regresso ou no estatisticamente significante, precisamos
realizar o teste F. O fato do R2 ser menor que um valor qualquer no implica que a
regresso no seja vlida.
Faamos o teste F:
R 2 /(k 1) 0,441 / 4
F= = 102,75
(1 R ) /(n k ) 0,559 / 521
2

Como podemos ver pelo resultado acima, a regresso "altamente" vlida.

FALSA

(1) a diferena de renda entre homens e mulheres no estatisticamente significante;

Resposta:
A diferena de renda entre os homens e mulheres dada pela varivel binria sexo.
Vejamos se seu coeficiente estatisticamente significante realizando o teste t:

0,297
t= = = 8,25
s 0,036

Com 521 graus de liberdade (n - k = 526 - 5), podemos, sem dvida, rejeitar a hiptese
nula de que o coeficiente igual a zero e, portanto, a diferena de renda entre homens e
mulheres sim estatisticamente significante.
FALSA

(2) um ano a mais de escolaridade, mantidos constantes todos os demais fatores,

aumenta em 0,08% a renda de um indivduo do sexo feminino;
Resposta:
Note que apenas a varivel dependente est em logaritmo, ou seja, temos um
modelo log-linear. Nesse caso, o coeficiente de inclinao nos fornece a variao
relativa na varivel dependente dada uma variao absoluta na varivel explicativa.
Quando multiplicamos por 100 temos a mudana percentual aproximada em
log(renda):
log(renda) (100)% educ
Portanto, um ano a mais de escolaridade aumenta a renda de uma mulher em
aproximadamente 8%.

FALSA

(3) a significncia conjunta das variveis educ e exper no pode ser medida por meio da
estatstica t. Para isto, o teste F deve ser utilizado;
Resposta:
 O teste t adequado para testar significncias individuais. Se quisermos realizar um
teste de significncia conjunta, o teste F que deve ser utilizado, j que ele leva em
considerao o fato que os estimadores de mnimos quadrados podem ser
correlacionados. Por isso, o teste F para significncia conjunta das variveis educ e
exper pode levar a resultados diferentes do teste t para significncia individual de cada
uma dessas variveis.
VERDADEIRA

(4)o modelo incapaz de captar diferenas nos retornos da educao entre homens e
mulheres.
Resposta:
Note que o modelo inclui uma varivel dummy de intercepto para sexo, que capta
diferenas na renda entre homens e mulheres (o intercepto da reta de regresso ser
diferente entre os sexos). Para que o modelo fosse capaz de captar diferenas nos
retornos da educao entre homens e mulheres, precisaramos de uma varivel dummy
de inclinao, ou seja, uma varivel binria multiplicando a varivel educao deveria
ser includa no modelo:
log(renda) = + 1sexo + 2 educ + 3 exper + 4 exper2 + 5sexo educ +
Sendo assim, o retorno da educao seria dado por:
educ + sexo educ
2 5

Se o indivduo for homem, o retorno ser 2 + 5 educ, e se for mulher ser 2 educ.
Dessa forma, conseguiremos captar diferenas nos retornos da educao entre homens e
mulheres.
VERDADEIRA

(ANPEC 2002, 9) Pode-se afirmar sobre o modelo de regresso linear clssico yt= 1
+ 2 xt + ut

(0) A reta de regresso passa pelas mdias amostrais de y e x, mesmo que o modelo no
tenha intercepto.
Resposta:
O estimador de mnimos quadrados ordinrios para o intercepto dado por:
1 = y t 2 xt

Rearranjando, temos que:

y t = 1 + 2 x t

Portanto, temos a garantia de que a reta de regresso passa pelas mdias amostrais de y
e x apenas se o intercepto estiver includo no modelo. A estimao do modelo por MQO
sem o termo constante no possui essa propriedade.
FALSA
(1) Na presena de heterocedasticidade, o estimador de MQO viesado e no se pode
confiar nos procedimentos de testes usuais (F e t), j que o estimador alm de
viesado, ineficiente.
Resposta:
A presena de heterocedasticidade no modelo no causa vis no estimador de
MQO. Os estimadores de MQO apenas sero viesados se forem violadas as hipteses
que os erros tm mdia zero e/ou que no h correlao entre as variveis explicativas e
o erro. Como a hiptese de homocedasticidade necessria para a demonstrao do
teorema de Gauss-Markov, se for violada, os estimadores de MQO sero sim
ineficientes. Alm disso, como o estimador da varincia ser viesado na presena de
heterocedasticidade, no poderemos confiar nos testes de hipteses usuais (t e F),
mesmo assintoticamente.
FALSA

(2) Na presena de autocorrelao dos resduos, os estimadores de MQO so no

viesados e consistentes.
Resposta:
A hiptese de no existncia de autocorrelao dos resduos no necessria para
que os estimadores sejam no viesados e consistentes. Portanto, a sua presena no
levar a vis e inconsistncia nos estimadores de MQO (desde que no esteja includa a
varivel dependente defasada entre as variveis explicativas, como o caso). Quando a
hiptese de autocorrelao dos erros violada, os estimadores sero ineficientes e os
testes de hipteses sero invlidos.
VERDADEIRA

(3) Quanto maior for a variao da varivel explicativa, maior ser a preciso com que
o coeficiente angular pode ser estimado.
Resposta:
Suponhamos o caso extremo em que no haja variao da varivel explicativa, ou
seja, ela assume apenas um valor. Nesse caso, no conseguiremos explicar a variao da
varivel dependente atravs dessa varivel explicativa (j que essa no varia). Alis,
ser mesmo impossvel estimar o modelo. O diagrama de disperso entre X e Y ser
uma linha horizontal, como mostra o grfico abaixo.
 Y8

7
6
5
4
3
2
1
0 X
0 1 2 3 4

Para que possamos explicar a variao de Y, a varivel explicativa deve variar (!), e
quanto maior for a sua variao, com mais preciso poderemos estimar o coeficiente
angular.

VERDADEIRA

(4) Se R2 (coeficiente de determinao) for zero, ento a melhor previso para um valor
de y sua mdia amostral.
Resposta:
Se o R2 igual a zero, ento a SQE = 0, ou seja, y 2
= 2 x 2 = 0. Portanto, 2 =0.

Nesse caso, temos que:

= y x
1 2

= y
1

E:
y = 1 + 0x2 = 1 = y
Sendo assim, se R2 for igual a zero, a melhor previso para y ser a sua prpria mdia
amostral.
VERDADEIRA

(ANPEC 2002, 10) correto afirmar a respeito do modelo de regresso linear clssico
multivariado: Y = X + , com n observaes e k > 2 variveis explicativas, incluindo-
se o intercepto.
(0) Os coeficientes de inclinao no se alteram quando se modificam as unidades de
medida de Y e X multiplicando-os por uma constante, por exemplo, transformando-
se seus valores de reais para dlares.
Resposta:
Quando alteramos as unidades de medida tanto da varivel dependente quanto da (s)
independente(s), as estimativas de seus coeficientes de inclinao no se alteram; o
intercepto porm dever ser multiplicado por essa constante, assim como os resduos.
Por exemplo, suponha que multipliquemos Y e X por c:

(cY) = c 0 + 1 (cX 1 ) + k (cX K ) + c

Note que, nesse caso, os parmetros estimados no sero alterados (se dividirmos
todos por c, retornaremos ao modelo original).

Convm lembrar aqui os efeitos de mudanas nas unidades de medida s na varivel

dependente ou s nas variveis explicativas:
- mudana apenas na varivel dependente: os coeficientes devero ser modificados
para que a regresso estimada continue vlida. Se multiplicarmos Y por uma
constante, os parmetros estimados dos coeficientes de inclinao e do intercepto
tambm devero ser multiplicados por essa constante para que as estimativas sejam
vlidas.
- mudana apenas nas variveis independentes: nesse caso, tambm devemos alterar
os coeficientes estimados para que a regresso continue vlida. Se multiplicarmos os
coeficientes das variveis independentes por uma constante, os seus coeficientes
devero ser divididos por essa constante:

Y= 0 + 1
(cX 1 ) + k
(cX K ) + .
c c

VERDADEIRA

(1) Se o modelo for estimado com apenas k-1 variveis explicativas (mas mantendo o
intercepto), os coeficientes estimados podero ser viesados e inconsistentes.
Resposta:
Se a varivel retirada for relevante (e for correlacionada com alguma outra varivel
explicativa), teremos o problema de omisso de varivel relevante, o que causa vis e
inconsistncia nos estimadores de mnimos quadrados ordinrios. Veja tambm questo
ANPEC 2004, 11, itens 3 e 4).

VERDADEIRA

(2) Quando os coeficientes s estimados forem altamente significativos,

individualmente, mas a estatstica F e o R2 indicarem que o modelo como um todo
tem um baixo poder explicativo, pode-se desconfiar da presena de
multicolinearidade.
Resposta:
Poderemos desconfiar da presena de multicolinearidade quando o contrrio ocorrer,
ou seja, quando a estatstica F e o R2 indicarem que o modelo significante, mas os
coeficientes no forem significantes individualmente. Isso ocorre porque a varincia dos
coeficientes das variveis explicativas aumenta quando h multicolinearidade.
FALSA

(3) Para testar a hiptese conjunta de que 2 = 3 = ... = k = 0 , pode-se utilizar o teste
R 2 (k 1)
F ; ( k 1), ( n k ) = , em que R2 o coeficiente de determinao do
[(1 R )(n k )]
2

modelo.
Resposta:
Podemos sim utilizar o teste F para testar essa hiptese. Mas vejamos se essa "forma
R2" da estatstica F est correta.

A estatstica F dada por:

SQE ( k 1)
F ;( k 1(,( n k ) =
SQR (n k )
E sabemos que R2 dado por:
SQE SQR
R2 = =1-
SQT SQT
Rearranjando, temos que:
SQR = (1 - R2)SQT
E como:
SQE = SQT - SQR
Temos:
SQE = SQT - (1 - R2)SQT =
SQE = R2SQT

Substituindo as expresses acima para SQR e SQE na estatstica F, obtemos:

R 2 SQT (k 1)
F ;( k 1(,( n k ) =
(1 R 2 ) SQT (n k )
R 2 (k 1)
F ;( k 1(,( n k ) =
(1 R 2 ) (n k )
FALSA
(4) Sempre que o modelo tiver pelo menos duas variveis explicativas alm do
intercepto, o R2 ser maior ou igual ao R2 ajustado.
Resposta:
O R2 dado por:

SQR
R2 = 1 -
SQT

E o R 2 (R2 ajustado aos graus de liberdade):

SQR /(n k ) SQR n 1

R 2 = 1- =1-
SQT /(n 1) SQT n k

Portanto, se k = 1 , R2 = R 2 . E se k maior que 1, R2 > R 2 . Dessa forma, sempre que o

modelo tiver pelo menos uma varivel explicativa alm do intercepto, o R2 ser maior
ou igual ao R2 ajustado.
VERDADEIRA

(ANPEC 2001, 9) A partir de uma amostra de n elementos, foi estimada uma regresso
linear simples, pelo mtodo de mnimos quadrados, obtendo-se os resultados:
Yt = + 1 X t 0

R 12 = K1
A seguir, a mesma regresso foi estimada sabendo-se que a reta de regresso da
populao passa pela origem das coordenadas (termo constante = 0), obtendo-se os
resultados:
Yt = 2 X t

R 22 = K 2
Pode-se afirmar que:
(0) 1 = 2
Resposta:
O estimador de mnimos quadrados do coeficiente de inclinao de uma regresso com
intercepto dado por:
n

(X t
X )(Yt Y )
=
1
t =1
n

(Y
t =1
t
Y )2

E o coeficiente de inclinao de uma regresso simples sem o intercepto :

 n

XY
=
2
t =1
n

Y
t =1
2

Portanto, a igualdade entre esses dois coeficientes apenas ocorrer se a mdia de X e Y

( X e Y , respectivamente) forem iguais a zero.

FALSA

(2) s 2 (desvio padro de 2 ) < s 1 (desvio padro de 1 )

Resposta:
Se realmente a reta de regresso passa pela origem, ento a equao sem o intercepto
fornecer uma estimativa mais precisa do coeficiente angular e, portanto, o seu desvio-
padro ser menor. Note, porm, que se o intercepto no estiver realmente ausente do
modelo, as estimativas obtidas sero viesadas.
VERDADEIRA

(2) A reta 2 X passa pelo ponto mdio da amostra ( X, Y )

Resposta:
A reta de regresso apenas passa pelas mdias de X e Y quando o intercepto est
includo no modelo. Portanto, a reta + 1 X t que passa pelas mdias amostrais de X
e Y. (Veja questo ANPEC 2002, 9, item 0).
FALSA

(3) (K2 / K1) > 1

Resposta:
Em primeiro lugar h que se notar que no foi especificado como foi calculado o R2 da
regresso sem o intercepto. Suponha que na segunda regresso tenhamos o R2 no
centrado, que dado por:
22 X 2
K2 = R NC =
2

Y 2
E o R2 da primeira regresso :

K1 = R =2 (X X )
2
1
2

(Y Y )
2

A diviso entre eles ser:

 X
2
2
2

K2
=
Y 2

( X X )
2
K1 2
1

(Y Y )
2

A diviso ser maior que 1 apenas se o numerador for maior que 1. Sabemos que
X 2 ( X X ) 2 . Isso poderia nos levar a concluir que a afirmativa est correta.
Porm, note que os valores de das duas regresses no so iguais, e no podemos
saber qual maior. Portanto, nada se pode afirmar sobre a razo entre essas duas
medidas.
FALSA

(4) A soma dos resduos de mnimos quadrados de ambas equaes estimadas zero.
Resposta:
Consideremos primeiro o modelo com intercepto:
Yt = + 1 X t + t

Sabemos que o mtodo dos mnimos quadrados ordinrios consiste em encontrar e

1 que minimizem a soma dos quadrados dos resduos, ou seja:

minimizar 2 = minimizar (Y X )
2

Pelas condies de 1 ordem, temos que:

2
= -2 (Y 1 X ) = 0 (I)

2
= -2 (Y 1 X )X = 0 (II)

1

Note que o termo entre parnteses so os prprios resduos da regresso. Utilizando (I),
temos que:

-2 = 0
Dessa forma:
= 0
Portanto, quando o intercepto estiver includo no modelo, a soma dos resduos ser igual
a zero.

Vejamos agora o que acontece quando o intercepto no est includo no modelo:

Yt = 2 X t + t
A condio de primeira ordem dada por:
 d
= - 2 (Y 2 X ) X = 0
d 2

E o que est entre parnteses so os prprios resduos da regresso. Portanto:

-2 ( X ) = 0

Dessa forma, temos que:

( X ) = 0
Portanto, quando o intercepto no est includo no modelo, a soma dos resduos no
ser igual a zero.

Conclumos, ento, que apenas a soma dos resduos de mnimos quadrados

ordinrios da primeira regresso igual a zero.

FALSA

(ANPEC, 2001, 12) No modelo clssico de regresso linear: Yi = 1 + 2 X i + ui

(0) A hiptese de que o erro normalmente distribudo necessria para que os
estimadores de mnimos quadrados ordinrios tambm sejam normalmente
distribudos.
Resposta:
Se assumirmos que o erro normalmente distribudo, ento Y ser tambm
normalmente distribudo. E, como os estimadores de mnimos quadrados ordinrios so
somas ponderadas das observaes de Yi (veja item 4 desta questo), podemos concluir
que eles sero tambm normalmente distribudos, j que uma soma ponderada de
variveis normalmente distribudas ser tambm normalmente distribuda. Cabe notar,
porm, que para que os estimadores de MQO sejam distribudos normalmente
assintoticamente, a hiptese de normalidade do erro no necessria.
VERDADEIRA

(1) Se a hiptese cov(u i , u j | X i , X j ) = 0 , i j for violada, os estimadores de mnimos

quadrados ordinrios sero viesados e no eficientes.
Resposta:
Apesar dos estimadores de mnimos quadrados ordinrios serem no eficientes na
presena de autocorrelao, eles continuam sendo no viesados. A presena de
autocorrelao apenas far com que os estimadores de mnimos quadrados ordinrios
sejam viesados, quando houver entre as variveis explicativas a varivel dependente
defasada, j que nesse caso, o termo de erro estar correlacionado com a varivel
explicativa (veja questo ANPEC 1998, 13, item 2).

FALSA

(2) As hipteses de que o erro normalmente distribudo e de que

cov(u i , u j | X i , X j ) = 0 , i j asseguram que ui e u j se distribuem
independentemente.
Resposta:
Quando a distribuio normal, o fato da covarincia ser igual a zero implica que as
variveis so independentes (veja questo ANPEC 2003, 09, item 4, em esperana,
medidas de disperso e independncia de variveis aleatrias). Portanto, se os erros so
normalmente distribudos e suas autocovarincias so nulas, ento eles so
independentemente distribudos.

