Académique Documents
Professionnel Documents
Culture Documents
Aula 10
Sumrio
1
1.2
1.3
1.3
1.3.1
1.3.2
1.4
Varincias e Covarincias......................................................................................... 10
1.5
Gabarito .................................................................................................................................. 26
APNDICE ....................................................................................................................................... 38
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.1
Y = 1 + 2X2i + 3X3i
Yi = 1 + 2X2i + 3X3i + i
Os Pressupostos do Modelo
Para tornar completo o modelo (3), devemos fazer algumas suposies sobre a
distribuio de probabilidade dos erros aleatrios i. Os pressupostos que
vamos introduzir so anlogos aos introduzidos para o modelo de RLS. So:
1. E(i) = 0. Cada erro aleatrio tem distribuio de probabilidade com
mdia nula. Alguns erros sero positivos, outros sero negativos; em um
grande nmero de observaes, eles tero mdia zero.
2. Var(i) = 2. As distribuies de probabilidade dos erros aleatrios i tm
a mesma varincia constante 2. A varincia 2 um parmetro
desconhecido e mede a incerteza presente no modelo estatstico. Como
a mesma para cada observao, para nenhuma observao a incerteza
do modelo ser maior, ou menor, nem estar diretamente ligada a
qualquer varivel. Os erros com essa propriedade chamam-se
homocedsticos.
3. Cov(i, j) = 0, para ij. A covarincia entre dois erros correspondentes a
duas observaes diferentes quaisquer zero. O tamanho do erro de
uma observao no tem qualquer influncia sobre o tamanho provvel
do erro de outra observao. Assim, qualquer par de erros distintos
no correlacionado.
4. Admitiremos que os erros aleatrios i tenham distribuio de
probabilidade normal com mdia nula e varincia 2, isto , i ~ N(0,
2).
3
www.pontodosconcursos.com.br | Prof. Alexandre Lima
X
t 2
ti
0.
3. Var(Y) = Var() = 2
4. Cov(Yi, Yj) = Cov(i, j) = 0
5. Os regressores Xj, j = 2, ..., k, no so aleatrios e nem so funes
lineares exatas dos demais regressores.
6. Yi ~ N[(1 + 2X2i + 3X3i + ... + kXki), 2] i ~(N, 2)
1.3
(4)
Y1 1 2 X 2,1 3 X 3,1 1
Y X X
2
1
2 2, 2
3 3, 2
2
...
Y20 1 2 X 2, 20 3 X 3, 20 20
vetores
(Y2 , X 2, 2 , X 3, 2 ) ,
...,
(Y20 , X 2, 20 , X 3, 20 )
contm
n=20
observaes que sero ajustadas ao modelo geral (4). Note que, para o
nosso jargo matricial, um dado vetor (Yi , X 2i , X 3i ) , i 1,2,...20 , corresponde a
uma observao. Mas no se esquea de cada vetor contm as observaes
das variveis Yi , X 2i , X 3i no i-simo perodo de tempo.
conveniente reescrever o modelo (4) usando a notao matricial, que tem o
mrito de ser compacta,
1
Os dados foram reproduzidos em vrios livros. Extramos de [GUJ00]. A fonte original a tese de doutorado (no
publicada) de Y. Grunfeld, The Determinants of Corporate Investment, Universidade de Chicago, Departamento de
Economia, 1958.
(5)
Y = X +
Y1
Y
2
em que Y
...
Y20
1
1
X
...
X 2,1
X 2, 2
...
X 2, 20
X 3,1
X 3, 2
...
X 3, 20
1
2
3
1
2.
...
20
1935
317,6
3.078,5
2,8
36
391,8
4.661,7
52,6
37
410,6
5.387,1
156,9
38
257,7
2.792,2
209,2
39
330,8
4.313,2
203,4
40
461,2
4.643,9
207,2
41
512,0
4.551,2
255,2
42
448,0
3.244,1
303,7
43
499,6
4.053,7
264,1
44
547,5
4.379,3
201,6
45
561,2
4.840,9
265,0
46
688,1
4.900,9
402,2
47
568,9
3.526,5
761,5
48
529,2
3.254,7
922,4
49
555,1
3.700,2
1.020,1
50
642,9
3.755,6
1.099,0
51
755,9
4.833,0
1.207,7
52
891,2
4.924,9
1.430,5
53
1.304,4
6.241,7
1.777,3
54
1.486,7
5.593,6
2.226,3
Y1 1 2 X 2,1 ... k X k ,1 1
Y X ... X
2
k
k ,2
1
2 2, 2
2
...
