Lista de Exercícios #6

Assunto: Propried ade dos Estimadores e Métodos de E stimação

1. ANPEC 2019 – Questão 4

Seja uma variável aleatória X, com 𝐸(𝑋) = 5 e 𝐸(𝑋 2 ) = 50. Qual o limite de probabilidade
para que |𝑋 − 𝐸(𝑋)| > 10? Multiplique por 100 e marque a parte inteira.

2. ANPEC 2019 – Questão 8

Seja X uma uma variável aleatória com média igual a zero e variância igual a 1. Pelo Teorema
de Tchebycheff, sabemos que:

𝑃𝑟𝑜𝑏(|𝑋 − 𝜇| ≥ 5) ≤ 𝑧, em que 𝜇 é a média de X. Obtenha 𝑧 e multiplique o resultado por

100.

3. ANPEC 2019 – Questão 9

Sejam 𝑌1 , 𝑌2 , … , 𝑌𝑛 variáveis aleatórias independentes e identicamente distribuídas, com média

1
𝜇 e variância 𝜎 2 . Definindo os seguintes estimadores para 𝜇: (1) 𝑌̅ = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 e (2) 𝑌 ∗ =
1
∑𝑘𝑖=1 𝑌𝑖 , em que 1 < 𝑘 < 𝑛, podemos afirmar que:
𝑘

(0) 𝑌 ∗ é um estimador tendencioso para 𝜇.

𝜎2
(1) Var(𝑌̅)= .𝑛
(2) O Erro Quadrático Médio é maior para o estimador 𝑌 ∗ em comparação com o estimador 𝑌̅.
1
(3) Sendo 𝜇 um parâmetro conhecido, 𝑆 2 = 𝑛 ∑𝑛𝑖=1(𝑌𝑖 − 𝜇)2 é um estimador viesado de 𝜎 2 .
(4) Var(𝑌̅)=Var(𝑌 ∗ )
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

4. ANPEC 2018 - Questão 6

Por regulamentação, a concentração de um produto químico não pode ultrapassar

10 ppm. Uma fábrica utiliza esse produto e sabe que, num dia qualquer, a concentração tem
distribuição Normal(7,675; 1,52 ). Qual a probabilidade de que, em um dia qualquer, a
concentração do produto exceda 10 ppm? Multiplique por 100 e marque o inteiro mais
próximo. (Pode ser útil a seguinte informação: P(z < 1,55) = 0,9505)

5. ANPEC 2017 – Questão 04

Sejam 𝑋1 , 𝑋2 , … , 𝑋𝑛 variáveis aleatórias independentes com distribuição Normal (𝜇, 𝜎 2 ), em que

1
𝜇 e 𝜎 2 são desconhecidos 𝜎 2 > 0. Podemos definir também 𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 e
1
𝑆2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 . Podemos afirmar:
𝑛−1

(0) 𝑆 2 é um estimador não tendencioso de 𝜎 2 .

𝜎2
(1) A variância de 𝑋̅ é igual a .
𝑛
(2) 𝑆 2 é um estimador não tendencioso para a variância de 𝑋̅.
(3) 𝑆 2 é um estimador consistente de 𝜎 2 .
(4) 𝑋̅ é um estimador consistente de 𝜇.

6. ANPEC 2016 – Questão 14

Julgue as afirmativas abaixo:

(0) Sejam X1, X2,...,Xn variáveis aleatórias independentes e identicamente distribuídas

com média 𝜇 e variância 𝜎 2 . Então 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛 é um estimador consistente para 𝜇;

(1) Sejam X1, X2,...,Xn variáveis aleatórias com Distribuição de Poisson com parâmetro 𝜆.
Definindo 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛 podemos dizer, com base na Lei dos Grandes Números, que 𝑋̅ se
aproxima de 𝜆 a medida que n → ∞;

(2) Sejam X1, X2,...,Xn variáveis aleatórias independentes e normalmente distribuídas

com média 𝜇 e variância 𝜎 2 . Sendo 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛, podemos dizer que 𝑋̅ se torna bem
aproximada pela distribuição normal com média 𝜇 e variância 𝜎 2 quando n → ∞;

(3) Sejam X1, X2,...,Xn variáveis aleatórias independentes e identicamente distribuídas

 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

com média 𝜇 e variância 𝜎 2 . Sendo 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛, 𝑋̅ se torna bem aproximada pela distribuição
normal quando n → ∞, mesmo que X1, X2,...,Xn não sejam normalmente distribuídas;

(4) Sendo X uma variável aleatória com média E(X) = 1 e variância 𝜎𝑥2 = 4, o limite de
probabilidade para |X – 1| ≥ 4 é igual a 0,50.

