Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Aula 14 – Parte 2
CORRELAÇÃO ............................................................................................................................................... 2
REGRESSÃO LINEAR ................................................................................................................................ 17
Relação das questões comentadas .................................................................................................... 27
Gabaritos ...................................................................................................................................................... 34
CORRELAÇÃO
Vamos pensar em duas variáveis que possuam alguma relação. Suponha que
estas variáveis são peso e altura de um grupo de indivíduos adultos. O gráfico
abaixo mostra um conjunto de possíveis valores.
∑ [(X
i =1
i ) (
− X × Yi − Y )]
r=
n n
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
Não implica que uma delas tenha efeito direto ou indireto sobre a outra. Pode
ser que as duas sofram influência de outras variáveis de maneira que isso dê
origem a uma forte correlação entre ambas.
Outro comentário: o coeficiente de correlação é geralmente calculado a partir
de uma amostra de valores de X e Y. Considere que a amostra tem n pares
ordenados (X, Y). Se a amostra for grande (isto é, se n for grande), então o
coeficiente de correlação deve dar um bom indício do que ocorre na população.
Neste caso, se r ≅ 0 , então é bem possível que não exista relação linear entre
X e Y.
Se n for grande e r ≅ 1 ou r ≅ −1 , novamente temos um forte indício de que há
relação linear perfeita entre X e Y.
Contudo, se a amostra for pequena, ela pode fornecer resultados enganosos.
Basta pensar numa amostra de tamanho 2. Se temos apenas dois pares
ordenados, nosso diagrama de dispersão terá apenas dois pontos. Dois pontos
distintos sempre estão ao longo de uma mesma reta. Neste caso, o coeficiente
de correlação será igual a 1 (ou -1).
Pergunta: neste caso, podemos afirmar, com certeza, que há relação linear
perfeita entre X e Y? Não, não podemos. Nossa amostra é que foi pobre, muito
pequena. É bem possível que nossa amostra esteja fornecendo um resultado
enganoso.
Para os dados da Figura 1, o coeficiente de correlação é 0,998. Como a
quantidade de dados é muito grande, não vou detalhar o cálculo aqui. Apenas
observem que o coeficiente de correlação é muito próximo de 1. Ou seja, a
relação linear é muito forte. Isto já dava pra ver no próprio gráfico. Os pontos
praticamente formavam uma reta.
Vejamos um outro exemplo, com menos números envolvidos.
Resolução
Prof. Guilherme Neves www.pontodosconcursos.com.br 4
RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB
PROFESSOR: GUILHERME NEVES
Aluno X Y X −X Y −Y (X − X )× (Y − Y ) (X − X ) (Y − Y )
2 2
Aplicando a fórmula:
n
∑ [(X
i =1
i ) (
− X × Yi − Y )]
r=
n n
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
8
r= ≅ 0,956
35 × 2
Veja que o coeficiente de correlação é bem próximo de 1. Ou seja, existe
intensa relação linear entre as notas de física e matemática.
∑ [(X
i =1
i ) (
− X × Yi − Y )]
Fórmula: r =
n n
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
Resolução
A primeira frase está correta. Como vimos, o coeficiente de correlação sempre
assume valores entre -1 e 1.
A segunda frase também está correta. O coeficiente de correlação depende de
cálculo de somatório, o que só pode ser feito para variáveis quantitativas.
Um frase não justifica a outra. Há diversas grandezas que só podem ser
calculadas para variáveis quantitativas, mas que assumem valores fora do
intervalo entre -1 e 1. Exemplo: a variância só pode ser calculada para
variáveis quantitativas. No entanto, ela pode assumir qualquer valor maior ou
igual a zero.
Letra B
Resolução
Item I.
Se r = 1 , a relação linear é perfeita e, além disso, as duas variáveis têm relação
direta (quando uma aumenta, a outra aumenta; quando uma diminui, a outra
diminui). Item correto.
Item II.
Se r > 0 , a relação entre as variáveis é direta (quando uma aumenta, a outra
aumenta; quando uma diminui, a outra diminui). Item correto.
Item III
Se r < 0 , a relação é inversa (quando uma aumenta, a outra diminui). Item
errado.