Yn 1 2 X 2,n ... k X k ,n n
(6)
ou Y = X +
em que
Y1
Y
Y 2
...
Yn
1
1
X
...
X 2,1
X 2, 2
...
X 2 ,n
... X k ,1
... X k , 2
... ...
... X k ,n
1
2
...
k
1
2
...
n
1.3.1
'
Seja (1 , 2 ,..., k )' o vetor dos coeficientes estimados e Y Y1 , Y2 ,..., Yn o vetor
de estimativas da varivel dependente Y (*).
(*) A notao (1 , 2 ,..., k )' nos diz que o vetor coluna o o transposto do
vetor linha (1 , 2 ,..., k ) . Tambm comum denotar a operao de transposio
utilizando o sobrescrito t, como em ( , ,..., )t .
1
Y X
7
www.pontodosconcursos.com.br | Prof. Alexandre Lima
SQE ei2 t .
i 1
Pode-se provar que o vetor dos coeficientes estimados (1 , 2 ,..., k )' dado
por (*)
(8)
(k 1)
( X t X ) 1
(k k )
Xt
(k n) (n 1)
( X t X ) 1
Xt
X' Y
8
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Teorema Gauss-Markov
Dadas as hipteses do modelo clssico de RLM explicadas
anteriormente, pode-se demonstrar que os estimadores de MQO so
lineares e no-viesados, e na classe de todos os estimadores lineares e noviesados eles tm varincia mnima (propriedade de Gauss-Markov). Isto
quer dizer que os k estimadores de mnimos quadrados contidos no
vetor so os Melhores Estimadores Lineares No Viesados (MELNV).
A demonstrao deste teorema est fora do escopo deste curso.
1.3.2
transformadas
quadrados.
que
satisfazem
as
hipteses
usuais
de
mnimos
Varincias e Covarincias
Por definio, a matriz de covarincias (tambm chamada matriz de varinciacovarincia) do vetor de parmetros estimados para o modelo
Cov( ) E{[ E( )][ E ( )]t }
var( 2 )
cov( 2 , 3 )
cov( 2 , 1 )
(10) Cov( ) cov( 3 , 1 ) cov( 2 , 3 )
var( 3 )
...
...
...
... cov( 1 , k )
... cov( 2 , k )
... cov( 3 , k ) .
...
...
...
var( k )
Demonstra-se que a matriz de covarincias (9) pode ser obtida com a seguinte
frmula (*):
(11) Cov( ) 2 ( X t X )1
em que 2 a varincia do erro aleatrio e ( X t X ) 1 a matriz inversa que
aparece na equao (8), que nos d o estimador de mnimos quadrados de .
(*) A demonstrao no trivial; por isso foi omitida da aula.
Por ltimo, mas nem por isso menos importante, demonstra-se que o
estimador no tendencioso de 2 , denotado por 2 , dado por
(12)
2
i
nk
SQE
t
nk nk
10
www.pontodosconcursos.com.br | Prof. Alexandre Lima
bk
~ t( n k )
ep (bk )
em que ep(bk) denota o erro padro da razo t(n-k), que possui nk graus de
liberdade, n o nmero de elementos da amostra e k o nmero de
parmetros do modelo.
1.6 Teste da Significncia Global da Regresso da Amostra: Teste F e
ANOVA
Aprendemos na aula sobre inferncia do modelo de RLS que a anlise de
varincia (ANOVA) pode ser usada para testar a significncia da regresso.
A ideia utilizar a ANOVA para testar a significncia global da
regresso estimada, ou seja, para testar a hiptese nula de que os
verdadeiros coeficientes de inclinao so simultaneamente nulos (1
= 2 = ... = k = 0). A tcnica de ANOVA ser estendida para o caso de k
11
www.pontodosconcursos.com.br | Prof. Alexandre Lima
12
www.pontodosconcursos.com.br | Prof. Alexandre Lima
SQE /( n k )
SQT /( n 1)
(n 1)
.
(n k )
13
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Nota 2: pela equao (12), fica evidente que para k > 1, R 2 R 2 , implicando
que, conforme aumenta o nmero de variveis X, o R 2 ajustado
aumenta menos que o R 2 no ajustado.
