Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
(c) y exp(1 2 x e) forma não linear; esse modelo pode ser escrito numa forma
linear nos parâmetros, que é o modelo log-linear,
ln y 1 2 x e.
5 5 5 5
3.2 (a) xt2 15 xt yt 20 xt 5 yt 10 x 1
t 1 t 1 t 1 t 1
y2
5 xt y t xt y t 5 20 5 10 50
(b) b2 1
5 x xt
2
t
2
5 15 52 50
10 5
b1 y b2 x 1 1
5 5
(c) Veja a Figura 3.1.
(d) As quantidades b1 e b2 são as estimativas de mínimos quadrados para os parâmetros 1 e
2 no modelo linear yt 1 2 xt et , em que et é um termo de erro aleatório. O valor b1
é uma estimativa do intercepto; ele sugere que quando xt = 0, yt = 1. O valor b2 é uma
estimativa da inclinação; ele sugere que quando xt aumenta em 1 unidade, a mudança
correspondente em yt será de 1 unidade.
(e) Veja a Figura 3.1.
2
3.4 Considere a reta ajustada yt b1 xt b2 . Tirando a média em relação a T, nós obtemos
y t 1 1 xt
y
= b1 x t b2 b1T b2 x t b1 b2 b1 b2 x
T T T T
Do Exercício 3.3, nós também temos y b1 b2 x . Assim, y y
.
b2
T x y x y
t t t t
15 418,53 120 42,08
1228,35
0,29246
T x x 151240 120
2 2
2 4200
t t
42,08 120
b1 y b1 x 0,29246 0,4656
15 15
(b) Estritamente falando, o coeficiente de intercepto, b1 = 0,4656, dá o nível de produto
quando o insumo utilizado é zero. Contudo, pelo fato de que não é factual utilizar zero de
insumo, essa interpretação deve ser tratada com cuidado; seria esperado que, quando o
insumo utilizado fosse zero, o produto seria zero. O coeficiente de inclinação, b2 =
0,29246, indica que, para uma variação de 1 unidade no insumo utilizado, existiria uma
mudança correspondente de 0,29 no produto.
(c) Veja a Figura 3.2.
(d) Nos termos da ração utilizada, o custo total (TC) é TC = 6x. Contudo, na economia, uma
função de custo total convencionalmente se relaciona com o produto. Como
3
yˆ 0,466 0,292 x
0,292
1
0,466
Figura 3.2 Função de produção estimada para o exemplo da ração para aves
x
y 1
y 1 2 x x
2
e a função de custo total em termos do produto se torna
6 y 1 61 6
TC y
2 2 2
A função de custo marginal (MC) correspondente é dada por
d TC 6
MC
dy 2
Utilizando as estimativas de mínimos quadrados para 1 e 2, obtidas na parte (a), nós
temos
6 0,4656 6
TC y = 9,552 + 20,52y
0,29246 0,29246
e MC = 20,52.
(e) Do item (d), a relação entre custo total da ração e produção é dada por TC 1 2 y
onde
6 1 6
1 e 2
2 2
6 8,1273
ˆ 2 0,300 e ˆ1 0,406
20,007 20,007
Observe que essas estimativas diferem ligeiramente das estimativas de mínimos quadrados
b1 = 0,466 e b2 = 0,292, obtidas diretamente da função de produção. Isso ocorre porque a
aplicação do método de mínimos quadrados para a função de custo é um problema
diferente da aplicação do método de mínimos quadrados para a função de produção.
3.6 (a)
yt = ln qt xt = ln pt
6,793466 0,207014
6,919684 0,139762
6,966024 0,095310
6,984670 0,182322
6,522093 0,300105
6,605298 0,223144
6,695799 0,246860
7,150701 -0,010050
6,852243 0,198851
6,773080 0,223144
6,579251 0,262364
6,999422 0,048790
Y
7,2
7,0
6,8
6,6
6,4 X
-0,05 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
(b) O cálculo dos valores para b1 e b2 é tipicamente feito no computado. Alguns resultados
intermediários e as estimativas são:
yt xt = 14,24835 x t2 = 0,4661609 yt2 = 557,3354
yt = 81,75173 xt = 2,117616 T = 12
T xt yt xt yt
b2 1,9273 b1 y b2 x 7,1528
T xt2 xt
2
(c) O valor b2 = 1,93 é uma estimativa da elasticidade da demanda por lanches. Ela sugere
que um aumento de 1% no preço, diminuirá a quantidade demandada em 1,93%.