Item IV.
Se r = 0 , temos um forte sinal de que não haja relação linear, o que não
impede que haja outro tipo de relação (exponencial, logarítmica, etc). Item
errado.
Letra A
Resolução
Ano X Y X −X Y −Y (X − X )× (Y − Y ) (X − X ) 2
(Y − Y )
2
∑ [(X
i =1
i ) (
− X × Yi − Y )]
r=
n n
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
04. (AFRF 2005 ESAF) Para uma amostra de dez casais residentes em um
mesmo bairro, registraram-se os seguintes salários mensais (em salários
mínimos):
Identificação 1 2 3 4 5 6 7 8 9 10
do casal
Salário do 30 25 18 15 20 20 21 20 25 27
marido (Y)
Salário da 20 25 12 10 10 20 18 15 18 23
esposa (X)
Sabe-se que:
10 10
2
∑ Yi = 221 ;
i =1
∑Y
i =1
i = 5069
10 10
2
∑ X i = 171 ;
i =1
∑X
i =1
i = 3171
10
∑X Y
i =1
i i = 3940
c) 0,68
d) 0,81
e) 0,78
Resolução
As médias de X e Y podem ser facilmente calculadas. Basta somar todos os
valores e dividir por 10.
10
∑X
i =1171i
X = = 17,1 (lembre que a soma de todos os valores de X foi fornecida
=
10 10
no enunciado).
Para Y, o cálculo é o mesmo.
10
∑Y
i =1
i
221
Y= = = 22,1
10 10
∑ [(X
i =1
i ) (
− X × Yi − Y )]
r=
n n
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
∑ [(X
i =1
i ) (
− X × Yi − Y )] 160,9
r= = ≅ 0,75
n n
246,9 × 184,9
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
Além da infinidade de contas, ainda chegamos ao final com uma raiz quadrada.
O problema desta resolução é que demora um tempão. Especialmente sem
calculadora. Tivemos que calcular cada valor de X − X , de Y − Y , de X − X , ( ) ( )
2
( ) 2
de Y − Y , depois ainda fazer algumas multiplicações e somas.
O ideal é tentar utilizar as informações dadas no exercício. O exercício seria
bastante interessante se, com as informações utilizadas, as contas fossem
diminuídas. Não é exatamente o que ocorre.
Vamos a uma solução alternativa, para utilizar as informações sobre os valores
dos somatórios fornecidos.
Para tanto, é necessário conhecer algumas igualdades envolvendo somatório.
Transformações importantes:
n n
∑ [(X
i =1
i ) ( )]
− X × Yi − Y = ∑ ( X i × Yi ) − n X Y
i =1
n n
∑ (X i −X ) = ∑ (X ) − n X
2
i
2 2
i =1 i =1
n n
∑ (Y − Y ) = ∑ (Y ) − nY
2 2 2
i i
i =1 i =1
Repare que todas as igualdades são bem parecidas. Se você gravar a primeira,
pode facilmente chegar nas outras duas. Basta fazer o caso em que Y = X.
A primeira igualdade é:
n n
∑ [(X
i =1
i ) ( )]
− X × Yi − Y = ∑ ( X i × Yi ) − n X Y
i =1
∑ [(X
i =1
i ) ( )]
− X × Yi − Y = ∑ ( X i × Yi ) − n × 17,1 × 22,1
i =1
∑ [(X
i =1
i ) ( )]
− X × Yi − Y = 3940 − 10 × 22,1 × 171 = 160,9
A segunda igualdade é:
n n
∑ (X i −X ) = ∑ (X ) − n X
2
i
2 2
i =1 i =1
∑ (X ) 2
i −X = 3171 − 10 × 17,12 = 246,9
i =1
A terceira igualdade é:
n n
∑ (Y − Y ) = ∑ (Y ) − nY
2 2 2
i i
i =1 i =1
Portanto:
n
∑ (Y )
2
i −Y = 5069 − 10 × 22,12 = 184,9
i =1
∑ [(X
i =1
i ) (
− X × Yi − Y )] 160,9
r= = ≅ 0,75
n n
246,9 × 184,9
∑ (X ) × ∑ (Y − Y )
2 2
i −X i
i =1 i =1
Está aí novamente a tal da raiz quadrada. Ou seja, as contas nem ficaram tão
fáceis assim...
