Os estimadores devem possuir certas propriedades para que possam ser considerados eficazes e confiáveis na realização de inferências estatísticas sobre os parâmetros de uma população com base em dados de uma amostra. Explique o que significa um estimador ser:
Não Viesado

Passo 1

O enunciado pede que eu explique o que significa um estimador ser “Não Viesado”. Não há outros dados numéricos ou figuras; a tarefa é uma explicação conceitual.
Informações relevantes do enunciado: você quer entender o significado preciso de “não viesado” aplicado a um estimador usado em inferência estatística.

Passo 2

Primeiro, vamos definir com calma o que é um estimador e o que é o parâmetro alvo.
Um parâmetro é um número fixo que descreve a população (por exemplo, a média verdadeira \mu ou a variância verdadeira \sigma^{2}).
Um estimador é uma regra que pega a amostra e devolve um número para estimar o parâmetro; escrevemos o estimador como \hat{\theta} e o parâmetro como \theta.
Por exemplo, para estimar a média \mu de uma população, usamos frequentemente \hat{\theta}=\bar{X}, a média amostral.

Passo 3

Agora introduzo a noção de esperança (valor esperado) que usamos para definir viés.
A esperança de um estimador \hat{\theta} é o valor médio que \hat{\theta} teria se repetíssemos o mesmo experimento (amostragem) muitas vezes e calculássemos \hat{\theta} em cada repetição. Denotamos essa esperança por E(\hat{\theta}).
O viés (bias) do estimador é definido por
\text{Bias}(\hat{\theta}) = E(\hat{\theta}) - \theta.
Aqui \theta é o valor verdadeiro do parâmetro que queremos estimar. Se \text{Bias}(\hat{\theta}) for diferente de zero, em média o estimador tende a errar sistematicamente (para mais ou para menos).

Passo 4

A definição de “não viesado” (unbiased) é simples e direta usando a fórmula acima:
Um estimador \hat{\theta} é não viesado se, e somente se,
E(\hat{\theta}) = \theta,
ou equivalentemente
\text{Bias}(\hat{\theta}) = 0.
Interpretação intuitiva: se eu repetisse muitas amostras do mesmo tamanho da mesma população, e em cada amostra calculasse \hat{\theta}, a média desses valores seria justamente o valor verdadeiro \theta. Ou seja, o estimador não tem tendência sistemática a subestimar ou superestimar o parâmetro.

Passo 5

Vou mostrar um exemplo clássico e simples: a média amostral é um estimador não viesado da média populacional.
Se X_{1},\dots,X_{n} são observações iid com média \mu e variância \sigma^{2}, a média amostral é
\bar{X}=\frac{1}{n}\sum_{i=1}^{n} X_{i}.
Calculemos a esperança de \bar{X}:
E(\bar{X}) = E\!\left(\frac{1}{n}\sum_{i=1}^{n} X_{i}\right) = \frac{1}{n}\sum_{i=1}^{n} E(X_{i}) = \frac{1}{n}\cdot n\mu = \mu.
Como E(\bar{X})=\mu, concluímos que \bar{X} é não viesada para \mu.

Passo 6

Agora um exemplo útil para ver que nem todo estimador é não viesado: a variância amostral com divisor n é viesada.
Defina
S_{n}^{2}=\frac{1}{n}\sum_{i=1}^{n} (X_{i}-\bar{X})^{2}.
Usamos a identidade
\sum_{i=1}^{n} (X_{i}-\bar{X})^{2} = \sum_{i=1}^{n} X_{i}^{2} - n\bar{X}^{2}.
Tirando esperança em ambos os lados e usando E(X_{i}^{2})=\sigma^{2}+\mu^{2} e E(\bar{X}^{2})=\text{Var}(\bar{X})+(E\bar{X})^{2}=\frac{\sigma^{2}}{n}+\mu^{2}, obtemos
E(S_{n}^{2}) = \frac{1}{n}\Big(n(\sigma^{2}+\mu^{2}) - n\Big(\frac{\sigma^{2}}{n}+\mu^{2}\Big)\Big) = \frac{n-1}{n}\sigma^{2}.
Assim, E(S_{n}^{2})\neq\sigma^{2}; na verdade E(S_{n}^{2})=\frac{n-1}{n}\sigma^{2}. Logo S_{n}^{2} é viesado (subestima sistematicamente \sigma^{2}).
Para corrigir isso, usamos o estimador
S^{2}=\frac{1}{n-1}\sum_{i=1}^{n} (X_{i}-\bar{X})^{2},
e esse satisfaz E(S^{2})=\sigma^{2}, ou seja, S^{2} é não viesado para \sigma^{2}.

Passo 7

Importante notar limites e consequências práticas: ser não viesado não garante que um estimador seja “bom” em todos os sentidos. Dois pontos importantes:
  • Um estimador pode ser não viesado mas ter grande variância, o que significa que, em uma única amostra, o valor pode ficar muito longe de \theta.
  • A medida de erro média quadrática (MSE) combina viés e variância:
\text{MSE}(\hat{\theta}) = E\big[(\hat{\theta}-\theta)^{2}\big] = \text{Var}(\hat{\theta}) + \big(\text{Bias}(\hat{\theta})\big)^{2}.
Então, às vezes um estimador levemente viesado (viés pequeno) com variância muito menor pode ter MSE menor do que um estimador não viesado — e isso pode ser preferível na prática.

Passo 8

Como checar no exame se um estimador é não viesado (passo a passo prático):
  1. Identifique o estimador \hat{\theta} e o parâmetro \theta.
  2. Calcule E(\hat{\theta}) usando propriedades da esperança (linearidade, independência quando aplicável).
  3. Compare: se E(\hat{\theta})=\theta então é não viesado; caso contrário escreva o viés E(\hat{\theta})-\theta.
    Dica: muitas vezes convém usar identidades conhecidas (como as usadas para média e variância) para simplificar os cálculos.

Passo 9

Resumo final, em linguagem simples e direto ao ponto: um estimador é não viesado quando, em média (sobre muitas amostras), ele acerta o parâmetro verdadeiro — isto é, seu valor esperado é igual ao parâmetro.

Resposta

Um estimador \hat{\theta} é não viesado se E(\hat{\theta})=\theta; equivalentemente, seu viés \text{Bias}(\hat{\theta})=E(\hat{\theta})-\theta é igual a 0.

Exercícios relacionados