(d) Se a demanda é elástica (2 < 1), então uma queda no preço, aumentará a receita total;
com uma demanda inelástica (2 > 1), uma redução nos preços, diminuirá a receita total.
Nossa estimativa de b2 = 1,93, sugere que o Sanduichov deveria diminuir os preços.
3.7 Se o intercepto no modelo de regressão linear simples é zero, o modelo passa a ser
y t x t et
b x t2 x t y t ou b
xt yt
x t2
(c) Do exercício 3.5, nós temos
y t2 = 142,6064 x t yt = 418,53 x t2 = 1240
Assim, a função da soma de quadrados é
S() = 142,6064 837,06 + 1240 2
Da Figura 3.4 nós podemos visualizar que o valor minimizante é aproximadamente b =
0,34. Essa é a estimativa de mínimos quadrados porque, do item (b)
b
x y t t
418,53
0,33752
x 2
t 1240
600
S(β)
300
1
-0,34
-0,17
0,17
0,34
0,85
0,51
0,68
β
Figura 3.4 Função da Soma de Quadrados.
t 1
y t Tb1 0 ou b1 yt y
T
Quando nós temos somente um intercepto e nenhuma variável explanatória, o estimador de
mínimos quadrados para o intercepto é a média amostral y . Para os dados na Tabela 3.2,
a função da soma de quadrados é
S(1) = 142,6064 84,16 1 + 15 12
Da Figura 3.5, nós vemos que o valor minimizante é y = 2,8053.
3.8 (a) Os gráficos de u contra q e de ln(u) contra ln(q) aparecem nas Figuras 3.6 e 3.7. Os dois
gráficos são bastante similares em natureza.
(b) b1 = 6,0191 b2 = 0,3857
Como ln(u1) = 1, uma estimativa de u1 é
uˆ1 exp b1 exp 6,0191 411,208
Esse resultado sugere que 411,2 foi o custo de produção da primeira unidade. A estimativa
b2 = 0,3857 sugere que o aumento de 1% na produção acumulada diminuirá os custos em
0,386%. Os números parecem sensatos.
7
S()
160
120
80
40
0
0 0,7 1,4 2,1 2,8 3,5 4,2 4,9 5,6
u
30
25
20
15 q
1000 2000 3000 4000
Figura 3.6 Dados da Curva de Aprendizado .
8
3,3
ln(u)
3,0
2,7 ln(q)
7,0 7,4 7,8 8,2
3.9 (a) O modelo é um modelo de regressão simples porque ele pode ser escrito como
y 1 2 x e em que y = rj rf , x = rm rf , 1 = j e 2 = j.
(b) A estimativa beta da Mobil Oil é b2 = 0,7147. Esse valor sugere que a ação da Mobil Oil é
defensiva.
(c) b1 =
j = 0,00424. Esse pequeno valo parece consistente com a teoria financeira.
Assim, o estimador de mínimos quadrados não pode ser calculado quando xt c para todos os
t.
3.11 As observações de y e x e a reta estimada de mínimos quadrados no item (b) estão colocadas no
gráfico da Figura 3.8. A reta retirada do item (a) dependerá da escolha subjetiva de cada
estudante sobre a posição da reta. Por essa razão, ela foi omitida.
(b) Cálculos preliminares apresentam:
T xt yt xt yt 6 176 21 44
b2 1, 2571
T xt2 xt 6 91 212
2
12
10
Y 8
2
0 2 4 6 8
0,5
0,0
-0,5
-1,0
1 2 3 4 5 6
Resíduos Y
Figura 3.9 Gráfico dos resíduos contra x para o Exercício 3.11
(c) y yt T 44 6 7,3333
x xt T 21 6 3,5
O valor previsto de y quando x x é
yˆ x b1 b2 x 2,9333 1, 2571 3,5 7,3333
(e) Os resíduos de mínimos quadrados são colocados no gráfico contra x na Figura 3.9. Eles
parecem apresentar um padrão cíclico. Contudo, com somente seis pontos é difícil extrair
qualquer conclusão geral.