7. ANPEC 2015 – Questão 11

2
Sejam 𝑋𝑛 ~𝑁 (0; 2 + 𝑛) e 𝑋~𝑁(0; 2). Julgue as seguintes afirmativas:

(0) 𝑋𝑛 converge em distribuição para 𝑋 e 𝑋𝑛 converge em probabilidade para 𝑋;

(1) 𝑋𝑛 converge em distribuição para 𝑋;
(2) 𝑋𝑛 converge em probabilidade para 𝑋;
(3) lim 𝑃𝑟[|𝑋𝑛 − 𝑋| < 𝜀] → 1
𝑛→∞
(4) lim 𝑉𝑎𝑟[𝑋𝑛 ] = 4
𝑁→∞

8. ANPEC 2015 – Questão 12

Seja 𝑋1 , 𝑋2 , … , 𝑋𝑁 uma amostra aleatória de tamanho N com distribuição exponencial:

1 𝑥
𝑓(𝑥) = 𝑒𝑥𝑝 (− ) , 0 < 𝑥 < ∞.
𝜃 𝜃
Seja 𝜃̂ = 𝑐𝑋̅, em que 𝑐 é um número real.
Julgue as seguintes afirmativas:

(0) Podemos afirmar que 𝜃̂ é um estimador não-viesado para 𝜃;

𝑐
(1) 𝑉𝑎𝑟[𝜃̂] = 𝜃 ;
(2) O erro quadrado médio do estimador é 𝜃 2 (2𝑐² − 2𝑐 + 1). O erro quadrado médio é
minimizado quando c é igual a 0,5;
(3) Se 𝑐 = 1, 𝜃̂ é um estimador não-viesado para 𝜃;
(4) Se 𝑐 = 1, 𝜃̂ é um estimador viesado para 𝜃 e o seu erro quadrado médio é igual a 𝜃 2 .
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

9. ANPEC 2015 – Questão 15

Sejam 𝑋1 , 𝑋2 , 𝑋3 e 𝑋4variáveis aleatórias independentes e identicamente distribuídas de uma

população com média 𝜇 e variância 𝜎 2 . Considere os seguintes estimadores para 𝜇:

𝑚1 = (𝑋1 + 2𝑋2 + 2𝑋3 + 𝑋4 )/6

𝑚2 = (𝑋1 + 4𝑋2 + 4𝑋3 + 𝑋4 )/10
𝑚3 = (𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 )/4

Com base nesses três estimadores, são corretas as afirmativas:

(0) Os três estimadores são não tendenciosos;

(1) 𝑚1 é o estimador com maior variância;
(2) Os três estimadores são igualmente eficientes;
(3) 𝑚3 é o estimador com menor variância;
(4) O estimador 𝑚2 é não tendencioso e tem menor variância do que o estimador 𝑚1 .

10. ANPEC 2014 – Questão 09

Seja X uma variável aleatória com distribuição normal, com média  e variância 2. Considere
duas amostras aleatórias independentes de X. Cada uma das amostras tem tamanho n1 e n2, e
possuem médias X 1 e X 2 . Podemos usar dois estimadores para a média populacional,
1 n X +n X
~ = ( X 1 + X 2 ) e ˆ = 1 1 2 2 .
2 n1 + n2

Julgue as seguintes afirmativas a respeito dos estimadores:

(0) ~ é um estimador não-viesado para a média populacional;

(1) ̂ é um estimador não-viesado para a média populacional;
(2) ~ possui menor variância que ̂ ;
(3) ~ é um estimador mais eficiente, isto é, possui menor erro quadrático médio que ̂ ;
(4) ~ é um estimador consistente para a média populacional.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

11. ANPEC 2013 – Questão 7

𝑋1 , … , 𝑋𝑁 é uma amostra aleatória de tamanho 𝑁 de uma população com 𝐸[𝑋𝑖 ] = 𝜃1 e

𝑉𝑎𝑟[𝑋𝑖 ] = 𝜃2 . Definimos quatro estatísticas:

∑𝑁
𝑖=1 𝑋𝑖 ∑𝑁
𝑖=1 𝑋𝑖 ∑𝑁/2
𝑖=1 𝑋𝑖 ∑𝑁
𝑖=1 𝑋𝑖
𝑇1 = , 𝑇2 = , 𝑇3 = , 𝑇4 =
𝑁 𝑁−3 𝑁 𝑁2

Em relação às quatro estatísticas, podemos afirmar que:

3
(0) 𝑇2 é um estimador viesado para 𝜃1 e o viés é igual a 𝑁−3 𝜃1 .
(1) Pela lei dos grandes números, 𝑇1 converge em distribuição para uma normal com média 𝜃1
𝜃
e variância 𝑁2 .
(2) A variância de 𝑇3 é menor que a variância de 𝑇1 .
𝜃
(3) 𝑇3 é um estimador consistente para 21 .
𝑉𝑎𝑟(𝑇4 )
(4) Usando a desigualdade de Tchebycheff, podemos mostrar que Pr[𝑇4 ≥ 𝜉] ≤ , onde
𝜉2
𝜉 > 0 é uma constante qualquer.