Nota 3: R 2 pode ser negativo, embora R 2 seja necessariamente no
negativo.
Podemos agora montar uma tabela de Anlise de Varincia (ANOVA)
semelhante que fizemos para a anlise de RLS.
ANOVA
Fonte de
Variao
Soma de
Graus de
Quadrados Liberdade
Quadrado
Mdio
Regresso
SQR
k1
SQR/(k 1)
Residual
SQE
nk
=SQE/(n k)
Total
SQT
n1
SQR /( k 1)
SQE /( n k ) Fk-1,n-k,
14
www.pontodosconcursos.com.br | Prof. Alexandre Lima
SQR /( k 1)
SQE /( n k )
ou
Y 1x1 2 x2 3 x3
Y 3 2 x1 3x2 2 x3
O resultado 3 relata os valores de p obtidos para os testes individuais de
significncia (teste t) dos parmetros 1 , 2 e 3 . Note que o p-value de 3
(igual a 0,12) maior que o nvel de significncia = 0,10 (o nvel de
confiana 0,9 = 1). Logo, no h evidncia para rejeitar a hiptese nula
3 0 . Por conseguinte, a varivel independente x3 no significativa
para explicar a variabilidade da resposta Y, devendo ser excluda do
modelo. O modelo correto
Y 0 1 x1 2 x2
19
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Modelo de RLM:
Y1 1 2 X 2,1 ... k X k ,1 1
Y X ... X
2
k
k ,2
1
2 2, 2
2
...
Yn 1 2 X 2,n ... k X k ,n n
ou Y = X + em notao matricial
em que
Y1
Y
Y 2
...
Yn
1
1
X
...
X 2,1
X 2, 2
...
X 2 ,n
... X k ,1
... X k , 2
... ...
... X k ,n
1
2
...
k
1
2
...
n
( X t X ) 1
Xt
20
www.pontodosconcursos.com.br | Prof. Alexandre Lima
var( 2 )
cov( 2 , 3 )
cov( 2 , 1 )
Cov( ) cov( 3 , 1 ) cov( 2 , 3 )
var( 3 )
...
...
...
ou
... cov( 1 , k )
... cov( 2 , k )
... cov( 3 , k )
...
...
...
var( k )
Cov( ) 2 ( X t X )1
2
i
nk
SQE
t
nk nk
SQE /( n k )
SQT /( n 1)
Soma de
Graus de
Quadrados Liberdade
Mdia dos
quadrados
Regresso
SQR
k1
SQR/(k 1)
Residual
SQE
nk
SQE/(n k)
Total
SQT
n1
SQR /( k 1)
SQE /( n k )
Fk-1,n-k,
SQR /( k 1)
SQE /( n k )
bk
~ t( n k )
ep (bk )
22
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Exerccios de Fixao
estimativa
erro padro
razo t
p-valor
60
6,0
10,0
0,00000
0,8
0,2
4,0
0,00007
3,6
2,0
1,8
0,07218
-0,10
0,05
-2,0
0,04578
tudent com
dos
itens
25
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Gabarito
1E
2C
3C
4E
5C
6E
7C
8C
9E
10 E
11 C
12 C
13 C
14 E
15 E
16 C
17 C
26
www.pontodosconcursos.com.br | Prof. Alexandre Lima
27
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(ANTTCargo15/CESPE-UnB/2013)
parmetro
estimativa
erro padro
razo t
p-valor
60
6,0
10,0
0,00000
0,8
0,2
4,0
0,00007
3,6
2,0
1,8
0,07218
-0,10
0,05
-2,0
0,04578
bk
~ t( n k )
ep (bk )
em que ep(bk) denota o erro padro da razo t(n-k), que possui nk graus de
liberdade, n o nmero de elementos da amostra e k o nmero de
parmetros do modelo.
Como 0,07218 > 5% (valor-p > ) no h evidncia suficiente para se rejeitar
H0 em favor de H1. Item certo.
29
www.pontodosconcursos.com.br | Prof. Alexandre Lima
GABARITO: C
4. Para se obter a estimativa de um coeficiente do modelo pelo mtodo de
mnimos quadrados ordin rios, exige-se que o erro aleat rio i siga uma
distribuio normal com mdia 0 e varincia 2.
