Pular para o conteúdo principal

Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2025

EstatísticaInferência estatística
Código
ce217926
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Estatística
Acerca de estimadores pontuais, julgue o item a seguir.Um estimador pontual consistente aproxima-se do parâmetro populacional quando o tamanho da amostra cresce.
  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”.

Consistência de estimadores pontuais

✅ CERTO. Um estimador pontual consistente é exatamente aquele que, à medida que o tamanho da amostra cresce, converge em probabilidade para o valor do parâmetro populacional. Essa é a definição formal de consistência, uma das propriedades desejáveis dos estimadores, e o enunciado a descreve corretamente.

Na inferência estatística, distinguimos parâmetro (medida que descreve a população, como a média μ\mu ou a variância σ2\sigma^2) de estimador (função da amostra usada para estimar o parâmetro, como a média amostral Xˉ\bar{X} ou a variância amostral S2S^2). O estimador é uma variável aleatória, pois depende da amostra sorteada; a estimativa é o valor numérico obtido para uma amostra específica.

A consistência é uma propriedade assintótica: ela descreve o comportamento do estimador quando o tamanho da amostra nn tende ao infinito. Formalmente, dizemos que θ^n\hat{\theta}_n é consistente para θ\theta se θ^n→pθ\hat{\theta}_n \xrightarrow{p} \theta, ou seja, se para qualquer ϵ>0\epsilon > 0,

lim⁡n→∞P(∣θ^n−θ∣>ϵ)=0.\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| > \epsilon) = 0.

Em palavras: a probabilidade de o estimador se afastar do parâmetro por mais que uma margem ϵ\epsilon tende a zero conforme a amostra cresce. Isso significa que, com amostras grandes, o estimador tende a "acertar" o parâmetro — exatamente o que o item afirma.

É importante não confundir consistência com outras propriedades:

Propriedade

O que garante

Relação com nn

Não viés (justeza)

E(θ^)=θE(\hat{\theta}) = \theta

Vale para qualquer nn

Consistência

θ^n→pθ\hat{\theta}_n \xrightarrow{p} \theta

Propriedade assintótica (n→∞n \to \infty)

Eficiência

Menor variância entre os estimadores não viesados

Comparação entre estimadores

Um estimador pode ser não viesado mas não consistente (raro, mas possível), e pode ser consistente mesmo com viés em amostras pequenas (desde que o viés desapareça assintoticamente). A consistência é uma propriedade mais forte que a justeza assintótica, pois exige convergência em probabilidade.

A banca explora aqui um conceito central da inferência: a ideia de que, com mais dados, nossa estimativa melhora. O item está perfeitamente alinhado com a definição clássica de consistência.

NÃO CAIA NESSA!

Cuidado para não confundir consistência com não viés (ou justeza). O não viés garante que, em média, o estimador acerta o alvo — mas isso vale para qualquer tamanho de amostra. A consistência é uma propriedade assintótica: só faz sentido pensar nela quando nn cresce. O enunciado fala exatamente do comportamento com o crescimento da amostra, então é consistência, e não justeza. Se a banca tivesse dito "o estimador não viesado aproxima-se do parâmetro quando a amostra cresce", também seria verdade, mas por outro motivo — e é essa troca de conceitos que derruba candidatos.

✅ CERTO. O item descreve corretamente a definição de consistência de um estimador pontual.

Gabarito: letra C (Certo).

Link permanente: /questoes/ce217926