12. ANPEC 2013 – Questão 11

São corretas as afirmativas:

(0) Suponha que 𝑋1 , 𝑋2 , … , 𝑋𝑁 sejam variáveis aleatórias independentes e identicamente

1
distribuídas e que 𝑃(𝑋1 = 𝑥) = 11 , 𝑥 = 1, 2, … , 11. Então pela lei dos grandes números, à
medida que 𝑛 → 11, 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛 converge para 11.

(1) Suponha que 𝑋1 , 𝑋2 , … , 𝑋𝑁 sejam variáveis aleatórias independentes e identicamente

distribuídas com distribuição de Bernoulli com parâmetro 𝑝. Defina 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛. Então, pelo
Teorema Central do Limite, à medida que 𝑛 → ∞, (𝑋̅ − 𝑝)/√𝑝(1 − 𝑝)/𝑛 converge para uma
distribuição normal padrão.

(2) Suponha que 𝑋1 , 𝑋2 , … , 𝑋𝑁 sejam variáveis aleatórias independentes e identicamente

distribuídas, com distribuição uniforme no intervalo [0, 𝜃]. Defina 𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 /𝑛. Então, 2𝑋̅ é
um estimador não viesado de 𝜃.

(3) Suponha que 𝑋 tenha distribuição 𝑡 com 4 graus de liberdade. Então 𝑃(|𝑋| > 4) = 0,23.

(4) Suponha que 𝑋 seja uma variável aleatória com distribuição 𝑡 de Student com 𝑛 graus de
liberdade. À medida que 𝑛 aumenta, a distribuição de 𝑋 se aproxima de uma normal padrão.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

13. ANPEC 2012 - Questão 9

Julgue as seguintes afirmativas:

(0) Seja X1,...,Xn variáveis aleatórias independentes e identicamente distribuídas tais que E[Xi]
= μ < ∞. Se Var[Xi] → 0, então Xi → μ.
𝑝

(1) Seja X1, X2,... uma sequência de variáveis aleatórias. Esta sequência de variáveis aleatórias
converge em probabilidade para uma constante μ se e somente se esta sequência de variável
aleatória converge em distribuição para μ.

(2) Seja X1, X2,..., Xn uma amostra aleatória com média 𝑋̅ e variância 0 < S2 < ∞. Podemos
afirmar que W = c𝑋̅, com c 𝜖 𝑅 converge para uma distribuição normal com média μ e
𝜎2
variância .
𝑁

(3) Seja X1,...,Xn variáveis aleatórias independentes e identicamente distribuídas com média μ e
1 ∑𝑁
𝑖=1 𝑋𝑖
variância 0 < σ2 < ∞. Seja 𝑆 2 = ∑𝑁 ̅ 2 ̅
𝑖=1(𝑋𝑖 − 𝑋 ) em que 𝑋 = . Neste caso S2, é um
𝑁 𝑁
estimador consistente para σ2.
(4) Se Y é uma variável aleatória tal que E[Y2] < ∞, então podemos afirmar que P(|Y| ≥ 𝑐) ≤
𝐸[𝑌]
para c>0.
𝑐2

14. ANPEC 2012 - Questão 10

São corretas as afirmativas:

(0) Suponha que X1,X2,...,Xn sejam variáveis aleatórias independentes e identicamente

distribuídas, com distribuição de Bernoulli com parâmetro p. Então, pela Lei dos Grandes
𝑋
Números, à medida que n→ ∞, 𝑋̅ = ∑𝑛𝑖=1 𝑛𝑖 converge para p.

(1) Suponha que X1,X2,...,Xn sejam variáveis aleatórias independentes e identicamente

𝑋
distribuídas, com distribuição uniforme no intervalo [0,1]. Seja 𝑋̅ = ∑𝑛𝑖=1 𝑛𝑖. Pelo Teorema
1
(𝑋̅− )
Central do Limite, à medida que n→ ∞, √𝑛[ 2
] aproxima-se de uma distribuição normal
√1⁄12

padrão.