Resoluo
Para se obter a estimativa de um coeficiente do modelo pelo mtodo de
Mnimos Quadrados Ordin rios (MQO), no se exige que o erro aleat rio i siga
uma distribuio normal com mdia 0 e varincia 2. Se os erros no so
distribudos normalmente, ento os estimadores de mnimos quadrados tm
distribuio aproximadamente normal em grandes amostras, nas quais n k
superior, digamos, a 50.
Item errado.
GABARITO: E
5. O produto X1iX2i, que se denomina interao, permite representar o efeito
multiplicativo da idade e do logaritmo natural do tempo de trabalho na presso
arterial diast lica mdia de um motorista.
Resoluo
O modelo conta um regressor X1iX2i denominado interao, o qual permite
representar o efeito multiplicativo da idade e do logaritmo natural do tempo de
trabalho na presso arterial diast lica mdia de um motorista. Item certo.
GABARITO: C
6. O estimador do coeficiente 1 segue uma distribuio t de
graus de liberdade.
tudent com
Resoluo
O estimador do coeficiente 1 segue uma distribuio t de
tudent com
30
www.pontodosconcursos.com.br | Prof. Alexandre Lima
a y x
em que
1
S xy ( xi x )( yi y ) xi yi xi yi
n i i
i
i
S xx ( xi x ) xi xi
n i
i
i
2
31
www.pontodosconcursos.com.br | Prof. Alexandre Lima
S xz ( x x )( z z ) ( x x )(cy cy ) c( x x )( y y ) c ( x x )( y y ) cS xy
Logo,
S xz cS xy
c
S xx
S xx
a ' z ' x cy cx c( y x ) ca
'
Item certo.
GABARITO: C
Var ( xt )
9. O estimador pode ser escrito da seguinte forma:
, em que
Cov( xt , yt )
Var ( xt ) a varincia de xt e Cov( xt , yt ) a covarincia de xt e yt .
Resoluo
Cov( xt , yt )
O estimador pode ser escrito da seguinte forma:
, em que
Var ( xt )
Var ( xt ) a varincia amostral de xt e Cov( xt , yt ) a covarincia amostral entre
xt e yt . O item inverteu a frmula, estando, desta forma, errado.
GABARITO: E
10. Na regresso pela origem yt xt , em que a 0 , um estimador no
viesado de .
Resoluo
Gujarati demonstra2 que possvel obter os seguintes estimadores de MQO
para a regresso pela origem:
X iYi
2
i
no-viesado
32
ou
Y
X
Y
viesado
X
dos
itens
xt x
. Se E (u | x) 0 , ento as estimativas de MQO sero
( xt x )2
viesadas. Do mesmo modo, pode-se provar que tambm um estimador
no viesado de . Item correto.
em que wt
GABARITO: C
12. Para o coeficiente angular , o estimador de MQO apresenta uma
componente no aleatria, , e outra componente aleatria, a qual depende
Cov( xt , ut )
da covarincia Cov( xt , ut ) , tal que
, em que ut o resduo da
Var ( xt )
regresso e Var ( xt ) a varincia da varivel independente xt do modelo de
regresso.
Resoluo
Sabe-se que
3
Hill, R. C.; Griffiths W. E.; Judge, G. G. Econometria, 2 edio, So Paulo, Ed. Saraiva, 2006 , pg. 79.
33
( xt x )( yt y )
(x
x)
S xy
S xx
Cov( xt , yt )
Var ( xt )
kt ut
em que kt
( xt x )
. Logo,
( xt x )2
( xt x )ut
(x
x)
( x x )(u u ) Cov( x , u )
Var ( x )
(x x)
t
Item correto.
GABARITO: C
13. De acordo com a hiptese de consistncia do estimador de MQO, medida
que o nmero de observaes aumenta, o valor esperado do estimador
converge para o valor do parmetro a ser estimado e a varincia do estimador
converge para zero.
Resoluo
Com a hiptese da normalidade e homocedasticidade dos erros (*), os
estimadores de MQO , e 2 possuem as seguintes propriedades
estatsticas:
a) So no viesados.
b) Tm varincia mnima. Combinado com a), isto quer dizer que eles so
no viesados com varincia mnima, ou estimadores eficientes.
c) Consistncia; isto , conforme o tamanho da amostra aumenta
indefinidamente, os estimadores convergem para seus verdadeiros valores na
populao.
