O aumento do preço de transporte como consequência do custo de

combustível: caso da cidade de Maputo

O aumento do preço de transporte como consequência do custo de
combustível: caso da cidade de Maputo

1
Índice
1. Introdução............................................................................................................................ 3

1.1. Objectivos ........................................................................................................................ 4

1.1.1. Geral ............................................................................................................................. 4

1.1.2. Específicos ................................................................................................................... 4

1.2. Metodologia ..................................................................................................................... 4

2. A natureza da análise de regressão ...................................................................................... 5

2.1. Correlação ........................................................................................................................ 5

2.2. Coeficiente de correlação linear de Pearson .................................................................... 5

2.2.1. Propriedades ................................................................................................................. 6

2.2.2. Critério para estimar do 𝑝 − 𝑣𝑎𝑙𝑜𝑟: ............................................................................ 6

Exemplo 1:.................................................................................................................................. 6

2.3. Regressão linear uni equacional ..................................... Erro! Indicador não definido.

2.4. Regressão linear simples populacional e amostral .......................................................... 7

2.5. Métodos dos mínimos quadrados ordinários (MQO) ...................................................... 8

2.6. Estimação e interpretação de dos parâmetros 𝛽0 e 𝛽1 ................................................... 9

3. Conclusão .......................................................................................................................... 11

4. Referências Bibliográficas ................................................................................................ 12

2
 1. Introdução
O presente trabalho de pesquisa, tem como tema modelo de regressão linear simples,
onde iremos abordar acerca de método de mínimos quadrados ordinários para estimação dos
parâmetros. A pesquisa tem como objectivo analisar os fundamentos da aplicação do modelo
regressão linear simples no cotidiano. Nesta toda a econometria consiste na aplicação de
métodos matemáticos e estatísticos a problemas de economia. O econometrista combina
conhecimentos de três ramos científicos: Economia, Matemática e Estatística.
A análise de regressão é o método mais importante da econometria. Sempre é
interessante conhecer os efeitos que algumas variáveis exercem, ou que parecem exercer, sobre
outras. Mesmo que não exista relação causal entre as variáveis podemos relaciona-las por meio
de uma expressão matemática, que pode ser útil para se estimar o valor de uma das variáveis
quando conhecemos os valores das outras (estas de mais fácil obtenção ou antecessoras da
primeira no tempo), sob determinadas condições.
Genericamente, tais relações funcionais podem ser representadas por 𝑌 =
𝑓(𝑥1 ; 𝑥2 ; … 𝑥𝑘 ) X onde Y representa a variável dependente e os h X (h = 1, 2, ..., k) representam
as variáveis explanatórias.
São exemplos de relações funcionais entre variáveis:
a) Crescimento da população ou do PNB de um país (Y) em função dos anos (X);
b) Variação da produção (Y) obtida numa cultura conforme a quantidade de nitrogênio
(𝑥1 ), fósforo (𝑥2 ) e potássio (𝑥3 ) utilizada na adubação;
c) Variação do preço (Y) de um produto no mercado em função da quantidade oferecida
(X).

3
 [Link]
1.1.1. Geral

Analisar o modelo de regressão linear simples através de MQO

1.1.2. Específicos

 Especificação do modelo matemático da teoria: Expressão matemática da teoria geral

(modelo exato ou determinístico);
 Especificação do modelo econométrico ou estatístico da teoria: expressão matemática e
componente aleatório (existência de factores que afectam v.d e que v.i não conseguem
explicar) da teoria geral;

 Obtenção de dados: variáveis para estimar os parâmetros;

 Estimativa dos parâmetros do modelo econométrico: método adequado os OLS e
apresentação do MRL que é a ferramenta principal das estimações.

[Link]

A metodologia visa especificar o procedimento a ser utilizado no desenvolvimento do

trabalho proposto, informando como o estudo será feito, definindo o campo a ser pesquisado.
Para a realização desta pesquisa recorre-se a consulta bibliográfica que auxiliaram no
desenvolvimento do trabalho.
De acordo com RICHARDISON (2008, p.184) a consulta bibliográfica pode ser
definida como sendo uma das etapas indispensáveis para o estudo e análise de um determinado
assunto de interesse do pesquisador e consciente na procura, seleção, pré– análise e análise da
matéria, tratado dos resultados, inferência e interpretação da leitura e disposição e a devida
adequação ao assunto em estudo, com vista alcançar os objectivos previamente estabelecidos
para a execução do relatório.