(2) Suponha que X1,X2,...,Xn sejam variáveis aleatórias independentes e identicamente

distribuídas e que Xi ~ N(0,1), ∀ i. Então, se definirmos 𝑌 = 𝑋𝑖2 , P(|Yi -1| > 2) ≤ 0,5.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

(3) Suponha que X1,X2,...,Xn sejam variáveis aleatórias independentes e identicamente

𝑋
distribuídas, com distribuição log normal com parâmetros μ e σ. Seja 𝑋̅ = ∑𝑛𝑖=1 𝑛𝑖 . Então, log
𝑋̅ é um estimador consistente de μ.

(4) Suponha que X1,X2,...,Xn sejam variáveis aleatórias independentes e identicamente

𝑋
distribuídas e que Xi ~ N(μ,σ2), ∀ i. Então, se definirmos 𝑋̅ = ∑𝑛𝑖=1 𝑛𝑖 e 𝜎̂2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 / 𝑛,
𝜎̂2 será um estimador eficiente de σ2.

15. ANPEC 2012 – Questão 13

Sejam W1 e W2 variáveis aleatórias discretas independentes com a seguinte função de

probabilidade: f(0) = ½, f(1) = 1/3 e f(2) = 1/6. Seja Y = W1 + W2. Julgue as seguintes
afirmativas:

(0) E[Y] = 4/3

(1) Var[Y] =10/9
(2) Pela desigualdade de Tchebyshev, P(Y ≥ 3) ≤ 2/5
(3) Usando os dados acima, obtemos que P(Y ≥ 3) = 1/36 .
(4) Y é uma variável aleatória discreta que assume os seguintes valores {0,1,2,3,4,5}.

16. ANPEC 2011 - Questão 4

São corretas as afirmativas:

(0) Suponha que X1, X2,...,Xn sejam variáveis aleatórias independentes e identicamente
distribuídas e que Xi ~ N (, 2 ) . Então X = i=1 X i / n é um estimador eficiente de  .
n

(1) Suponha que X1, X2,...,Xn sejam variáveis aleatórias independentes e identicamente
distribuídas e que Xi ~ N (, 2 ) . Então, se definirmos X = i=1 X i / n , P( X −    )   2 para
n 2


  0 .
(2) Se um estimador  de um parâmetro  é não viesado e a variância de  converge para 0
à medida que o tamanho da amostra tende a infinito, então  é consistente.
(3) Suponha que X1, X2,...,Xn sejam variáveis aleatórias independentes e identicamente
distribuídas e que Xi ~ Poisson(λ), i . Seja X = i=1 X i / n . Pela lei dos grandes números,
n

à medida que n → ∞, X converge para λ.

(4) Suponha que X1, X2,...,Xn sejam variáveis aleatórias independentes e identicamente
distribuídas e que X i ~ v2 , i . Seja X = i=1 X i / n . À medida que n → ∞,
n

(X − v)/ (2v / n) aproxima-se de uma distribuição normal padrão.

 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

17. ANPEC 2010 - Questão 4

Responda se verdadeiro ou falso:

(0) A Diferença entre as medianas de uma distribuição 𝐹(𝑎,𝑏) e de uma distribuição 2𝑎 diminui à
medida que 𝑏 → ∞;

(1) O Teorema Central do Limite justifica a afirmação: “Seja 𝑇 uma variável aleatória,tal que
𝑇~𝑡𝑘−1 , em que 𝑡 representa uma distribuição 𝑡 de Student, com 𝑘 − 1 graus de liberdade, em
que 𝑘 é fixo. Então 𝑇 converge em distribuição para uma Normal Padrão";

(𝑥 −𝑥̅ )2 (𝑥 )2
(2) Sejam 𝑆12 = ∑𝑛𝑖=1 𝑖 𝑛 e 𝑆22 = ∑𝑛𝑖=1 𝑛𝑖 . Ambos estimadores podem ser demonstrados
consistentes para 𝜎 2 , supondo uma amostra aleatória de 𝑋~𝑁(𝜇, 𝜎 2 );

(3) Uma moeda justa foi jogada 300 vezes e observou-se cara em 188 destas. A Lei dos Grandes
Números justifica a afirmação: 𝑃(cara na 301ª jogada | 188 caras em 300 jogadas) < 0,5.

(4) Se um estimador convergir em média quadrática para o parâmetro, ele será consistente
(convergirá em probabilidade para o parâmetro).

