Pular para o conteúdo principal

Questão de Estatística — Inferência estatística — FCC 2023

EstatísticaInferência estatística
Código
fc069881
Banca
FCC
Órgão
TRT - 18ª Região (GO)
Ano
2023
Nível
Superior
Cargo
Analista Judiciário - Estatística
Os valores das remunerações pagas aos prestadores de serviços para uma empresa, em R$ 1.000,00, foram considerados uniformemente distribuídos no intervalo [0, λ]. Uma amostra aleatória, com reposição, de tamanho 8, ou seja: {2,0; 1,2; 2,6; 2,4; 1,2; 2,2; 2,5; 1,9}, foi extraída da população formada por esses valores. Uma estimativa pontual de λ, em R$ 1.000,00, utilizando o método da máxima verossimilhança, é igual a
  1. A2,4
  2. B2,0
  3. C1,8
  4. D1,2
  5. E2,6
Revelar gabarito e comentário

GabaritoE — 2,6

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”.

Estimação por Máxima Verossimilhança na Distribuição Uniforme

Gabarito: letra E. Para uma distribuição uniforme contínua no intervalo [0,λ][0, \lambda], o estimador de máxima verossimilhança de λ\lambda é o máximo valor observado na amostra (X(n)X_{(n)}). Como a amostra é {2,0; 1,2; 2,6; 2,4; 1,2; 2,2; 2,5; 1,9}, o maior valor é 2,6 — portanto, a estimativa pontual é 2,6 (em R$ 1.000,00).

A questão cobra um resultado clássico de inferência estatística: a estimação por máxima verossimilhança (EMV) para o parâmetro de uma distribuição uniforme. Vamos entender o porquê de o estimador ser o máximo da amostra, e não a média ou outro valor.

O que é a função de verossimilhança?

Dada uma amostra aleatória X1,X2,…,XnX_1, X_2, \dots, X_n de uma distribuição com densidade f(x;θ)f(x; \theta), a função de verossimilhança é o produto das densidades avaliadas nos pontos observados:

L(θ)=∏i=1nf(xi;θ)L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)

O método da máxima verossimilhança consiste em escolher o valor de θ\theta que maximiza essa função — ou seja, o valor que torna os dados observados os mais prováveis possíveis.

Aplicando à Uniforme [0,λ][0, \lambda]

A densidade da uniforme contínua em [0,λ][0, \lambda] é:

f(x;λ)={1λ,0≤x≤λ0,caso contraˊriof(x; \lambda) = \begin{cases} \frac{1}{\lambda}, & 0 \le x \le \lambda \\ 0, & \text{caso contrário} \end{cases}

A função de verossimilhança para a amostra é:

L(λ)=∏i=1n1λ=1λnL(\lambda) = \prod_{i=1}^{n} \frac{1}{\lambda} = \frac{1}{\lambda^n}

MAS essa expressão só é válida se todos os xix_i estiverem dentro do intervalo [0,λ][0, \lambda]. Se qualquer observação for maior que λ\lambda, a densidade é zero e a verossimilhança é zero. Portanto, devemos ter:

λ≥max⁡(x1,…,xn)=x(n)\lambda \ge \max(x_1, \dots, x_n) = x_{(n)}

A função L(λ)=λ−nL(\lambda) = \lambda^{-n} é decrescente em λ\lambda (quanto maior λ\lambda, menor a verossimilhança). Para maximizá-la, queremos o menor valor de λ\lambda possível, mas sujeito à restrição λ≥x(n)\lambda \ge x_{(n)}. O menor valor que satisfaz a restrição é exatamente λ=x(n)\lambda = x_{(n)}.

Portanto, o estimador de máxima verossimilhança é:

λ^MV=X(n)=max⁡(X1,…,Xn)\hat{\lambda}_{MV} = X_{(n)} = \max(X_1, \dots, X_n)

Aplicando aos dados

A amostra fornecida é: {2,0; 1,2; 2,6; 2,4; 1,2; 2,2; 2,5; 1,9}. O valor máximo é 2,6. Logo, a estimativa pontual de λ\lambda é 2,6 (em R$ 1.000,00).