VERDADEIRA

(3) A hiptese Var ( i | X i ) = 2 necessria para que os estimadores de mnimos

quadrados ordinrios sejam no tendenciosos.
Resposta:
Para que os estimadores de MQO sejam no tendenciosos, bastam as hipteses que os
erros tm mdia zero e que nenhuma das variveis explicativas correlacionada com o
termo de erro. A hiptese de homocedasticidade necessria para que os estimadores
sejam eficientes e para os testes de hipteses com o modelo de regresso.
FALSA

(4) Os estimadores de mnimos quadrados de 1 e 2 podem ser escritos como

combinaes lineares das observaes Yi .
Resposta:
Os estimadores de mnimos quadrados podem ser escritos sim como combinaes
lineares das observaes da varivel dependente. Mais precisamente, eles podem ser
escritos como uma mdia ponderada dessas observaes:
n

x y i i

=
2
i =1
n

xi =1
2
i

xi
Fazendo c = n
, temos que (assumindo que xi seja fixo e que, portanto, possamos
x
i =1
2
i

trat-lo como uma constante):

n

=
2 c y
i =1
i i
VERDADEIRA

(ANPEC 2000, 06) Seja o modelo de regresso linear clssico com duas variveis
explicativas X2 e X3: Yi= 1 + 2 X2i + 3 X3i + ui . correto afirmar que:

(0) Se a correlao entre X2 e X3 zero, ento o estimador de mnimos quadrados

(X 2i X 2 )(Yi Y )
ordinrios (MQO) de 2 i
_
.
(X
i
2i X 2) 2

Resposta:
Quando a correlao entre X2 e X3 for igual a zero, o estimador de MQO de uma
regresso mltipla ser igual ao estimador da regresso simples. Vejamos:
Temos o seguinte modelo (o subscrito "i" foi omitido por simplicidade).

Y = 1 + 2X2 + 3X3 +

Utilizando as variveis centradas, temos que:

y = 2 x2 + 3 x3
= y - 2 x2 - 3 x3

O mtodo dos MQO consiste em minimizar a soma dos quadrados dos resduos:

minimizar 2 = (y x 2 3 x3 )
2
2

As condies de 1 ordem so:

2
= - 2 x 2 ( y 2 x 2 3 x3 ) = 0
2
= - x 2 y + 2 x 22 + 3 x 2 x3 = 0
= 2
x 2 +
2
xx =
3 2
x y 3 2
(I)

2
3
=- 2x (y 3 2
x 2 3 x3 ) = 0

= - x3 y + 2 x 2 x3 + 3 x32 = 0
= 2 x 2 x3 + 3 x32 = x3 y (II)

Isso nos d o seguinte sistema de equaes:

 x + x x
2
2
2 3 2 3
= x y 2

x x + x
2 2 3 3
2
3
= x y 3

Multiplicando a 1 equao por x x 2 3

e a 2 por x 2
2
e subtraindo a 2 da 1 ,
obtemos:
2 x 22 x 2 x3 + 3 x 2 x3 x 2 x3 = x 2 y x 2 x3
2 x 2 x3 x 22 + 3 x32 x 22 = x3 y x 22
3
[( x x ) x x ] = x y x x - x y x
2 3
2

3
2
2
2
2 2 3 3
2
2

=
x y x x x y x
2 2 3 3
2
2
3
( x x ) x x 2 3
2
2
3 x
x

Da equao (I) temos que:

2 x 22 + 3 x 2 x3 = x 2 y

=
x y x x
2 3 2 3

x
2 2
2

Substituindo 3 , temos:

=
x y x y x x x y x x x
2 2 2 3 3
2
2 2 3
2
x ( x x ) x x
2
2 x 2 3
2

2
2 2
3
2
2

x y + x y ( x x ) + x y x x x
2
2

x [( x x ) x x ]
2 2 2 3 3 2 2 3
=
x
2 2 2
2 2 2
2 2 2 3 2 3

x y ( x x ) + x y x x x y ( x x ) + x y x x x
2 2
2 2 2

x [( x x ) x x ]
2 2 3 2 2 3 2 2 3 3 2 2 3
2
= 2
2
2 2
2 2 3 2 3

=
x y x + x y x x
2
2
3 3 2 3
2
( x x ) x x 2 3
2
2
2
2
3

Dividindo o numerador e o denominador da expresso acima por x x2

2
2
3
, temos:
x y x y x x
2 3 2 3

=
x x x
2
2
2
2
2
3

x x
2 2 2

1
2 3

x x x
x
2
3

=
x y x x y x x
2
2
3 3 2 3

x x (1 )
2 2 2 2
2 3 23
Se 23 (coeficiente de correlao entre X2 e X3) = 0 a expresso acima torna-se:

x y x x y x x = x y x y x x
2

=
2 3 3 2 3 2 2 3

x x x x x
2 2 2 2 3 2 2
2 3 2 2 3

Analisemos a expresso
x x . Elevando o numerador ao quadrado, temos que:
2 3

x x 2
2
2
3

( x x ) [ ( X X )( X X )] = cov( X , X ) =
2 2 2

2 3 2 2 3 3
= 2 3 2

x x ( X X ) ( X X ) var( X ) var( X )
2 2 2 2 23
2 3 2 2 3 3 2 3

Portanto, 2 ser:

x y = ( X X )(Y Y )
2 2 2
= estimador do coeficiente de inclinao de uma
x (X X )
2
2 2 2
2

regresso simples.

VERDADEIRA

(1) Mesmo que a correlao entre X2 e X3 seja igual unidade, pode-se estimar 2 +
c3, em que c uma constante conhecida.
Resposta:
Quando a correlao entre as variveis X2 e X3 for igual a 1, temos o problema de
multicolinearidade perfeita e o modelo no poder ser estimado (veja a expresso
para 2 no item anterior).
Porm, faamos X3 = cX2. Nesse caso, o modelo torna-se:
Yi = 1 + 2X2i + 3(cX2) + ui
Yi = 1 + (2 + c3)X2i + ui
Note que o "problema" foi eliminado. Agora temos uma regresso que pode ser
estimada, j que no h nenhuma varivel explicativa perfeitamente correlacionada
com outra.
VERDADEIRA

(2) A eficincia relativa dos estimadores de MQO, dentro da classe dos estimadores
lineares no viesados, garantida pelo Teorema de Gauss Markov, necessita da
hiptese de normalidade do erro (ui ).
Resposta:
A hiptese de normalidade do erro no necessria para que se garanta a eficincia
dos estimadores de MQO dentro da classe dos estimadores lineares. Como j
sabemos, essa hiptese necessria para que se garanta a eficincia dos estimadores
 de MQO dentro da classe de todos os estimadores, no apenas os lineares e tambm
para que se possa realizar testes de hipteses com o modelo de regresso (em
amostras finitas).
FALSA

(3) Se o erro (ui ) heterocedstico, os estimadores de MQO sero viesados.

Resposta:
Para que os estimadores sejam no viesados, necessitamos apenas das hipteses
de que a mdia dos erros zero e de que as variveis explicativas no sejam
correlacionadas com os erros. A hiptese de homocedasticidade necessria para
que se garanta a eficincia dos estimadores de MQO e para a realizao de testes de
hipteses com o modelo de regresso linear (mesmo assintoticamente). Portanto, se
o erro heterocedstico, os estimadores de MQO continuaro sendo no viesados.
FALSA

(4) Se as variveis explicativas so estocsticas, porm no correlacionadas com o

erro (ui ), ento, os estimadores dos parmetros do modelo so no-viesados.
Resposta:
Uma das hipteses do modelo clssico de regresso linear que as variveis
explicativas sejam fixas em amostras repetidas, ou seja, sejam no estocsticas (no
aleatrias). Porm, pode-se garantir que os estimadores dos parmetros do modelo
sero no-viesados ainda que as variveis explicativas sejam estocsticas, desde que
a covarincia entre elas e o erro seja nula, ou seja, E(ixi) = 0.
VERDADEIRA

(ANPEC 2000, 10) O seguinte modelo de regresso foi estimado utilizando-se dados
trimestrais entre 1979 e 1998, inclusive:
^
Yi = 2.20 + 0.104 X2i

A soma total explicada foi 100,5. Quando esta equao foi re-estimada, adicionando-se
trs dummies sazonais, a soma total explicada aumentou para 114,5 e a soma do
quadrado dos resduos foi igual a 20,00. Suponha que deseja-se testar se a sazonalidade
significativa. Calcule a estatstica de teste adequada.
Soluo:
Temos que:
Modelo I (com 1 varivel explicativa):
SQE = 100,5
SQR = 34
SQT = 134,5
n = 80

Modelo II (com adio de 3 variveis

dummies sazonais):
SQE = 114,5
SQR = 20
SQT = 134,5 (SQE + SQR)
n = 80
 Note que a soma dos quadrados totais no muda com a adio de variveis no modelo.
A estatstica F, que nos permite testar se a sazonalidade significativa, ou seja, se as
variveis dummies so conjuntamente estatisticamente significantes, ser dada por:

SQRR SQNR 34 20
m 3 14 75
F= = = =17,5
SQRNR 20 3 20
nk 80 5
Considerando apenas a parte inteira do resultado acima, chegaremos ao valor de 17.

(ANPEC 2000, 11) Considere o seguinte modelo de regresso linear clssico,

relacionando as variveis quantidade demandada (Q) e preo do produto (P). Admita que as
duas variveis sejam medidas em Reais, e que a estimao ser efetuada por MQO (ln
logaritmo natural)

lnQi = 1 + 2 lnPi + ui i = 1,2,..., 100.

correto afirmar que:

(0) Variando-se o preo em 1%, a quantidade demandada variar 102%, ceteris paribus.
Resposta:
Como temos um modelo log-log, ou seja, um modelo no qual todas as variveis esto em
logaritmo, 2 nos d a variao relativa no preo dada uma variao relativa na quantidade:
%Q
2 =
% P
Se o preo variar em 1%:
%Q
2 =
1%
%Q = 2
Portanto, variando-se o preo em 1%, a quantidade demandada variar em 2%.
FALSA

(1) Ignorando-se o termo aleatrio, se o preo ultrapassar determinado limite, ser possvel
obter quantidades demandadas negativas.
Resposta:
Note que no existe ln de nmero negativo e, portanto, ser impossvel obter quantidades
demandadas negativas.
FALSA
(2) Se mudarmos as unidades de Q e P para dlares americanos, ento a estimativa de 2
na nova equao ser igual a sua estimativa obtida na equao em Reais.
Resposta:
Quando mudamos as unidades de medida tanto da varivel dependente quanto da(s)
varivel(is) independente(s), os coeficientes de inclinao do modelo no so alterados
(veja questo ANPEC 2002, 10, item 0).
VERDADEIRA

(3) Se a varivel ln Y (Y = renda) for acrescentada ao modelo, o coeficiente R2 desta nova

regresso ser maior ou igual ao coeficiente R2 da regresso original.
Resposta:
Sempre que acrescentamos uma nova varivel no modelo, o R2 aumenta (ou raramente
permanece inalterado), j que a SQR ir diminuir (veja questo ANPEC 2003, 6, item 2).
VERDADEIRA

(4) Se o coeficiente R2 ajustado da regresso com a varivel ln Y for maior do que o

coeficiente R2 ajustado da regresso original, ento necessariamente, o coeficiente de ln
Y estatisticamente significante, ao nvel de significncia de 5%, em um teste bi-
lateral.
Resposta:
Quando acrescentamos uma varivel ao modelo original e seu R2 ajustado aumenta,
podemos apenas afirmar que o valor da estatstica t referente ao parmetro dessa varivel
ser maior que 1. Isso, porm, no significa necessariamente que a varivel seja
estatisticamente significante a 5%. Alis, para amostras grandes, a estatstica t para 5% de
significncia ser igual a 1,96. Ou seja, se a estatstica t for maior que 1, nada garante que a
varivel seja significante a 5%.
FALSA

(ANPEC 1999, 4) Seja o seguinte modelo de regresso linear mltipla na forma matricial:
Y = X . + ,
onde as dimenses das matrizes e dos vetores envolvidos so: Y => (n 1); X => (n k);
=> (k 1); e => (n 1).

Ento, podemos fazer as seguintes afirmaes:

(0) Um dos pressupostos bsicos do modelo : Os elementos da matriz X so estocsticos

com valores fixados em amostras repetidas.
Resposta:
Um dos pressupostos bsicos do modelo que os elementos da matriz X so no-
estocsticos, ou seja, no aleatrios em amostras repetidas, ou ainda, possuem valores
fixos em amostras repetidas. Aqui, deve ficar bem claro que estocstico sinnimo de
aleatrio.

FALSA

(1) Outro pressuposto bsico : nenhuma das variveis independentes deve estar
perfeitamente correlacionada com qualquer outra varivel independente ou com
qualquer combinao linear de outras variveis independentes.
Resposta:
Um dos pressupostos bsicos do modelo de regresso linear que nenhuma varivel
explicativa deve ser perfeitamente correlacionada com outra varivel explicativa, ou seja,
no deve existir multicolinearidade perfeita. Essa hiptese necessria para que possamos
efetivamente estimar o modelo, j que se ela no for verificada, a estimao ser
impossvel. Na questo ANPEC 2000, 06, item 0, mostramos que 2 em uma regresso
mltipla com 3 variveis dado por:

=
x y x x y x x
2
2
3 3 2 3

x x (1 )
2 2 2 2
2 3 23

Se o coeficiente de correlao entre as variveis for igual a 1, o denominador da expresso

acima ser zero (assim como de todos os outros coeficientes de inclinao) e, portanto, os
parmetros da regresso no podero ser estimados.

VERDADEIRA

(2) As equaes normais de mnimos quadrados para o modelo dado podem ser
apresentadas em notao matricial como ( X 'Y ) = ( X ' X ) e a soluo para ser
= ( X ' X ) 1 ( X ' Y ) .
Resposta:

O modelo de regresso linear pode ser escrito em notao matricial como:

Y = X

Pr-multiplicando por X', temos:

(X'Y) = (X'X)

E a soluo para ser realmente:

= (X'X)-1(X'Y)
VERDADEIRA

(3) Quando testamos a existncia do modelo de regresso, fazemos as seguintes hipteses

sobre os coeficientes da regresso (admitindo que 1 0 , ou seja, a regresso no
passa pela origem):
Hiptese nula => H0: 2 = 3 =... = k = 0
Hiptese alternativa => H1: Todos os i 0 , para i = 2, 3,, k.
Resposta:

A hiptese nula realmente de que todos os coeficientes de inclinao sejam iguais a zero.
Porm a hiptese alternativa de que pelo menos um desses coeficientes seja diferente de
zero.
FALSA

(4) Os intervalos de confiana dos coeficientes da regresso podem ser calculados da

seguinte maneira:
( i t n k . s ; i + tn k . s )
i i

onde i tn k = abcissa de uma distribuio t com (n

= estimativa do coeficiente i ;
- k) graus de liberdade, fixado o grau de confiana de intervalo; e s = erro padro
i

estimado de i .
Resposta:

Sabemos que:
| i 0 |
~ t nk
s i
Portanto, o intervalo de confiana para i ser dado por:
( t s )
i nk i

VERDADEIRA

(ANPEC 1999, 05) Foram encontrados os seguintes resultados para estimar uma
regresso linear com duas variveis explicativas para uma amostra de tamanho 10.
 Variveis Coeficiente Desvio Estatstica p-valor
preditoras padro t
Constante 223,3 254,8 0,88 0,410
X1 -1,26 0,8263 -1,52 0,172
X2 -1,03 3,213 -0,32 0,752

R2 = 81,2%; R2 ajustado = 76,1%; Valor calculado da estatstica F=15,1

Podemos afirmar que:

(0) A equao de regresso estimada Y = 223,3 1,26. X 1 1,03. X 2 .
Resposta:
Aqui s olhar para a tabela e ver que realmente a equao de regresso estimada essa.

VERDADEIRA

(1) A um nvel de significncia de 5% podemos afirmar que a regresso existe. Porm, aps
elaborarmos os testes de hipteses para os coeficientes individuais, aceitamos a
hiptese (a um nvel de significncia de 1%) de que o coeficiente para a varivel X2
zero.
Resposta:
Para uma amostra de tamanho 10, o valor de 15,1 da estatstica F nos permite afirmar que a
regresso realmente estatisticamente significante a 5%, ou seja, ela existe. Porm, no s
a varivel X2 no significante a 1%, como X3 e o intercepto tambm, j que os valores-p
para todos os coeficientes ultrapassam 0,01.
VERDADEIRA

(2) O coeficiente de determinao indica que 81,2% da variao amostral de Y podem ser
atribudos as variaes de X1 e X2.
Resposta:
Como o valor do R2 de 81,2%, sabemos que 81,2% da variao amostral de Y explicada
por variaes em X1 e X2.
VERDADEIRA

(3) O valor estimado para Y quando X1 = 15 e X2 = 80, 220.

Resposta:
Para encontrar o valor estimado de Y quando X1 = 15 e X2 = 80, basta substituir esses
valores na reta de regresso estimada:
Y = 233,3 - 1,26X1 - 1,03X2
Y = 233,3 - 1,26 15 - 1,03 80
Y = 233,3 - 18,9 - 82,4
Y = 132
FALSA

(4) Os valores tericos das estatsticas t utilizadas para testar os coeficientes das
variveis explicativas devem ser calculados para 7 graus de liberdade.

Resposta:
Como temos 10 observaes e 3 coeficientes desconhecidos, os graus de liberdade sero
realmente 7.

VERDADEIRA

(ANPEC 1998, 13) Considere o seguinte modelo de Regresso Linear Multiplo :

Yt = + 1 X 1t + 2 X 2 t + t , t = 1,2,3,.... n

onde E( t ) = 0 , Var( t ) = 2 e X 1t , X 2 t so sries de valores fixos.