Agora uma dica de contas. Extrair a raiz quadra é meio trabalhoso. Eu,
particularmente, procuro evitar.
Então, em vez de calcular o coeficiente de correlação, eu calcularia o quadrado
do coeficiente de correlação:
160,9 2
r2 =
246,9 × 184,9
Mas esta conta ainda é meio ruim de fazer. Aproximando os valores:
Ao meu ver, o grande problema desta questão é que, mesmo a pessoa tendo
conseguido manipular bem os somatórios (o que já é um sinal de que o
candidato estava muito bem preparado), as contas ainda são muito
trabalhosas. Eu achei a questão um despropósito... Seu eu tivesse feito esse
concurso do AFRF, sinceramente, teria pulado esta questão.
Então resumindo: além da fórmula usual do coeficiente de correlação, há
exercícios que são muito facilitados se você souber as igualdades do quadro 1.
Infelizmente, neste exercício do AFRF 2005, a questão não se limitou a cobrar
tais igualdades. Ainda exigiu um esforço “braçal”, envolvendo muitas contas.
b) a 2 b 2 × r ( x, y )
c) r ( x, y ) , se ab > 0
ab
d) × r ( x, y )
a+b
r ( x, y )
e)
ab
Resolução
Vou fazer um resuminho de uma propriedade que ainda não falei.
Seja r o coeficiente de correlação entre X e Y.
Se multiplicarmos cada uma destas variáveis por duas constantes a e b, o
novo coeficiente r ' é dado por:
r ' = r , se ab > 0
r ' = − r , se ab < 0
Se somarmos (ou subtrairmos), a cada uma destas variáveis, uma constante,
o coeficiente de correlação fica inalterado.
Letra C
Resolução.
O coeficiente de correlação entre Y e X 1 é de − 0,059 (ver figura). A partir
destas variáveis, criamos outras, por meio de uma multiplicação e uma soma.
As somas não interferem no coeficiente de correlação. As multiplicações podem
interferir no sinal do coeficiente de correlação. As multiplicações foram feitas
por − 2 e − 1. As duas constantes têm o mesmo sinal. Com isso, o coeficiente
de correlação permanece igual ao da situação inicial.
r ' = r = −0,059
Letra C
Resolução.
O sinal do coeficiente de correlação depende da relação existente entre as
variáveis (direta ou inversa). Se for uma relação direta, o sinal é positivo. Se
for uma relação inversa, o sinal é negativo.
O primeiro item está errado.
Resolução
REGRESSÃO LINEAR
Na correlação linear, estávamos interessados em ver se duas variáveis X e Y
tinham uma relação linear forte ou não.
Pois bem, considerem que X e Y tenham uma relação linear forte. Ou seja, a
relação entre ambas é quase uma reta. Neste caso, que reta seria essa? Qual a
reta que melhor descreve a relação linear entre X e Y?
É justamente isso que a regressão linear vai nos dizer.
e = Y − Yˆ
Pelo método de mínimos quadrados, tentamos obter uma reta de tal modo que
a soma dos quadrados dos valores de e (desvio) seja mínima.
É possível demonstrar que os valores de a e b (estimadores de α e β ),
obtidos a partir da consideração de que a soma dos quadrados dos desvios
seja mínima, são:
b=
∑ [(X − X )× (Y − Y )]
i i
∑ (X − X )
2
i
a = Y − bX
Ou seja, a partir dos valores de X e Y pertencentes à amostra, obtemos os
valores de a e b descritos acima. A partir deles, construímos a reta Yˆi = a + bX i .
· V (ε i ) = σ 2
· cov(ε i , ε j ) = 0 , para i ≠ j
Aluno X Y X −X Y −Y (X − X )× (Y − Y ) (X − X ) (Y − Y )
2 2
b=
∑ [(X − X )× (Y − Y )]
i i
∑ (X − X )
2
i
8
b= ≅ 0,23
35
a = Y − bX
8
a =7− × 6,5 ≅ 5,51
35
E a reta de regressão estimada (“calculada”) fica:
Yˆ = 5,51 + 0,23 X
Repare que não sabemos se esta é a real reta de regressão. Mas, a partir dos
valores de nossa amostra, esta é a nossa estimativa para a reta de regressão.