Por que não a média ou outro valor?

  • Média amostral: seria um estimador para a média populacional E(X)=λ/2E(X) = \lambda/2, mas não para λ\lambda diretamente. Se quiséssemos estimar λ\lambda pela média, usaríamos λ^=2Xˉ\hat{\lambda} = 2\bar{X}, mas isso não é o estimador de máxima verossimilhança.

  • Amplitude: a amplitude amostral W=X(n)−X(1)W = X_{(n)} - X_{(1)} também não é o EMV.

  • Mínimo: o mínimo X(1)X_{(1)} não pode ser o EMV, pois violaria a restrição λ≥x(n)\lambda \ge x_{(n)}.

Pegadinha clássica

A banca explora a confusão entre estimador de máxima verossimilhança e método dos momentos. No método dos momentos, igualaríamos a média amostral à média teórica λ/2\lambda/2, obtendo λ^=2Xˉ\hat{\lambda} = 2\bar{X}. Vamos calcular: a média amostral é Xˉ=(2,0+1,2+2,6+2,4+1,2+2,2+2,5+1,9)/8=16,0/8=2,0\bar{X} = (2,0+1,2+2,6+2,4+1,2+2,2+2,5+1,9)/8 = 16,0/8 = 2,0. Então 2Xˉ=4,02\bar{X} = 4,0, que nem aparece nas alternativas. Mas o EMV é o máximo, não a média. Outra confusão comum é usar a média diretamente (2,0) ou o mínimo (1,2).

NÃO CAIA NESSA!

A banca coloca alternativas como 2,0 (a média amostral) e 1,2 (o valor mínimo) para induzir o candidato a usar o método dos momentos ou a estatística de ordem errada. Lembre-se: na uniforme [0,λ][0, \lambda], o EMV é sempre o máximo da amostra, porque a verossimilhança é decrescente em λ\lambda e precisa ser maior ou igual a todas as observações.

Resumo dos estimadores

Método

Estimador de λ\lambda

Máxima verossimilhança

X(n)X_{(n)} (máximo)

Método dos momentos

2Xˉ2\bar{X}

Alternativa A — ❌ Incorreta

2,4 não é o máximo da amostra (2,6 é maior). Também não corresponde a nenhuma estatística simples como a média (2,0) ou o dobro da média (4,0). É um distrator numérico sem fundamento teórico.

Alternativa B — ❌ Incorreta

2,0 é a média amostral (Xˉ=16/8=2,0\bar{X} = 16/8 = 2,0). O candidato que confunde estimação por máxima verossimilhança com estimação por momentos (ou que simplesmente calcula a média) cai nessa alternativa. Mas o EMV para λ\lambda na uniforme é o máximo, não a média.

Alternativa C — ❌ Incorreta

1,8 não é o máximo, nem a média, nem o mínimo. É um valor que não corresponde a nenhuma estatística relevante da amostra. Provavelmente um distrator aleatório.

Alternativa D — ❌ Incorreta

1,2 é o valor mínimo da amostra (X(1)X_{(1)}). O mínimo não pode ser o estimador de λ\lambda, pois isso implicaria que observações maiores que 1,2 teriam densidade zero, tornando a verossimilhança nula. O EMV deve ser pelo menos tão grande quanto a maior observação.

Alternativa E — ✅ Correta ⟵ GABARITO

2,6 é o máximo valor observado na amostra. Como demonstrado, o EMV de λ\lambda na distribuição uniforme [0,λ][0, \lambda] é X(n)X_{(n)}, o que torna 2,6 a estimativa correta.

PEGA ESSA DICA!

Em questões de máxima verossimilhança para a uniforme, o estimador é sempre o máximo da amostra. Para fixar: a verossimilhança é λ−n\lambda^{-n}, que decresce com λ\lambda; a restrição λ≥x(n)\lambda \ge x_{(n)} força o menor valor possível, que é o próprio máximo. Esse raciocínio vale para qualquer intervalo [0,θ][0, \theta] ou [a,b][a, b] com um parâmetro desconhecido.

Gabarito: letra E

Link permanente: /questoes/fc069881