4
 2. A natureza da análise de regressão

O termo regressão foi introduzido por Francis Galton. Nos seus ensaios, verificou que,
pais altos tendem a ter filhos altos e de pais baixos tendem a ter filhos baixos, a altura média
dos filhos de pais de uma dada altura tendia a se “deslocar” ou “regredir” até a altura média da
população como um todo. Em outras palavras, a altura dos filhos de pais extraordinariamente
altos ou baixos tende a se mover para a altura média da população.
A lei de regressão universal de Galton foi confirmada por seu amigo Karl Pearson ,
colectou mais de mil registos de alturas de membros de grupos familiares e descobriu que a
altura média dos filhos de um grupo de pais de altura alta era menor que altura de seus pais, e
que altura média de filhos de um grupo de pais de altura baixa era maior que altura de seus pais,
isto é, o trata-se de um fenómeno mediante o qual os filhos altos e filhos baixos “regressam”
por igual altura média de todos os demais. Em palavras de Galton, se trata de uma “regressão
mediocridade”.

[Link]ção

A correlação estuda a relação entre duas variáveis, isto é, quando uma delas esta de
alguma forma relacionada com a outra. Para analisar esta relação bivariada de variáveis de uma
determinada população, vamos nos basear com diagrama de dispersão ou coeficiente de
correlação linear de Pearson. As variáveis designadas devem ser sob aspecto quantitativo ou
qualitativo ordinal.

A teoria microeconómica “tudo mais constante, uma redução no preço de uma

mercadoria devera aumentar a quantidade demandada dessa mercadoria”. Que tipo de relação
se trata? Será que a teoria fornece uma medida numérica? As perguntas expostas mostram que
a economia fornece conteúdo empírico à grande parcela da teoria económica. Para tal, é preciso
que o econometrista seja económico matemático para expressar as informações económicas em
equações matemática, sem levar em conta a mensurabilidade ou a verificação empírica da
teoria.

[Link] de correlação linear de Pearson

A estimativa de Pearson é uma medida de correlação que mede a força ou grau de

intensidade linear que ocorre entre duas variáveis que se relacionam linearmente. E a expressão
matemática é dada:

5
 (∑ 𝑋𝑖 )(∑ 𝑌𝑖 )
∑ 𝑋𝑖 𝑌𝑖 − 𝑆𝑋𝑌
𝑛
𝑟𝑋𝑌 = ou 𝑟𝑋𝑌 =
2 2 √𝑆𝑋𝑋 ×√𝑆𝑌𝑌
√∑ 𝑋 2 −(∑ 𝑋𝑖 ) ×√∑ 𝑌 2 −(∑ 𝑌𝑖 )
𝑖 𝑛 𝑖 𝑛

2.2.1. Propriedades
a) 𝑟𝑋𝑌 ∈ [−1; 1];
b) Se 𝑟𝑋𝑌 = 1 a correlação é perfeita positiva
c) Se 𝑟𝑋𝑌 = −1 a correlação é perfeita negativa
d) Se 𝑟𝑋𝑌 = 0 não existe correlação
e) Se 𝑟𝑋𝑌 ∈ ]0,5; 1[ a correlação é forte positiva/ directa
f) Se 𝑟𝑋𝑌 ∈ ]−1; −0,5[ a correlação é forte negativa/ inversa
2.2.2. Critério para estimar do 𝒑 − 𝒗𝒂𝒍𝒐𝒓:
 Se 𝑡𝑜𝑏𝑠 < 0, 𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 2 × 𝑝(𝑡𝑛−2 < 𝑡𝑜𝑏𝑠 ⁄𝐻0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎); e
 Se 𝑡𝑜𝑏𝑠 > 0, 𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 2 × 𝑝(𝑡𝑛−2 > 𝑡𝑜𝑏𝑠 ⁄𝐻0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎).

Exemplo 1:
Os dados na tabela e gráfico de dispersão mostram o preço do combustível por litro na cidade
de Maputo.

Tabela 1:
Combustível (l) (x) 1 2 3 4 5 6 7 8 9 10 11 12
Preço (y) 83,3 166,6 249,9 333,2 416,5 84,3 590,1 674,4 758,7 843 85,3 1023,6

Observa o gráfico de dispersão de preço Vs Quantidade do combustível por litro, diga

teoricamente se as variáveis envolvidas estão relacionadas? Se, que tipo de relação se trata?
Justifique

Gráfico 1:

6
 Grafico de Dispersao
1200

1000

800
Preco

600

400

200

0
0 2 4 6 8 10 12 14
Combustivel

De acordo com o gráfico de dispersão acima pode se observar que existe relação e é
directa, aparentemente parece ser forte, as nuvens de pontos estão quase alinhados, pois
se observa que quando o preço do combustível aumentam implica o aumento na subida
do preço do transporte público, isto é as vendas variam diretamente com o preço.