(0) Se, X 1t = X 2 t , ainda assim possvel obter os estimadores de Mnimos Quadrados de

, 1 e 2 .
Resposta:
Se X 1t = X 2 t teremos o problema de multicolinearidade perfeita, caso em que no possvel
estimar o modelo.
FALSA

(1) Se s e t so independentes para todo t s , ento dentro da classe dos estimadores

lineares no tendenciosos, os estimadores de Mnimos Quadrados de , 1 e 2 so os
melhores.
Resposta:
Na questo ANPEC 2004, 11, item (0), elencamos as hipteses que garantem que os
estimadores de mnimos quadrados ordinrios so os melhores dentro da classe dos
estimadores lineares no viesados (MELNV). O prprio enunciado dessa questo j nos diz
que as 3 primeiras hipteses so satisfeitas, ou seja, os erros tm mdia zero e varincia
constante e os valores das variveis explicativas so fixos em amostras repetidas (o que
garante que as variveis explicativas no so correlacionadas com o erro). Portanto para
que os estimadores sejam MELNV, falta apenas a hiptese de no existncia de
autocorrelao entre os erros. Mas, se os erros so independentes, ento as suas
autocovarincias so iguais a zero, o que nos garante que no existe autocorrelao.
Portanto, nesse caso, se os erros so independentes, os estimadores de MQO de , 1 e 2
so MELNV.
VERDADEIRA

(2) Caso X 2 t =Yt-1 na equao acima, e os erros t sejam autocorrelacionados, o estimador

de Mnimos Quadrados de , 1 e 2 mantm a propriedade de no-tendenciosidade.
Resposta:
Se X2t = Yt-1, o modelo torna-se:
Yt = + 1X1t + 2 Yt-1 + t
Supondo que a autocorrelao seja de 1 ordem, temos que:
t = t-1 + t
Escrevendo o modelo para Yt-1, obtemos:
Yt-1 = + 1X1t-1 +2Yt-2 + t-1
Das expresses acima, podemos concluir que:
- t correlacionado com t-1.
- Yt-1 correlacionado com t-1.
E, como t-1 correlacionado com t, Yt-1 ser tambm correlacionado com t. Portanto, a
hiptese de que o erro no correlacionado com nenhuma das variveis explicativas
violada e, dessa forma, os estimadores de MQO sero, alm de ineficientes, tambm
viesados e inconsistentes.
FALSA

(3) Quando a varincia dos resduos, Var( t ) , varia para cada t , ento os estimadores de
Mnimos Quadrados de , 1 e 2 ainda so no tendenciosos mas ineficientes.
Resposta:
Nesse caso, ocorre o problema de heterocedasticidade, ou seja, a varincia dos resduos
no constante, o que faz com que os estimadores de MQO sejam ineficientes. Porm a
propriedade de no-tendenciosidade ainda mantida.
VERDADEIRA

(4) No caso da existncia de autocorrelao e heterocedasticidade dos resduos, as

varincias amostrais dos estimadores de Mnimos Quadrados de , 1 e 2 so
tendenciosas, fazendo com que os testes de hipteses destes parmetros fiquem
comprometidos.
Resposta:
 Equaes Simultneas

(ANPEC 2005, 08) Considere o modelo de equaes simultneas:

Qtd = 0 + 1 Pt + 2 X t + e1t (demanda)
Qts = 0 + 1 Pt + e2t (oferta)
Qtd = Qts (condio de equilbrio)
d s
Q e Q so, respectivamente, as quantidades demandadas e ofertadas do bem, X t uma
t t

varivel exgena e e1t e e2t so os termos aleatrios, com mdias zero e varincias
constantes. So corretas as afirmativas:

(0) As equaes de demanda e oferta so exatamente identificadas.

Resposta:
Para que uma equao seja exatamente identificada, o nmero de variveis endgenas nela
includas (G*-1) deve ser igual ao nmero de variveis exgenas excludas dessa equao
(K**). A nica varivel exgena nesse modelo X t , que est includa apenas na equao
da demanda. Dessa forma, temos que apenas a equao de oferta exatamente identificada.
E a equao da demanda subidentificada:
G * 1 = 1
Demanda: G * 1 > K * * equao subidentificada
K * * = 0

G * 1 = 1
Oferta: G * 1 = K * * equao exatamente identificada
K * * = 1
FALSA

(1) Os parmetros estruturais do modelo so consistentemente estimados por Mnimos

Quadrados Ordinrios.
Resposta:
Nesse modelo, temos o problema da simultaneidade, j que as variveis preo e quantidade
se determinam mutuamente. Dessa forma, a varivel endgena utilizada como varivel
independente est correlacionada com o termo de erro da equao, violando uma das
hipteses bsicas do modelo de regresso linear, necessria para que os estimadores sejam
no viesados e consistentes: E(xjiui) = 0 (nenhuma das variveis explicativas est
correlacionada com o termo de erro). Assim, os parmetros do modelo estrutural, se
estimados por mnimos quadrados ordinrios, sero viesados e inconsistentes. Veja mais
detalhes na questo ANPEC 2003, 8, item (0).
FALSA
(2) As equaes na forma reduzida so: Pt = 0 + 1 X t + v t e Qt = 2 + 3 X t + wt ,
0 2 e e 0 1
em que 0 = 0 ; 1 = ; vt = 1t 2t ; 2 = 1 0 ;
1 1 1 1 1 1 1 1
e 1e1t
3 = 2 1 e wt = 1 2t .
1 1 1 1
Resposta:
Igualando as quantidades, obtemos a equao na forma reduzida para o preo:
Qtd = Qts
0 + 1 Pt + 2 X t + e1t = 0 + 1 Pt + e2t
1 Pt 1 Pt = 0 0 2 X t + e2t e1t
( 1 1 )Pt = 0 0 2 X t + e2t e1t
0 0 2 e e1t
Pt = X t + 2t
1 1 1 1 1 1
Pt = 0 + 1 X t + t

Assim, temos que:

0 0
0 = ;
1 1
2
1 = ;
1 1
e2t e1t
t = .
1 1

Bom, por aqui j d para ver que a afirmativa falsa ( t ). Mas, vamos encontrar
tambm a equao na forma reduzida para a quantidade. Substituindo a equao do preo
na equao da oferta, obtemos:

Qt = 0 + 1 Pt + e2t
0 2 e e1t
Qt = 0 + 1 0 X t + 2t + e2t

1 1 1 1 1 1

0 1 e 1e1t
Qt = 0 + 0 1 1 2 X t + 1 2t + e2 t
1 1 1 1 1 1
0 1 e 1e1t
Qt = 1 0 1 2 X t + 1 2t
1 1 1 1 1 1
Qt = 2 + 3 X t + wt

em que:
 1 0 0 1
2 =
1 1

3= 1 2
1 1
e 1e1t
wt = 1 2t
1 1

e2t e1t
Assim, a afirmativa ento falsa pois t = .
1 1

FALSA

(3) As estimativas dos parmetros da forma reduzida descritos no quesito anterior, por
Mnimos Quadrados Ordinrios, so consistentes.
Resposta:

Nas equaes na forma reduzida, o problema da simultaneidade foi eliminado e, portanto,

os parmetros podem ser estimados consistentemente por mnimos quadrados ordinrios, j
que nenhuma hiptese do modelo de regresso linear est sendo violada.

VERDADEIRA

(4) Os parmetros das equaes estruturais, obtidos dos parmetros da forma reduzida, so
estimados por Mnimos Quadrados Ordinrios.
Resposta:
Note que a equao da demanda subidentificada. Portanto, os parmetros estruturais dessa
equao, obtidos dos parmetros da forma reduzida, no podero ser estimados por
mnimos quadrados ordinrios.

FALSA
(ANPEC 2004, 07) So corretas as afirmativas. Em modelos de equaes simultneas:

(0) o problema da identificao precede o da estimao.

Resposta:
Em um modelo de equaes simultneas, devemos antes de estimar o modelo, verificar se
as equaes esto identificadas (ou seja, se possvel estimar os parmetros do modelo
estrutural a partir das equaes na forma reduzida). Caso no estejam, no ser possvel
obter estimativas consistentes do modelo.
VERDADEIRA

(1) se a condio de ordem for satisfeita, a condio de posto tambm ser satisfeita.
Resposta:
Sabemos que a condio de ordem necessria, porm no suficiente para a identificao.
A condio suficiente dada pela condio de posto. E se a "satisfao" da condio de
ordem implicasse a "satisfao" da condio de posto, no precisaramos verificar se ambas
ocorrem. A condio de ordem consiste em verificar se h informao suficiente, ou seja,
variveis exgenas excludas de cada uma das equaes, para que possamos diferenciar as
equaes do modelo; a condio de posto consiste em verificar se os parmetros dessas
variveis realmente existem, ou seja, se so diferentes de zero.
FALSA

(2) os estimadores de mnimos quadrados indiretos e os de mnimos quadrados de dois

estgios so no-tendenciosos e consistentes.
Resposta:
Os estimadores de mnimos quadrados indiretos e de dois estgios so tendenciosos,
porm consistentes. H que se notar que, em geral, em modelos de equaes simultneas
no possvel obter estimadores no-tendenciosos.
FALSA

(3) se uma equao exatamente identificada, os mtodos de mnimos quadrados indiretos

e de dois estgios produzem resultados idnticos.
Resposta:
O mtodo dos mnimos quadrados indiretos (MQI) consiste em estimar os parmetros da
forma reduzida por MQO e ento encontrar os parmetros da forma estrutural substituindo
nela os parmetros estimados. O mtodo dos mnimos quadrados em dois estgios consiste
em estimar as equaes na forma reduzida por MQO e ento calcular os valores estimados
das variveis endgenas e utilizar essas estimativas no lugar das variveis endgenas
propriamente ditas para estimar o modelo estrutural por MQO. Se a equao for exatamente
identificada, o mtodo dos mnimos quadrados indiretos ser igual ao MQ2E, j que
estaremos fazendo exatamente a mesma coisa (s que de forma diferente).
VERDADEIRA

(4) o mtodo de mnimos quadrados indiretos pode ser aplicado tanto a equaes
exatamente identificadas quanto a equaes superidentificadas.
Resposta:
O mtodo dos mnimos quadrados indiretos s se aplica a equaes exatamente
identificadas. Se uma equao for superidentificada, este mtodo ir produzir estimativas
diferentes para o mesmo parmetro, pois teremos mais de uma equao para cada
coeficiente. O mtodo que se aplica tanto a equaes exatamente identificadas quanto a
superidentificadas o dos mnimos quadrados em dois estgios, lembrando que no primeiro
caso, as estimativas de MQI e de MQ2E sero idnticas.
FALSA

(ANPEC 2003, 8) Considere o modelo de equaes simultneas:

QiD = 1 + ' Pi + u1i (demanda)
QiS = 2 + 2 Pi + u 2 i (oferta)
Qi = Qi
D S

em que: QiD a quantidade demandada, QiS a quantidade ofertada, Pi o preo, e u1i e u2i
so termos aleatrios. correto afirmar que:

(0) o estimador de mnimos quadrados ordinrios aplicado a cada uma das equaes
consistente e no-tendencioso;
Resposta: .
Em ambas as equaes, temos como varivel explicativa uma varivel endgena
(preo), ou seja, uma varivel que tambm determinada pelo modelo (quantidade
determina o preo que por sua vez determina a quantidade). Quando isso acontece, o erro
est correlacionado com a varivel explicativa, o que viola uma das hipteses bsicas do
modelo de regresso linear, necessria para que os estimadores sejam no viesados e
consistentes. Para ver intuitivamente porque isso ocorre, suponha que ocorra um choque
aleatrio que diminua a quantidade produzida (uma geada, por exemplo). Esse choque far
tambm com que o preo suba (j que a quantidade ofertada diminuiu), o que, por sua vez,
far com que a demanda diminua (j que o preo est maior). Portanto, o preo est
correlacionado com o termo de erro da regresso e, sendo assim, se aplicarmos o mtodo
dos mnimos quadrados ordinrios a cada uma das equaes deste modelo, obteremos
estimadores tendenciosos e inconsistentes.

FALSA

(1) no modelo acima a equao de demanda identificada, mas a equao de oferta no ;

Resposta:
Nenhuma das equaes est identificada neste modelo, j que no h nenhuma varivel
exgena que nos permita identificar qualquer uma das equaes. Mais formalmente, temos
que, pela condio de ordem, para que uma equao esteja identificada, necessrio que o
nmero de variveis endgenas includas na equao menos um seja igual ao (ou menor
que) o nmero de variveis exgenas excludas da equao, o que, claramente, no se
verifica nem na oferta nem na demanda.
FALSA

(2) se a equao de demanda for definida por QiD = 1 + ' Pi + 1Yi + u1i , em que Yi a
renda, a equao de oferta ser identificada;
Resposta:
O fato de existir uma varivel exgena excluda da equao da oferta permite-nos
identific-la. Aplicando a condio de ordem para a equao da oferta, temos que o nmero
de variveis endgenas includas nesta equao menos um (G-1) igual a 1. O nmero de
variveis exgenas excludas da equao (K) tambm igual a 1. Portanto, como G-1 = K,
a equao exatamente identificada.
VERDADEIRA

(3) a equao de demanda ser identificada se for definida por QiD = 1 + ' Pi + 1Yi + u1i ;
Resposta:
A equao da demanda apenas poder ser identificada se incluirmos uma varivel exgena
na equao de oferta. Incluir uma varivel exgena na prpria equao de demanda, como
vimos no item anterior, torna a equao de oferta identificada.
FALSA

(4) a varivel renda, empregada nos dois itens anteriores, uma varivel instrumental.
Resposta:
Uma varivel instrumental deve possuir as seguintes caractersticas:
- no correlacionada com o erro, ou seja, uma varivel exgena;
- correlacionada com a varivel explicativa endgena.
A varivel renda atende a esses "requisitos". Como uma varivel exgena, no est
correlacionada com o erro, e est correlacionada com a varivel explicativa endgena, ou
seja, com o preo. Portanto, a renda uma varivel instrumental.

VERDADEIRA

(ANPEC 2002, 11) Considere as seguintes equaes do modelo estrutural:

Equao de Demanda: Qt = 0 + 1 Pt+ 2Rt + u1t

 Equao de oferta: Qt = 0 + 1 Pt+ 2Pt-1 + u1t

em que no perodo t, Qt a quantidade de produto; Pt , o preo (endgeno) do produto; Rt ,

a renda do consumidor; uit , o distrbio aleatrio da equao de demanda e u2t , o distrbio
aleatrio da equao de oferta. A partir destas equaes so obtidas as equaes na forma
reduzida:

Pt = 0 + 1 Rt+ 2Pt-1 + v1t e Qt = 3 + 4 Rt+ 5Pt-1 +wt.

0 2 2
(0) Assim sendo, 0 = 0 , 1 = e 2 = .
1 1 1 1 1 1
Resposta:
Igualando as quantidades, obteremos a equao na forma reduzida para o preo:
Qt = Qt
0 + 1Pt + 2Rt + u1t = 0 + 1Pt + 2Pt-1 + u2t
1Pt - 1Pt = 0 - 0 + 2Pt-1 - 2Rt + u2t - u1t
(1 - 1) Pt = 0 - 0 + 2Pt-1 - 2Rt + u2t - u1t
0 2 2 u u 1t
Pt = 0 - Rt + Pt-1 + 2 t
1 1 1 1 1 1 1 1
Pt = 0 +1Rt + 2Pt-1 + 1t

0 0 2 2
Assim sendo, 0 = , 1 = - e 2 =
1 1 1 1 1 1

FALSA

(1) A condio de posto indica que a primeira e a segunda equaes so identificadas.

Resposta:

muito fcil verificar a condio de posto neste caso. A condio de posto diz que:

A matriz com os coeficientes das variveis excludas da equao deve ter posto1
igual ao nmero de variveis endgenas totais menos 1. Caso isso no se verifique, a
equao est subidentificada.

Sabemos que o nmero de variveis endgenas totais do modelo igual a 2 (preo e

quantidade). Portanto, o posto da matriz com as variveis excludas de cada equao dever
ser de ordem 1 ( 2 -1 = 1). A tabela abaixo nos ajudar a verificar se as equaes desse
modelo satisfazem condio de posto (colocamos o nmero 1 se a varivel est includa
na equao e 0 se est excluda):

1
O posto de uma matriz a ordem do maior determinante diferente de zero contido nessa matriz.
 Equao Qt Pt Rt Pt-1
Demanda 1 1 1 0
Oferta 1 1 0 1

Agora, construmos uma matriz a partir da tabela acima de acordo com o seguinte
critrio: excluir a linha correspondente equao que estamos analisando e excluir as
colunas correspondentes s variveis excludas da equao. Ento, verificamos se o posto
desta matriz igual a 1. fcil verificar que tanto para a equao da oferta quanto para a
equao da demanda a condio de posto satisfeita.

VERDADEIRA

(2) Se multiplicarmos a equao de demanda por (0 < < 1) e a equao de oferta por (1-
) e som-las, desde que o resultado dessa soma seja diferente da equao de oferta e da
equao de demanda, as duas sero identificadas.

