Pular para o conteúdo principal

Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2025

EstatísticaInferência estatística
Código
ce217909
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.Sob a suposição de erros com distribuição normal e variância constante, o EMQ e o EMV para β são idênticos.
  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 e máxima verossimilhança em regressão linear

✅ CERTO. Sob a suposição de erros com distribuição normal e variância constante (homocedasticidade), o estimador de mínimos quadrados (EMQ) e o estimador de máxima verossimilhança (EMV) para o vetor de parâmetros β são idênticos. Essa é uma propriedade clássica da teoria de regressão linear: quando os erros são normais, a função de verossimilhança é maximizada exatamente pelo mesmo ponto que minimiza a soma dos quadrados dos resíduos.

O modelo de regressão linear é expresso como y=Xβ+εy = X\beta + \varepsilon, onde yy é o vetor resposta, XX é a matriz de covariáveis, β\beta é o vetor de parâmetros e ε\varepsilon é o erro. O EMQ minimiza a soma dos quadrados dos resíduos: β^MQ=arg⁡min⁡β(y−Xβ)′(y−Xβ)\hat{\beta}_{MQ} = \arg\min_{\beta} (y - X\beta)'(y - X\beta). A solução é β^MQ=(X′X)−1X′y\hat{\beta}_{MQ} = (X'X)^{-1}X'y, desde que X′XX'X seja invertível.

Quando os erros seguem distribuição normal com média zero e variância constante σ2\sigma^2, ou seja, 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 o expoente, que é exatamente a soma dos quadrados dos resíduos. Portanto, o EMV coincide com o EMQ.

A distinção importante é que essa equivalência depende da suposição de normalidade. Sem ela, o EMQ e o EMV podem diferir. Por exemplo, se os erros seguem uma distribuição de Laplace, o EMV corresponde ao estimador de mínimos desvios absolutos (LAD), que minimiza a soma dos valores absolutos dos resíduos, não a soma dos quadrados. A banca explora exatamente essa condição: a normalidade é o que garante a identidade.

A pegadinha aqui é sutil: muitos candidatos lembram que o EMQ não exige normalidade para ser calculado, mas esquecem que a igualdade com o EMV só vale sob normalidade. A questão afirma explicitamente essa condição, tornando a afirmação correta.

Condição

EMQ (minimiza SQR)

EMV (maximiza verossimilhança)

Resultado

Erros normais, variância constante

(β^MQ=(X′X)−1X′y)(\hat{\beta}_{MQ} = (X'X)^{-1}X'y)

(β^MV=(X′X)−1X′y)(\hat{\beta}_{MV} = (X'X)^{-1}X'y)

Idênticos

Erros não normais (ex.: Laplace)

(β^MQ=(X′X)−1X′y)(\hat{\beta}_{MQ} = (X'X)^{-1}X'y)

β^MV≠(X′X)−1X′y\hat{\beta}_{MV} \neq (X'X)^{-1}X'y (ex.: LAD)

Diferentes

Alternativa C — ✅ CERTO ⟵ GABARITO

A afirmação está correta porque, sob a suposição de erros normais com variância constante, a função de verossimilhança é maximizada no mesmo ponto que minimiza a soma dos quadrados dos resíduos. Formalmente, a função de log-verossimilhança é ℓ(β,σ2)=−n2log⁡(2πσ2)−12σ2(y−Xβ)′(y−Xβ)\ell(\beta, \sigma^2) = -\frac{n}{2}\log(2\pi\sigma^2) - \frac{1}{2\sigma^2}(y - X\beta)'(y - X\beta). Para um σ2\sigma^2 fixo, maximizar ℓ\ell em relação a β\beta é equivalente a minimizar (y−Xβ)′(y−Xβ)(y - X\beta)'(y - X\beta), que é o critério do EMQ. Portanto, β^MV=β^MQ=(X′X)−1X′y\hat{\beta}_{MV} = \hat{\beta}_{MQ} = (X'X)^{-1}X'y.

Alternativa E — ❌ Incorreta

A alternativa E afirma que o EMQ e o EMV não são idênticos, o que contraria a teoria. A banca tenta induzir o candidato a pensar que os métodos sempre produzem resultados diferentes, mas isso só ocorre quando a distribuição dos erros não é normal. Como o enunciado especifica a normalidade, a igualdade é garantida. O erro aqui é ignorar a condição explícita do problema.

NÃO CAIA NESSA!

A banca explora a confusão entre a necessidade de normalidade para o EMQ e a condição para a igualdade com o EMV. O EMQ pode ser calculado sem normalidade, mas a identidade com o EMV só vale sob normalidade. O candidato que lembra que "o EMQ não exige normalidade" pode marcar errado, esquecendo que a questão impõe essa condição. Fique atento: a presença de "distribuição normal" no enunciado é o gatilho para a igualdade.

PEGA ESSA DICA!

Para questões de regressão, lembre-se: EMQ = EMV se e somente se os erros são normais. Se a distribuição não for normal, o EMV pode ser diferente (ex.: Laplace → LAD). Na prova, sublinhe a suposição de normalidade e verifique se ela está presente antes de decidir.

Gabarito: letra C (CERTO).

Link permanente: /questoes/ce217909