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:
Consistente
Consistente
Passo 1
O enunciado pede que eu explique o que significa um estimador ser consistente.
Informações dadas pelo enunciado: você quer a definição, a intuição, e uma explicação que te permita entender e aplicar o conceito na prova. Não há dados numéricos específicos — é um pedido conceitual.
Informações dadas pelo enunciado: você quer a definição, a intuição, e uma explicação que te permita entender e aplicar o conceito na prova. Não há dados numéricos específicos — é um pedido conceitual.
Passo 2
Definição formal (a mais usada): um estimador
é consistente para o parâmetro
se ele converge em probabilidade para
quando o tamanho da amostra
cresce indefinidamente. Escrevemos isso assim:
O que isso quer dizer, em palavras simples: para qualquer tolerância positiva
, a probabilidade de o estimador diferir de
por mais do que
vai para zero quando
. Formalmente:
Aqui
é a estatística calculada a partir de
observações e
é o verdadeiro valor do parâmetro que queremos estimar.
Passo 3
Intuição (sem fórmulas chatas): conforme a amostra aumenta, um estimador consistente “se concentra” cada vez mais próximo do verdadeiro valor
. Pense numa mira que vai acertando mais o alvo quanto mais tiros você dá — o alvo é
e cada tiro é outra amostra.
Passo 4
Como provar consistência (receita prática para a prova):
- Identifique
e o parâmetro . - Tente usar uma das ferramentas padrão:
- Leis dos grandes números (WLLN ou SLLN), quando
é média ou função contínua de médias de variáveis iid. - Desigualdade de Chebyshev, se você souber a média e a variância de
. - Convergência em
(ou média quadrática): se , então converge em probabilidade para .
- Leis dos grandes números (WLLN ou SLLN), quando
- Escreva a demonstração mostrando que
.
Vou explicar a desigualdade de Chebyshev porque é muito útil: para qualquer variável aleatória com média
e variância finita
,
para todo
. Ou seja, a probabilidade de desvio maior que
é limitada pela razão
.
Passo 5
Exemplo clássico: consistência da média amostral. Consiga dominar este exemplo — cai muito em prova.
Suponha
iid com
e
. Defina a média amostral
Calcule média e variância de
:
Agora aplique Chebyshev para qualquer
:
Como
quando
, segue que
portanto
. Conclusão: a média amostral é consistente.
Passo 6
Exemplo rápido com proporção (Bernoulli): se
, então a proporção amostral
é exatamente uma média amostral. Pelo mesmo argumento acima (ou pela Lei Fraca dos Grandes Números),
. Então a proporção é consistente.
Passo 7
Observações importantes que caem em prova:
- Consistência não exige que o estimador seja imparcial (sem viés). Um estimador pode ser viesado mas ainda assim consistente, desde que o viés vá para zero quando
. Exemplo: o estimador da variância com denominador ,
tem expectativa
, que é viesado, mas
, então
é consistente para
.
- Uma condição suficiente prática: se
(imparcialidade) e , então por Chebyshev . - Modos mais fortes de convergência: quase certa (a.s.) e convergência em média quadrática (L^2). Relações úteis:
Mas o recíproco nem sempre vale.
Passo 8
Checklist prático para usar na prova (respire fundo e siga esses passos):
- Identifique o estimador
. - Tente aplicar a Lei dos Grandes Números (se for média ou função contínua de médias). Se não, calcule
e . - Se
e , use Chebyshev para concluir que . - Escreva a conclusão:
, logo é consistente.
Passo 9
Resumo intuitivo e motivacional: consistência garante que o procedimento estimador “funciona no longo prazo”: com amostras grandes, o estimador acerta o parâmetro. Isso não garante qualidade em amostras pequenas (aí entram viés, variância e MSE), mas é uma propriedade básica que todo estimador decente costuma ter. Você consegue demonstrar isso com WLLN ou com Chebyshev na maioria das questões de prova — foque em dominar esses dois instrumentos.
Resposta
Um estimador
é consistente para
se
converge em probabilidade para
, isto é, para todo
,