Resposta:
Multiplicando a equao de demanda por e a de oferta por (1- ) e somando, obtemos:

Qt = 0 + 1 Pt+ 2Rt + u1t

(1- )Qt = (1- )0 + (1- ) 1 Pt+ (1- ) 2Pt-1 + (1- )u1t
Qt = 0 -0+ 0 + 1Pt - 1Pt + 1Pt+ 2Rt - 2Pt-1 + 2Pt-1+ u1t -u2t + u2t

Fazendo:
0 = 0 -0 + 0
1 = 1Pt - 1Pt + 1Pt
2 = 2Rt
3 = 2Pt-1 + 2Pt-1
t = u1t -u2t

Obteremos a seguinte equao:

Qt = 0 + 1Pt + 2Rt + 3Pt-1 + t

Como essa equao diferente tanto da equao de oferta quanto da equao de demanda,
podemos concluir que tanto a oferta quanto a demanda esto identificadas.
VERDADEIRA

(3) O mtodo de mnimos quadrados ordinrios produz estimadores consistentes e

eficientes dos parmetros da forma estrutural.
Resposta:
O mtodo dos mnimos quadrados ordinrios produz estimadores inconsistentes e
ineficientes dos parmetros da forma estrutural, j que a hiptese de no existncia de
correlao entre as variveis explicativas e o erro violada (veja tambm questo ANPEC
2003, 8, item 0)
FALSA

(4) Para verificar se qualquer equao do sistema identificvel, basta aplicar a condio
de ordem.
Resposta:
A condio de ordem necessria para a identificao do sistema, porm no
suficiente. A condio necessria e suficiente dada pela condio de posto, j que para
realmente estarem identificadas, os coeficientes das variveis exgenas excludas das
equaes devem de fato existir, ou seja, devem ser diferentes de zero. Portanto, para
verificar se qualquer equao do sistema est ou no identificada, devem ser verificadas a
condio de ordem e tambm a de posto.
FALSA

(ANPEC 2001, 08) No modelo de equaes simultneas:

Q D = 1 + 1 P + 1Y + u1 (demanda)
Q S = 2 + 2 P + u 2 (oferta)
Q =Q
D S

em que: QD a quantidade demandada; QS, a quantidade ofertada; P, o preo; Y, a renda;

u1 e u2 so os componentes aleatrios. Neste modelo:

(0) A aplicao do mtodo de mnimos quadrados ordinrios (MQO) a cada uma das
equaes do sistema, desconsiderando-se a outra, fornecer estimativas no
tendenciosas.
Resposta:
Em ambas as equaes, temos como varivel explicativa uma varivel endgena, ou seja,
que tambm determinada pelo modelo e, dessa forma, o erro de cada equao estar
correlacionado com tal varivel, levando a estimativas tendenciosas e inconsistentes. (veja
tambm questo ANPEC 2003, 8, item 0)
FALSA

(1) A equao de demanda subidentificada.

Resposta:
Como no h nenhuma varivel exgena excluda da equao de demanda, esta no pode
ser identificada. Aplicando a condio de ordem, verificaremos que:

G* - 1 (variveis endgenas includas na equao - 1) = 1

K** (variveis exgenas excludas da equao) = 0

Portanto, como G*-1 > K**, a equao est subidentificada.

VERDADEIRA

(2)A equao de oferta exatamente identificada.

Resposta:
A existncia da varivel exgena renda (Y) na equao da demanda nos permite
identificar a equao de oferta. Aplicando a condio de ordem, verificaremos que:

G* - 1 = 1
K** = 1

Como G*-1 = K**, temos que a equao de oferta est exatamente identificada.
VERDADEIRA

(3) Na equao de oferta, o estimador de MQO consistente.

Resposta:

Veja item (0).

FALSA

(4) Caso seja subidentificada, a equao de demanda no pode ser estimada.

Resposta:
Nada impede (a no ser o bom senso) que estimemos uma equao subidentificada
pelo mtodo dos mnimos quadrados ordinrios, ou seja, realmente possvel estim-la.
Mas, se fizermos isso, obteremos estimativas viesadas e inconsistentes dos parmetros.
Portanto, caso seja subidentificada, no poderemos consistentemente estimar a equao da
demanda.
FALSA

(ANPEC 1998, 14) Considere o seguinte conjunto de equaes simultneas:

Q = 1 + 1 P + 1Y + 1 : funo de demanda
Q = 2 + 2 P + 2 : funo de oferta

onde Q (quantidade) e P (preos) so as variveis endgenas, Y (renda) a varivel

exgena e 1 , 2 , representam os resduos. Os valores 1 , 2 , 1 , 1 e 2 so os
parmetros do modelo.
Ento, pode -se afirmar que:

(0) As equaes na forma reduzida so definidas como :

Q = 1 + 2 Y + 1
P = 3 + 4Y + 2
 1 2 21 1 1 2 1
onde, 1 = , 2 = 1 2 , 3 = 2 , 4 = , v1 = 1 2 e
1 2 1 2 1 2 1 2 1 2
2
2 = 1 .
1 2
Resposta:
As equaes na forma reduzida colocam cada varivel endgena do modelo
estrutural em funo de todas as variveis exgenas do modelo. Faamos isso para verificar
se a afirmativa est correta.
Primeiro, igualemos as quantidades para obtermos a equao na forma reduzida
para o preo:

Q=Q
1 + 1P + 1Y + 1 = 2 + 2P + 2
1P - 2P = 2 - 1 - 1Y + 2 - 1
(1 - 2) P = 2 - 1 - 1Y + 2 - 1
1 1 1
P= 2 + Y+ 2
1 2 1 2 1 2
P = 3 + 4 Y+ 2

Substituindo a equao do preo acima na equao da oferta, obteremos a equao

na forma reduzida para a quantidade:
Q = 2 + 2 P + 2
1 1 1
Q = 2 + 2 2 + Y+ 2 + 2
1 2 1 2 1 2
2 1 2 1 2 1
Q= 1 2 + Y+ 1 2
1 2 1 2 1 2
Q = 1 + 2Y + 1

Confrontando os resultados obtidos com os dados pela afirmativa, conclumos realmente

1 + 2
que esta verdadeira (note que 2 = 1 = 2).
1 2 1 2
VERDADEIRA

(1) As funes de demanda e oferta so identificadas.

Resposta:
Apenas a equao de oferta est identificada, j que h uma varivel exgena excluda
desta equao. Quanto equao de demanda, no h nenhuma informao adicional na
equao de oferta que nos permita distingu-la desta ltima.
FALSA
(2) A estimao dos parmetros das equaes na forma reduzida por Mnimos Quadrados
Ordinrios, produz estimadores consistentes.
Resposta:
O termo de erro das equaes na forma reduzida so no correlacionados com as variveis
explicativas (j que todas elas so exgenas) e, portanto, a estimao dessas equaes
atravs do mtodo dos mnimos quadrados ordinrios produzir estimadores consistentes.
VERDADEIRA

(3) Os resduos 1 e 2 so independentes.

Resposta:
Note que os resduos 1 e 2 so ambos combinaes lineares de 1 e 2, ou seja dos erros
do modelo estrutural. Portanto, eles no podem ser independentes.
FALSA
Tanto a existncia de autocorrelao quanto de heterocedasticidade nos resduos, faz com
que as varincias amostrais dos estimadores de MQO sejam viesadas, invalidando os testes
t e F, mesmo assintoticamente.
VERDADEIRA
 Sries de Tempo

(ANPEC 2005, 07) Com respeito teoria das sries temporais, so corretas as
afirmativas:
(0) Considere uma srie temporal Yt auto-regressiva de ordem 1 com parmetro . No
modelo: Yt Yt 1 = Yt 1 + u t , em que ut um rudo branco e = 1 , se
for de fato igual a zero, a srie Yt ser no estacionria.
Resposta:
Considere o modelo original:
Yt = Yt-1 + ut

Sabemos que, se | | <1, a srie ser estacionria.

Somando e subtraindo Yt-1 do lado direito da equao acima, temos:

Yt = Yt-1 + Yt-1 Yt-1 + ut

Yt Yt-1 = Yt-1 Yt-1 + ut
Yt Yt-1 = ( 1)Yt-1 + ut
Yt Yt-1 = Yt-1 + ut

Dessa forma, se = 0 (o que significa que =1), a srie no ser estacionria.

Note que essa "forma alternativa" de escrever o processo utilizada para o teste de raiz unitria de
Dickey-Fuller, que testa a hiptese nula que = 0 (o que equivale a = 1).
VERDADEIRA

(1) Numa regresso linear simples de duas sries temporais no estacionrias de ordem 1, o teste usual t
de Student ainda vlido.

Resposta:

Temos que as duas variveis so I(1). Porm, no sabemos se elas so ou no co-integradas. Se elas
forem, o teste usual t de Student ser vlido. Mas, se no forem, a regresso ser espria e o teste t ser
invlido. Para que as variveis sejam co-integradas, elas precisam ser integradas de mesma ordem e, alm
disso, devem caminhar juntas. Se isso ocorrer, os resduos da regresso entre elas sero estacionrios.

FALSA

(2) Numa regresso linear mltipla de sries temporais de ordem 1, mas cointegrveis, no se corre o
risco de os resultados serem esprios.
Resposta:
Dado que as sries so I(1) e cointegrveis, a regresso entre elas ser vlida e, por isso,
no se corre o risco de obter resultados esprios.

VERDADEIRA

(3) Numa regresso linear mltipla de sries temporais de ordem 1, mas

cointegrveis, os resduos da regresso so estacionrios.
Resposta:
Se as sries so cointegrveis, ento os resduos da regresso entre elas sero
necessariamente estacionrios. Alis, o teste de co-integrao consiste basicamente em
verificar se os resduos da regresso entre variveis integradas de mesma ordem so
estacionrios.

VERDADEIRA

(4) Se uma srie temporal tiver que ser diferenciada n vezes antes de se tornar
estacionria, a srie original integrada de ordem n -1.
Resposta:
Se uma srie temporal tiver que ser diferenciada n vezes antes de se tornar estacionria,
a srie original integrada de ordem n. Por exemplo, se a primeira diferena da srie for
estacionria, ela ser integrada de ordem 1, I(1).
FALSA

(ANPEC 2004, 9) Considere a seguinte regresso entre yt e zt:

y t = z t + u t ,

em que ut o erro. So corretas as afirmativas:

(0) Se yt for I(1) e zt for I(0), ento yt e zt so co-integradas.

Resposta:
As variveis yt e zt apenas podero ser co-integradas se forem integradas de mesma
ordem (veja tambm item (2) desta questo).
FALSA

(1) Se yt for I(0) e zt for I(1), ento yt e zt so co-integradas.

Resposta:
Novamente, como as variveis no so integradas de mesma ordem, elas no podem ser
co-integradas.
FALSA

(2) Se yt for I(1) e zt for I(1), ento yt e zt so co-integradas.

Resposta:
Para que duas variveis sejam co-integradas, necessrio que sejam integradas de
mesma ordem, mas, tambm, que "caminhem" juntas, sincronizadas. Se isso ocorrer, os
resduos da regresso entre essas variveis sero estacionrios. Portanto, mesmo que
duas variveis sejam integradas de mesma ordem, possvel que elas no sejam co-
integradas.
FALSA

(3) Se yt for I(1), zt for I(1) e ut for I(0), ento yt e zt so co-integradas.

Resposta:
Nesse caso, as sries so realmente co-integradas: so integradas de mesma ordem e os
resduos da regresso entre elas seguem um processo estacionrio (j que ut integrado
de ordem 0).
VERDADEIRA

(4)Se ut for I(0) as sries yt e zt so necessariamente co-integradas.

Resposta:
Apenas a informao de que os resduos dessa regresso so estacionrios no nos
permite concluir que estas variveis sejam co-integradas, j que elas podem ser
estacionrias e, nesse caso, no haver co-integrao entre elas.
FALSA

(ANPEC 2005, 09) So corretas as afirmativas:

(0) No processo AR(1): yt = 0 + 1 yt 1 + et , em que < 1 e et um rudo branco de
2
mdia zero e varincia 2 , a varincia de y t ser .
1 2
Resposta:

Essa questo foi anulada pois no foi especificado o subscrito do parmetro quando
2
se diz que < 1 e que a varincia de y t = . Se considerarmos que 1 , a
1 2
afirmativa seria verdadeira. Vejamos:

var(yt) = var( 0 + 1 y t 1 + et )
var(yt) = var(1 y t 1 + et )
var(yt) = var (1 y t 1 ) + var( et )
var(yt) = 12 var(yt-1) + 2
var(yt) 12 var(yt) = 2
(1- 12 )var(yt) = 2
2
var(yt) =
1 12

E a condio de estacionariedade que 1 < 1 .

ANULADA

(1) Seja a funo de autocovarincia do processo AR(1) definido no quesito anterior

j = E[( y t j )( y t j )] , em que = E[ y t ] a mdia do processo y t . correto
( 0 + 1 ) j
afirmar que j = .
1 12
Resposta:

Em primeiro lugar, h que se notar que a funo de autocovarincia dada por:

j = E[( y t - )( y t j - )]

Da forma como foi dado no enunciado, j seria a varincia do processo:

j = E[( y t j )( y t j )] = E[( y t j ) 2 ]

Com essa ressalva, podemos ento calcular j :

j = E[( y t - )( y t j - )]

Para facilitar o clculo, faamos 0 = 0, medindo yt em termos de desvios da sua mdia.

Assim, temos:
j = E( y t y t j )
j = E[( 1 yt-1+et)yt-j]
j = E( 1 yt-1yt-j) + E(etyt-j)
j = 1 E(yt-1yt-j)

Para j = 1:
1 = 1 E(yt-1yt-1)
1 = 1 E( y t21 )
1 = 1 var(yt)
1 2
1 =
1 12

Para j = 2:

2 = 1 E(yt-1yt-2)
2 = 1 E[( 1 yt-2+et) yt-2]
 2 = 12 E( y t2 2 )
2 = 12 var(yt)
12 2
2=
1 12

Generalizando:

1j 2
j=
1 12

FALSA

(2) O processo AR(2), y t = 0 + 1 y t 1 + 2 y t 2 + et , em que et um rudo branco de

mdia nula e varincia 2 , ser estacionrio de segunda ordem se, e somente se,
1 < 1 e 2 < 1 .
Resposta:
O processo AR(2) ser estacionrio se, e somente se, 1 + 2 <1.
Vejamos:

y t = 0 + 1 y t 1 + 2 y t 2 + et

Seja L o operador defasagem (Lyt = yt-1, L2 = yt-2). Podemos escrever:

y t = 0 + 1 Ly t + 2 L2 y t + et
(1 L L ) y =
1 2
2
t 0 + et

A expresso entre parnteses acima um polinmio em L. Para que o processo seja

estacionrio, todas as razes desse polinmio devem ser maiores que 1 em mdulo, ou
seja, devem estar fora do crculo unitrio. Assim, uma condio suficiente de
estacionariedade para um processo AR(2) que 1 + 2 <1.

FALSA

(3) A mdia do processo MA(1), y t = et + et 1 , em que et um rudo branco, igual

a zero.
Resposta:
Calculemos a mdia de yt:
E(yt) = E(et + et-1)
E(yt) = E(et) + E(et-1)
E(yt) = E(et) + E(et)
Como et um rudo branco:
E(yt) = 0

VERDADEIRA
(4) No modelo ARMA(1,1), y t = 0 + 1 y t 1 + et + et 1 , em que et um rudo branco
0
de mdia nula e varincia constante, a mdia de y t dada por .
1 1
Resposta:
Calculemos a mdia de yt:
E(yt) = E( 0 + 1 y t 1 + et + et 1 )
E(yt) = 0 + 1 E(yt-1) + E(et) + E(et-1)
E(yt) = 0 + 1 E(yt) + E(et) + E(et)
E(yt) - 1 E(yt) = 0
(1- 1 )E(yt) = 0
0
E(yt) =
1 1

VERDADEIRA

(ANPEC 2004, 10) Em relao aos modelos de sries temporais, so corretas as

afirmativas:

(0) No processo AR(1), Z t = Z t 1 + a t + 0 , < 1 , e a t um rudo branco, a mdia

0
de Zt ser .
1
Resposta:

Calculemos a mdia do processo:

E(Zt) = E (Zt-1 + at + 0)
E(Zt) = E(Zt-1) + E(at) + E(0)

Sabemos que a mdia dos erros zero e que, como < 1 , o processo estacionrio.
Portanto:
E(Zt) = E(Zt) + E(0)
E(Zt) - E(Zt) = 0
(1-) E(Zt) = 0

E(Zt) = 0

VERDADEIRA

(1) O processo MA(1), Zt = at at 1 , em que a t um rudo branco, no

estacionrio.
Resposta:
Para que uma srie seja estacionria (fracamente), sua mdia e varincia devem
ser constantes ao longo do tempo e suas autocovarincias no devem depender do
tempo, mas apenas da ordem da defasagem. Verifiquemos se isso ocorre para o
processo MA(1) em questo.