34
d) e tm distribuio normal.
e)
(n 2) 2
SQE
Preo:
Preo mdio:
Preo padronizado:
Sabemos que
. Logo,
Item certo.
GABARITO: C
17. Numa curva normal, h coincidncia entre os valores da mdia e da
mediana, mas no da moda da distribuio.
36
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Resoluo
A figura abaixo mostra que a curva normal tem a forma de um sino e que essa
distribuio simtrica. Deste modo, os valores da mdia, da mediana e da
moda da normal so coincidentes.
Densidade normal
0.45
0.4
0.35
f(x)
0.3
0.25
0.2
0.15
0.1
0.05
0
-3
-2
-1
Item certo.
GABARITO: C
Bons estudos e at a prxima aula!
Alexandre Lima
alexandre@pontodosconcursos.com.br
37
www.pontodosconcursos.com.br | Prof. Alexandre Lima
APNDICE
TABELA I
NORMAL: rea direita de Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,50000
0,46017
0,42074
0,38209
0,34458
0,30854
0,27425
0,24196
0,21186
0,18406
0,15866
0,13567
0,11507
0,09680
0,08076
0,06681
0,05480
0,04457
0,03593
0,02872
0,02275
0,01786
0,01390
0,01072
0,00820
0,00621
0,00466
0,00347
0,00256
0,00187
0,00135
0,00023
0,00003
0,00000
0,01
0,49601
0,45620
0,41683
0,37828
0,34090
0,30503
0,27093
0,23885
0,20897
0,18141
0,15625
0,13350
0,11314
0,09510
0,07927
0,06552
0,05370
0,04363
0,03515
0,02807
0,02222
0,01743
0,01355
0,01044
0,00798
0,00604
0,00453
0,00336
0,00248
0,00181
0,00131
0,00022
0,00003
0,00000
0,02
0,49202
0,45224
0,41294
0,37448
0,33724
0,30153
0,26763
0,23576
0,20611
0,17879
0,15386
0,13136
0,11123
0,09342
0,07780
0,06426
0,05262
0,04272
0,03438
0,02743
0,02169
0,01700
0,01321
0,01017
0,00776
0,00587
0,00440
0,00326
0,00240
0,00175
0,00126
0,00022
0,00003
0,00000
0,03
0,48803
0,44828
0,40905
0,37070
0,33360
0,29806
0,26435
0,23270
0,20327
0,17619
0,15151
0,12924
0,10935
0,09176
0,07636
0,06301
0,05155
0,04182
0,03362
0,02680
0,02118
0,01659
0,01287
0,00990
0,00755
0,00570
0,00427
0,00317
0,00233
0,00169
0,00122
0,00021
0,00003
0,00000
0,04
0,48405
0,44433
0,40517
0,36693
0,32997
0,29460
0,26109
0,22965
0,20045
0,17361
0,14917
0,12714
0,10749
0,09012
0,07493
0,06178
0,05050
0,04093
0,03288
0,02619
0,02068
0,01618
0,01255
0,00964
0,00734
0,00554
0,00415
0,00307
0,00226
0,00164
0,00118
0,00020
0,00003
0,00000
0,05
0,48006
0,44038
0,40129
0,36317
0,32636
0,29116
0,25785
0,22663
0,19766
0,17106
0,14686
0,12507
0,10565
0,08851
0,07353
0,06057
0,04947
0,04006
0,03216
0,02559
0,02018
0,01578
0,01222
0,00939
0,00714
0,00539
0,00402
0,00298
0,00219
0,00159
0,00114
0,00019
0,00003
0,00000
0,06
0,47608
0,43644
0,39743
0,35942
0,32276
0,28774
0,25463
0,22363
0,19489
0,16853
0,14457
0,12302
0,10383
0,08691
0,07215
0,05938
0,04846
0,03920
0,03144
0,02500
0,01970
0,01539
0,01191
0,00914
0,00695
0,00523
0,00391
0,00289
0,00212
0,00154
0,00111
0,00019
0,00002
0,00000
0,07
0,47210
0,43251
0,39358
0,35569
0,31918
0,28434
0,25143
0,22065
0,19215
0,16602
0,14231
0,12100
0,10204
0,08534
0,07078
0,05821
0,04746
0,03836
0,03074
0,02442
0,01923
0,01500
0,01160
0,00889
0,00676
0,00508
0,00379
0,00280
0,00205
0,00149
0,00107
0,00018
0,00002
0,00000
0,08
0,46812
0,42858
0,38974
0,35197
0,31561
0,28096
0,24825
0,21770
0,18943
0,16354
0,14007
0,11900
0,10027
0,08379
0,06944
0,05705
0,04648
0,03754
0,03005
0,02385
