Pular para o conteúdo principal

Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2025

EstatísticaInferência estatística
Código
ce217908
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.O EMQ minimiza a soma do quadrado dos resíduos, independentemente da distribuição dos dados.
  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”.

Estimador de mínimos quadrados (EMQ) em regressão linear

✅ CERTO. O estimador de mínimos quadrados (EMQ) é definido, por construção, como o vetor de parâmetros que minimiza a soma dos quadrados dos resíduos — e esse critério é puramente algébrico/geométrico, não dependendo de qualquer suposição distribucional sobre os dados. Em outras palavras, o EMQ minimiza SQE=∑ei2SQE = \sum e_i^2 independentemente da distribuição de ε\varepsilon; a normalidade dos erros só é exigida para fins de inferência (testes de hipóteses e intervalos de confiança), não para a obtenção das estimativas pontuais.

O método dos mínimos quadrados é um procedimento de estimação pontual que busca os valores de β^\hat{\beta} que tornam mínima a soma dos quadrados dos desvios entre os valores observados yiy_i e os valores ajustados y^i=Xβ^\hat{y}_i = X\hat{\beta}. Esse critério é definido pela expressão SQE=∑i=1n(yi−y^i)2=∑i=1nei2SQE = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 = \sum_{i=1}^{n} e_i^2, e a solução é obtida derivando-se essa função em relação a β\beta e igualando a zero, o que conduz às equações normais X′Xβ^=X′yX'X\hat{\beta} = X'y. Nenhuma etapa desse processo envolve a função de densidade ou de probabilidade dos dados — apenas operações de álgebra linear.

A distinção crucial que a banca explora é entre o critério de estimação e as suposições do modelo. O EMQ não exige normalidade para existir e ser calculado; ele é um estimador que minimiza uma função de perda quadrática. Já o estimador de máxima verossimilhança (EMV) é obtido maximizando a função de verossimilhança, que depende explicitamente da distribuição assumida para os erros. Quando os erros são normalmente distribuídos, o EMV coincide com o EMQ — mas essa coincidência é uma propriedade específica da distribuição normal, não uma característica geral do EMQ.

A pegadinha típica desta questão é o candidato associar o EMQ à necessidade de normalidade dos resíduos, confundindo o critério de estimação com as premissas necessárias para a inferência estatística. A normalidade dos erros é requerida para que as estatísticas de teste (como a estatística tt) tenham distribuição exata e para a construção de intervalos de confiança, mas não para a obtenção das estimativas pontuais por mínimos quadrados.

Critério de Estimação

Depende da Distribuição dos Dados?

Finalidade Principal

EMQ (minimizar SQE = Σeᵢ²)

Não — puramente algébrico/geométrico

Obtenção das estimativas pontuais de β

EMV (maximizar verossimilhança)

Sim — depende da distribuição assumida para ε

Estimação pontual; coincide com EMQ apenas sob normalidade

Suposição de normalidade dos erros

Sim — exigida apenas para inferência

Testes de hipóteses e intervalos de confiança

Alternativa C — ✅ CERTO ⟵ GABARITO

A afirmativa está correta. O EMQ minimiza a soma do quadrado dos resíduos, SQE=∑ei2SQE = \sum e_i^2, e esse procedimento é independente da distribuição dos dados. O critério de mínimos quadrados é puramente algébrico: ele busca os parâmetros que minimizam a distância quadrática entre os valores observados e os ajustados, sem qualquer suposição sobre a forma da distribuição dos erros. A normalidade só é necessária para a inferência (testes e intervalos), não para a estimação pontual.

Gabarito: letra C — ✅ CERTO.

Link permanente: /questoes/ce217908