A mdia de Zt igual a zero:

E(Zt) = E(at - at-1)
E(Zt) = E(at) - E(at-1)
Como at um rudo branco:
E(Zt) = 0

A varincia de Zt ser dada por:

var(Zt) = var(at - at-1)
Como at um rudo branco:
var(Zt) = var(at) + var(at)
var(Zt) = 2 a2

E agora as autocovarincias:
cov(Zt, Zt-1) = E(ZtZt-1)
cov(Zt, Zt-1) = E[(at - at-1)Zt-1]
cov(Zt, Zt-1) = E(atZt-1) - E(at-1Zt-1)
cov(Zt, Zt-1) = - E[at-1(at-1 - at-2)]
cov(Zt, Zt-1) = - E( a t21 ) + E(at-1at-2)
cov(Zt, Zt-1) = - a2

cov(Zt, Zt-2) = E(ZtZt-2)

cov(Zt, Zt-2) = E[(at-at-1)Zt-2]
cov(Zt, Zt-2) = E(atZt-2) - E(at-1Zt-2)
cov(Zt, Zt-2) = 0

Se o leitor continuar calculando as covarincias, verificar que todas as demais

tambm sero iguais a zero. Portanto, como podemos observar pelos resultados acima,
as condies para que o processo seja estacionrio so satisfeitas sem a necessidade de
se impor qualquer restrio sobre o coeficiente de um MA(1). Conclumos, ento, que
um processo MA(1) sempre estacionrio (alis, isso no vale apenas para um MA(1),
mas para um processo de mdia mvel de ordem q qualquer).
FALSA

(2) O processo AR(1), Zt = 0,8Zt 1 + at , em que a t um rudo branco, estacionrio.

Resposta:

A condio de estacionariedade para um modelo AR(1), Zt = Zt-1 + at, dada por || <
1. Como, nesse caso, o coeficiente de Zt-1 menor que 1 em mdulo, este processo
estacionrio (um choque ocorrido em dado perodo ser dissipado ao longo do tempo).
VERDADEIRA
(3) No processo AR(1), Zt = Zt 1 + at , em que a t um rudo branco com Var( a t ) =
a2
a2 , a varincia de Zt .
12
Resposta:
Calculemos a varincia de Zt:
var(Zt) = var(Zt-1 + at)
var(Zt) = var(Zt-1) + var(at)
var(Zt) = 2 var(Zt) + a2
var(Zt) - 2 var(Zt) = a2
(1 - 2) var(Zt) = a2
2

var(Zt) = a

1 2
VERDADEIRA

(4) No modelo ARMA(1,1), Zt = Zt 1 + at + at 1 , em que a t um rudo branco, a

mdia de Zt diferente de zero.
Resposta:
Nesse processo, a mdia de Zt igual a zero (j que no h o intercepto). Mas, para os
mais desconfiados, calculemos:

E(Zt) = E (Zt-1 + at + at-1)

E(Zt) = E(Zt-1) + E(at) + E(at-1)
E(Zt) = E(Zt-1) + E(at) + E(at-1)

Como at um rudo branco, sua mdia zero e, portanto:

E(Zt) = E(Zt)
(1-) E(Zt) = 0
E(Zt) = 0

FALSA

(ANPEC 2003, 10) Considere o modelo de regresso linear

C t = 0 + 1Yt + u t , t = 1, , T ,
em que: Ct o consumo pessoal em t, Yt a renda pessoal em t e ut o termo aleatrio.
correto afirmar que:

(0) se Ct e Yt so I(1), ento ut ser obrigatoriamente estacionrio;

Resposta:
Se Ct e Yt so variveis integradas de mesma ordem, os resduos da regresso
entre elas apenas sero estacionrios se elas caminharem juntas, ou seja, se forem co-
integradas.
FALSA

(1) se o Ct e Yt so integradas, mas com ordens de integrao diferentes, ento a

regresso ser invlida;
Resposta:
Como nesse caso as variveis no so estacionrias e no poder haver co-integrao
entre elas (j que so integradas, mas com ordens diferentes), a regresso ser espria,
ou seja, no ter validade.
VERDADEIRA

(2) se Ct e Yt so I(1), ento o teste ADF aplicado aos resduos da regresso poder
identificar a presena de co-integrao entre as variveis;
Resposta:
Se as variveis so integradas de mesma ordem, h a possibilidade de que elas sejam co-
integradas, ou seja, que caminhem no mesmo passo. Se esse for o caso, os resduos da
regresso entre essas variveis sero estacionrios. Como o teste ADF verifica a
presena de raiz unitria em uma srie, ou seja, testa a hiptese nula de no
estacionariedade, podemos utiliz-lo nos resduos da regresso para verificar se as sries
so co-integradas. E exatamente isso que faz o teste de Engle-Granger. H que se
fazer a ressalva, porm, de que, como os resduos dessa regresso so obtidos atravs de
valores estimados dos parmetros da regresso co-integrante, aumenta-se a incerteza e,
portanto, devem ser utilizados valores crticos diferentes dos utilizados para o teste
ADF.
VERDADEIRA

(3) se Ct e Yt so I(1), mas os resduos so I(0), ento h co-integrao entre as

variveis;
Resposta:
Nesse caso, todos os "requisitos" para que duas variveis sejam co-integradas foram
satisfeitos: as variveis so integradas de mesma ordem e caminham juntas (j que os
resduos da regresso entre elas so estacionrios).
VERDADEIRA

(4) se Ct e Yt so I(1) e os resduos tambm so I(1), ento a regresso de Ct em Yt

invlida.
Resposta:
Se as variveis so I(1), a primeira diferena de cada uma delas ser estacionria e,
portanto, a regresso de C t em Yt ser vlida. Note que, nesse caso, apesar das
variveis serem integradas de mesma ordem, elas no so co-integradas, j que os
resduos da regresso entre elas no sero estacionrios, pois tambm so integrados de
ordem 1.
FALSA

(ANPEC 2003, 15) Considere o modelo ARMA(1,1) definido por:

y t = 0,5 y t 1 0,2 t 1 + t , t = 1, , T ,
em que a varincia de t igual a 1. Encontre a varincia de yt.
(Multiplique o resultado final por 10. Marque somente a parte inteira na folha de
resposta).
Soluo:
A varincia desse processo ser dada por:
var(yt) = var(0,5yt-1 - 0,2t-1 + t)
Pelas propriedades da varincia, sabemos que a varincia da soma igual a soma das
varincias, desde que as variveis sejam independentes. E nesse caso, isso no ocorre.
Para ver porque, escrevamos o modelo para yt-1:
yt-1 = 0,5 yt-2 - 0,2t-2 + t-1
Como podemos observar, as variveis yt-1 e t-1 so claramente correlacionadas.
Portanto, a covarincia entre elas deve ser includa no clculo da varincia do processo.
Dessa forma, teremos que a varincia ser dada por:
var(yt) = var(0,5yt-1 - 0,2t-1 + t)
var(yt) = var(0,5yt-1) + var(0,2t-1) + var(t) - 2cov(0,5yt-1, 0,2t-1)
var(yt) = 0,25 var(yt) + 0,04var(t) + var(t) - 0,2 cov(yt-1, t-1)
var(yt) - 0,25 var(yt) = 0,04var(t) + var(t) - 0,2 cov(yt-1, t-1)
0,75 var(yt) = 0,04var(t) + var(t) - 0,2 cov(yt-1, t-1)

Como var(t) = 1:
0,75 var(yt) = 0,04 + 1 - 0,2 cov(yt, t-1) (I)

Calculemos agora a cov(yt-1, t-1):

cov(yt-1, t-1) = E(yt-1t-1) - E(yt-1)E(t-1)
Como a mdia dos erros igual a zero:
cov(yt-1, t-1) = E(yt-1t-1)
cov(yt-1, t-1) = E[(0,5 yt-2 - 0,2t-2 + t-1)t-1]
cov(yt-1, t-1) = E(0,5yt-2t-1) - E(0,2t-2t-1) + E( t21 )

cov(yt-1, t-1) = E( t21 ) = var(t) = 1 ( II )

Substituindo ( II ) em ( I ), teremos:
0,75 var(yt) = 0,04 + 1 - 0,2 cov(yt, t-1)
0,75 var(yt) = 1,04 - 0,2 1
0,75 var (yt) = 0,84
0,84
var(yt) = = 1,12
0,75
Multiplicando o resultado por 10 e considerando apenas a parte inteira, como pede o
exerccio, chegaremos ao resultado final de 11.

(ANPEC 2002, 12) Em relao aos modelos de Sries de Tempo pode-se afirmar:

(0) No modelo Autoregressivo de ordem 1, Z t = Z t 1 + ut + 0 , < 1 , em que ut um

rudo branco, o parmetro 0 a mdia do processo.
Resposta:
A mdia do processo dada por:
E(Zt) = E(Zt-1+ ut + 0)
E(Zt) = E(Zt-1) + E(ut) + E(0)
Como o processo estacionrio e a mdia dos erros zero, temos que:
E(Zt) = E(Zt) + E(0)
(1-) E(Zt) = 0

E(Zt) = 0

1
FALSA

(1) O modelo misto Autoregressivo-Mdias Mveis, ARMA(1,1), pode ser

representado pela expresso Zt = Zt + ut ut-1 em que e so parmetros e ut
um rudo branco.
Resposta:
O modelo ARMA (1,1) dado por: Zt = Zt-1 + ut - ut-1.
FALSA

(2) Se um processo estocstico possui uma tendncia determinstica, yt= 1 + 2 t + ut,

ento este dito no-estacionrio e sua no-estacionariedade pode ser detectada por
um teste para raiz unitria.
Resposta:
O processo estocstico seria no estacionrio se possusse uma tendncia aleatria.
Note que o prprio teste de Dickey-Fuller considera a possibilidade de uma srie
possuir tendncia determinstica (3 formulao para a regresso auxiliar do teste), caso
em que a varivel pode ser estacionria em torno da tendncia.
FALSA

(3) Em uma regresso com duas sries temporais, se estas so I(1), ou seja, no
estacionrias, mas so co-integradas, pode-se empregar a estatstica t de Student
para testar a significncia dos coeficientes da regresso.
Resposta:
De fato, se a regresso feita entre variveis que so co-integradas, os procedimentos
usuais de testes de hipteses so vlidos e, portanto, a significncia dos coeficientes da
regresso pode ser testada utilizando-se a estatstica t de Student.
VERDADEIRA

(3) O teste de Engle-Granger para co-integrao entre trs variveis consiste em utilizar
a estatstica e a tabela de valores crticos Dickey-Fuller nos resduos de uma
regresso entre estas variveis.
Resposta:
Apesar do teste de Engle-Granger para co-integrao ser um teste de Dickey-Fuller
aplicado aos resduos da regresso entre as variveis, a tabela de valores crticos de
Dickey-Fuller no adequada, j que os resduos foram obtidos de parmetros que
foram estimados e, portanto, a incerteza aumenta. Para o teste de Engle-Granger deve-
se, ento, utilizar-se outros valores crticos.
FALSA

(ANPEC 2001, 10) Seja o processo auto-regressivo:

y t = 1 y t 1 + t
Pode-se afirmar que:

(0) O processo estacionrio para 1 < 1.

Resposta:
Para que o processo seja estacionrio, sua mdia e varincia devem ser constantes ao
longo do tempo e suas autocovarincias devem depender apenas da ordem da defasagem
e no do tempo. A varincia do processo acima dada por:
2

var(yt) =
1 2
Portanto, para que esse processo seja estacionrio deve-se verificar que || <1, j que se
isso no ocorrer, a varincia ser infinita.
FALSA
(1) Se 1 = 1, o processo dito um caminho aleatrio (random walk).

Resposta:
Se 1 = 1, teremos:
yt = yt-1 + t,
que , por definio, um caminho aleatrio.
Se o modelo tivesse o intercepto, teramos um caminho aleatrio com drift:
yt = + yt-1 + t
VERDADEIRA

(2) O estimador de mnimos quadrados ordinrios do parmetro 1 no tendencioso.

Resposta:
O estimador de MQO do parmetro 1 ser no viesado quando |1|<1. O estimador de
MQO, neste caso, ser uma estimativa da correlao entre yt e yt-1 e, portanto, mesmo
na mdia, no poder ser igual se este for o verdadeiro valor de 1 (ou mesmo se for
muito prximo). O enunciado no dizia se 1 era menor do que 1, portanto h que se
fazer esta ressalva.
VERDADEIRA
(com a ressalva acima!!)

(3) A estatstica t-Student pode ser usada para testar a presena de raiz unitria.
Resposta:
Se a varivel no estacionria, sua varincia ser infinita e, dessa forma, a estatstica t
ser viesada e no seguir a distribuio t de Student. Portanto, para testar a presena de
raiz unitria, devemos utilizar a estatstica , que na realidade calculada da mesma
forma que a estatstica t, s que com valores crticos prprios (tabelados por Dickey e
Fuller).
FALSA

(4) O processo pode ser escrito em uma forma alternativa como y t = y t 1 + t em

que = 1 1 e y t = y t y t 1 .
Resposta:
Considere o modelo original:
y t = 1 y t 1 + t
Subtraindo e somando yt-1, obtemos:
yt = 1yt-1 + t + yt-1 - yt-1
yt - yt-1 = 1 yt-1 - yt-1 + t
y t = (1 - 1) yt-1 + t

y t = y t 1 + t

onde = (1 - 1)
Note que essa "forma alternativa" de escrever o processo utilizada para o teste de raiz
unitria de Dickey-Fuller, que testa a hiptese nula que = 0 (o que equivale a 1 = 1)
VERDADEIRA

(ANPEC 2001, 11) Um econometrista estimou uma funo consumo usando 25

observaes anuais da renda pessoal disponvel e consumo, a partir do modelo:
Ct = 1 + 2Yt + ut , em que:
Ct = consumo em t; Yt = renda pessoal disponvel em t; ut = erro aleatrio
Os resultados indicaram parmetros significativos a 5%, coeficiente de determinao de
0,94 e d de Durbin-Watson 0,5421. Com base nesses nmeros, o econometrista fez o
teste de Dickey-Fuller aumentado (ADF) para as sries de renda e de consumo, obtendo
estimativas de menores que os valores crticos de tabelados, a 1%, 5% e 10%.
Conseqentemente, o econometrista:

(0) Aceitou a hiptese nula do teste ADF, concluindo que as sries de renda e consumo
so no-estacionrias;
Resposta:
O teste ADF (Dickey-Fuller aumentado) testa a hiptese nula de raiz unitria. Portanto,
se os valores obtidos para a estatstica so menores que os valores tabelados (em
mdulo), no se pode rejeitar a hiptese nula de existncia de raiz unitria (no-
estacionariedade) nas sries das variveis.
VERDADEIRA

(1) Concluiu que os testes t e F no so vlidos.

Resposta:
Como as variveis so no estacionrias, a regresso pode ser espria e, assim, os testes
no seriam vlidos. Mas elas podem ser co-integradas e, desta forma, a regresso seria
vlida.
FALSA

(2) Concluiu que o teste t no vlido.

Resposta:
Note que, nesse caso, mesmo que as variveis sejam co-integradas e a regresso tenha
ento validade, temos o problema de autocorrelao nos resduos, j que a estatstica de
Durbin-Watson de 0,5421 (prxima de zero). E, quando temos o problema de
autocorrelao, a estatstica t ser viesada, invalidando os testes de hipteses, mesmo
assintoticamente. Mas cabe uma pergunta: se h autocorrelao, o teste F tambm no
fica invalidado? A tem uma sutileza: para alguns tipos de autocorrelao (por exemplo,
se for um processo AR(1)), demonstra-se que a estimao por MQO (quase) to
eficiente quanto a estimao corrigida (por mnimos quadrados generalizados). Da no
se poder concluir que o teste F seja, necessariamente, invlido. (veja Judge et.al., p.281)
VERDADEIRA

(3) Concluiu que a regresso estimada espria.

Resposta:
Como j salientamos no item (1), para concluir que a regresso estimada espria, o
econometrista deveria verificar se as variveis so ou no co-integradas, pois se forem,
a regresso no ser espria.
FALSA

(4) Necessita fazer mais outros testes para verificar se a regresso estimada espria.
Resposta:
Realmente, como leitor j deve estar se cansando de ler, para verificar se a regresso
espria, o econometrista necessita realizar um teste de co-integrao.
VERDADEIRA

(ANPEC 2000, 15, ) Considere um processo AR(1)

Yt = Yt -1 + t , t ~ NID(0, 2), t = 1,2,...T,
em que, por hiptese, || <1, a no ser que seja dito o contrrio. Considere Yo fixo e que
t seja muito distante da origem.

(0) A condio || < 1 necessria para que o processo apresente mdia e varincia
incondicionais independentes do tempo.
Resposta:
A condio || < 1 necessria para que o processo seja estacionrio, ou seja, tenha
mdia e varincia constantes e covarincia dependente apenas da ordem da defasagem e
no do tempo.
Se = 1, teremos que:
Yt = Yt-1 + t

Ou seja, Yt ser uma soma de choques aleatrios:

Yt = t
Portanto, o valor esperado de Yt ser dado por:

E(Yt) = E( t )

E(Yt) = E(1 + 2 + +t)

E(Yt) = t E()

Dessa forma, se = 1, a mdia do processo ser dependente do tempo (note que nesse
caso particular, E(Yt) = 0).
E a varincia ser:
n

var(Yt) = var( t )
t =1

var(Yt) = var (1 + 2 + +t)

var(Yt) = t2
De fato, se =1, a varincia do processo tambm ser dependente do tempo.

VERDADEIRA

(1) A mdia incondicional do processo zero.

