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

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.

Passo 2

Definição formal (a mais usada): um estimador \hat{\theta}_n é consistente para o parâmetro \theta se ele converge em probabilidade para \theta quando o tamanho da amostra n cresce indefinidamente. Escrevemos isso assim:
\hat{\theta}_n \xrightarrow{p} \theta
O que isso quer dizer, em palavras simples: para qualquer tolerância positiva \varepsilon>0, a probabilidade de o estimador diferir de \theta por mais do que \varepsilon vai para zero quando n\to\infty. Formalmente:
\forall \varepsilon>0,\quad \lim_{n\to\infty} P\bigl(|\hat{\theta}_n-\theta|>\varepsilon\bigr)=0.
Aqui \hat{\theta}_n é a estatística calculada a partir de n observações e \theta 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 \theta. Pense numa mira que vai acertando mais o alvo quanto mais tiros você dá — o alvo é \theta e cada tiro é outra amostra.

Passo 4

Como provar consistência (receita prática para a prova):
  1. Identifique \hat{\theta}_n e o parâmetro \theta.
  2. Tente usar uma das ferramentas padrão:
    • Leis dos grandes números (WLLN ou SLLN), quando \hat{\theta}_n é média ou função contínua de médias de variáveis iid.
    • Desigualdade de Chebyshev, se você souber a média e a variância de \hat{\theta}_n.
    • Convergência em L^2 (ou média quadrática): se \mathbb{E}[(\hat{\theta}_n-\theta)^2]\to0, então \hat{\theta}_n converge em probabilidade para \theta.
  3. Escreva a demonstração mostrando que P(|\hat{\theta}_n-\theta|>\varepsilon)\to0.
Vou explicar a desigualdade de Chebyshev porque é muito útil: para qualquer variável aleatória com média \mu e variância finita \sigma^2,
P\bigl(|X-\mu|\ge \varepsilon\bigr) \le \frac{\sigma^2}{\varepsilon^2},
para todo \varepsilon>0. Ou seja, a probabilidade de desvio maior que \varepsilon é limitada pela razão \sigma^2/\varepsilon^2.

Passo 5

Exemplo clássico: consistência da média amostral. Consiga dominar este exemplo — cai muito em prova.
Suponha X_1,\dots,X_n iid com \mathbb{E}[X_i]=\mu e \mathrm{Var}(X_i)=\sigma^2<\infty. Defina a média amostral
\bar{X}_n=\frac{1}{n}\sum_{i=1}^n X_i.
Calcule média e variância de \bar{X}_n:
\mathbb{E}[\bar{X}_n]=\frac{1}{n}\sum_{i=1}^n\mathbb{E}[X_i]=\mu,
\mathrm{Var}(\bar{X}_n)=\frac{1}{n^2}\sum_{i=1}^n\mathrm{Var}(X_i)=\frac{\sigma^2}{n}.
Agora aplique Chebyshev para qualquer \varepsilon>0:
P\bigl(|\bar{X}_n-\mu|>\varepsilon\bigr) \le \frac{\mathrm{Var}(\bar{X}_n)}{\varepsilon^2} = \frac{\sigma^2}{n\varepsilon^2}.
Como \displaystyle\frac{\sigma^2}{n\varepsilon^2}\to0 quando n\to\infty, segue que
\lim_{n\to\infty} P\bigl(|\bar{X}_n-\mu|>\varepsilon\bigr)=0,
portanto \bar{X}_n\xrightarrow{p}\mu. Conclusão: a média amostral é consistente.

Passo 6

Exemplo rápido com proporção (Bernoulli): se X_i\sim\mathrm{Bernoulli}(p), então a proporção amostral \hat{p}_n=\frac{1}{n}\sum X_i é exatamente uma média amostral. Pelo mesmo argumento acima (ou pela Lei Fraca dos Grandes Números), \hat{p}_n\xrightarrow{p} p. 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 n\to\infty. Exemplo: o estimador da variância com denominador n,
\hat{\sigma}^2_n=\frac{1}{n}\sum_{i=1}^n (X_i-\bar X_n)^2,
tem expectativa \mathbb{E}[\hat{\sigma}^2_n]=\frac{n-1}{n}\sigma^2, que é viesado, mas \frac{n-1}{n}\sigma^2\to\sigma^2, então \hat{\sigma}^2_n é consistente para \sigma^2.
  • Uma condição suficiente prática: se \mathbb{E}[\hat{\theta}_n]=\theta (imparcialidade) e \mathrm{Var}(\hat{\theta}_n)\to0, então por Chebyshev \hat{\theta}_n\xrightarrow{p}\theta.
  • Modos mais fortes de convergência: quase certa (a.s.) e convergência em média quadrática (L^2). Relações úteis: \text{convergência em }L^2 \Rightarrow \text{convergência em probabilidade}.êê
\text{convergência quase certa} \Rightarrow \text{convergência em probabilidade}.êê
Mas o recíproco nem sempre vale.

Passo 8

Checklist prático para usar na prova (respire fundo e siga esses passos):
  1. Identifique o estimador \hat{\theta}_n.
  2. Tente aplicar a Lei dos Grandes Números (se for média ou função contínua de médias). Se não, calcule \mathbb{E}[\hat{\theta}_n] e \mathrm{Var}(\hat{\theta}_n).
  3. Se \mathrm{Var}(\hat{\theta}_n)\to0 e \mathbb{E}[\hat{\theta}_n]\to\theta, use Chebyshev para concluir que P(|\hat{\theta}_n-\theta|>\varepsilon)\to0.
  4. Escreva a conclusão: \hat{\theta}_n\xrightarrow{p}\theta, logo \hat{\theta}_n 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 \hat{\theta}_n é consistente para \theta se \hat{\theta}_n converge em probabilidade para \theta, isto é, para todo \varepsilon>0,
\lim_{n\to\infty} P\bigl(|\hat{\theta}_n-\theta|>\varepsilon\bigr)=0.

Exercícios relacionados