É uma reta tal que a soma dos quadrados dos desvios é mínima. Lembrando
que o desvio corresponde à diferença entre valor observado ( Y ) e sua
estimativa ( Yˆ ).
Prof. Guilherme Neves www.pontodosconcursos.com.br 19
RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB
PROFESSOR: GUILHERME NEVES
A reta em vermelho é tal que a soma dos quadrados dos desvios em relação às
notas de física realmente obtidas é mínima. É a nossa reta estimada
(“calculada”).
O modelo de regressão é:
Yi = α + βX i + ε i
Como não temos acesso à população inteira, não sabemos quais os valores de
α e β . Temos condições apenas de estimá-los (obtendo a e b )
Com isso, a reta de regressão estimada é:
Yˆi = a + bX i
Ou seja, a e b são estimadores para α e β . São estimadores não viciados.
Isto porque, obedecidas algumas condições (aquelas que indicamos
anteriormente: E (ε i ) = 0 ; V (ε i ) = σ 2 e cov(ε i , ε j ) = 0 , para i ≠ j ), é possível
demonstrar que:
E (b) = β e
E (a ) = α
· ∑ [(X )( )]
i − X Yi − Y = ∑ X i Yi − n X Y
∑ (X − X ) = ∑ X
2 2 2
· i i − nX
Resolução
Vimos que uma das hipóteses do modelo é que a variância dos erros seja
constante (homocedasticia). Se a variância dos erros não é constante, temos a
heterocedasticidade.
Letra D
∑Y i =1
i = 100 ; ∑X
i =1
i = 60 ; ∑X i × Yi = 650 ; ∑ (X )
i =1
i
2
= 400 ; ∑ (Y )
i =1
i
2
= 1080
Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previsão
do lucro bruto anual, em mil reais, será de:
a) 84
b) 102,5
Prof. Guilherme Neves www.pontodosconcursos.com.br 21
RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB
PROFESSOR: GUILHERME NEVES
c) 121
d) 128,4
e) 158
Resolução
As hipóteses que o enunciado disse que foram obedecidas são aquelas que
indicamos anteriormente - E (ε i ) = 0 ; V (ε i ) = σ 2 e cov(ε i , ε j ) = 0 , para i ≠ j .
b=
∑ [(X − X )× (Y − Y )]
i i
∑ (X − X )
2
i
b=
∑ (X Y ) − n X Y
i i
∑ (X ) − n X2 2
i
650 − 10 × 6 × 10
b=
400 − 10 × 6 2
650 − 600 50
b= = = 1,25
400 − 360 40
E o valor de a fica:
a = Y − bX
100 60
a= − 1,25 × = 10 − 7,5 = 2,5
10 10
Portanto, o modelo de regressão é:
Yˆi = a + bX i
Letra B
Resolução
Vamos encontrar os valores de a e b.
b=
∑ [(X − X )× (Y − Y )]
i i
∑ (X − X )
2
i
b=
∑ (X Y ) − n X Y i i
∑ (X ) − n X 2 2
i
b=
∑ (Y C ) − nCY
i i
∑ (Y ) − nY 2 2
i
1.100 − 10 × 9 × 10 200
b= = = 0,8
1.250 − 10 × 10 2 250
Assim, a estimativa para o parâmetro β é igual a 0,8. A letra B está errada.
a = Y − bX
Só que aqui, em vez de X temos Y e em vez de Y temos C.
Prof. Guilherme Neves www.pontodosconcursos.com.br 23
RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB
PROFESSOR: GUILHERME NEVES
a = C − bY
a = 9 − 0,8 × 10 = 1
A estimativa do parâmetro α é igual a 1. A letra C está errada.
Y=
(10 − 1) = 11,25
0,8
A letra A também está errada.