Resposta:
No item anterior vimos que:
E(Yt) = t E() = t 0 = 0

Ou, para quem preferir:

E(Yt) = E(Yt-1 + t)
Como || < 1 e E(t) = 0, temos:
E(Yt) = E(Yt)
E(Yt) - (EYt) = 0
E(Yt) = 0
VERDADEIRA

(2) A funo de autocorrelao deste processo diferente de zero para o "lag" 1, e

igual a zero para todos os outros "lags".
Resposta:
As funes de autocorrelao (FAC) e de autocorrelao parcial (FACP) nos
permitem identificar o modelo a ser estimado. A tabela abaixo resume as caractersticas
da FAC e da FACP para os diferentes modelos:

modelo FAC FACP

AR(p) declinante truncada em p
MA(q) truncada em q declinante
ARMA(p, q) declinante declinante
Como temos um AR(1), a funo de autocorrelao desse processo ser declinante. E a
funo de autocorrelao parcial que ser diferente de zero para a 1 defasagem e
igual a zero para as demais defasagens.

FALSA

(3) A previso dois-passos frente dada por: E(Yt+2| Yt) = ( +1) + 2Yt , em que Yt
= { Y1 , Y2 ,..., Yt}.
Resposta:
A previso dois-passos frente para Yt dada por:
E(Yt+2|Yt) = Yt+1
Como Yt+1 = Yt, temos que:
E(Yt+2|Yt) = (Yt)
E(Yt+2|Yt) = 2Yt

FALSA

(4) Se =1, o processo ser no estacionrio.

Resposta:
Se = 1, o processo ser um caminho aleatrio e, portanto, no ser estacionrio.
VERDADEIRA

(ANPEC 1999, 1) Com relao aos modelos Auto - Regressivo, Mdia - Mvel e
Misto, pode-se afirmar que :

(0) No modelo AR(1), Zt = Zt-1 + at , onde E(at)=0 , E( at2 )= a2 e bCov( at , as ) = 0 se

t s , a varincia de Z t finita qualquer que seja o valor de .
Resposta:
A varincia de Zt apenas ser finita se || < 1, ou seja, se o processo for estacionrio.
Sabemos que a varincia ser dada por:

var(Zt) = var (Zt-1 + at)

var(Zt) = 2var(Zt-1) + var(at)
var(Zt) = 2var(Zt) + a2
var(Zt) - 2var(Zt) = a2
2

var(Zt) = a

(1 2 )

Portanto, se || = 1, a varincia de Zt ser infinita.

FALSA
(1) No modelo MA(1) , Zt = + at - at-1, onde E(at) = 0 para todo t e
E( at2 ) = a2 , ento E( Z t ) = e Var( Z t ) = (1 + 2 ) a2 .
Resposta:
Calculemos o valor esperado de Zt:
E(Zt) = E( + at - at-1)
E(Zt) = + E(at) - E(at-1)

Como E(at) = 0, temos que:

E(Zt) =

E a varincia:
var(Zt) = var( + at - at-1)
var(Zt) = var(at) + 2 var(at)
var(Zt) = (1 + 2)var(at)
var(Zt) = (1 + 2) a2

VERDADEIRA

(2) O processo ARMA(p,q) (Auto-Regressivo Mdia-Mvel) pode ser escrito na forma

( L) Z t = ( L)at , onde ( L) = 1 1L 2 L2 p Lp e
( L) = 1 1L 2 L2 q Lq so, respectivamente, os operadores auto-regressivo
e de mdia-mvel de ordem p e q onde, Ln Z t = Z t n .
Resposta:

O processo ARMA (p, q) dado por:

Zt = 1Zt-1 + 2Zt-2 + ....+pZt-p + at - 1at-1 - 2at-2 - ... - qat-q

Fazendo uso do operador defasagem L, podemos escrev-lo da seguinte forma:

Zt = 1L Zt + 2L2Zt + ....+pLpZt + at - 1Lat - 2L2at - ... - qLqat

Zt - 1LZt - 2L2Zt - ....- pLpZt = at - 1Lat - 2L2at - ... - qLqat
(1 - 1L - 2L2 - ... - pLp)Zt = (1 - 1L - 2L2 - ... - qLq) at
( L ) Z t = ( L ) a t

onde:
(L) =(1 - 1L - 2L2 - ... - pLp)
(L) = (1 - 1L - 2L2 - ... - qLq)

(3) Se o processo gerador de dados pode ser escrito como (1 L) Z t = + at , ento a

raiz de sua equao caracterstica ser diferente de um.
Resposta:
Sua raiz caracterstica ser diferente de 1 apenas se (1-L) 0. O fato do processo
gerador de dados poder ser escrito da forma mencionada no nos diz nada a respeito do
valor da raiz de sua equao caracterstica.
FALSA

(ANPEC 1999, 2) Uma srie temporal mensal de trs anos, de janeiro de 1995 a
dezembro de 1997, para o preo do produto agrcola Y, apresentou a seguinte tendncia
linear Y = 3 + 0,25.X. Estime o preo do produto Y para o ms de janeiro de 1998,
sabendo que as variaes sazonais calculadas com base num modelo aditivo para os trs
anos considerados foram:

Ms Jan Fev Mar Abr Maio Jun

Variao sazonal -1,25 -0,52 0,84 1,50 3,00 3,85

Soluo:
De janeiro de 1995 a dezembro de 1997, temos 36 observaes. Portanto, em janeiro de
1998 estaremos no 37 ms. Ento:

Y = 3 + 0,25 37
Y = 3 + 9,25 = 12,25

E como a variao sazonal para janeiro de -1,25, temos que:

12,25-1,25 = 11

O preo do produto Y em janeiro de 1998 , portanto, 11.

(ANPEC 1998, 15) Com relao aos modelos Auto - Regressivo, Mdia - Mvel e
Misto, pode - se afirmar que :

(0) No modelo Z t = Z t 1 + a t + a t 1 + 0 , onde o uma constante e a t um rudo

branco, a mdia do processo ser igual a zero se o =0 .
Resposta:
Sabemos que a mdia desse processo ser dada por (confira Questo ANPEC 2004, 10,
item (0)):

E(Zt) = 0

1
Portanto, se 0 = 0, a mdia do processo ser igual a zero.
VERDADEIRA

(1) No modelo Auto-Regressivo de ordem p,

Z t = 1 Z t 1 + 2 Z t 2 +....+ p Z t p + a t ,
 se 1 1 2 ...... p = 0 , o modelo no ser estacionrio.
Resposta:

A condio de estacionariedade dada por:

1 + 2 + +p = 1
Ou, equivalentemente:
1 -1 - 2 - - p = 0

Portanto, se 1 -1 - 2 - - p = 0, a raiz do polinmio ser igual a 1 e o modelo no

ser estacionrio.
VERDADEIRA

(2) O processo ARMA(p,q) (Auto-Regressivo Mdia-Mvel) ser estacionrio e

invertvel, se todas as razes dos operadores Auto - Regressivo e de Mdia Mvel
carem dentro do crculo unitrio.
Resposta:
Considere um modelo AR(1):
Yt= Yt-1 + t
Utilizando o operador defasagem (L), podemos escrever:
Yt = LYt + t
(1- L) Yt = t
E (1-L) um polinmio em L, e sua raiz ser dada por:
1 - L = 0
1
L=

E, como sabemos, para que o modelo seja estacionrio, deve-se verificar que || <1. Mas
1
se ||<1, ento > 1. Portanto, para que o modelo seja estacionrio, a raiz do

polinnimo do operador auto-regressivo deve ser maior que 1. E, como a condio de
invertibilidade de um modelo MA(q) a contrapartida da condio de estacionariedade
de um AR(p), temos que para que o modelo ARMA(p,q) seja estacionrio e invertvel,
as razes dos operadores auto-regressivo e de mdia mvel devem ser maiores que 1, ou
seja, devem cair FORA do crculo unitrio.
Abaixo apresentamos aos leitores o crculo unitrio:
Portanto, dizer que a raiz do polinmio deve ser maior que 1, equivale a dizer que ela
deve cair fora do crculo unitrio.
FALSA
(3) Se no modelo Auto-Regressivo de ordem 1, Z t = Z t 1 + a t , onde a t um rudo
branco, o verdadeiro valor de igual a um, ento Z t = a t + a t 1 + a t 2 +.....+ a1 ,
desde que Z 0 = 0 .
Resposta:
Se = 1 e Z0 = 0, temos que:

Z1 = Z0 + a1 = a1
Z2 = Z1 + a2 = a1 + a2
Z3 = Z2 + a3 = a1 + a2 + a3
Z4 = Z3 + a4 = a1 + a2 + a3 + a4

E assim sucessivamente. Generalizando, temos que:

Zt = at + at-1 + a1

Portanto, se for igual a 1, o processo poder ser descrito como uma soma de choques,
j que um choque ocorrido em determinado perodo t no ser dissipado.
VERDADEIRA
 Nmeros ndice

(ANPEC 2005, 1) A respeito de nmeros-ndice, correto afirmar:

(0) O ndice de quantidade de Fisher a raiz quadrada do produto dos ndices de

quantidade de Laspeyres e de Paasche.
Resposta:

O ndice de Fisher a mdia geomtrica dos ndices de Laspeyres e de Paasche.

Portanto, o ndice de quantidade de Fisher ser dado por:

n n

p0i q1i p q i i
1 1
Fq = Lq Pq = i =1
n
i =1
n

p q p q
i =1
i
0
i
0
i =1
i
1
i
0

VERDADEIRA

(1) O ndice de preo de Laspeyres a mdia aritmtica de relativos de preos

ponderados pela participao do dispndio com cada bem na poca atual.
Resposta:

O ndice de preos de Laspeyres realmente pode ser escrito como a mdia aritmtica de
relativos de preos, porm, estes so ponderados pela participao do dispndio com
cada bem na poca base. Vejamos.
Sabemos que o ndice de preos de Laspeyres dado por:
n

p q
i =1
i
1
i
0
L= n

p q
i =1
i
0
i
0

Desmembrando, temos:

p11 q 10 + p12 q 02 + + p1n q 0n

L= n

p q
i =1
i
0
i
0

p11 q 10 p12 q 02 p1n q 0n

L= n
+ n
++ n

p q
i =1
i
0
i
0 p q
i =1
i
0
i
0 p q
i =1
i
0
i
0

Multiplicando e dividindo cada termo da equao acima por p 0i :

 p11 p 10 q 01 p12 p 02 q 02 p1n p 0n q 0n
L= + + +
p 10 n
p2 n
p 0n n

p0i q0i 0 p0i q0i

i =1 i =1
p0i q0i
i =1

i p 0i q 0i
Fazendo w = 0 n
(que representa a participao do bem i no oramento no
p q
i =1
i
0
i
0

perodo inicial), podemos escrever:

p11 p12 p1n p 0n q 0n

L= w1
0
+ w 0
2 + +
p 10 p02 p 0n n

p0i q0i i =1
i
n
p
L= p
i =1
1
i
w0i
0

Portanto, o ndice de preos de Laspeyres uma mdia aritmtica de relativos de preos,

ponderada pela participao que cada bem representa no oramento na poca inicial
(base).

FALSA

(2) O ndice de preo de Paasche a mdia aritmtica de relativos de preos

ponderados pelo valor de cada bem na poca base.
Resposta:

O ndice de Paasche dado por:

n

p q
i =1
i i
1 1
P= n

p q
i =1
i i
0 1

Que podemos escrever como:

1
P= n
p0i q1i
i =1
n

p q
i =1
i i
1 1

Desmembrando, temos:
 1
P= 1 1 2 2
p q p q p 0n q1n
n
0 1
+ n
0 1
++ n

p1i q1i
i =1
p1i q1i
i =1
p q
i =1
i i
1 1

Multiplicando e dividindo cada termo por p1i , obtemos:

1
P= 1 2
p0 1 1
p1 q1 p0 p12 q12 p 0n p1n q1n
+ + +
p11 n
p12 n
p1n n i i
11
p i i
q
i =1
11p i i
q
i =1
p1 q1 i =1

p1i q1i
Fazendo w1i = n
(que representa a participao no oramento do bem i no
p q
i =1
i i
1 1

perodo atual), temos:

1
P= 1 2
p p pn
w11 +
0
1
w12 + + 0n w1n
0
2
p 1 p p1
1

1
P= n
p 0i

i =1 p1 i
w1i

Assim, o ndice de preos de Paasche a mdia harmnica de relativos de preos

ponderados pela participao que cada bem representa no oramento na poca atual.

FALSA

(3) Os ndices de Laspeyres e Paasche atendem ao critrio de reverso do tempo.

Resposta:

Para atender ao critrio de reverso no tempo, deve-se verificar que:

I01 I10 = 1

Ou seja, se calcularmos o ndice do perodo 1 em relao ao perodo 0 e encontrarmos

um aumento de preos, teramos que encontrar uma diminuio dos preos da mesma
magnitude ao calcularmos o ndice do perodo 0 em relao ao perodo 1.

Vejamos se os ndices de Laspeyres e Paasche atendem a esse critrio:

 n n

p1i q0i p q i i
0 1
L01L10 = i =1
n
i =1
n
1
p q
i =1
i
0
i
0 p q
i =1
i i
1 1

n n

p1i q1i p q i
0
i
0
P01P10 = i =1
n
i =1
n
1
p q p q
i =1
i i
0 1
i =1
i
1
i
0

Dessa forma, os ndices de Laspeyres e Paasche no atendem ao critrio de reverso no

tempo.

FALSA

(4) A diferena entre os ndices de Laspeyres e Paasche est na forma como os

relativos so ponderados.
Resposta:
A diferena entre os ndices de Laspeyres e Paasche est na forma como os preos so
ponderados: o ndice de Laspeyres utiliza as quantidades iniciais e o ndice de Paasche
as quantidades finais.
n n

p q
i =1
i
1
i
0 p qi =1
i i
1 1
L= n
P= n

p q
i =1
i
0
i
0 p q
i =1
i i
0 1

Como vimos nos itens (1) e (2) dessa questo, esses ndices podem ser escritos como
mdias ponderadas de relativos de preos: o ndice de Laspeyres como uma mdia
aritmtica de relativos ponderados pela participao no oramento de cada bem na
poca base e o de Paasche como uma mdia harmnica de relativos ponderados pela
participao de cada bem na poca atual.

n
p1i 1
L= p0i
w0i P= n
p 0i
i =1

i =1 p1i
w1i

VERDADEIRA

(ANPEC 2004, 01) Dadas as seguintes informaes:

p1q0 = 32 p1q1 = 48
p0q0 = 25 p0q1 = 41
 correto afirmar que o valor dos ndices especificados abaixo, para o perodo t = 1 (use
duas decimais) :

(0) Laspeyres de preo: 1,64.

Resposta:
O ndice de preos de Laspeyres dado por:

L=
pq 1 0

=
32
= 1,28
p q 0 0
25
FALSA

(1) Paasche de preo: 1,17.

Resposta:
O ndice de preos de Paasche dado por:

P=
p 1 q 1 48
= 1,17
p 0 q 1 41
VERDADEIRA

(2) Laspeyres de quantidade: 1,28.

Resposta:
O ndice de quantidade de Laspeyres dado por:

Lq =
p 0 q 1 = 41 = 1,64
p 0 q 0 25
FALSA

(3) Paasche de quantidade: 1,20.

Resposta:
O ndice de Paasche de quantidade dado por:

Pq =
p 1 q 1 48
= = 1,50
p 1 q 0 32
FALSA

(4) Um ndice de valor que satisfaa ao critrio de decomposio de causas: 1,50.