18. ANPEC 2010 - Questão 5

São corretas as afirmativas:

(0) Considere dois estimadores não tendenciosos 𝜃̂1 e 𝜃̂2 , de um parâmetro 𝜃. 𝜃̂1 é eficiente
relativamente 𝜃̂2 se 𝑉𝑎𝑟(𝜃̂1 ) < 𝑉𝑎𝑟(𝜃̂2 );

(1) Um estimador 𝜃̂ de um parâmetro 𝜃 é consistente se 𝜃̂ converge em probabilidade para 𝜃;

(2) Um estimador 𝜃̂ de um parâmetro 𝜃 é consistente se, e somente se, 𝜃̂ é não viesado e a

variância de 𝜃̂ converge para 0 a medida que o tamanho da amostra tende a infinito ;

(3) Suponha que 𝑋1 , 𝑋2, … , 𝑋10 sejam variáveis aleatórias independentes e identicamente
𝑋𝑖
distribuídas e que 𝑋𝑖 ~22 , 𝑖 = 1, 2, … ,10. Defina 𝑋̅ = ∑10 ̅
𝑖=1 𝑛 . Então 𝑃(1 < 𝑋 < 3) = 0,55;

(4) Suponha que 𝑋1 , 𝑋2, … , 𝑋𝑛 sejam variáveis aleatórias independentes e identicamente

𝑋𝑖
distribuídas e que 𝑋𝑖 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆), ∀𝑖. Defina 𝑋̅ = ∑10 ̅
𝑖=1 𝑛 . À medida que 𝑛 → ∞, (𝑋 −

𝜆)/√(𝜆⁄𝑛) aproxima-se de uma distribuição normal padrão.

 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

19. ANPEC 2010 - Questão 6

Suponha que 𝑌1 e 𝑌2 sejam variáveis aleatórias independentes, com média 𝜇 e variâncias

𝑉(𝑌1 ) = 75 e 𝑉(𝑌2 ) = 25. O valor de 𝜇 é desconhecido e é proposto estimar 𝜇 por uma média
ponderada de 𝑌1 e 𝑌2 , isto é, por: 𝑎𝑌1 + (1 − 𝑎)𝑌2 . Qual valor de 𝑎 produz o estimador com a
menor variância possível na classe dos estimadores não viesados? Multiplique o resultado por
100.

20. ANPEC 2009 - Questão 6

Seja Yi, i = 1, ..., n, uma variável aleatória tal que Yi = 1 com probabilidade p e Yi = 0 com
n
probabilidade 1-p. Defina X =  Yi . Responda se cada uma das afirmativas abaixo é verdadeira
i =1
ou falsa:

(0) Yi, i = 1, ..., n, possui distribuição Poisson com média p.

(1) X possui distribuição Binomial com parâmetros n e p.
(2) V(Yi) = V(X) = p. V(X) significa variância de X.
X − np
(3) Se n →∞ e p permanecer fixo, então converge para distribuição normal com
np(1 − p)
média 0 e variância 1.
(4) E(Y2) = p2.

21. ANPEC 2008 - Questão 3

Sejam X1, X2, ..., Xn, n variáveis aleatórias independentes, igualmente distribuídas, com
 e −  x
 x = 0,1,2,...
distribuição Poisson dada por p x ( x ) =  x!
 0 caso contrário
Julgue as afirmativas:

X
1
(0) Pela Lei dos Grandes Números T = i aproxima-se da distribuição normal quando n
n i=1
tende para o infinito.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

5 n

 X
1 1
(1) Suponha que n>5. T = Xi + i é um estimador consistente de E(Xi).
5 i=1
n−5 i=6

2
 n  n
(2) T =  1  X i  − 1  X i é um estimador tendencioso de 2.
n  n i=1
 i=1 

X
1
(3) Pelo Teorema Central do Limite, T = i é um estimador consistente de V(Xi).
n i=1

X
1
(4) T = i é o estimador de máxima verossimilhança do parâmetro .
n i=1

22. ANPEC 2007 - Questão 2

Considere uma amostra aleatória de n variáveis x1, x2, ..., xn, normalmente distribuídas com
n n

  (x − x)
2 1 1
média μ e variância σ . Sejam x = xi e s2 = i
2
. É correto afirmar que:
n i=1
n i=1
2
(0) x e s2 são estimadores de máxima verossimilhança de μ e σ , respectivamente.
(1) x e s2 são não viesados.
(2) x e s2 são consistentes.
(3) Apenas x é consistente.
(4) Apenas x é não viesado.