Resolução
Nas questões anteriores, o enunciado sempre fornecia diversos somatórios,
para facilitar o trabalho braçal. Isto não aconteceu nesta questão. Ou seja,
para calcular a reta de regressão, precisaríamos fazer todas as contas na mão,
o que toma muito tempo.
Talvez por este motivo a questão apresente alternativas muito diferentes entre
si.
Observem que, para qualquer valor de x entre 2 e 5, y não supera 10. Já
podemos descartar as alternativas C, D, E, que prevêem valores altos para y
(muito superiores a 10), mesmo quando x é baixo.
Para se ter uma idéia, considere a letra E. Se fizermos x igual a 1, y será
aproximadamente igual a 270, algo totalmente incompatível com a tabela
fornecida.
Ficamos entre as alternativas A e B. Para escolher entre ambas, vamos
trabalhar com os valores extremos de x. Quando x é igual a 2, as retas das
letras A e B prevêem os seguintes valores para y:
Letra A: 8,45
Letra B: 4,89
Observem que o valor da Letra B é muito mais próximo dos valores que y
realmente assume, quando x é igual a 2. Já dá para marcar letra B.
Se você ainda ficar em dúvida, pode fazer o mesmo teste para x igual a 5.
Neste caso, as estimativas seriam:
Letra A: 19,13
Letra B: 8,85
Novamente, a estimativa da letra B foi bem melhor.
Letra B
14. (TJ PARÁ 2009 FCC) Em uma determinada empresa é realizado um estudo
sobre a relação entre os gastos com publicidade, em R$ 1.000,00, e o
acréscimo no faturamento anual, em R$ 1.000,00. Foi escolhido para análise o
modelo linear simples Yi = α + βXi + εi, sendo que Yi é o acréscimo no
faturamento do ano i, Xi representa os gastos com publicidade no ano i e εi é o
erro aleatório com as respectivas hipóteses consideradas para a regressão
linear simples (α e β são parâmetros desconhecidos ). Para obtenção das
10 10 10 10 10
2 2
∑ Yi = 180 ;
i =1
∑ X i = 100 ;
i =1
∑ X iYi = 1.912 ;
i =1
∑ X i = 1.080 ;
i =1
∑Y
i =1
i = 3.440
Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que se a empresa almejar um acréscimo no faturamento, em um
determinado ano, de R$ 25.000,00 deverá apresentar, neste período, um total
em gastos com publicidade de
(A) R$ 20.000,00.
(B) R$ 18.000,00.
(C) R$ 17.000,00.
(D) R$ 16.000,00.
(E) R$ 15.000,00.
Resolução:
1912 − 1800
b= = 1,4
1080 − 1000
a = 18 − 1,4 × 10 = 4
Modelo:
Yˆ = 4 + 1,4 X
25 = 4 + 1,4 X ⇒ X = 15
Letra E
15. (MPOG 2006 ESAF) Com o objetivo de estimar-se o modelo Y = α+ β X, foi
retirada uma amostra com cinco pares de observações (X,Y), obtendo-se os
seguintes resultados:
Desse modo,
a) Y = – 2 – 2X
b) Y = 2 – 2X
c) Y = 2X
d) Y = 2 + 2X
e) Y = – 2 + 2X
Resolução:
β=
∑ (X Y ) − n X Y
i i
=
140 − 5 ⋅ 3 ⋅ 8 140 − 120 20
= = =2
∑ (X ) − n X
2
2 55 − 5 ⋅ 3 2 55 − 45 10
i
α = Y − bX = 8 − 2 ⋅3 = 2
Assim, Y = α+ β X=2+2x
Letra D
10 10
2
∑ Yi = 221 ;
i =1
∑Y
i =1
i = 5069
10 10
2
∑ X i = 171 ;
i =1
∑X
i =1
i = 3171
10
∑X Y
i =1
i i = 3940
b) a 2 b 2 × r ( x, y )
c) r ( x, y ) , se ab > 0
ab
d) × r ( x, y )
a+b
r ( x, y )
e)
ab
06. (CAPES 2008 CESGRANRIO)
(C) - 0,059
(D) - 0,118
(E) - 0,382
07. (MP RO 2005 CESGRANRIO) Analise as afirmativas a seguir, a respeito do
coeficiente de correlação linear de Pearson entre duas variáveis positivas X e
Y:
I - é positivo;
II - não se altera quando adicionamos uma constante positiva aos valores de
X;
III - não se altera quando multiplicamos por uma constante positiva os valores
de X.