Resposta:
Sabemos que o ndice de valor :

V01 =
p1q1
=
48
= 1,92
p q 25
0 0

Para atender ao critrio de decomposio das causas (circularidade), deve-se

verificar V01 V12 = V02. Vejamos se isso vale para o ndice de valor:
 V01 V12 =
pq1 1

pq
2 2

=
pq 2 2

= V02
p q0 0
pq
1 1
p q 0 0

Portanto, este ndice satisfaz ao critrio de decomposio das causas e, como

vimos, igual a 1,92.
FALSA

(ANPEC 2003, 01) Com relao aos nmeros ndice, correto afirmar que:

(0) o ndice de Fisher uma mdia harmnica dos ndices de Paasche e Laspeyres.
Resposta:
O ndice de Fisher uma mdia geomtrica dos ndices de Paasche e
Laspeyres:

F= L P
FALSA

(1) o ndice de preos de Laspeyres uma mdia harmnica de relativos de preos

ponderados pelo valor dos bens no perodo base.
Resposta:
O ndice de preos de Laspeyres uma mdia aritmtica de relativos de preos
ponderados no pelo valor dos bens, mas pela proporo que cada produto representa
no oramento no perodo base (w0):

p1
L= p 0
w0

FALSA

(2) o ndice de preos de Paasche uma mdia aritmtica de relativos de preos

ponderados pelo valor dos bens no perodo atual;
Resposta:
O ndice de Paasche uma mdia harmnica de relativos de preos ponderados
pela proporo que cada produto representa no oramento no perodo atual (w1), e
no pelo valor dos bens:

1
P=
p0
p1
w1

FALSA

(3) embora os ndices de Laspeyres e de Paasche no satisfaam ao critrio da

decomposio das causas, o produto cruzado de um Laspeyres de preo por um
Paasche de quantidade satisfaz;
Resposta:
O produto cruzado de um ndice de preo de Laspeyres por um ndice de
quantidade de Paasche igual ao ndice de valor:

Lp Pq =
pq 1 0

pq 1 1

=
pq 1 1

=V
p q 0 0
pq 1 0
p q 0 0

Para atender ao critrio de decomposio das causas (circularidade), devemos ter

que V01 V12 = V02 . Vejamos se isso vlido para o ndice de valor:

V01 V12 =
pq 1 1

p q 2 2

=
p q 2 2

= V02
p q 0 0
pq 1 1
p q 0 0

Portanto, o produto cruzado de um Laspeyres de preo por um Paasche de

quantidade (ou seja, um ndice de valor) satisfaz ao critrio de decomposio das
causas.
VERDADEIRA

(4) o ndice de Paasche de preos pode ser calculado pela diviso de um ndice de valor
por um ndice Laspeyres de quantidade.
Resposta:
Dividindo um ndice de valor por um ndice de Laspeyres de quantidade,
obtemos o ndice de preos de Paasche:

V Lq =
pq
1 1

p q 0 1

=
pq 1 1

= Pp
p q
0 0
p q 0 0
p q 0 1

VERDADEIRA

(ANPEC 2002, 02) Em relao a ndices e deflacionamento de preos correto

afirmar:

(0) Os ndices de preos de Laspeyres e de Paasche geram, em geral, resultados

diferentes quando utilizados para avaliar a variao do nvel dos preos de um
conjunto de produtos, mas ambos atendem condio de reverso no tempo.
Resposta:
Apesar de ser verdade que os ndices de preos de Laspeyres e de Paasche
produzem, em geral, resultados diferentes, ambos no atendem ao critrio de reverso
no tempo, j que:

L01 L10 =
pq 1 0

pq 0 1
1 P01 P10 =
pq 1 1

pq 0 0
1
pq 0 0 pq 1 1 pq 0 1 pq 1 0

FALSA
(1) Se um determinado ndice de preos com ano base em 1992 assume os valores I95 =
300 e I96 = 400 em 1995 e 1996, respectivamente, ento um produto com preo
corrente de R$ 10,00 em 1996, tem preo de R$ 7,50, em moeda de 1995.
Resposta:
Como queremos saber o preo de um produto que custava R$10,00 em 1996 em
moeda de 1995, basta deflacionarmos (ou seja, multiplicarmos pelo ndice de 1995 e
dividirmos pelo ndice de 1996) para obtermos:

300
10 = 7,50
400
VERDADEIRA

(2) Multiplicando-se um ndice de preos de Laspeyres por um ndice de quantidades de

Laspeyres, obtm-se um ndice relativo de valor das vendas (I(Vt|V0)).

Resposta:
Multiplicando um ndice de Laspeyres de quantidades por um ndice de Laspeyres
de preos, obtemos:

Lp Lq =
pq pq
1 0 0 1
=
pq pq
1 0 0 1
,
p q p q
0 0 0 0 ( p q ) 0 0
2

o que, sem dvida, no um ndice relativo de valor.

FALSA

(3) Se os preos dos automveis aumentam em 20% e isso se reflete em um aumento de

0,1% no ICV0-3SM (ndice de Custo de Vida de 0 a 3 salrios mnimos) e em um
aumento de 1,2% no ICV10-20SM, ento o peso dos automveis nas despesas dos
famlias tpicas com renda entre 10-20 SM 12 vezes maior do que nas famlias
tpicas com renda entre 0 a 3 SM.
Resposta:
Se todos os outros preos permaneceram constantes, ento a variao no ndice
de custo de vida ser dada por (considerando o ndice de preos de Laspeyres):

ICV = p w 0

Como houve um aumento de 20% nos preos dos automveis que significou um
aumento de 0,1% no ICV0-3SM e um aumento de 1,2% no ICV10-20SM, temos que:
 ICV0-3SM = p w 003 SM
0,001 = 0,20 w 00 -3SM
0,001
w 00-3SM = = 0,005 = 0,5%
0,20

ICV10-20SM = p w 100 20 SM
0,012 = 0,20 w 100 -20SM
0,012
w 100 -20SM = = 0,06 = 6%
0,20

Dessa forma, o peso dos automveis nas despesas das famlias com renda entre
10-20 SM 12 vezes maior que das famlias com 0 a 3 salrios mnimos, j que
12 0,5% = 6%.
VERDADEIRA

(4) Para calcular o ndice de preos de Paasche para uma srie de anos requer-se menos
informao do que para calcular o ndice de Laspeyres.
Resposta:
Para calcular o ndice de preos de Paasche requer-se bem mais informao do
que para calcular o ndice de Laspeyres, j que se utiliza as quantidades atuais para o
clculo em cada ano. Dessa forma, alm de informaes anuais dos preos dos produtos,
deve-se tambm pesquisar as quantidades anuais consumidas dos produtos, o que no
uma tarefa fcil. J o ndice de Laspeyres necessita apenas de informaes atualizadas
dos preos, j que utiliza como ponderao as quantidades iniciais.
FALSA

(ANPEC 2001, 02) Em relao a ndices de preos, correto afirmar:

(0)Os ndices de Laspeyres e Paasche permitem comparar o custo de aquisio de uma
cesta de mercadorias no perodo t, com o custo de aquisio dessa mesma cesta de
mercadorias no perodo base.
Resposta:
exatamente para isso que so usados os ndices de preos: para comparao do
custo de aquisio de cestas de mercadorias em dois perodos, e, tanto o ndice de
Laspeyres quanto o de Paasche cumprem essa tarefa, com a diferena que o ndice de
Laspeyres utiliza a cesta de mercadorias do perodo base, enquanto o de Paasche, a do
perodo atual.
VERDADEIRA
(1) O ndice de Laspeyres subestima a variao do preo entre dois momentos
enquanto o ndice de Paasche superestima.
Resposta:
Sabemos que, em geral, o ndice de preos de Laspeyres maior que o ndice de
preos de Paasche. Portanto, em geral, o ndice de preos de Laspeyres superestima a
variao do preo entre dois perodos enquanto o ndice de preos de Paasche
subestima.
FALSA

(2) O ndice de Fischer dado pela mdia harmnica dos ndices de Laspeyres e
Paasche e obedece ao critrio da decomposio das causas.
Resposta:
O ndice de Fisher dado pela mdia geomtrica dos ndices de Laspeyres e
Paasche (F = L P ) e no obedece ao critrio de decomposio das causas
(circularidade), j que:

n n n n

pi1 qi0 pi1 qi1 pi2 qi1 p q 2

i
2
i

F01 F12 = L01 P01 L12 P12 = i =1

n
i =1
n
i =1
n
i =1
n
F02
pi0 qi0
i =1
pi0 qi1
i =1
pi1 qi1
i =1
pi1 qi2
i =1

FALSA

(3) Se o preo de determinado produto teve acrscimo de 16% e provocou

crescimento do ndice de custo de vida de 0,4%, ento esse produto representa 2,5% das
despesas da famlia tpica objeto da pesquisa de oramentos familiares.
Resposta:
Mantendo todos os outros preos constantes e considerando o ndice de preos
de Laspeyres, temos que a variao no ndice de custo de vida ser dada por:

ICV = p w 0

Portanto:

0,004 = 0,16w 0
0,004
w0 = = 0,025 = 2,5%
0,16

VERDADEIRA
(4) Tomando o ano zero como base, foram observados os seguintes valores para o
ano 1: ndice do PIB nominal = 120; ndice de quantidade de Laspeyres = 80. Pode-se
ento concluir que a taxa de inflao no perodo, medida pelo deflator implcito do PIB,
foi de 50%.
Resposta:

Aqui temos que calcular o valor do deflator implcito do PIB. E, para isso, foram
fornecidos os valores do ndice do PIB nominal e do ndice de quantidade de Laspeyres,
que so dados por:

IPIBn =
pq 1 1

= 120
p q 0 0

Lq =
p q 0 1

= 80
p q 0 0

O deflator implcito do PIB dado pelo quociente entre o PIB nominal e o PIB
real:

D=
PIB nominal
=
pq 1 1

PIB real p q 0 1

PIB nominal = quantidades atuais a preos correntes.

PIB real = quantidades atuais a preos do ano-base

Dividindo o numerador e o denominador por p q0 0

, obtemos:

pq 1 1

p q 0 0

=
ndice PIB nominal
=
120
= 1,5
p q 0 1
ndice de quantidade de Laspeyres 80
p q 0 0

Portanto, houve uma variao de 50% nos preos medida pelo deflator implcito do PIB.
VERDADEIRA

(ANPEC 2000, 2) A tabela abaixo apresenta, para os anos de 1994 e 1999, dados
hipotticos sobre preos e quantidades vendidas de 6 diferentes produtos
comercializados por certa companhia. Calcule a variao percentual dos preos dos
produtos da companhia neste perodo, utilizando o ndice de Paasche.
 1994 1999
Tipo de pro Preo Quantidade Preo Quantidade
duto Vendida Vendida
A 5 80 20 100
B 7 100 6 1000
C 2 200 5 200
D 3 600 4 500
E 1 300 2 200
F 2 100 3 200

Soluo:
Para calcularmos o ndice de preos de Paasche, precisamos primeiro calcular
p 1999 q 1999 e p 1994 q 1999 , o que feito na tabela abaixo:
Tipo de produto P1994 Q1999 P1999 Q1999
A 500 2.000
B 7.000 6.000
C 400 1.000
D 1.500 2.000
E 200 400
F 400 600
Soma: 10.000 12.000

Dessa forma, temos que:

P=
p 1999 q 1999
=
12.000
= 1,20
p q 1994 1999
10.000

Portanto, a variao percentual dos preos do produto dessa companhia nesse

perodo foi de 20.

(ANPEC 1999, 3) Com base na teoria dos Nmeros ndices, pode-se afirmar que:

(0) Os ndices de Laspeyres de preos e de quantidades podem ser obtidos ponderando-

se, respectivamente, os ndices simples relativos de preos e de quantidades aos
diferentes bens pelos valores no perodo base.

Resposta:

O ndice simples relativo de preos dado por (ndice agregativo simples):

n

p 1
i

I= i =1
n

p
i =1
0
i
 Ponderando pelo valor da participao relativa de cada bem no perodo base
( wi ), obteremos o ndice de preos de Laspeyres:
0

p 1
i

L= i =1
n
wi0
p i =1
0
i

J o ndice simples relativo de quantidades dado por:

n

q 1
i

Iq = i =1
n

q
i =1
0
i

Ponderando pelos preos, obteremos o ndice de quantidade de Laspeyres:

n

q 1
i

Lq = i =1
n
z i0
q
i =1
0
i

VERDADEIRA

(1) Em relao ao ndice de Laspeyres e de Paasche, os de Fisher possuem duas

vantagens: observam a propriedade de reverso no tempo, e o ndice de preos vezes
o de quantidade igual ao ndice de valor.
Resposta:
Sabemos que o ndice de Fisher dado pela mdia geomtrica dos ndices de Laspeyres
e Paasche

F = LP

O critrio de reversibilidade implica a seguinte condio:

F01 F10 = 1

Para atender a este critrio, teramos que:

L01 P01 L10 P10 = L01 P01 L10 P10 =

=
p q 1 0
i i

p q p q p q
1 1
i i
0
i
1
i
0
i
0
i
= 1 =1
p q 0
i
0
i p q p q p q
0
i
1
i
1 1
i i
1 0
i i

Portanto, o ndice de Fisher atende ao critrio de reversibilidade.

Vejamos agora se ele tem a propriedade de que o ndice de preos vezes o de quantidade
igual ao ndice de valor:

pq pq p q pq
1 0 1 1 0 1 1 1
( p q )
1 1
2

Fp Fq = L P Lq Pq = =
p q p q p q pq
0 0 0 1 0 0 1 0
( p q )
0 0
2

=
pq1 1

= ndice de valor
p q
0 0

Portanto, esta propriedade tambm satisfeita pelo ndice de Fisher.

VERDADEIRA

(2) O ndice de preos de Laspeyres , em geral, maior do que o ndice de preos de

Paasche, pois para o primeiro, a ponderao fixa na poca base e para o segundo
varivel na poca atual.

Resposta:
Em geral, o ndice de preos de Laspeyres realmente maior que o de Paasche.
Cabe notar que o ndice de preos de Laspeyres ser maior que o de Paasche quando o
coeficiente de correlao entre preo e quantidade for negativo, situao que mais
comum (um aumento no preo provoca uma diminuio na quantidade). Porm, bem
possvel que o coeficiente de correlao entre preo e quantidade seja positivo e, nesse
caso, o ndice de preos de Paasche ser maior que o de Laspeyres.

VERDADEIRA

(3) Os ndices de Fisher, definidos como a mdia geomtrica dos ndices de Laspeyres e
de Paasche, so sempre maiores do que estes dois ltimos.

Resposta:
O ndice de Fisher, sendo uma mdia geomtrica dos ndices de Laspeyres e de Paasche,
estar sempre entre estes dois, nunca ser maior.

FALSA

(ANPEC 1998, 12) Com base na equao da Renda Nacional (Y = C + I + X - M) e nos

dados a seguir, calcule a Renda Nacional em 1996, a preos constantes de 1990.

RENDA NACIONAL A PREOS CORRENTES

(em milhes de unidades monetrias)
COMPONENTES 1990 1996

Consumo ( C ) 15,0 20,0

Investimento ( I ) 5,0 8,4
Exportao ( X ) 2,0 3,0
 Importao ( M ) 1,0 1,8
Renda Nacional ( Y ) 21,0 29,6

DEFLATORES
(Base: 1990 = 100)
NDICES 1996

Custo de Vida 125

Investimento 105
Exportaes 150
Importaes 180

Soluo:
Note que o exerccio fornece os valores nominais (tanto da renda quanto de cada
um de seus componentes). Portanto, teremos que deflacionar cada um dos componentes
da renda, utilizando seus respectivos deflatores (fornecidos na segunda tabela). O
quadro abaixo mostra o clculo realizado e os valores deflacionados:

COMPONENTES 1996 a preos de

1990
Consumo ( C ) 20,0 100 16
20
125
Investimento ( I ) 8,4 100 8
8,4
105
Exportao ( X ) 3,0 100 2
3
150
Importao ( M ) 1,8 100 1
1,8
180

Com esses valores deflacionados, podemos agora facilmente obter o valor da

renda nacional em 1996 a preos de 1990:
Y=C+I+X-M
Y = 16 + 8 + 2 - 1
Y = 25
 Miscelneas

(ANPEC 2005, 3) So corretas as afirmativas:

(0) Se X uma varivel aleatria com distribuio normal de mdia e varincia 2 ,

ento Z=
( X )
2
segue uma distribuio 2 com 1 grau de liberdade.
2
Resposta:
Sabemos que a soma de n variveis aleatrias normais padronizadas ao quadrado segue
a distribuio 2 com n graus de liberdade. E como Z uma varivel normal
padronizada ao quadrado, segue a distribuio 2 com 1 grau de liberdade.

VERDADEIRA

(1) Se X1, ..., Xn so variveis aleatrias identicamente distribudas com distribuio

n
Bernoulli com parmetro p, ento Z = X i segue uma distribuio Poisson.
i =1
Resposta:
Como Z a soma de n variveis de Bernouilli, seguir a distribuio binomial. Cabe
lembrar, porm, que quando n grande e p pequeno, a distribuio binomial pode ser
aproximada pela distribuio de Poisson. Mas esse no o caso!

FALSA

(2) Se X uma varivel aleatria com distribuio t com n graus de liberdade, ento
Z = X 2 segue uma distribuio F com 1 e n graus de liberdade.
Resposta:

Uma varivel aleatria com distribuio t de Student e n graus de liberdade, ao

quadrado, segue realmente a distribuio F com 1 e n graus de liberdade. Vejamos.

Sabemos que:
x

n
~ tn
S

Elevando ao quadrado, temos que:

(x )
2

(x )
2
2
n = 2
S2 nS 2
2 2
Note que o numerador da expresso acima uma varivel normal padronizada ao
quadrado e, portanto, segue a distribuio qui-quadrado com 1 grau de liberdade. E no
denominador, temos tambm uma varivel aleatria que segue a distribuio qui-
quadrado com n graus de liberdade. Dessa forma:

(x )
2

2 ~ F(1,n)
nS 2
2

VERDADEIRA

(3) Se X uma varivel aleatria Poisson com mdia , ento a varincia de X 2 .

Resposta:

A distribuio de Poisson o limite da distribuio binomial, quando n (o tamanho da

amostra) tende ao infinito e p (probabilidade de ocorrncia de sucesso) tende a zero, de
modo que np permanea constante. Portanto, a mdia e a varincia de uma varivel
aleatria X com distribuio de Poisson sero dadas respectivamente por:
E(X) = np =
Var(X) = np(1-p) = np =

Dessa forma:

E(X) = var(X) =

FALSA

(4) Se a varivel X = lnY segue uma distribuio normal, ento Y segue uma
distribuio lognormal.
Resposta:
Uma varivel aleatria tem distribuio lognormal se seu logaritmo seguir uma
distribuio normal. Dessa forma, se a varivel X = lnY normalmente distribuda,
ento Y = e X realmente seguir a distribuio lognormal. Note que ln(.) definido
apenas para valores positivos. E como grande parte das variveis econmicas assume
apenas valores positivos, a distribuio lognormal muito utilizada em economia.