23. ANPEC 2006 - Questão 5

São corretas as afirmativas:

(0) O teorema de Tchebychev é útil para se calcular o limite inferior para a probabilidade de
uma variável aleatória com distribuição desconhecida quando se tem apenas a variância da
população.
(1) Um estimador não-tendencioso pode não ser consistente.
(2) Um estimador consistente pode não ser eficiente.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

(3) Sejam Y1,...,Yn variáveis aleatórias independentes com média µ e variância finita. Pela Lei
n

Y .
1
dos Grandes Números, E(m) = µ, em que m = i
n i =1
(4) Sejam Y1,...,Yn variáveis aleatórias independentes com média μ e variância finita. Pelo
Teorema do Limite Central, a distribuição da média amostral m converge para uma
distribuição Normal.

24. ANPEC 2005 - Questão 5

São corretas as afirmativas:

(0) Uma variável aleatória X tem média zero e variância 36. Então, pela desigualdade de
Tchebychev, P(| X | 10)  0,36 .

(1) Pela Lei dos Grandes Números a distribuição da média amostral de n variáveis aleatórias
independentes, para n suficientemente grande, é aproximadamente Normal.

(2) O estimador de um determinado parâmetro é dito consistente se convergir, em

probabilidade, para o valor do parâmetro verdadeiro.

(3) A Lei dos Grandes Números está relacionada com o conceito de convergência em
probabilidade, enquanto que o Teorema Central do Limite está relacionado com
convergência em distribuição.

(4) Um estimador é dito não-tendencioso se a sua variância for igual à variância do parâmetro
estimado.

25. ANPEC 2004 - Questão 13

Suponha que x1, x 2 ,........, x n sejam variáveis aleatórias independentes, identicamente

distribuídas, com média E(xi) = μ (i = 1,2,3,...n) e variância σ2 = 10. Utilizando a lei dos grandes
números responda à questão. Qual deverá ser o valor de n de modo que possamos estar 95%
seguros de que a média amostral x difira da média μ por menos de 0,1? Divida o resultado final
por 1000.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

26. ANPEC 2003 - Questão 2

Sejam: X1, X2, ..., Xn variáveis aleatórias independentes e normalmente distribuídas com média
n n
 e variância 2; X = n −1  X i ; e Z =  Yi 2 , em que Yi =  −1 ( X −  ) . É correto afirmar que:
i =1 i =1

(0) X é um estimador tendencioso da média ;

(1) Z é uma variável aleatória com distribuição  2 com n graus de liberdade;

(2) s 2 = n −1  (X i − X ) é um estimador tendencioso da variância 2;

n
2

i =1

(3) nX é uma variável aleatória normalmente distribuída com média n e variância 2;
Y
(4) a variável aleatória Wi = i possui distribuição F com n1 e n2 graus de liberdade, em que
Z
n
n1 = 1 e n2 = 2n.

27. ANPEC 2003 - Questão 11

O número de clientes – Y – que passa diariamente pelo caixa de um supermercado foi observado
durante certo período. Constatou-se que o valor médio de Y é de 20 clientes, com desvio padrão
igual a 2. Encontre o limite mínimo para a probabilidade de que o número de clientes amanhã se
situe entre 16 e 24. (Pista: Utilize o teorema de Tchebycheff). Multiplique o resultado por 100.

28. ANPEC 2002 - Questão 4

Seja X uma variável aleatória com distribuição de probabilidade que dependa do parâmetro
desconhecido , tal que E(X) = . Seja também x1, x2, ..., xn uma amostra aleatória de X.

(0) Para amostras suficientemente grandes, o estimador de máxima verossimilhança de , caso

exista, segue uma distribuição Normal.
n n
(1) Se ˆ =  c i x i é um estimador de , este não será viciado desde que  ci = 1 . Além do mais,
i =1 i =1
̂ terá variância mínima se ci=1/n para todo i.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

1 n
(2) Se ˆ =  x i é um estimador não viciado de , então ̂ 2 também será um estimador não
n i =1
viciado de  2 .
(3) Se a variável aleatória X é uniformemente distribuída no intervalo [0,], com  > 0, então
n +1
ˆ = máximo[x1, x2, ..., xn] não é um estimador consistente de .
n
(4) Se ̂1 e ̂ 2 são dois estimadores do parâmetro  em que E ( ̂ 1 ) = θ1 e E ( ̂ 2 )  θ2 mas Var (
̂ 2 ) < Var ( ̂ 1 ), então o estimador ̂ 2 deve ser preferível a ̂ 1 .

29. ANPEC 2002 - Questão 6

Indique se as seguintes considerações sobre a Lei dos Grandes Números, Desigualdade de

Tchebycheff e teorema do Limite Central são verdadeiras (V) ou falsas (F).