3.12 (a) Se 1 0, o modelo de regressão simples passa a ser
yt 2 xt et
b xt2 xt yt ou b xt y t
xt2
Assim, a estimativa de mínimos quadrados é
176
b2 1,9341
91
o qual está em acordo com o valor aproximado de 1,95 que nós obtemos geometricamente.
(f) O valor gerado pelo computador é também b2 1,9341.
(g) A reta da regressão ajustada é colocada no gráfico na Figura 3.11. Observe que o ponto
( x , y ) não está sobre a reta ajustada nesse caso.
t y t b2 xt são:
(h) Os resíduos de mínimos quadrados, obtidos de e�
eˆ1 2,0659 eˆ2 2,1319 eˆ3 1,1978
11
A soma desses termos é eˆt 3,3846. Observe que esse valor não é igual a zero, como
seria o caso para 1 0.
40 12
35 10
30 8
* (3.5, 7.333)
SQ
25 6
Y1
20 4
15 2
10 0
1,6 1,8 2,0 2,2 2,4 0 1 2 3 4 5 6
BETA X1
Figura 3.10 Soma dos quadrados para 2 Figura 3.11 Regressão ajustada:
x = 3,5; y = 7,333 .
(b) Graficamente, 2 0 implica que a média da função para y t é uma reta horizontal que é
constante para todos os valores de x; isto é
E ( yt ) 1
(d) As fórmulas em (3.3.8) não são apropriadas se sabemos que 2 0 porque elas são
obtidas pela minimização de uma função da soma de quadrados que inclui 2 .
(e) A função de soma de quadrados passa a ser
T
S (1 ) ( yt 1 ) 2 yt2 21 yt T 12 352 881 6 12
t 1
(f) Para encontrar a fórmula para a estimativa de mínimos quadrados de 1 , nós derivamos
S (1 ) , produzindo
S (1 )
2 yt 2T 1
1
Igualando essa derivada a zero
12
yt Tb1 0 ou b1 yt y
T
Quando nós temos apenas o intercepto e nenhuma variável explanatória, o estimador de
mínimos quadrados para o intercepto é a média amostral y . Esse valor é b1 y 7,333 ,
que está próximo do valor que nós obtemos geometricamente.
31,0
SQ_BETA1
30,5
30,0
29,5
29,0
7,0 7,2 7,4 7,6 7,8
BETA1
9000
8000
*MÉDIAS SEMANAIS
7000
VENDAS
6000
5000
4000
0 100 200 300 400 500 600
PROPAG
Figura 3.13 Gráfico da reta de regressão das vendas-propaganda para o Exercício 3.14
3.14 (a) O relatório do consultor implica que as estimativas de mínimos quadrados satisfazem as
seguintes equações
b1 450b2 7500
b1 600b2 8500
Resolvendo essas duas equações, temos
1000
b2 6,6667 b1 4500
150
(b) Um gráfico da reta de regressão ajustada aparece na Figura 3.13.
300
200
100
REFRIG
-100
-200
-300
0 20 40 60 80
TEMP
Figura 13.4 Gráfico da reta de regressão para as vendas de refrigerantes e temperatura para o Exercício
3.15
3.16 (a)
(b) O gráfico na Figura 3.15 sugere uma relação positiva entre preço da casa e tamanho.
(c) A equação estimada é
price 426,71 46,005 sqft
O coeficiente 46,005 sugere que o preço da casa aumenta aproximadamente $ 46 para
cada pé quadrado de tamanho da casa. O intercepto, se tomado literalmente, sugere que
uma casa como zero pé quadrado de tamanho custaria $ 426. O modelo não deveria ser
levado a sério perto dos valores de zero para o tamanho da casa, já que são valores sem
significado.
(d) Um gráfico dos resíduos contra o tamanho da casa aparecem na Figura 3.16. Parece existir
uma ligeira tendência para o aumento da magnitude dos resíduos quando o tamanho das
casas aumenta.
(e) O valor predito de uma casa com 2000 pés quadrados de área útil é
pricef 426,71 46,005 2000 91.583
15
30000
120000
20000
100000
10000
PREÇO
RESID
0
80000
-10000
60000
-20000
-30000
40000
1200 1400 1600 1800 2000 2200
1200 1400 1600 1800 2000 2200
SQFT
SQFT
Figura 3.15 Preço contra pés quadrados Figura 3.16 Resíduos contra pés quadrados