Pular para o conteúdo principal

Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2025

EstatísticaInferência estatística
Código
ce217906
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Estatística
Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.Quando os erros são homoscedásticos e normalmente distribuídos, os estimadores EMQ e EMV são não viesados e atingem o limite inferior de Cramér-Rao.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Estimadores de mínimos quadrados e máxima verossimilhança na regressão linear

Gabarito: letra C (CERTO). Quando os erros são homoscedásticos e normalmente distribuídos, o estimador de mínimos quadrados (EMQ) coincide com o estimador de máxima verossimilhança (EMV), ambos são não viesados e atingem o limite inferior de Cramér-Rao, sendo, portanto, eficientes. Essa é uma propriedade clássica da teoria de estimação aplicada ao modelo de regressão linear clássico.

No modelo de regressão linear y=Xβ+εy = X\beta + \varepsilon, com ε∼N(0,σ2I)\varepsilon \sim N(0, \sigma^2 I), a função de verossimilhança é proporcional a exp⁡(−12σ2(y−Xβ)′(y−Xβ))\exp\left(-\frac{1}{2\sigma^2}(y - X\beta)'(y - X\beta)\right). Maximizar essa função equivale a minimizar a soma de quadrados dos resíduos (y−Xβ)′(y−Xβ)(y - X\beta)'(y - X\beta). Por isso, sob normalidade, o EMV coincide com o EMQ.

Além disso, sob as hipóteses clássicas (erros com média zero, homoscedásticos e não correlacionados), o EMQ é não viesado, ou seja, E(β^)=βE(\hat{\beta}) = \beta. E, quando os erros são normais, o EMV também é não viesado. A eficiência — atingir o limite inferior de Cramér-Rao — decorre do fato de que, sob normalidade, a variância do estimador atinge o menor valor possível entre todos os estimadores não viesados, dado pela informação de Fisher.

A distinção importante que a banca explora é entre as condições em que EMQ e EMV coincidem. Sem normalidade, o EMQ continua sendo não viesado e de menor variância entre os estimadores lineares não viesados (teorema de Gauss-Markov), mas não atinge necessariamente o limite de Cramér-Rao, pois esse limite depende da distribuição dos erros. Com normalidade, a coincidência é total.

NÃO CAIA NESSA!

A banca pode tentar confundir o candidato ao afirmar que o EMQ atinge o limite de Cramér-Rao mesmo sem normalidade. Isso é falso: sem normalidade, o EMQ é BLUE (melhor linear não viesado), mas não necessariamente eficiente no sentido de Cramér-Rao. Aqui, a condição de normalidade é essencial para a eficiência.

Condição dos erros

EMQ = EMV?

Não viesado?

Atinge Cramér-Rao?

Conclusão

Homoscedásticos e normais

Sim

Sim

Sim

Afirmação correta

Homoscedásticos, sem normalidade

Não necessariamente

Sim (EMQ)

Não necessariamente

Afirmação incorreta

Alternativa C — ✅ Correta ⟵ GABARITO

A afirmação está correta. Sob erros homoscedásticos e normalmente distribuídos, o EMQ coincide com o EMV, ambos são não viesados e atingem o limite inferior de Cramér-Rao. Isso decorre da equivalência entre maximizar a verossimilhança normal e minimizar a soma de quadrados dos resíduos, e da propriedade de que, sob normalidade, a variância do estimador atinge o limite de Cramér-Rao.

Gabarito: letra C

Link permanente: /questoes/ce217906