0,01876
0,01463
0,01130
0,00866
0,00657
0,00494
0,00368
0,00272
0,00199
0,00144
0,00104
0,00017
0,00002
0,00000
0,09
0,46414
0,42465
0,38591
0,34827
0,31207
0,27760
0,24510
0,21476
0,18673
0,16109
0,13786
0,11702
0,09853
0,08226
0,06811
0,05592
0,04551
0,03673
0,02938
0,02330
0,01831
0,01426
0,01101
0,00842
0,00639
0,00480
0,00357
0,00264
0,00193
0,00139
0,00100
0,00017
0,00002
0,00000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
38
www.pontodosconcursos.com.br | Prof. Alexandre Lima
TABELA II
NORMAL: rea de 0 a Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49977
0,49997
0,50000
0,01
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49978
0,49997
0,50000
0,02
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49978
0,49997
0,50000
0,03
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49979
0,49997
0,50000
0,04
0,01595
0,05567
0,09483
0,13307
0,17003
0,20540
0,23891
0,27035
0,29955
0,32639
0,35083
0,37286
0,39251
0,40988
0,42507
0,43822
0,44950
0,45907
0,46712
0,47381
0,47932
0,48382
0,48745
0,49036
0,49266
0,49446
0,49585
0,49693
0,49774
0,49836
0,49882
0,49980
0,49997
0,50000
0,05
0,01994
0,05962
0,09871
0,13683
0,17364
0,20884
0,24215
0,27337
0,30234
0,32894
0,35314
0,37493
0,39435
0,41149
0,42647
0,43943
0,45053
0,45994
0,46784
0,47441
0,47982
0,48422
0,48778
0,49061
0,49286
0,49461
0,49598
0,49702
0,49781
0,49841
0,49886
0,49981
0,49997
0,50000
0,06
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49981
0,49998
0,50000
0,07
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49982
0,49998
0,50000
0,08
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49983
0,49998
0,50000
0,09
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49983
0,49998
0,50000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
39
www.pontodosconcursos.com.br | Prof. Alexandre Lima
0,995
0,990
0,975
0,950
0,900
0,750
0,500
0,250
0,100
0,050
0,025
0,010
0,005
0,001
0,0000393
0,000157
0,000982
0,00393
0,0158
0,102
0,455
1,323
2,706
3,841
5,024
6,635
7,879
10,83
0,0100
0,0201
0,0506
0,103
0,211
0,575
1,386
2,773
4,605
5,991
7,378
9,210
10,60
13,82
0,0717
0,115
0,216
0,352
0,584
1,213
2,366
4,108
6,251
7,815
9,348
11,34
12,84
16,27
0,207
0,297
0,484
0,711
1,064
1,923
3,357
5,385
7,779
9,488
11,14
13,28
14,86
18,47
0,412
0,554
0,831
1,145
1,610
2,675
4,351
6,626
9,236
11,07
12,83
15,09
16,75
20,52
0,676
0,872
1,237
1,635
2,204
3,455
5,348
7,841
10,64
12,59
14,45
16,81
18,55
22,46
0,989
1,239
1,690
2,167
2,833
4,255
6,346
9,037
12,02
14,07
16,01
18,48
20,28
24,32
1,344
1,646
2,180
2,733
3,490
5,071
7,344
10,22
13,36
15,51
17,53
20,09
21,95
26,12
1,735
2,088
2,700
3,325
4,168
5,899
8,343
11,39
14,68
16,92
19,02
21,67
23,59
27,88
10
2,156
2,558
3,247
3,940
4,865
6,737
9,342
12,55
15,99
18,31
20,48
23,21
25,19
29,59
11
2,603
3,053
3,816
4,575
5,578
7,584
10,34
13,70
17,28
19,68
21,92
24,72
26,76
31,26
12
3,074
3,571
4,404
5,226
6,304
8,438
11,34
14,85
18,55
21,03
23,34
26,22
28,30
32,91
13
3,565
4,107
5,009
5,892
7,042
9,299
12,34
15,98
19,81
22,36
24,74
27,69
29,82
34,53
14
4,075
4,660
5,629
6,571
7,790
10,17
13,34
17,12
21,06
23,68
26,12
29,14
31,32
36,12
15
4,601
5,229
6,262
7,261
8,547
11,04
14,34
18,25
22,31