Sabemos que a f.d.p. da distribuio normal dada por:

 ( x )2
1
2 2
F(x) = e
2 2

Aplicando o teorema 4.5.1 (Sartoris, 2003, p. 104), temos:

f(y) = v' ( y ) f (v( y ))

u(x) = e x
v(y) = lny
1
v(y) =
y

Assim, a f.d.p. de uma distribuio lognormal dada por:

(ln y )2
1
2 2
f(y) = e
y 2 2

VERDADEIRA

(ANPEC 2005, 13) Seja X 1 , X 2 , X 3 , ........, X 64 uma amostra aleatria independente

da varivel X, que segue distribuio de probabilidade exponencial, com funo
densidade
f ( x) = 2e 2 x , para x > 0 e, zero fora desse intervalo.
Usando o teorema central do limite e a tabela da distribuio normal, anexa, calcule a
probabilidade de que a mdia amostral X seja maior que ou igual a 0,5.
(Multiplique o resultado por 100).
Soluo:
Pelo Teorema do Limite Central, sabemos que a mdia amostral X segue uma
2
distribuio normal com mdia e varincia , desde que a amostra seja
n
suficientemente grande. Para podermos consultar a tabela, precisamos padronizar a
varivel:

X
~ N(0,1)

n

Para tanto, precisamos encontrar a mdia e a varincia da varivel aleatria X. Sabemos

que a mdia e a varincia de uma distribuio exponencial so dadas, respectivamente,
por (veja questo ANPEC 2004, 8, item (0)):

1
E(X) = = 0,5

 1
var(X) = =4
2

E o desvio-padro:

dp(X) = 4=2

Dessa forma, temos que:

0,5 0,5
= 0,00
2
64

Portanto, P( X 0,5) = P(z 0) = 0,5.

Multiplicando o resultado por 100, como pede o exerccio, chegaremos ao valor de 50.

(ANPEC 2000, 03) Dados os seguintes enunciados envolvendo variveis aleatrias,

correto afirmar que:

(0) Se Y* = a + bY2 e X* = c + dX2, em que a, b, c, d so constantes reais, (b,d)> 0,

E(X) = E(Y)=0, ento correlao (Y*, X*) = correlao (Y,X).
Resposta:
O coeficiente de correlao uma medida de dependncia LINEAR entre as
variveis. Portanto, no se pode afirmar que o coeficiente de correlao entre (Y,X) ser
igual ao de (Y*, X*), que no so funes lineares de Y e X.
 Por exemplo, se W = X2, e X uma varivel com distribuio uniforme de mdia
zero, isto , E(X) = 0.

A covarincia entre W e X ser dada por

cov(X,W) = E(WX) E(X)E(W)
cov(X,W) = E(X3) E(X)E(X2)
possvel verificar que E(X3) = 0, ento:
cov(X,W) = 0 0E(X2) = 0
Portanto, o coeficiente de correlao ser zero, ainda que a relao entre W e X seja
exata porm, no linear.

FALSA

(1) Se (Y,X) possuem uma distribuio Normal bivariada, ento, segue-se que
E(Y|X) = a + b Y, em que a e b dependem dos momentos de Y e X.
Resposta:
E(Y|X) chamada de regresso de Y em X. De fato, possvel mostrar que, se X e
Y tm distribuio normal bivariada E(Y|X) = a + bX, a e b constantes (e no a + bY).
Independente disso, E(Y|X), isto , a esperana de Y dado X ser funo de X, nunca de
Y.
FALSA

(2) Se X ~ Normal(0,1) ento Y= eX tem distribuio lognormal com E(Y)= e1/2.

Resposta:
Sabemos que se X segue uma distribuio normal e Y = eX (ou seja, lnX = Y), ento
Y realmente seguir uma distribuio log-normal e sua mdia ser dada por:
2
+
E(Y) = e 2
 Como nesse caso, X segue a distribuio normal padronizada, ou seja, com mdia
zero e varincia igual a 1, temos que a mdia de Y ser:
2 1 1
+ 0+
E(Y) = e 2
=e 2
= e2
VERDADEIRA

(3) Se (X,Y) possuem densidade conjunta f(x,y) = 2 e- y, >0, e 0 x y, ento

E(X)= 1/.
Resposta:
Antes de calcularmos a esperana de X, devemos encontrar a f.d.p. marginal de X
(g(x)), o que feito integrando em Y:

g(x) = f ( x, y)dy
X

g(x) = 2 e y dy
X

g(x) = 2 e y dy
x

+
e y
g(x) = 2

x
e x
g(x) = 2

g(x) = e-x

Portanto:

E(x) = xg ( x)dx
0

xe
x
E(x) = dx
0

Para calcular a integral acima, devemos utilizar o mtodo de integrao por partes.
Faamos f(x) = x e g'(x) = e-x. Temos que:

f ( x) g ' ( x)dx = f ( x) g ( x) g ( x) f ' ( x)dx

Portanto:


E(x) = f ( x) g ' ( x)dx

0

e x
e x
E(x) = x( ) dx
0 0

xe x 1 x
E(x) = + e dx
0 0

xe x 1 e x
E(x) = +
0

xe x e x
E(x) = 2
0

1
E(x) = 2

1
E(x) =

Nota: obviamente, o mesmo resultado seria obtido se tivssemos calculado E(x) =
y

xf ( x, y)dxdy .
0 0

VERDADEIRA

(ANPEC 2000, 13) Dados os seguintes enunciados envolvendo variveis aleatrias,

correto afirmar que:
(0) Se X uma varivel aleatria com mdia finita e varincia 2 = 1, ento
Pr ( |X - | 2) 0.75.
Resposta:
Sabemos, pelo Teorema de Tchebichev (ver questo 13 de 2004) que:
2

P(|X - | ) 1 -
2
Nesse caso, = 2 e 2 = 1. Portanto:
1
P(|X - | 2) 1 -
4
P(|X - | 2) 1 - 0,25
P(|X - | 2) 0,75
VERDADEIRA
(1) E( eX) e, em que E(X) = .
Resposta:
Suponha que X assuma apenas dois valores:
X1 = 1
X2 = -1

A mdia de X ser dada por:

1 + (1)
E(X) = = =0
2
Nesse caso, e ser:
e = e 0 = 1

E E(ex) ser:
e 1 + e 1 2,71828 + 0,37
E(ex) = = = 1,54414
2 2
Note que no precisaramos ter terminado esta conta. Bastaria lembrar que e um
nmero maior que 2, e como temos uma soma no numerador de nmeros que no so
negativos, o numerador ser maior que o denominador, o que vale dizer, essa diviso
ser maior que 1. E como tnhamos encontrado que e = 0, temos que, nesse caso, E(ex)
> e.
FALSA

(2) {E[(X-E(X))(Y- E(Y))]}2 E[X-E(X)]2 E[Y-E(Y)]2, desde que todos os momentos

necessrios ao clculo de cada uma destas expresses existam.
Resposta:
O primeiro termo da desigualdade acima a covarincia de X e Y ao quadrado. E o
segundo termo o produto da varincia de X e da varincia de Y. Vejamos se essa
desigualdade realmente vlida.
cov(X,Y)2 var(X) var(Y)
Passando o segundo termo da expresso acima para o primeiro temos que:
cov( X , Y ) 2
1
var( X ) var(Y )
Alguma coisa familiar na expresso acima? O primeiro termo dessa desigualdade
nada mais que o coeficiente de correlao ao quadrado de X e Y:
 2
cov( X , Y ) cov( X , Y ) cov( X , Y ) cov( X , Y ) 2
2
= = =
( X ,Y )
var( X ) var(Y ) var( X ) var(Y ) var( X ) var(Y ) var( X ) var(Y )

Sabemos que o coeficiente de correlao pode assumir valores entre -1 e 1. Portanto
o coeficiente de correlao ao quadrado jamais ser maior que 1 (j que o valor mximo
assumido ao quadrado, 12, igual a 1). Assim sendo, o correto seria:
{E[(X-E(X))(Y- E(Y))]}2 E[X-E(X)]2 E[Y-E(Y)]2

FALSA

(3) E(Var(Y|X)) Var(Y).

Resposta:
A varincia de Y pode ser escrita como (RAMANATHAN, 1993, p.89):
var(Y) = E[var(Y|X)] + var[E(Y|X)]
Rearranjando, temos:
E[var(Y|X)] = var(Y) - var[E(Y|X)]
E como a varincia um nmero sempre positivo, temos que:
E[var(Y|X)] var(Y)
VERDADEIRA

(4) Se Y e X so variveis aleatrias independentes, ambas com mdia e varincia

finitas, ento a varincia da varivel Z= Y/X ser dada por Var (Z) = Var(Y) /
Var(X).

Resposta:
Suponha que X seja uma constante. Nesse caso, teremos:
Y 1 var(Y)
var(Z) = var = 2 var(Y)
X X var(X)

Um outro exemplo seria o da distribuio t de Student, que o quociente entre uma

varivel normal padronizada e uma varivel 2 dividida pelo seu respectivo grau de
liberdade:

U
t= onde U ~ N(0,1) e V ~ k2
V k
k
Sabemos que a varincia da distribuio t de Student dada por . Portanto, temos
k 2
que:
 U k var(U ) 1 k
var(t) = var = = =
V k k 2 var(V / k ) 2k / k
2
2

FALSA

(ANPEC 1999, 09) Podemos afirmar que:

(0) Pelo Teorema do Limite Central podemos afirmar que se a varivel aleatria X tem
uma distribuio qualquer com mdia e varincia 2, ento a distribuio de X
(mdia da amostra) aproxima-se da distribuio normal com os mesmos parmetros
mdia e varincia 2, quando o tamanho da amostra aumenta.
Resposta:

Pelo Teorema do Limite Central, sabemos que se uma varivel aleatria tem uma
distribuio qualquer com mdia e varincia 2, ento a sua mdia amostral ter uma
2

distribuio normal com mdia e varincia para amostras suficientemente

n
grandes.
FALSA

(1) Sejam as variveis aleatrias X i (i= 1, 2, , 10) independentes e normalmente

distribudas com mdia = 10 e desvio padro = 2. Ento, se
10

Y = X i podemos afirmar que, a medida que n cresce, Y tende para uma

i =1

distribuio normal com mdia E(Y) = 1 e V(Y) = 0,2.

Resposta:
10

Note que Y = X i pode ser escrito como:

i =1
10

X i

Y= n i =1
= nX
n
E sabemos que a varivel nX seguir uma distribuio normal com mdia n e
varincia dada por n2:
E( nX ) = n E( X ) = n
2
2
2
var( nX ) = n var( X ) = n = n2
n

Portanto:

E(Y) = n = 10 10 = 100
var(Y) = n2 = 10 2 = 20
FALSA

(2) Uma distribuio binomial tende a uma distribuio normal quando o nmero n de
provas independentes de Bernoulli cresce.
Resposta:
Abaixo temos o histograma da distribuio binomial com p = 0,5 para diferentes valores
de n:
n=2 n=3

n=5 n = 10

Note que medida que aumentamos o tamanho da amostra (ou seja, medida que o
nmero de provas de Bernouilli aumenta), a distribuio binomial se aproxima cada vez
mais da distribuio normal e, dessa forma, a distribuio binomial pode ser aproximada
pela distribuio normal para valores grandes de n.

VERDADEIRA

(3) Se a distribuio de probabilidade de uma varivel aleatria X conhecida, podemos

calcular sua esperana e sua varincia, se existirem. Embora a recproca no seja
verdadeira, poderemos estabelecer um limite superior (ou inferior) muito til para
as probabilidades da distribuio atravs do uso da desigualdade de Tchebycheff.
Resposta:

Conhecida a distribuio de probabilidade de uma varivel aleatria, podemos

calcular sua esperana e varincia. Porm, dadas a esperana e a varincia de uma
distribuio, no possvel encontrarmos sua distribuio de probabilidade. A
desigualdade de Tchebichev nos permite estabelecer limites para as probabilidades da
distribuio, dadas apenas a mdia e a varincia.
VERDADEIRA
(4) Para qualquer tamanho de amostra, a distribuio amostral de propores de uma
amostra de sucessos mais dispersa quando a proporo populacional igual e
menos dispersa quando a proporo populacional igual a zero ou a um.
Resposta:
Sabemos que a varivel em questo possui distribuio binomial. A sua varincia ser
dada ento por:
var(p) = p (1-p)

1
Quando a proporo populacional for igual a teremos:
2
1 1 1
var(p) = 1 =
2 2 4

E quando for igual a zero:

var(p) = 0 (1-0) = 0

E para p = 1:
var(p) = 1 (1-1) = 0

Portanto, quando a proporo populacional for igual a zero ou 1, a sua distribuio ser
1
menos dispersa que quando for igual a .
2
VERDADEIRA

(ANPEC 1998, 04) Com relao s distribuies de probabilidade conjunta e

marginais, pode-se afirmar que:

(0) Se a funo densidade conjunta de (X,Y), f(x,y), pode ser fatorada na forma f(x,y)
= f(x).g(y) , onde f(x) e g(y) so ,respectivamente, as funes densidade de X e Y,
ento as variveis aleatrias X e Y so independentes.
Resposta:
De fato, se f(x,y) = f(x).g(y), ento x e y so independentes (e a recproca
verdadeira).Isto mostrado abaixo:
Se as variveis so independentes, ento a probabilidade condicional igual
probabilidade no condicional, ou seja:

fx|y = f(x)
fy|x = g(y)

E sabemos que a probabilidade condicional dada por:

f ( x, y )
fx|y =
g ( y)

Ento:
f(x,y) = fx|y g(y)

Mas, se as variveis so independentes, fx|y = f(x). Portanto:

f(x,y) = f(x) g(y)

Sendo assim, se a f.d.p. conjunta de X e Y puder ser fatorada na forma acima, as
variveis necessariamente so independentes.
VERDADEIRA

(1) Se a varivel aleatria bidimensional (X,Y) uniformemente distribuda, de acordo

com a funo densidade conjunta f ( x , y ) = 2 , para 0 < x < y < 1 e, 0 fora deste
intervalo, ento E(X)=1/2.
Resposta:
Sabemos que o valor esperado de X ser dado por:
1 y

E(X) = xf ( x, y)dxdy
0 0

1 y

E(X) = x2dxdy
0 0

1 y

E(X) = 2 xdxdy
0 0

y
x
1 2

E(X) = 2 dy
0 2 0
y
1 2

E(X) = 2 dy
0 2
1

E(X) = y dy
2

1
y
3

E(X) =
3 0
1
E(X) =
3
FALSA

(2) Se as variveis aleatrias X e Y so independentes, ento E(X|Y) = E(X) e E(Y|X) =

E(Y).
Resposta:
Se X e Y so independentes, ento o valor esperado de X no pode depender de Y, ou
seja, o fato que Y existe no muda em nada a esperana de X, e vice-versa. Sabemos
que:
E(X|Y) = X1P(X1|Y) + X2P(X2|Y) +... + XnP(Xn|Y)
Se X e Y so independentes, ento P(Xi|Y) = P(Xi). Portanto:
E(X|Y) = X1P(X1) + X2P(X2) +... + XnP(Xn) = E(X)
O mesmo vale para variveis contnuas, como vemos abaixo:

E(X) = xf ( x)dx

E(X|Y) =

xf x| y
dx ,

onde fx|y a f.d.p. condicional de x.

Se as variveis so independentes, ento a probabilidade incondicional ser igual
probabilidade condicional e, portanto: fx|y = f(x). Sendo assim, temos:

E(X|Y) =

xf ( x)dx = E(X)
Isto tambm vale, analogamente, para Y: E(Y) = E(Y|X). Portanto, se duas variveis so
independentes, a esperana incondicional ser igual esperana condicional.
VERDADEIRA

(3) Seja f(x) a funo de densidade de probabilidade da varivel aleatria contnua X,

ento P( < X < ) =
f ( x )dx = 1 .

Resposta:
Sabemos que:
b
P (a < X < b) = f ( x)dx
a

Fazendo -a e b tender ao infinito, temos:

P ( < X < ) = f ( x)dx

Que, como sabemos, a soma de todas as probabilidades, e portanto deve ser igual a 1,

ou seja,
f ( x)dx = 1 .

VERDADEIRA

(4) Seja f(x) a funo de densidade de probabilidade da varivel aleatria contnua X,

ento podemos definir o valor esperado de X como E ( X ) = x. f ( x ). dx .

Resposta:
 exatamente esse o valor esperado de X para uma distribuio de probabilidade
contnua, como vimos no item (2) desta questo.
VERDADEIRA
 Bibliografia

ENDERS, W. Applied Econometric Time Series. New York: John Wiley & Sons,
1994.

GREENE, W. Econometric Analysis. Upper Saddle River: Prentice Hall, 1997.

JUDGE, G.G.; GRIFFITHS, W.E.; HILL, R.C.; LTKEPOHL, H.; LEE, T.C. The
Theory and Practice of Econometrics. Nova York: John Wiley & Sons, 1985.

MEYER, P. Probabilidade: aplicaes estatstica. So Paulo: Livros Tcnicos e

Cientficos, 1983.

PINDYCK, R.; RUBINFELD, D. Econometric Models and Economic Forecasts.

New York: McGraw-Hill, 1998.

RAMANATHAN, R. Introductory Econometrics. Fort Worth: The Dryden Press,

1989.

______. Statistical Methods in Econometrics. San Diego: Academic Press, 1993.

SARTORIS, A. Estatstica e Introduo Econometria. So Paulo: Saraiva, 2003.

WOOLDRIDGE, J. M. Introductory Econometrics: A Modern Approach. United

States: Thomson South-Western, 2003.