Questão de Estatística — Modelos lineares — FGV 2025

Método dos Mínimos Quadrados e Conceitos de Regressão

Gabarito: letra C. A alternativa C afirma que a solução do Método dos Mínimos Quadrados para um modelo não linear é menos precisa do que a de um modelo linear, o que é falso: a precisão não depende da linearidade do modelo, mas sim da adequação do modelo aos dados e das suposições sobre os erros. O método dos mínimos quadrados pode ser aplicado a modelos não lineares (por exemplo, via linearização ou algoritmos iterativos) e pode produzir estimativas tão precisas quanto as de modelos lineares, desde que o modelo esteja corretamente especificado.

O Método dos Mínimos Quadrados (MMQ) é uma técnica de estimação que minimiza a soma dos quadrados dos resíduos, ou seja, a soma dos quadrados das diferenças entre os valores observados e os valores ajustados pelo modelo. Em modelos lineares, a solução é obtida de forma fechada (analítica), resolvendo as equações normais. Em modelos não lineares, a solução geralmente requer métodos iterativos (como Gauss-Newton ou Levenberg-Marquardt), mas isso não implica menor precisão. A precisão das estimativas depende de fatores como a variabilidade dos erros, o tamanho da amostra e a correta especificação do modelo, não da linearidade em si.

A alternativa C é a única incorreta, pois as demais afirmativas estão corretas: os erros de observação podem ser classificados em acidentais, sistemáticos e grosseiros; a elipse dos erros pode degenerar em um círculo quando as variâncias são iguais e a covariância é nula; outlier é uma observação com valor anômalo; e a média aritmética é um estimador de mínimos quadrados para o parâmetro de locação (minimiza a soma dos quadrados dos desvios).

Alternativa A — ✅ Correta

Os erros inerentes às observações são classificados em três tipos: acidentais (ou aleatórios), sistemáticos e grosseiros. Os erros acidentais são devidos a variações aleatórias e imprevisíveis; os sistemáticos são devidos a falhas constantes no processo de medição (como calibração inadequada); os grosseiros são decorrentes de enganos ou falhas humanas (como leitura errada). Essa classificação é clássica na teoria de erros de medição.

Alternativa B — ✅ Correta

A elipse dos erros é uma representação geométrica da distribuição conjunta dos erros em duas dimensões, geralmente associada à teoria dos erros de medição. Quando as variâncias dos erros nas duas direções são iguais e a covariância é nula, a elipse degenera em um círculo. Isso ocorre, por exemplo, quando os erros são independentes e têm a mesma variância.

Alternativa C — ❌ Incorreta ⟵ GABARITO

A afirmação de que a solução do MMQ para um modelo não linear é menos precisa do que para um modelo linear é falsa. A precisão das estimativas não é determinada pela linearidade do modelo, mas sim pela qualidade do ajuste e pelas suposições sobre os erros (como normalidade, homocedasticidade e independência). Modelos não lineares podem ser ajustados com alta precisão, desde que o modelo seja adequado e os dados sejam suficientes. A diferença está no método de solução (analítico vs. iterativo), não na precisão intrínseca.

Alternativa D — ✅ Correta

Outlier é uma observação que apresenta um valor anômalo em relação ao restante dos dados, ou seja, um valor que se distancia significativamente do padrão esperado. A definição é consistente com a literatura estatística e com a análise exploratória de dados.

Alternativa E — ✅ Correta

A média aritmética é um estimador de mínimos quadrados para o parâmetro de locação (média populacional) quando se minimiza a soma dos quadrados dos desvios em relação a um valor constante. De fato, o valor que minimiza $\sum_{i=1}^{n}(x_i - c)^2$ é a média amostral $\bar{x}$. Portanto, a média é o estimador de mínimos quadrados do parâmetro de locação.

Gabarito: letra C — a única alternativa incorreta.