(0) De acordo com a desigualdade de Tchebycheff, se a variância de uma variável aleatória X

for muito próxima de zero, a maior parte da distribuição de X estará concentrada próxima de
sua média.
(1) O teorema do Limite Central afirma que, para uma amostra grande o suficiente, a distribuição
de uma amostra aleatória de uma população Qui-quadrado se aproxima da Normal.
(2) As condições suficientes para identificar a consistência de um estimador são baseadas na Lei
dos Grandes Números.
(3) Em n repetições independentes de um experimento, se f A é a freqüência relativa da
P(1 − P)
ocorrência de A, então P{ f A − P  }  1 − , em que P é a probabilidade constante
n2
do evento A e  é qualquer número positivo.
(4) Se uma variável aleatória X tem distribuição Binomial com parâmetros n = 20 e P = 0,5,
a − 10
então P{ X  a}  ( ) em que  (•) é a função de distribuição Normal padrão.
5

30. ANPEC 2001 - Questão 3

Uma amostra de tamanho n foi selecionada de uma população de m elementos. Pode-se afirmar:

(0)A média amostral X é um estimador não tendencioso e eficiente da média populacional  se

todos elementos de m tiverem a mesma probabilidade de serem selecionados .
(1)A variância da distribuição amostral de X é  n se a população for infinita ou se a
2

amostragem for com reposição.

 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

2 1
(2)Se a população for finita, a variância da distribuição amostral de X é (1 − ) porque as
n n
observações da amostra são independentes.
(3)Se X for uma variável aleatória qualquer a distribuição de X será normal com média  e
variância 
2
.
n −1
(4) Se lim E ( X ) = 0 , então X é um estimador assintoticamente não tendencioso.
n→

31. ANPEC 2001 - Questão 15

Seja uma variável aleatória X com média E(X) = 0 e variância  x = 25. Qual o limite de
2

probabilidade para que [X – E(X)] > 10? Resposta em percentagem.

32. ANPEC 2000 - Questão 4

n
Seja X1, X2 , ..., Xn uma amostra aleatória da densidade Normal(0,) e seja T= 1/n X
i =1
i
2
.É

correto afirmar que:

(0) T é o estimador de máxima verossimilhança (EMV) de .

(1) T é um estimador tendencioso de .
n
(2) A variável aleatória Z =  X i2 /  tem distribuição qui-quadrado com n graus de liberdade.
i =1

(3) E ( X X ) =  .
1
2 3
2
2

(4) T é um estimador eficiente de 

 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

33. ANPEC 2000 - Questão 7

Seja Y uma variável aleatória contínua com distribuição de probabilidade f(y;), em que  =
(1,2 ,...,p). Considere uma amostra aleatória de Y, com tamanho n. Com relação à função de
verossimilhança L(), é correto afirmar que:
n
(0) l()= ln L() =  log f ( y i ; ) , em que ln é o logaritmo natural.
i =1
(1) A função de verossimilhança é também uma função de densidade de probabilidade, que
possui, assim, todas as propriedades matemáticas associadas à uma função de densidade de
probabilidade.
(2) Uma condição necessária a que os estimadores de máxima verossimilhança devem satisfazer
é que a matriz {  2 l ( ) /  i  j } i,j = 1, 2, ..., p, avaliada no ponto de máximo, seja negativa
definida.
(3) Sendo Tn o estimador de máxima verossimilhança do parametro escalar 1, segue-se que Tn
apresenta a seguinte propriedade:
lim n→ Pr(|T − | )=0 ,   > 0.
n 1
(4) Sendo = g(1), em que g(.) é uma função um a um de 1, e Tn é o estimador de máxima
verossimilhança de 1, segue-se que o estimador de máxima verossimilhança de  será Gn =
g(Tn )[d/d1] , em que a derivada é avaliada em 1= Tn.

34. ANPEC 2000 - Questão 8

Sejam p̂ e ~p dois estimadores do parâmetro p da distribuição Binomial, em que Y é a variável

desta distribuição e n o tamanho da amostra:
Y ~ Y +1
pˆ = p=
n n +1
p̂ é o estimador de máxima verossimilhança do parâmetro p.
Sob o critério do erro quadrado médio, para pequenas amostras, não há supremacia de um
estimador sobre o outro. O viés do estimador ~p é dado por [(1 − p) (1 + n)] .
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

35. ANPEC 2000 - Questão 12

Dados os seguintes enunciados, é correto afirmar que:

(0) A Lei Fraca dos Grandes Números diz que: dada uma variável aleatória com distribuição
arbitrária e média e variância finitas, a média amostral obtida a partir de uma amostra
aleatória de tamanho n terá distribuição Normal.