Estatística de regressão
R múltiplo 0,65968
R-Quadrado 0,435178
R-quadrado ajustado -1,2
Erro padrão 258,6439
Observações 1
Fonte: Dados da pesquisa (2022)
De acordo com a tabela ao lado pode se observar que a estatística de Pearson é igual a 0,65968
oque significa que as variáveis estão correlacionadas entre si, ou seja quando o preço do
combustível aumenta implica aumento na subida do transporte público.
[Link]ão linear simples populacional e amostral

FRP 𝐸[𝑌/𝑋𝑖 ] é uma função que designa a esperança condicional ou simplesmente

media condicional em função de 𝑋𝑖 , em que 𝑓(𝑋𝑖 ) indica alguma função da variável explicativa
𝑋𝑖 que se expressa por:

𝐸[𝑌/𝑋𝑖 ] = 𝑓(𝑋𝑖 ) ou 𝐸[𝑌/𝑋𝑖 ] = 𝛽0 + 𝛽1 𝑋𝑖 representa modelo exacto ou determinístico

𝐸[𝑌/𝑋𝑖 ] = 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖 modelo estocástico ou econométrico

7
Onde: 𝛽0 ordenada na origem ou intercepto, 𝛽1 pendente ou declives parciais1 (𝛽0 e 𝛽1 são os
parâmetros ou coeficientes do modelo) e 𝜀𝑖 é o erro ou perturbações do modelo (assume valores
+ ou −).

A FRP deve ser estimada com base nas informações da amostra que designa-se por FRA, para
tal efeito usa-se o MQO. E o modelo será escrito por:

̂0 + 𝛽
̂𝑖 = 𝛽
𝑌 ̂1 𝑋𝑖 ou 𝑌𝑖 = 𝛽
̂0 + 𝛽
̂1 𝑋𝑖 + 𝜀̂𝑖

̂𝑖 é estimador2 de 𝐸[𝑌/𝑋𝑖 ],
𝑌 ̂0 é estimador de 𝛽0, 𝛽
𝛽 ̂1é estimador de 𝛽1

Neste caso 𝜀̂𝑖 é resíduo, é uma variável aleatória independente e identicamente distribuída, isto
é, deve seguir uma distribuição normal, são independentes e a variância é homocedástica.

2.4.Métodos dos mínimos quadrados ordinários (MQO3)

MQO é a técnica de optimização matemática que procura encontrar o melhor ajuste para
um conjunto de dados, tentando minimizar a soma dos quadrados das diferenças entre o valor
estimado e os dados observados, a essa diferença chama-se resíduo.
Dado o modelo FRP 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖 , como essa função não é observável. Então
̂0 + 𝛽
supondo que existe FRA 𝑌𝑖 = 𝛽 ̂1 𝑋𝑖 + 𝜀̂𝑖 como 𝛽
̂0 + 𝛽
̂1 𝑋𝑖 = 𝑌
̂𝑖 , teremos 𝑌𝑖 = 𝑌
̂𝑖 + 𝜀̂𝑖 ou
̂𝑖 = 𝜀̂𝑖 . A ideia da última expressão é somarmos todos os resíduos de tal modo que a
𝑌𝑖 − 𝑌
̂𝑖 ) = ∑ 𝜀̂,
distância seja a menor possível ∑(𝑌𝑖 − 𝑌 𝑖 este critério mostra que todos os resíduos

terão o mesmo peso, embora alguns estejam mais próximo de FRA que outros. Ou seja os
resíduos terão a mesma importância independentemente de quão próximos ou dispersas as
observações individuais sejam relativamente a FRA. Algebricamente a soma dos resíduos é
zero, como queremos a mínima distancia, para tal efeito, adoptamos o critérios dos mínimos
quadrados, segundo o qual a FRA pode ser fixada de tal modo que:
2 2
̂𝑖 ) = ∑(𝜀̂)
∑(𝑌𝑖 − 𝑌 𝑖
2 ̂0 − 𝛽
⇔ ∑(𝑌𝑖 − 𝛽 ̂1 𝑋𝑖 ) = ∑(𝜀̂)
𝑖
2

A expressão acima, mostra que:

1
Mede a variação de 𝑌 por unidade de 𝑋𝑖 ou a influencia de 𝑋𝑖 em 𝑌
2
É também conhecido como estatística, é uma regra, formula ou método que nos diz como estimar o parâmetro
da população a partir das informações dadas pela amostra disponível, enquanto a estimativa é o valor numérico
particular obtido pelo estimador em uma aplicação.
3
Em inglês OLS (Ordinary Least Squares) é o método mais usado na econometria
8
  ao elevar ao quadrado, este método dá maior peso a resíduo próximos da FRA do que
os distantes;
 ̂0 e 𝛽
a soma dos resíduos ao quadrado é alguma função dos estimadores 𝛽 ̂1;

 ̂0 e 𝛽
o método dos MQO escolhe 𝛽 ̂1 de tal modo que, para uma dada amostra ou
2
conjunto de dados, ∑(𝜀̂)
𝑖 é a menor possível, ou seja, para uma amostra, o método dos
̂0 e 𝛽
mínimos quadrados nos fornece estimativas únicas de 𝛽 ̂1 que dão o menor valor
2
possível de ∑(𝜀̂)
𝑖 .

̂0 e 𝛽
[Link]ção4 e interpretação de dos parâmetros 𝛽 ̂1

2
̂0 − 𝛽
Dada a função implícita ∑(𝑌𝑖 − 𝛽 ̂1 𝑋𝑖 ) = ∑(𝜀̂) 2
𝑖 , derivando parcialmente ∑(𝜀
̂) 2
𝑖 em

̂0 e 𝛽
função de 𝛽 ̂1, obtém-se duas funções:

2 𝜕 [∑(𝑌𝑖 − 𝛽 ̂1 𝑋𝑖 )2 ]
̂0 − 𝛽
𝑖 )
𝜕(∑(𝜀̂)
̂0 − 𝛽
̂1 𝑋𝑖 )
= = −2 ∑(𝑌𝑖 − 𝛽
̂0
𝜕𝛽 𝜕𝛽̂0

2
𝑖 )
𝜕(∑(𝜀̂)
̂0 − 𝛽
̂1 ∑ 𝑋𝑖 ) = −2(𝑛𝑌̅ − 𝑛𝛽
̂0 − 𝑛𝛽
̂1 𝑋̅)
= −2 (∑ 𝑌𝑖 − ∑ 𝛽
̂0
𝜕𝛽

𝜕(∑(𝜀̂𝑖 )2 )
Se ̂0 − 𝑛𝛽
= 0 ⟺ −2(𝑛𝑌̅ − 𝑛𝛽 ̂1 𝑋̅) = 0 ⟹ 𝜷
̂𝟎 = 𝒀 ̂𝟏 𝑿
̅−𝜷 ̅
𝜕𝛽̂0

2 𝜕 [∑(𝑌𝑖 − 𝛽 ̂1 𝑋𝑖 )2 ]
̂0 − 𝛽
𝑖 )
𝜕(∑(𝜀̂)
̂0 − 𝛽
̂1 𝑋𝑖 )𝑋𝑖
= = −2 ∑(𝑌𝑖 − 𝛽
̂0
𝜕𝛽 𝜕𝛽̂0

2
𝑖 )
𝜕(∑(𝜀̂)
̂0 𝑋𝑖 − 𝛽
̂1 𝑋𝑖2 )] = −2 (∑ 𝑌𝑖 𝑋𝑖 − 𝛽
̂0 ∑ 𝑋𝑖 − 𝛽
̂1 ∑ 𝑋𝑖2 )
= −2 [∑(𝑌𝑖 𝑋𝑖 − 𝛽
̂0
𝜕𝛽

2
𝑖 )
𝜕(∑(𝜀̂) ∑ 𝑌𝑖
̂1
∑ 𝑋𝑖
̂1 ∑ 𝑋𝑖2 ]
= −2 [∑ 𝑌𝑖 𝑋𝑖 − ( −𝛽 ) ∑ 𝑋𝑖 − 𝛽
̂
𝜕𝛽0 𝑛 𝑛

2 (∑ 𝑋𝑖 )2
𝑖 )
𝜕(∑(𝜀̂) (∑ 𝑌𝑖 )(∑ 𝑋𝑖 )
̂ ̂1 ∑ 𝑋𝑖2 ]
= −2 [∑ 𝑌𝑖 𝑋𝑖 − + 𝛽1 −𝛽
̂
𝜕𝛽0 𝑛 𝑛

2 (∑ 𝑋𝑖 )2
𝑖 )
𝜕(∑(𝜀̂) (∑ 𝑌𝑖 )(∑ 𝑋𝑖 )
̂1 [∑ 𝑋𝑖2 −
= −2 {∑ 𝑌𝑖 𝑋𝑖 − −𝛽 ]}
̂0
𝜕𝛽 𝑛 𝑛