Está(ão) correta(s) a(s) afirmativa(s):
(A) II somente.
(B) I e II somente.
(C) I e III somente.
(D) II e III somente.
(E) I, II e III.
08. (Petrobrás 2004 CESPE-UnB) Julgue o item que segue:
O coeficiente de correlação de Pearson é usado para medir o grau de
linearidade (associação) entre duas variáveis (eventos), podendo assumir
qualquer valor entre +1 e –1. Os valores de coeficientes iguais a +1 e -1
indicam, respectivamente, relação linear perfeita e ausência total de relação
linear entre as variáveis.
09. (Prefeitura de Rio Branco CESPE-UnB) A análise de regressão linear
simples e a análise de correlação são técnicas freqüentemente usadas na
interpretação de pares de dados. Com relação a essas técnicas, julgue o item a
seguir.
∑Y
i =1
i = 100 ; ∑X
i =1
i = 60 ; ∑X i × Yi = 650 ; ∑ (X )
i =1
i
2
= 400 ; ∑ (Y )
i =1
i
2
= 1080
Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previsão
do lucro bruto anual, em mil reais, será de:
a) 84
b) 102,5
c) 121
d) 128,4
e) 158
12. (SEFAZ SP 2006 FCC) Em um determinado país, deseja-se determinar a
relação entre a renda disponível (Y), em bilhões de dólares, e o consumo (C),
também em bilhões de dólares. Foi utilizado o modelo linear simples
C i = α + β Yi + ε i , em que Ci é o consumo no ano i, Yi é o valor da renda
disponível no ano i e ε i o erro aleatório com as respectivas hipóteses para a
regressão linear simples, α e β são parâmetros desconhecidos, cujas
estimativas foram obtidas através do método dos mínimos quadrados. Para
obtenção desta relação considerou-se ainda as seguintes informações colhidas
através da observação nos últimos 10 anos:
10 10 10 10 10
2 2
∑ Ci = 90 ,
i =1
∑ Yi = 100 ,
i =1
∑ Yi Ci = 1.100 ,
i =1
∑ Yi = 1.250 ,
i =1
∑C
i =1
i = 1.010
14. (TJ PARÁ 2009 FCC) Em uma determinada empresa é realizado um estudo
sobre a relação entre os gastos com publicidade, em R$ 1.000,00, e o
acréscimo no faturamento anual, em R$ 1.000,00. Foi escolhido para análise o
modelo linear simples Yi = α + βXi + εi, sendo que Yi é o acréscimo no
faturamento do ano i, Xi representa os gastos com publicidade no ano i e εi é o
erro aleatório com as respectivas hipóteses consideradas para a regressão
linear simples (α e β são parâmetros desconhecidos ). Para obtenção das
estimativas de α e β utilizou-se o método dos mínimos quadrados com base
nas informações dos últimos 10 anos da empresa, ou seja:
10 10 10 10 10
2 2
∑ Yi = 180 ;
i =1
∑ X i = 100 ;
i =1
∑ X iYi = 1.912 ;
i =1
∑ X i = 1.080 ;
i =1
∑Y
i =1
i = 3.440
Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que se a empresa almejar um acréscimo no faturamento, em um
determinado ano, de R$ 25.000,00 deverá apresentar, neste período, um total
em gastos com publicidade de
(A) R$ 20.000,00.
(B) R$ 18.000,00.
(C) R$ 17.000,00.
(D) R$ 16.000,00.
(E) R$ 15.000,00.
Desse modo,
a) Y = – 2 – 2X
b) Y = 2 – 2X
c) Y = 2X
d) Y = 2 + 2X
e) Y = – 2 + 2X
Gabaritos
01. B
02. A
03. Errado
04. B
05. C
06. C
07. D
08. Errado
09. Certo
10. D
11. B
12. E
13. B
14. E
15. D