25,00
27,49
30,58
32,80
37,70
16
5,142
5,812
6,908
7,962
9,312
11,91
15,34
19,37
23,54
26,30
28,85
32,00
34,27
39,25
17
5,697
6,408
7,564
8,672
10,09
12,79
16,34
20,49
24,77
27,59
30,19
33,41
35,72
40,79
18
6,265
7,015
8,231
9,390
10,86
13,68
17,34
21,60
25,99
28,87
31,53
34,81
37,16
42,31
19
6,844
7,633
8,907
10,12
11,65
14,56
18,34
22,72
27,20
30,14
32,85
36,19
38,58
43,82
20
7,434
8,260
9,591
10,85
12,44
15,45
19,34
23,83
28,41
31,41
34,17
37,57
40,00
45,31
21
8,034
8,897
10,28
11,59
13,24
16,34
20,34
24,93
29,62
32,67
35,48
38,93
41,40
46,80
22
8,643
9,542
10,98
12,34
14,04
17,24
21,34
26,04
30,81
33,92
36,78
40,29
42,80
48,27
23
9,260
10,20
11,69
13,09
14,85
18,14
22,34
27,14
32,01
35,17
38,08
41,64
44,18
49,73
24
9,886
10,86
12,40
13,85
15,66
19,04
23,34
28,24
33,20
36,42
39,36
42,98
45,56
51,18
25
10,52
11,52
13,12
14,61
16,47
19,94
24,34
29,34
34,38
37,65
40,65
44,31
46,93
52,62
26
11,16
12,20
13,84
15,38
17,29
20,84
25,34
30,43
35,56
38,89
41,92
45,64
48,29
54,05
27
11,81
12,88
14,57
16,15
18,11
21,75
26,34
31,53
36,74
40,11
43,19
46,96
49,64
55,48
28
12,46
13,56
15,31
16,93
18,94
22,66
27,34
32,62
37,92
41,34
44,46
48,28
50,99
56,89
29
13,12
14,26
16,05
17,71
19,77
23,57
28,34
33,71
39,09
42,56
45,72
49,59
52,34
58,30
30
13,79
14,95
16,79
18,49
20,60
24,48
29,34
34,80
40,26
43,77
46,98
50,89
53,67
59,70
40
20,71
22,16
24,43
26,51
29,05
33,66
39,34
45,62
51,81
55,76
59,34
63,69
66,77
73,40
50
27,99
29,71
32,36
34,76
37,69
42,94
49,33
56,33
63,17
67,50
71,42
76,15
79,49
86,66
60
35,53
37,48
40,48
43,19
46,46
52,29
59,33
66,98
74,40
79,08
83,30
88,38
91,95
99,61
70
43,28
45,44
48,76
51,74
55,33
61,70
69,33
77,58
85,53
90,53
95,02
100,43
104,21
112,32
80
51,17
53,54
57,15
60,39
64,28
71,14
79,33
88,13
96,58
101,88
106,63
112,33
116,32
124,84
90
59,20
61,75
65,65
69,13
73,29
80,62
89,33
98,65
107,57
113,15
118,14
124,12
128,30
137,21
100
67,33
70,06
74,22
77,93
82,36
90,13
99,33
109,14
118,50
124,34
129,56
135,81
140,17
149,45
Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
2
a 0,100 (P(Y>yc) = 0,1) 23,54, ou seja, 16
23,54 .
40
www.pontodosconcursos.com.br | Prof. Alexandre Lima
TABELA IV (t de Student): valores tc tais que P(-tc < t < tc) = 1-p
GL
0,5
0,4
0,3
0,2
0,1
0,05
0,02
0,01
0,005
0,002
0,001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
5000
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,679
0,677
0,675
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,845
0,842
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,041
1,037
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,289
1,282
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,658
1,645
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,980
1,960
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,358
2,327
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,617
2,577
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,860
2,808
318,309
22,327
10,215
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,160
3,092
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,496
3,460
3,373
3,292
41
www.pontodosconcursos.com.br | Prof. Alexandre Lima
GL2
1
42
www.pontodosconcursos.com.br | Prof. Alexandre Lima