4
Aplicação dos problemas de optimização de CD em IRn
9
 2
𝑖 )
𝜕(∑(𝜀̂) ∑ 𝑌𝑖 𝑋𝑖 (∑ 𝑌𝑖 )(∑ 𝑋𝑖 ) 𝑛 ∑ 𝑋𝑖2 (∑ 𝑋𝑖 )2
= −2 {𝑛 − ̂
− 𝛽1 [ − ]}
̂0
𝜕𝛽 𝑛 𝑛 𝑛 𝑛

2
𝑖 )
𝜕(∑(𝜀̂) ∑ 𝑌𝑖 𝑋𝑖 (∑ 𝑌𝑖 )(∑ 𝑋𝑖 ) 𝑛 ∑ 𝑋𝑖2 (∑ 𝑋𝑖 )2
= 0 ⟺ −2 {𝑛 − ̂1 [
−𝛽 − ]} = 0
̂0
𝜕𝛽 𝑛 𝑛 𝑛 𝑛

2
̂1 [𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 ) ] = 0
𝑛 ∑ 𝑌𝑖 𝑋𝑖 − (∑ 𝑌𝑖 ) (∑ 𝑋𝑖 ) = 𝛽

𝒏 ∑ 𝒀𝒊 𝑿𝒊 − (∑ 𝒀𝒊 )(∑ 𝑿𝒊 ) ∑(𝑌𝑖 −𝑌̅)(𝑋𝑖 − 𝑋̅) 𝑪𝒐𝒗(𝑿; 𝒀)

̂1 =
𝛽 = =
𝒏 ∑ 𝑿𝟐𝒊 − (∑ 𝑿𝒊 )𝟐 ∑(𝑋𝑖 − 𝑋̅)2 𝑺𝟐𝑿

Exemplo 1.1: considerando o exemplo 1, estimar e interpretar os parâmetros

̂0 + 𝛽
𝑉𝑒𝑛𝑑𝑎𝑠𝑖 = 𝛽 ̂1 𝑃𝑟𝑒ç𝑜𝑠𝑖 + 𝜀𝑖

Modelo descritivo estimado: 𝒑𝒓𝒆𝒄𝒐𝒊 = 𝟖𝟑, 𝟑𝒄𝒐𝒎𝒃𝒊 + 𝜺𝒊

̂0 = 0 significa se os preços forem constantes ou nulos em média as vendas aumentam de 0

𝛽
u.m; e

̂1 = 83,3 significa a uma u.m a mais dos preços as vendas em média diminuem em 83,3 u.m
𝛽
(as vendas diminuem em 2% por um aumento de 100% nos preços dos óculos).

10
 3. Conclusão

As indicações históricas consideram que a origem da estatística ocorreu na Antiguidade

com os primeiros censos e somente na Aritmética Política teve progresso no tipo de trabalho
que era realizado. Esse período ocorreu no século VI a.C até o século XVII após d.C, o que
totaliza 23 séculos.
Um ponto em comum no surgimento das idéias da estatística e da probabilidade é que
ambas surgiram a partir de problemas empíricos, embora existam registros de mais matemáticos
envolvidos com os problemas de jogos de azar do que com problemas de recenseamentos.
Mas os caminhos dessas duas áreas permaneceram separados até o surgimento da Aritmética
Política (século XVII). Foi com a obra de De Moivre que se tem registro da união dos trabalhos
realizados pela estatística e pela probabilidade, o que dá início à área da Estatística denominada
Inferência.
Portanto, a partir do século XVII a relação entre a Estatística e a Probabilidade torna-se
indissociável, contribuindo para o desenvolvimento de estudos em diversas áreas do
conhecimento, como a biologia, a psicologia, entre outras.

11
 4. Referências Bibliográficas

GUJARATI, D. N. e PORTER, D. C.(2010). Econometría, McGraw-Hill Educación, 5ª edición,

Mexico.
MAROCO, J. (2007). Análise Estatística-Com Utilização do SPSS 22; Edições Silaba, Lda; 3a
Edição, Lisboa.
BOONE, L. E.; KURTZ, D. L. Marketing Contemporâneo. 8 Ed. Rio de Janeiro: LTC,
1998.
CHURCHILL, JR. G. A.; PETER, J. P.(2000). Marketing: criando valor para os clientes.
2 Ed. São Paulo: Saraiva.
DIAS, S. R. (Coord.).(2003). Gestão de Marketing. São Paulo: Saraiva.
.

12