(1) Se X1, X2, ..., Xn são variáveis aleatórias independentes, com distribuição Poisson(),  >
0, então, para n "grande", é válida a seguinte aproximação:
___ __
n ( X - ) /  ~ N(0,1), em que X é a média amostral.

(2) Se X1, X2, ..., Xn são variáveis aleatórias independentes, com distribuição Normal(,2), 2
___ __
> 0, então, para qualquer tamanho de n, n ( X - ) /  ~ Normal(0,1), em que X é a média
amostral.

36. ANPEC 1999 - Questão 6

Com base na teoria da estimação, pode-se fazer as seguintes afirmações :

(0) De acordo com o critério de eficiência, medido pela comparação entre as variâncias dos
estimadores, a média amostral X é preferível a primeira observação X1 como estimador da
média populacional, supondo-se que  2 seja a variância da população.

(1) Seja ˆ um estimador não-viciado de  . Se g( ˆ ) é uma função do parâmetro  , então E[g(

ˆ )]  g[E( ˆ )] com a igualdade ocorrendo somente quando g(  ) for uma função linear.

1
(2) A função densidade de probabilidade da variável aleatória x é dada por f ( x) = para

0  x   e 0 para outros valores. Assim sendo, considerando-se uma amostra aleatória de
tamanho n , x1 , x2 , x3    , xn , o estimador de Máxima Verossimilhança de  será igual ao
Mínimo de x1 , x2 , x3    , xn .
n n

å(x - x)
i
2
å(x - x) i
2

(3) Dado que as variâncias das estatísticas S12 = i=1

e S22 = i=1
são,
n-1 n
2 4 2 4 n − 1 2
respectivamente , iguais a e ( ) , então S22 é mais preciso do que S12 embora
n −1 n −1 n
seja uma estatística viciada.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

37. ANPEC 1998 - Questão 6

Seja  o estimador do parâmetro  :

(0) O erro quadrático médio é igual a variância do estimador  se  for um estimador não-
tendencioso de  .

(1) Um estimador 1 é dito eficiente se 1 for não-tendencioso e Var( 1 )  Var ( 2 ), onde 2 é
outro qualquer estimador não-tendencioso de  .

(2) Seja X uma variável aleatória normalmente distribuída com média  e variância 2. Sejam
x1 e x2 duas observações de uma amostra aleatória de tamanho 2. Podemos afirmar que
3x + 2 x 2
~ = 1 é um estimador tendencioso de .
5

(3) Se  é consistente, então é não tendencioso.

38. ANPEC 1998 - Questão 7

Com base na teoria da estimação, pode-se fazer as seguintes afirmações :

(0) Se  é um parâmetro populacional e  seu estimador, a afirmação de que  é um estimador

consistente de  se lim P{ −   } = 1 para todo   0 quando n →  , é equivalente a
afirmação de que se lim E (ˆ) =  e limVar () = 0 quando n →  , então  será um
estimador consistente de  .

(1) Se x é uma variável aleatória com E(X) =  e variância  2 , então a média amostral, X , será
um estimador consistente da média populacional  .
n

 (x
i =1
i − x)2
(2) A estatística, S 2 = , baseada em uma amostra aleatória x 1 , x 2 ,x 3 ,....,x n é um
n
estimador não tendencioso da variância populacional.
n

 (x
i =1
i − x)2
(3) A estatística, S 2 = , baseada em uma amostra aleatória x 1 , x 2 ,x 3 ,....,x n é um
n
estimador inconsistente da variância populacional.
 Lista de Exercícios #6
Assunto: Propried ade dos Estimadores e Métodos de E stimação

39. ANPEC 1998 - Questão 11

Com relação a desigualdade de Tchebycheff e ao Teorema Central do Limite, pode-se afirmar

que:

(0) Se uma variável aleatória X tem média  , E(X)= , e variância igual a zero, Var(X) = 0,
então P{ X −   } = 1 para todo   0 , ou seja, toda a probabilidade estará concentrada na
média E(X) =  .

(1) Seja X uma variável aleatória com média  e variância 2. Quando se considera o evento
complementar, uma das formas da desigualdade de Tchebycheff é igual a
1
P{ X −   k }  1 − 2 , onde k é um número real.
k

(2) Se a população tem distribuição Normal, então a distribuição das médias amostrais também
será Normal, independente do tamanho da amostra.

(3) Se X tem distribuição desconhecida com média 500 e variância 2.500, para uma amostra
aleatória de tamanho 100 podemos afirmar que a média da amostra tem distribuição
aproximadamente normal com média 500 e variância 25.